Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

धरती की गहराई में, तेल के कुएं केवल जमीन में बने छेद नहीं हैं; वे जटिल, दबावयुक्त प्रणालियाँ हैं जहाँ तरल पदार्थों को गुरुत्वाकर्षण के विरुद्ध ऊपर की ओर खींचा जाता है। इन कुओं को कुशलतापूर्वक उत्पादन करने के लिए बनाए रखने हेतु, इंजीनियरों को पंप के बिल्कुल निचले हिस्से में दबाव का पता होना चाहिए, जिसे पंप इनटेक प्रेशर (pump intake pressure) के रूप में जाना जाता है। यह माप एक कुएं के लिए महत्वपूर्ण संकेत की तरह कार्य करता है, जो ऑपरेटरों को बताता है कि क्या पंप बहुत अधिक मेहनत कर रहा है, क्या तरल सही ढंग से बह रहा है, या क्या उपकरण विफल होने के जोखिम में है। इस संख्या को प्राप्त करने का सबसे सीधा तरीका सेंसर को कुएं में नीचे उतारना है, लेकिन यह महंगा है, और वे सेंसर टूट या विफल हो सकते हैं, जिससे कुआं एक महत्वपूर्ण रीडिंग के बिना रह जाता है। जब सेंसर गायब होता है, तो इंजीनियर ऐतिहासिक रूप से सतह पर जो कुछ भी मापा जा सकता है, जैसे कि पाइप के ऊपरी हिस्से का दबाव या कुएं में तरल का स्तर, उसके आधार पर दबाव का अनुमान लगाने के लिए गणितीय सूत्रों पर भरोसा करते रहे हैं। हालांकि, पारंपरिक अनुमान लगाने के ये तरीके अक्सर अनिश्चित रहे हैं, जिससे ऑपरेटरों के सामने जमीन के नीचे क्या हो रहा है, इसकी एक धुंधली तस्वीर रह जाती थी।

शोधकर्ताओं की एक टीम ने कंप्यूटर को सतह के मापों और गहरे दबाव के बीच के संबंध को सीखने के लिए प्रशिक्षित करके उस धुंध को साफ करने का लक्ष्य रखा। उन्होंने मिस्र के सौ से अधिक तेल कुओं से वास्तविक दुनिया के डेटा का एक विशाल संग्रह एकत्र किया, जिनमें से सभी सेंसरों से लैस थे जो वास्तविक दबाव रीडिंग प्रदान कर रहे थे। इस डेटाबेस से, उन्होंने हजारों विशिष्ट क्षणों का चयन किया जहाँ उन्हें पंप इनटेक पर सटीक दबाव का पता था, साथ ही उसी सटीक समय पर संबंधित सतह की स्थितियां भी थीं। फिर उन्होंने इस जानकारी को छह अलग-अलग प्रकार के कंप्यूटर मॉडलों में डाला, जो सरल सांख्यिकीय समीकरणों से लेकर अधिक जटिल प्रणालियों तक फैले हुए थे, जो इस तरह काम करते हैं जैसे मानव मस्तिष्क सूचनाओं को संसाधित करता है। लक्ष्य यह देखना था कि क्या ये डिजिटल मॉडल उन छिपे हुए पैटर्न को सीख सकते हैं जो सतह के डेटा को गहरे दबाव से जोड़ते हैं, जिससे प्रभावी रूप से वे लापता सेंसर रीडिंग को उच्च सटीकता के साथ भविष्य में बता सकें।

शोधकर्ताओं ने प्रत्येक मॉडल का परीक्षण यह देखने के लिए किया कि वे उस डेटा के लिए दबाव का कितनी अच्छी तरह से अनुमान लगा सकते हैं जिसे उन्होंने पहले कभी नहीं देखा था। सबसे सरल मॉडल, जो चरों के बीच सीधे-रैखिक संबंधों पर आधारित थे, काफी संघर्ष करते हैं। उन्होंने बड़े अंतर से लक्ष्य चूक दिया, जहाँ उनके अनुमान वास्तविक मूल्यों से औसतन लगभग सत्तर प्रतिशत तक विचलित हो गए। यहाँ तक कि जब शोधकर्ताओं ने अधिक जटिल गणितीय वक्रों (curves) का उपयोग करने का प्रयास किया, तो सुधार बहुत कम था। कुछ मॉडल, विशेष रूप से वे जो फ्लोचार्ट की तरह निर्णय नियम बनाते हैं, प्रशिक्षण डेटा पर बहुत अधिक केंद्रित हो गए। उन्होंने उदाहरणों को पूरी तरह से याद कर लिया लेकिन सामान्यीकरण करने में विफल रहे, जिसके परिणामस्वरूप ऐसे अनुमान निकले जो उनके अध्ययन किए गए डेटा के लिए तो सटीक थे लेकिन नए कुओं के लिए अविश्वसनीय थे। यह 'ओवर-फिटिंग' (over-fitting) का अर्थ था कि हालांकि वे कागज पर एकदम सही दिखते थे, लेकिन वे वास्तविक दुनिया के उपयोग के लिए पर्याप्त मजबूत नहीं थे।

इस तुलना में स्पष्ट विजेता 'आर्टिफिशियल न्यूरल नेटवर्क' था, जो एक प्रकार का मॉडल है जिसे डेटा में जटिल, गैर-रैखिक संबंधों को खोजने के लिए डिज़ाइन किया गया है। अन्य तरीकों के विपरीत, इस मॉडल ने केवल एक सीधी रेखा या एक साधारण वक्र नहीं खींचा; इसने नौ अलग-अलग इनपुट कारकों के बीच संबंधों का एक जटिल जाल सीखा, जैसे कि तेल उत्पादन दर, पानी की मात्रा, वेलहेड प्रेशर और पंप की गहराई। वास्तविक सेंसर रीडिंग के विरुद्ध परीक्षण किए जाने पर, यह न्यूरल नेटवर्क उल्लेखनीय रूप से सटीक साबित हुआ। इसने पंप इनटेक प्रेशर का अनुमान औसतन केवल लगभग बारह प्रतिशत की त्रुटि के साथ लगाया, जो अन्य तरीकों की तुलना में एक बड़ा सुधार था। यह मॉडल इतना सुसंगत था कि इसने उस डेटा पर लगभग समान रूप से प्रदर्शन किया जिससे इसने सीखा था और उस नए डेटा पर जिस पर इसका परीक्षण किया गया था, जिससे यह पता चलता है कि इसने केवल नंबरों को याद नहीं किया बल्कि सिस्टम के अंतर्निहित भौतिक विज्ञान को वास्तव में सीखा है।

अध्ययन ने यह भी उजागर किया कि मॉडल के सटीक अनुमान लगाने के लिए सूचना के कौन से हिस्से सबसे महत्वपूर्ण थे। जबकि पंप के ऊपर तरल की गहराई सबसे महत्वपूर्ण कारक थी, मॉडल ने पाइप के आसपास के स्थान के दबाव और उस स्थान के आकार पर भी बहुत अधिक भरोसा किया। जब शोधकर्ताओं ने इन विशिष्ट इनपुट्स को हटाया, तो मॉडल की सटीकता तेजी से गिर गई, जिससे सिद्ध हुआ कि पूर्ण चित्र के लिए मामूली विवरण भी आवश्यक हैं। निष्कर्ष बताते हैं कि उन कुओं में जहाँ महंगे डाउनहोल सेंसर गायब या टूटे हुए हैं, वहां यह आर्टिफिशियल इंटेलिजेंस दृष्टिकोण एक विश्वसनीय विकल्प प्रदान करता है। केवल उन मापों का उपयोग करके जो पहले से ही सतह पर नियमित रूप से लिए जाते हैं, ऑपरेटर अब एक ऐसे विश्वास के स्तर के साथ गहरे दबाव की गणना कर सकते हैं जो पहले अप्राप्य था, जिससे यह सुनिश्चित होता है कि ये कुएं निरंतर, महंगी उपकरण मरम्मत की आवश्यकता के बिना सुरक्षित और कुशलतापूर्वक चलते रहें।