⚡ electrical engineering

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

본 연구는 머신러닝 모델, 특히 회귀를 위한 XGBoost와 분류를 위한 Random Forest가 전기 잠수 펌프의 토출 압력과 유량을 효과적으로 예측하는 동시에 시스템 고장을 식별할 수 있음을 입증하며, 이를 통해 가동 중단 시간을 줄이고 운영 효율성을 높이기 위한 선제적 유지보수를 가능하게 한다.

원저자: Omama Osman, Mohammed Eissa, Abdalla Abdalla, Amjed Hassan, Mahmoud Jumaa

게시일 2026-08-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Omama Osman, Mohammed Eissa, Abdalla Abdalla, Amjed Hassan, Mahmoud Jumaa

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지하 깊은 곳, 어둡고 무거운 유전의 세계에서 기계들은 원유를 지표면으로 끌어올리기 위해 끊임없이 작동합니다. 이 중 가장 중요한 기계 중 하나는 전기 잠수 모터 펌프(electrical submersible pump)로, 이는 거대한 모터와 임펠러 조립체로서 엄청난 압력을 뚫고 유체를 위로 밀어 올리기 위해 시추공 아래로 내려보내집니다. 이 펌프들은 천연 압력이 약해질 때도 유정이 계속 흐를 수 있게 유지해 주는 현대 석유 생산의 심장과 같습니다. 그러나 이들은 고온, 부식성 유체, 그리고 지속적인 진동이라는 가혹한 환경 속에서 작동합니다. 펌프가 고장 나면 유정의 생산이 중단되어 막대한 경제적 손실과 비용이 많이 들고 번거로운 수리 작업이 필요하게 됩니다. 수십 년 동안 엔지니어들은 이상 진동이나 전류 변화와 같은 경고 징후를 관찰하며 이 펌프들을 모니터링해 왔지만, 이러한 방식은 종종 사후 대응적이며, 이미 손상이 시작된 후에야 문제를 식별하는 경우가 많습니다. 업계가 직면한 과제는 펌프의 성능이 어떠한지, 그리고 기계가 실제로 고장 나기 전에 언제 고장이 날지를 미리 예측할 수 있는 방법이 있는지에 대한 것이었습니다.

수단 카르툼 대학교와 사우디아라비아 킹 파드d 석유 광물 대학교의 연구진은 이 질문에 답하기 위해 강력한 도구인 머신 러닝(machine learning)에 주목했습니다. 인공지능의 한 분야인 머신 러닝은 컴퓨터가 특정 규칙을 명시적으로 프로그래밍받지 않고도 방대한 양의 과거 데이터로부터 패턴을 학습할 수 있게 해줍니다. 이 연구에서 연구진은 중동 지역의 44개 유정으로부터 얻은 방대한 데이터셋을 수집하였으며, 12,000개 이상의 실시간 운영 기록을 모았습니다. 그들은 펌프의 건강 상태를 알려주는 두 가지 핵심 측정치, 즉 펌프가 유체를 밀어내는 압력과 유체의 유량에 집중했습니다. 이 데이터를 정교한 컴퓨터 모델에 입력함으로써, 연구진은 높은 정밀도로 이 값들을 예측하고, 더 중요하게는 고장의 초기 징후를 포착할 수 있는 시스템을 구축하고자 했습니다.

연구진은 어떤 알고리즘이 펌프의 복잡한 거동을 가장 잘 모사할 수 있는지 확인하기 위해 여러 가지 유형의 머신 러닝 알고리즘을 테스트했습니다. 그들은 데이터의 경계를 찾는 데 능숙한 서포트 벡터 회귀(support vector regression) 방식과, 단계별로 예측을 정교화하기 위해 일련의 결정 트리를 구축하는 더 발전된 기술인 익스트림 그래디언트 부스팅(extreme gradient boosting)을 비교했습니다. 또한, 펌프가 정상적으로 작동 중인지 아니면 고장을 향해 가고 있는지를 분류하기 위해 설계된 별도의 모델도 개발했습니다. 사용된 데이터는 장비에 추가적인 스트레스를 주는 걸쭉하고 점성이 높은 유체인 중질유를 생산하는 유정에서 가져온 것으로, 이는 예측 작업을 더욱 어렵게 만듭니다. 유정은 탄산염 암석층에 위치해 있었으며, 오일의 평균 비중은 중질유로 분류될 만큼 낮아 가벼운 원유보다 흐름이 원활하지 않았습니다.

모델들이 테스트에 투입되었을 때, 결과는 놀라웠습니다. 익스트리미 그래디언트 부스팅 모델이 펌프의 성능을 예측하는 데 가장 정확한 것으로 나타났습니다. 이 모델은 토출 압력을 1% 미만의 오차 범위 내에서, 유량을 4% 미만의 오차 내에서 예측할 수 있었습니다. 실질적인 의미에서, 이는 컴퓨터가 펌프가 생성하는 압력과 이동시키는 오일의 양을 실제 측정값과 거의 완벽하게 일치하도록 정확히 예측할 수 있음을 뜻합니다. 다른 모델들도 우수한 성능을 보였으나, 이 특정 알고리즘은 유전 데이터의 복잡하고 비선형적인 현실을 탁월한 일관성으로 처리했습니다. 이 모델은 모터의 온도, 펌프 흡입구의 압력, 초크 밸브의 크기와 같은 요인들이 최종 출력량을 결정하기 위해 복잡한 방식으로 상호작용한다는 것을 학습했으며, 다른 방법들보다 이러한 관계를 더 잘 포착해 냈습니다.

성능 예측을 넘어, 연구진은 고장이 발생하기 전에 이를 식별하는 시스템도 구축했습니다. 그들은 압력과 유량의 미세한 편차를 인식하여 펌프가 작동 중지되거나 고장 날 것임을 알리는 분류 모델을 훈련시켰습니다. 이 모델은 전력 공급의 전기적 트립부터 튜빙의 막힘에 이르기까지 7가지 흔한 고장 유형을 대상으로 테스트되었습니다. 연구진은 컴퓨터가 증거를 가중하는 방식을 조정함으로써 96%의 확률로 고장을 정확히 식별하는 시스템을 구현했습니다. 모델이 간혹 정상적인 펌프를 결함이 있는 것으로 잘못 표시하기도 했지만, 실제 문제의 대다수를 성공적으로 잡아내어 운영자가 개입할 수 있는 시간적 여유를 제공했습니다. 이러한 접근 방식은 고장 난 펌프에 반응하는 전략에서 선제적으로 유지보수하는 전략으로 전환하며, 잠재적으로 유정의 값비싼 가동 중단 시간을 줄여줍니다.

이 연구는 이 핵심적인 기계들에 대한 순수하게 사후 대응적인 유지보수의 시대가 끝나가고 있음을 보여줍니다. 실시간 데이터와 고급 알고리즘을 사용함으로써, 엔지니어들은 이제 유체의 점도나 저류층 압력의 변화와 같은 다양한 조건 하에서 펌프가 어떻게 작동할지 예측할 수 있습니다. 본 연구는 토출 압력과 유량이 펌프 상태를 나타내는 가장 신뢰할 수 있는 지표임을 확인해주었으며, 머신 러닝이 물리적 센서에 필적하는 정밀도로 이를 추적할 수 있음을 입증했습니다. 이는 펌프 자체가 변했다는 의미가 아니라, 우리가 펌프를 관찰하는 방식이 진화했음을 의미합니다. 성능과 고장을 이토록 정확하게 예측할 수 있는 능력은 더 효율적인 운영, 에너지 소비 감소, 그리고 땅속 깊은 곳으로부터의 더 안정적인 석유 공급을 향한 길을 제시합니다.

기술 요약: 전기 잠수 모터(ESP)의 토출 압력 및 유량 예측을 위한 머신러닝 모델

문제 정의
전기 잠수 모터(ESP)는 고유량 유정 및 저압·고수분 함량 저류층에서 석유 생산을 유지하는 데 매우 중요한 역할을 한다. 그러나 이러한 시스템은 가혹한 환경에서 작동하여 성능 저하와 고장을 유발하며, 이는 상당한 생산 손실, 워크오버(workover) 빈도 증가, 운영 비용 상승으로 이어진다. 진동 분석 및 전류 추적과 같은 전통적인 모니터링 방식은 대부분 사후 대응적이다. 즉, 고장이 발생한 후에야 결함을 식별하거나 오경보를 생성하는 경우가 많다. 따라서 성능 저하를 예측하고 고장이 발생하여 가동 중단이 일어나기 전에 이를 식별할 수 있는 선제적인 데이터 기반 솔루션에 대한 명확한 요구가 존재한다. 본 연구는 펌프 거동의 두 가지 주요 지표인 토출 압력( $P_d$ )과 유량( $Q$ )을 예측함으로써 ESP 성능을 최적화하고 예측 유지보수를 가능하게 하는 과제를 다룬다.

연구 방법론
본 연구는 중동 탄산염 저류층 내 44개 유정에서 수집된 약 12,000개의 데이터 포인트로 구성된 포괄적인 데이터셋을 활용하였다. 해당 유정들은 헤비 오일(평균 API 비중 19.2°)을 생산하며, 다양한 저공 압력(154–5,576 psi)과 수분 함량(0–100%)을 나타냈다. 연구는 데이터 수집, 데이터 정제, 탐색적 데이터 분석(EDA), 모델 개발을 포함하는 구조화된 워크플로우를 채택하였다.

데이터 전처리: 초기 24,000개의 데이터 포인트 중 수분 유정 및 데이터가 불충분한 유정을 제거하여 1차 정제를 수행하였다. 결측치는 회귀 작업을 위해 전방 채우기(LOCF)를, 분류 작업을 위해 후방 채우기를 사용하여 처리하였다. 이상치는 도메인 지식에 근거하여 윈저라이징(Winsorization, 캡핑) 또는 제거를 통해 관리되었다. 데이터는 80%의 훈련 세트와 20%의 테스트 세트로 분할되었다.
특성 선택 (Feature Selection): 추세 분석 및 피어슨 상관 계수(PCC) 평가를 통해 18개의 입력 파라미터를 분석하였다. 토출 압력( $P_d$ )과 유량( $Q$ )이 회귀를 위한 주요 타겟 변수로 선정되었다. 고장 분류를 위해 압력 차이( $\Delta P$ ), 열 응력( $\Delta T$ ), 전기 출력, 유량 효율과 같은 추가적인 엔지니어링 특성이 통합되었다.
모델 선택 및 학습:
- 회귀 (Regression): $P_d$ 와 $Q$ 를 예측하기 위해 서포트 벡터 회귀(SVR)와 XGBoost를 학습시켰다. SVR은 광범위한 하이퍼파라미터 튜닝(GridSearchCV)과 특성 표준화가 필요했다. XGBoost는 특정 파라미터(학습률 0.3, 최대 깊이 6)로 최적화되었으며, 특성 스케일링을 요구하지 않았다.
- 분류 (Classification): ESP 시스템 고장(예: OHTL 트립, VSD 트립, 튜빙 폐쇄)을 식별하기 위해 랜덤 포레스트 분류기를 개발하였다. 본 연구는 SMOTE, NearMiss, 배깅(bagging) 등의 기법을 사용하여 클래스 불균형 문제를 해결하였으며, 최종적으로 분류 임계값을 0.75로 조정한 모델을 선택하였다.

주요 결과
본 연구는 회귀 분석에는 $R^2$ , RMSE, AAPE를, 분류 분석에는 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score를 사용하여 모델 성능을 평가하였다.

회귀 성능: XGBoost가 SVR보다 일관되게 우수한 성능을 보였다. 토출 압력( $P_d$ )의 경우, XGBoost는 테스트 세트에서 $R^2$ 0.968, RMSE 64.16, AAPE 0.84%를 달 기록하였다. 유량( $Q$ )의 경우, XGBoost는 $R^2$ 0.968, RMSE 98.16, AAPE 3.48%를 달성하였다. SVR 또한 양호한 정확도를 보였으나, XGBoost는 특히 더 복잡한 유량 예측에서 더 뛰어난 일반화 능력과 낮은 오차율을 보여주었다.
분류 성능: 최적화된 랜덤 포레스트 모델은 96%의 전체 정확도를 달성하였다. 분류 임계값을 0.75로 조정함으로써, 모델은 실제 발생한 62건의 고장 중 60건을 탐지하여 0.97의 재현율을 성공적으로 확보하였으나, 이 과정에서 일부 허위 양성(false positive)으로 인해 0.52의 정밀도가 나타났다. 해당 모델은 특정 구성에서 낮은 허위 양성률을 보이며 비고장 이벤트를 효과적으로 식별하였다.

의의 및 기여
본 논문은 ESP 운영 신뢰성을 높이기 위한 혁신적인 데이터 기반 접근 방식을 제시한다고 주장한다. 주요 기여 사항은 다음과 같다:

선제적 유지보수: 전통적인 사후 대응 방식과 달리, 개발된 ML 모델은 성능 편차와 잠재적 고장을 조기에 식별하여 상태 기반 유지보수를 용이하게 한다.
가상 유량 계측 (Virtual Flow Metering): 회귀 모델의 높은 정확도는 물리적 유량계에 대한 의존도를 낮추고 값비싼 생산 테스트 및 장비 유지보수를 줄일 수 있는 신뢰할 수 있는 대체 수단으로서의 가능성을 시사한다.
운영 효율성: $P_d$ 와 $Q$ 를 정확하게 예측함으로써, 모델은 가동 중단 시간을 줄이고 에너지 사용을 최적화하며 비용 효율성을 개선하기 위한 실시간 의사결정을 지원한다.
강건한 프레임워크: 본 연구는 헤비 오일 및 변화하는 저류층 조건이 특징인 복잡하고 비선형적인 ESP 환경에서 XGBoost와 랜덤 포레스트의 적용 타당성을 검증하였으며, 이 특정 맥락에서 전통적인 선형 방식 및 SVR보다 우월함을 입증하였다.

저자들은 결론적으로, 이러한 모델들이 유사한 헤비 오일 생산 환경에서 ESP 성능을 개선하고 운영 리스크를 최소화하기 위한 신뢰할 수 있는 프레임워크를 제공한다고 밝히고 있다.

유사한 논문