Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

Nel profondo della terra, i pozzi petroliferi non sono solo buchi nel terreno; sono sistemi complessi e pressurizzati dove i fluidi vengono indotti a risalire contro la gravità. Per mantenere l'efficienza di produzione di questi pozzi, gli ingegneri devono conoscere la pressione proprio alla base della pompa, un valore noto come pressione di aspirazione della pompa. Questa misurazione funge da segno vitale per il pozzo, indicando agli operatori se la pompa sta lavorando troppo, se il fluido scorre correttamente o se l'attrezzatura è a rischio di guasto. Il modo più diretto per ottenere questo numero è scendere un sensore nel pozzo, ma questo è costoso e quei sensori possono rompersi o guastarsi, lasciando il pozzo senza una lettura critica. Quando il sensore manca, gli ingegneri si sono storicamente affidati a formule matematiche per indovinare la pressione basandosi su ciò che possono misurare in superficie, come la pressione alla sommità del tubo o il livello del fluido nel pozzo. Tuttavia, questi metodi di stima tradizionali sono stati spesso imprecisi, lasciando gli operatori con un quadro sfocato di ciò che accade nel profondo del sottosuolo.

Un team di ricercatori si è posto l'obiettivo di diradare quella nebbia, insegnando ai computer a apprendere la relazione tra le misurazioni di superficie e la pressione profonda. Hanno raccolto una vasta collezione di dati reali provenienti da oltre cento pozzi petroliferi in Egitto, tutti dotati di sensori funzionanti che fornivano le letture reali della pressione. Da questo database, hanno selezionato migliaia di momenti specifici in cui conoscevano la pressione esatta alla presa della pompa, insieme alle corrispondenti condizioni di superficie in quel preciso istante. Hanno poi inserito queste informazioni in sei diversi tipi di modelli informatici, che vanno da semplici equazioni statistiche a sistemi più complessi che imitano il modo in cui il cervello umano elabora le informazioni. L'obiettivo era vedere se questi modelli digitali potessero apprendere i pattern nascosti che collegano i dati di superficie alla pressione profonda, permettendo efficacemente di prevedere le letture mancanti dei sensori con alta precisione.

I ricercatori hanno testato ogni modello per vedere quanto fosse capace di prevedere la pressione per dati che non aveva mai visto prima. I modelli più semplici, che si basavano su relazioni lineari tra le variabili, hanno incontrato gravi difficoltà. Hanno mancato l'obiettivo di un margine ampio, con previsioni che deviavano dai valori reali di quasi il settanta per cento in media. Anche quando i ricercatori hanno provato curve matematiche più complesse, il miglioramento è stato minimo. Alcuni dei modelli, nello specifico quelli che costruiscono regole decisionali simili a un diagramma di flusso, si sono concentrati troppo sui dati di addestramento. Hanno memorizzato perfettamente gli esempi, ma non sono riusciti a generalizzare, risultando in previsioni che erano accurate per i dati studiati ma inaffidabili per nuovi pozzi. Questo fenomeno di "over-fitting" significava che, sebbene sembrassero perfetti sulla carta, non erano abbastanza robusti per l'uso nel mondo reale.

Il vincitore netto di questo confronto è stata la rete neurale artificiale, un tipo di modello progettato per trovare connessioni intricate e non lineari nei dati. A differenza degli altri metodi, questo modello non si è limitato a tracciare una linea retta o una semplice curva; ha appreso una complessa rete di relazioni tra i nove diversi fattori di input, come la velocità di produzione di olio, il contenuto d'acqua, la pressione del pozzo e la profondità della pompa. Testata contro le letture reali dei sensori, questa rete neurale si è dimostrata straordinariamente precisa. Ha previsto la pressione di aspirazione della pompa con un errore medio di circa il dodici per cento, un enorme miglioramento rispetto agli altri metodi. Il modello era così costante da funzionare quasi altrettanto bene sia sui dati appresi che sui nuovi dati su cui è stato testato, dimostrando di aver realmente appreso la fisica sottostante del sistema piuttosto che aver solo memorizzato numeri.

Lo studio ha inoltre rivelato quali pezzi di informazione fossero più critici affinché il modello potesse formulare le sue ipotesi accurate. Sebbene la profondità del liquido sopra la pompa fosse il fattore singolo più importante, il modello faceva affidamento anche pesantemente sulla pressione nello spazio circostante il tubo e sulle dimensioni di quello spazio. Quando i ricercatori hanno rimosso questi input specifici, l'accuratezza del modello è crollata drasticamente, provando che anche dettagli apparentemente minori sono essenziali per un quadro completo. Le scoperte suggeriscono che nei pozzi in cui i costosi sensori di fondo mancano o sono guasti, questo approccio basato sull'intelligenza artificiale offre un'alternativa affidabile. Utilizzando solo le misurazioni che vengono già regolarmente effettuate in superficie, gli operatori possono ora calcolare la pressione profonda con un livello di fiducia precedentemente irraggiungibile, garantendo che questi pozzi continuino a operare in sicurezza ed efficienza senza la necessità di costanti e costose riparazioni delle attrezzature.