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

पृथ्वी के नीचे, तेल भंडारों की अंधेरी और भारी दुनिया में, मशीनें कच्चे तेल को सतह पर लाने के लिए अथक परिश्रम करती हैं। इन सबसे महत्वपूर्ण मशीनों में से एक इलेक्ट्रिकल सबमर्सिबल पंप (electrical submersible pump) है, जो एक विशाल मोटर और इम्पेलर असेंबली है जिसे अत्यधिक दबाव के विरुद्ध तरल पदार्थ को ऊपर धकेलने के लिए कुएं के भीतर उतारा जाता है। ये पंप आधुनिक तेल उत्पादन का हृदय हैं, जो प्राकृतिक दबाव कम होने पर भी कुओं को बहते रहने में मदद करते हैं। फिर भी, वे उच्च ताप, संक्षारक तरल पदार्थों और निरंतर कंपन के एक क्रूर वातावरण में काम करते हैं। जब एक पंप विफल होता है, तो कुआं उत्पादन बंद कर देता है, जिससे महत्वपूर्ण वित्तीय हानि होती है और महंगे, विघटनकारी मरम्मत की आवश्यकता होती है। दशकों से, इंजीनियर असामान्य कंपन या विद्युत प्रवाह में बदलाव जैसे चेतावनी संकेतों पर नज़र रखकर इन पंपों की निगरानी करते रहे हैं, लेकिन ये विधियां अक्सर प्रतिक्रियात्मक (reactive) होती हैं, जो समस्या के शुरू होने के बाद ही नुकसान की पहचान करती हैं। उद्योग के सामने सवाल यह था कि क्या यह देखना संभव है कि एक पंप कैसा प्रदर्शन कर रहा है और वह वास्तव में टूटने से पहले कब विफल हो सकता है।

खार्तूम विश्वविद्यालय और सऊदी अरब के किंग फहद यूनिवर्सिटी ऑफ पेट्रोलियम एंड मिनरल्स के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक शक्तिशाली उपकरण की ओर रुख किया है: मशीन लर्निंग। आर्टिफिशियल इंटेलिजेंस की यह शाखा कंप्यूटर को विशिष्ट नियमों के साथ स्पष्ट रूप से प्रोग्राम किए बिना, ऐतिहासिक डेटा की विशाल मात्रा से पैटर्न सीखने की अनुमति देती है। इस अध्ययन में, शोधकर्ताओं ने मध्य पूर्व के चौआलीस तेल कुओं से एक विशाल डेटासेट एकत्र किया, जिसमें वास्तविक समय के संचालन के बारह हजार से अधिक रिकॉर्ड शामिल थे। उन्होंने दो महत्वपूर्ण मापों पर ध्यान केंद्रित किया जो एक पंप के स्वास्थ्य की कहानी बताते हैं: वह दबाव जिस पर पंप तरल पदार्थ को बाहर धकेलता है, और उस तरल पदार्थ के बहने की दर। इस डेटा को परिष्कृत कंप्यूटर मॉडल में फीड करके, टीम का लक्ष्य एक ऐसी प्रणाली बनाना था जो इन मूल्यों का उच्च सटीकता के साथ पूर्वानुमान लगा सके और अधिक महत्वपूर्ण बात यह है कि खराबी के शुरुआती संकेतों को पहचान सके।

शोधकर्ताओं ने विभिन्न प्रकार के मशीन लर्निंग एल्गोरिदम का परीक्षण किया ताकि यह देखा जा सके कि कौन सा पंप के जटिल व्यवहार की सबसे अच्छी नकल कर सकता है। उन्होंने सपोर्ट वेक्टर रिग्रेशन (support vector regression) नामक एक विधि की तुलना, जो डेटा में सीमाओं को खोजने में अच्छी है, एक अधिक उन्नत तकनीक जिसे एक्सट्रीम ग्रेडिएंट बूस्टिंग (extreme gradient boosting) कहा जाता है, से की, जो अपनी भविष्यवाणियों को चरण दर चरण परिष्कृत करने के लिए निर्णय वृक्षों (decision trees) की एक श्रृंखला बनाता है। उन्होंने एक अलग मॉडल भी विकसित किया जो विशेष रूप से यह वर्गीकृत करने के लिए डिज़ाइन किया गया था कि क्या एक पंप सामान्य रूप से काम कर रहा है या विफलता की ओर बढ़ रहा है। उन्होंने जिस डेटा का उपयोग किया वह भारी तेल (heavy oil) का उत्पादन करने वाले कुओं से आया था, जो एक गाढ़ा, चिपचिपा तरल पदार्थ है जो उपकरणों पर अतिरिक्त तनाव डालता है, जिससे भविष्यवाणी का कार्य और भी चुनौतीपूर्ण हो जाता है। कुएं कार्बोनेट चट्टान संरचनाओं में स्थित थे, और तेल का औसत गुरुत्वाकर्षण इसे 'हैवी' के रूप में वर्गीकृत करता था, जिसका अर्थ है कि यह हल्के कच्चे तेल की तुलना में कम आसानी से बहता है।

जब मॉडलों का परीक्षण किया गया, तो परिणाम चौंकाने वाले थे। एक्सट्रीम ग्रेडिएंट बूस्टिंग मॉडल पंप के प्रदर्शन का सबसे सटीक भविष्यवक्ता साबित हुआ। यह डिस्चार्ज प्रेशर (discharge pressure) का पूर्वानुमान एक प्रतिशत से भी कम के त्रुटि मार्जिन के साथ और फ्लो रेट (flow rate) का चार प्रतिशत से भी कम की त्रुटि के साथ लगा सकता था। व्यावहारिक रूप से, इसका अर्थ है कि कंप्यूटर सटीक रूप से भविष्यवाणी कर सकता था कि पंप कितना दबाव उत्पन्न कर रहा था और वह कितना तेल स्थानांतरित कर रहा था, जो वास्तविक दुनिया के मापों से लगभग पूरी तरह मेल खाता था। अन्य मॉडल भी अच्छा प्रदर्शन करते थे, लेकिन इस विशिष्ट एल्गोरिदम ने तेल क्षेत्र के अव्यवस्थित, गैर-रेखीय (non-linear) वास्तविकता को बेहतर निरंतरता के साथ संभाला। इसने सीखा कि मोटर का तापमान, पंप के इनटेक का दबाव और चोक वाल्व का आकार जैसे कारक अंतिम आउटपुट निर्धारित करने के लिए जटिल तरीकों से परस्पर क्रिया करते हैं, और इसने अन्य विधियों की तुलना में इन संबंधों को बेहतर ढंग से पकड़ा।

प्रदर्शन की भविष्यवाणी करने के अलावा, टीम ने विफलताओं को होने से पहले पहचानने के लिए एक प्रणाली भी बनाई। उन्होंने एक वर्गीकरण मॉडल (classification model) को प्रशिक्षित किया ताकि दबाव और प्रवाह में उन सूक्ष्म विचलन को पहचाना जा सके जो संकेत देते हैं कि एक पंप ट्रिप होने वाला है या टूटने वाला है। मॉडल का परीक्षण सात सामान्य प्रकार के विफलताओं के विरुद्ध किया गया, जिसमें बिजली आपूर्ति में इलेक्ट्रिकल ट्रिप से लेकर टयूबिंग में रुकावट तक शामिल थे। साक्ष्य को कंप्यूटर द्वारा कैसे तौला जाए, इसे समायोजित करके, शोधकर्ताओं ने एक ऐसी प्रणाली प्राप्त की जिसने ९६ प्रतिशत समय विफलताओं की सही पहचान की। हालांकि मॉडल ने कभी-कभी एक स्वस्थ पंप को दोषपूर्ण के रूप में चिह्नित किया, लेकिन इसने वास्तविक समस्याओं के विशाल बहुमत को सफलतापूर्वक पकड़ लिया, जिससे ऑपरेटरों को हस्तक्षेप करने के लिए समय मिल गया। यह दृष्टिकोण रणनीति को टूटे हुए पंप पर प्रतिक्रिया देने से बदलकर सक्रिय रूप से रखरखाव करने की ओर ले जाता है, जो संभावित रूप से कुओं को महंगी डाउनटाइम से बचा सकता है।

यह अध्ययन प्रदर्शित करता है कि इन महत्वपूर्ण मशीनों के लिए विशुद्ध रूप से प्रतिक्रियात्मक रखरखाव का युग समाप्त होने की कगार पर है। वास्तविक समय के डेटा और उन्नत एल्गोरिदम का उपयोग करके, इंजीनियर अब तरल चिपचिपाहट या जलाशय के दबाव में परिवर्तन जैसी विभिन्न स्थितियों के तहत एक पंप कैसे व्यवहार करेगा, इसका अनुमान लगा सकते हैं। अनुसंधान पुष्टि करता है कि डिस्चार्ज प्रेशर और फ्लो रेट एक पंप की स्थिति के सबसे विश्वसनीय संकेतक हैं, और मशीन लर्निंग उन्हें एक ऐसे स्तर की सटीकता के साथ ट्रैक कर सकती है जो भौतिक सेंसरों की बराबरी करता है। इसका मतलब यह नहीं है कि पंप स्वयं बदल गए हैं, बल्कि यह है कि हम उन्हें देखने के तरीके में विकास हुआ है। प्रदर्शन और विफलता की इतनी सटीकता के साथ भविष्यवाणी करने की क्षमता कुशल संचालन, कम ऊर्जा खपत और गहरी पृथ्वी से तेल की अधिक विश्वसनीय आपूर्ति की दिशा में एक मार्ग प्रदान करती है।