Physics-Informed Machine Learning for Radiation-Free Water Liquid Ratio Estimation Using Coriolis Flow Measurements

Sintesi Tecnica: Apprendimento Automatico Informato dalla Fisica per la Stima del Rapporto Acqua-Liquido Senza Radiazioni

Definizione del Problema
La determinazione accurata del Rapporto Acqua-Liquido (WLR) e della densità del liquido puro nei sistemi di flusso trifase (olio–acqua–gas) è fondamentale per la gestione dei giacimenti e l'ottimizzazione della produzione. Le soluzioni convenzionali si affidano a Misuratori di Flusso Multifase (MPFM) che integrano sensori a doppia gamma per la risoluzione della frazione di fase. Sebbene accurati, questi sistemi presentano gravi svantaggi: elevati costi di capitale e di manutenzione, rigorosi requisiti di conformità normativa, rischi per la sicurezza legati alle radiazioni e complessità di calibrazione. Di conseguenza, gli operatori in Oman e nella regione del GCC stanno cercando alternative prive di radiazioni.

Gli Esistenti Tester a Basse Prestazioni (LPT) utilizzano Misuratori di Portata di Massa Coriolis (CMFM) per misurare la portata del liquido e la densità apparente della miscela. Tuttavia, in assenza di un separatore di gas dedicato, l'intrappolamento residuo di gas nella linea del liquido crea una condizione di "semi-trifase". Questo intrappolamento deprime la densità apparente Coriolis al di sotto del valore reale del liquido, introducendo una significativa incertezza nel calcolo del WLR utilizzando le equazioni standard di miscelazione volumetrica. Sebbene l'apprendimento automatico (ML) sia stato applicato per correggere gli errori Coriolis nei flussi bifase o utilizzando input gamma, non esiste un framework validato per stimare il WLR e la densità del liquido puro utilizzando solo gli output standard dei Coriolis sul campo (senza strumentazione gamma o diagnostica interna) su dati di produzione reali.

Metodologia
Lo studio propone un framework di apprendimento automatico informato dalla fisica, addestrato su un dataset di 735.034 record al minuto raccolti da 26 pozzi petroliferi su tre unità LPT presso il campo Daleel Petroleum in Oman (gennaio–agosto 2025).

1. Pre-elaborazione dei Dati: La pipeline ha previsto la normalizzazione PVT per convertire le densità di laboratorio nelle condizioni in situ. Un filtraggio rigoroso ha rimosso i valori mancanti, i guasti strumentali (es. WLR > 100%) e gli outlier. Un'analisi di stabilità basata sui quantili e priva di distribuzione ha stabilito una soglia minima di portata affidabile di 3,0 m³/d per garantire l'integrità del rapporto segnale-rumore.
2. Ingegneria delle Caratteristiche (Il Fattore Medio della Densità di Miscela Armonica - $k_H$): L'innovazione principale è la derivazione di $k_H$, un indice adimensionale sensibile al gas.
   • La densità apparente della miscela ($\rho_{mix}$) è la media aritmetica delle densità di fase pesate per frazione volumetrica.
   • La densità della media armonica ($\rho_{HMDM}$) è calcolata in base all'inverso delle densità di fase.
   • $k_H$ è definito come il rapporto $\rho_{mix} / \rho_{HMDM}$.
   • Analiticamente, si dimostra che $k_H$ diminuisce monotonicamente all'aumentare della Frazione di Volume del Gas (GVF). A differenza delle caratteristiche ingegnerizzate generiche, $k_H$ è derivato dalle equazioni di miscelazione trifase per codificare l'influenza sproporzionata del gas intrappolato sulla media armonica, fornendo un segnale implicito di GVF senza richiedere la misurazione diretta del gas.
3. Disegno Sperimentale: Cinque modelli di machine learning (Regressione Lineare, Support Vector Regression, Random Forest, Gradient Boosting e una custom Physics-ANN) sono stati valutati in un protocollo a due fasi:
   • Fase 1 (Baseline): Addestramento su soli input grezzi: Portata del Liquido ($Q_l$) e Densità del Gas ($\rho_g$).
   • Fase 2 (Completa): Ri-addestramento con l'aggiunta di $k_H$ come terzo input.
   • Questo design isola il contributo specifico di $k_H$ all'accuratezza predittiva attraverso diverse famiglie di modelli.
4. Validazione: I modelli sono stati valutati utilizzando una divisione casuale 80/20 e un protocollo di cross-validazione temporale a 5 pieghe (5-fold) per garantire che i risultati non fossero artefatti di temporal leakage (dove record consecutivi con timestamp identici condividono le stesse condizioni).

Risultati Chiave

• Prestazioni Baseline: Senza $k_H$, tutti e cinque i modelli hanno performato scarsamente, con valori di $R^2$ compresi tra 0,083 e 0,194. Ciò conferma che le sole misurazioni Coriolis grezze della portata e della densità del gas sono insufficienti per la stima del WLR.
• Impatto di $k_H$: L'incorporazione di $k_H$ ha prodotto un miglioramento drammatico e uniforme in tutte le architetture di modello. I valori di $R^2$ sono aumentati di +0,70 e +0,79 in tutto il set.
• Miglior Modello: Il modello Random Forest ha raggiunto la massima accuratezza con $R^2 = 0,8943$ e RMSE = 0,0854 sui dati di test. Gradient Boosting ($R^2 = 0,8940$) e SVR ($R^2 = 0,8920$) sono seguiti da vicino. L'ANN ha ottenuto un $R^2 = 0,8825$.
• Validazione Temporale: La cross-validazione temporale ha prodotto un $R^2$ medio di 0,8913, quasi identico ai risultati della divisione casuale. Ciò conferma la capacità di generalizzazione del modello e che la prestazione non è dovuta a temporal data leakage.
• Soglie di Portata: Il filtraggio per portate più elevate (10,0 m³/d) ha migliorato leggermente le prestazioni (riduzione dell'RMSE di circa il 12,8%), ma un filtraggio aggressivo (24,0 m³/d) ha portato a rendimenti decrescenti, indicando un compromesso tra qualità e quantità dei dati.

Significato e Rivendicazioni
L'articolo rivendica tre contributi primari:

1. L'Indice $k_H$: Introduce $k_H$ come un nuovo osservabile surrogato derivato dalla fisica che quantifica gli effetti dell'intrappolamento del gas. Lo studio dimostra che $k_H$ è il driver principale dell'accuratezza predittiva, fornendo un segnale computabile di GVF senza sensori aggiuntivi.
2. Miglioramento Agnostico rispetto al Modello: Il guadagno di prestazioni è costante tra architetture lineari, basate su kernel, ensemble e reti neurali. Ciò prova che il miglioramento deriva dal contenuto informativo fisico della caratteristica piuttosto che dal bias induttivo di un algoritmo specifico.
3. Alternativa Senza Radiazioni: Il framework stabilisce un metodo efficace, con un costo contenuto, per stimare il WLR e la densità del liquido puro utilizzando solo gli output standard dei Coriolis e le densità di fase di laboratorio, eliminando la necessità di contatori gamma duali.

Gli autori concludono che, sebbene il modello Random Forest con $k_H$ offra una soluzione robusta per le misurazioni dei test di pozzo, il divario di prestazione rimanente (rispetto all'unità) è probabilmente dovuto all'assenza di diagnostica vibratoria interna dei Coriolis (es. smorzamento, guadagno di azionamento) e alla mancanza di modellazione della sequenza temporale, piuttosto che a una deficienza della caratteristica $k_H$ stessa. Lo studio posiziona questo lavoro come un passo significativo verso il monitoraggio virtuale del flusso privo di radiazioni nella produzione petrolifera.