Machine Learning Models for Forecasting Discharge Pressure and Flow Rate of Electrical Submersible Pumps for Performance Enhancement and Failure Prediction

Profondément sous la terre, dans le monde sombre et pesant des réservoirs de pétrole, des machines travaillent sans relâche pour acheminer le pétrole brut vers la surface. Parmi ces machines, les plus vitales est la pompe électrique immergée, un ensemble massif de moteur et de roue à injection descendu dans un puits pour pousser le fluide vers le haut contre une pression immense. Ces pompes sont le cœur de la production pétrolière moderne, maintenant l'écoulement des puits lorsque la pression naturelle s'estompe. Pourtant, elles opèrent dans un environnement brutal de chaleur élevée, de fluides corrosifs et de vibrations constantes. Lorsqu'une pompe tombe en panne, le puits cesse de produire, entraînant des pertes financières importantes et la nécessité de réparations coûteuses et perturbatrices. Pendant des décennies, les ingénieurs ont surveillé ces pompes en guettant des signes d'avertissement tels que des vibrations inhabituelles ou des changements de courant électrique, mais ces méthodes sont souvent réactives, identifiant un problème seulement après que les dommages ont déjà commencé. La question posée à l'industrie était de savoir s'il était possible de regarder vers l'avenir, de prédire comment une pompe se comporte et quand elle pourrait tomber en panne avant que la machinerie ne se casse réellement.

Une équipe de chercheurs de l'Université de Khartoum et de l'Université King Fahd du pétrole et des minéraux en Arabie saoudite s'est tournée vers un outil puissant pour répondre à cette question : l'apprentissage automatique. Cette branche de l'intelligence artificielle permet aux ordinateurs d'apprendre des modèles à partir de vastes quantités de données historiques sans être explicitement programmés avec des règles spécifiques. Dans cette étude, les chercheurs ont rassemblé un ensemble de données massif provenant de quarante-quatre puits de pétrole au Moyen-Orient, collectant plus de douze mille enregistrements d'opérations en temps réel. Ils se sont concentrés sur deux mesures critiques qui racontent l'histoire de la santé d'une pompe : la pression à laquelle la pompe expulse le fluide, et le débit avec lequel ce fluide s'écoule. En injectant ces données dans des modèles informatiques sophistiqués, l'équipe visait à créer un système capable de prévoir ces valeurs avec une grande précision et, plus important encore, de repérer les signes précurseurs d'une panne.

Les chercheurs ont testé plusieurs types différents d'algorithmes d'apprentissage automatique pour voir lequel pouvait le mieux imiter le comportement complexe des pompes. Ils ont comparé une méthode connue sous le nom de régression par vecteurs de support, qui est efficace pour trouver des frontières dans les données, contre une technique plus avancée appelée boosting de gradient extrême (extreme gradient boosting), qui construit une série d'arbres de décision pour affiner ses prédictions étape par étape. Ils ont également développé un modèle distinct spécifiquement conçu pour classer si une pompe fonctionnait normalement ou si elle se dirigeait vers une défaillance. Les données qu'ils ont utilisées provenaient de puits produisant du pétrole lourd, un fluide épais et visqueux qui impose un stress supplémentaire aux équipements, rendant la tâche de prédiction encore plus difficile. Les puits étaient situés dans des formations rocheuses carbonatées, et le pétrole avait une gravité moyenne qui le classait comme lourd, ce qui signifie qu'il s'écoule moins facilement que le brut léger.

Lorsque les modèles ont été mis à l'épreuve, les résultats ont été frappants. Le modèle de boosting de gradient extrême s'est avéré être le prédicteur le plus précis de la performance de la pompe. Il pouvait prévoir la pression de décharge avec une marge d'erreur de moins de un pour cent et le débit avec une erreur de moins de quatre pour cent. En termes pratiques, cela signifie que l'ordinateur pouvait prédire exactement la pression générée par la pompe et la quantité de pétrole déplacée, correspondant presque parfaitement aux mesures réelles. Les autres modèles ont bien performé, mais cet algorithme spécifique a géré la réalité désordonnée et non linéaire des données du champ pétrolier avec une cohérence supérieure. Il a appris que des facteurs tels que la température du moteur, la pression à l'admission de la pompe et la taille de la vanne de réglage interagissent de manières complexes pour déterminer le rendement final, et il a capturé ces relations mieux que les autres méthodes.

Au-delà de la prédiction de la performance, l'équipe a également construit un système pour identifier les défaillances avant qu'elles ne surviennent. Ils ont entraîné un modèle de classification pour reconnaître les subtiles déviations de pression et de débit qui signalent qu'une pompe est sur le point de déclencher une alerte ou de tomber en panne. Le modèle a été testé contre sept types de défaillances courants, allant des déclenchements électriques de l'alimentation électrique aux obstructions dans la tuyauterie. En ajustant la manière dont l'ordinateur pondérait les preuves, les chercheurs ont obtenu un système qui identifiait correctement les défaillances dans 96 % des cas. Bien que le modèle ait occasionnellement signalé une pompe saine comme défectueuse, il a détecté avec succès la grande majorité des problèmes réels, offrant ainsi un délai d'intervention aux opérateurs. Cette approche déplace la stratégie de la réaction face à une pompe cassée vers la maintenance proactive d'une pompe, permettant potentiellement d'épargner aux puifs des temps d'arrêt coûteux.

L'étude démontre que l'ère de la maintenance purement réactive pour ces machines critiques touche peut-être à sa fin. En utilisant des données en temps réel et des algorithmes avancés, les ingénieurs peuvent désormais anticiper comment une pompe se comportera sous diverses conditions, telles que les changements de viscosité du fluide ou de pression du réservoir. La recherche confirme que la pression de décharge et le débit sont les indicateurs les plus fiables de l'état d'une pompe, et que l'apprentissage automatique peut les suivre avec un niveau de précision qui rivalise avec les capteurs physiques. Cela ne signifie pas que les pompes elles-mêmes ont changé, mais plutôt que la façon dont nous les surveillons a évolué. La capacité de prédire la performance et la défaillance avec une telle précision offre une voie vers des opérations plus efficaces, une consommation d'énergie réduite et un approvisionnement plus fiable en pétrole provenant des profondeurs de la terre.