3W Dataset 2.0.0: a realistic and public dataset with rare undesirable real events in oil wells

Dit artikel introduceert versie 2.0.0 van de 3W-dataset, een publiek beschikbare, door experts gelabelde bron voor multivariate tijdreeksen met zeldzame ongewenste reële gebeurtenissen in oliewells, ontworpen om AI-gestuurde methodieken voor vroegtijdige detectie te bevorderen en economische, milieugerelateerde en veiligheidsrisico's in de industrie te beperken.

De kern

Stel je de olie-industrie voor als een enorm, complex orkest. Elke oliewel is een muzikant die een specifiek instrument bespeelt. Normaal gesproken spelen ze een vloeiende, voorspelbare melodie (normale werking). Maar soms slaat een muzikant een verkeerde noot, blijft het instrument steken, of wordt de bladmuziek verscheurd. Dit zijn de "ongewenste gebeurtenissen" – zoals een klep die onverwachts sluit of een verstopping die zich in een pijp vormt. Als de dirigent (het oliebedrijf) deze fouten niet direct opmerkt, kan het hele orkest crasht, wat leidt tot geldverspilling, milieuverontreiniging of zelfs letsel.

Dit artikel introduceert een nieuwe, opgegradeerde "bladmuziekbibliotheek" genaamd de 3W Dataset 2.0.0. Het is een publieke verzameling opnames (data) die computers helpt om deze fouten te signaleren voordat het orkest crasht.

Hieronder volgt een uiteenzetting van wat dit artikel beweert, met behulp van eenvoudige analogieën:

1. Wat is deze Dataset?

Stel je de dataset voor als een gigantische bibliotheek van tijdreizende opnames.

• De Opname: In plaats van audio, registreert het 27 verschillende "sensoren" (zoals druk, temperatuur en debiet) van oliewellen, die elke seconde doortikken.
• Het Label: Elke opname wordt vergezeld van een "sticker" van een menselijke expert. De sticker zegt: "Dit deel was normaal", "Dit deel was een plotselinge klepsluiting", of "Dit deel was een vormende verstopping".
• Het Doel: Het doel is om Kunstmatige Intelligentie (AI) te leren deze stickers te lezen en de patronen te herkennen, zodat het een probleem kan signaleren in een nieuwe opname zonder dat eerst een mens er naar hoeft te kijken.

2. De Drie Typen "Muzikanten" (Data Bronnen)

Het artikel legt uit dat ze niet zomaar opnames uit het echte leven hebben geplukt; ze gebruikten drie verschillende methoden om deze bibliotheek op te bouwen, elk met zijn eigen smaak:

• Echt Leven (Het Live Concert): Dit zijn daadwerkelijke opnames van echte oliewellen in eigendom van Petrobras (een Braziliaanse olie-reus).
  • De Vangst: Het echte leven is rommelig. Soms valt de microfoon (sensor) uit, of blijft de tape steken (bevroren data). De auteurs hebben deze rommeligheden bewust in de data gehouden. Waarom? Omdat ze AI willen trainen om sterk genoeg te zijn voor een echte, rommelige concertzaal, niet alleen voor een perfecte studio.
• Gesimuleerd (De Repetitie): Sommige problemen (zoals een specifiek type pijpstopping) zijn zo zeldzaam in het echte leven dat ze bijna nooit voorkomen. Om genoeg voorbeelden te krijgen, gebruikte het team een supercomputer-simulatie (OLGA) om deze rampen te "repeteren".
  • De Vangst: Dit zijn perfecte, schone opnames. Geen ruis, geen gemiste noten. Ze zijn geweldig om de AI te leren hoe een "perfecte" ramp eruitziet.
• Handgetekend (De Schets): Sommige problemen zijn zo raar dat zelfs de supercomputer ze niet nauwkeurig kan simuleren. Dus namen menselijke experts pen en papier en tekenden ze hoe de sensorwaarden er zouden moeten uitzien tijdens deze zeldzame gebeurtenissen.
  • De Vangst: Dit is als een muzikant die een lied schetst. Ze vangen de essentie en de vorm van het probleem, zelfs als het geen echte opname is.

3. Wat is er Nieuw in Versie 2.0.0?

De eerste versie van deze bibliotheek verscheen in 2019. Dit artikel kondigt Versie 2.0.0 aan, wat vergelijkbaar is met een grote uitbreidingspakket voor een videospel. Hier is wat er veranderde:

• Meer Wells: Ze verdubbelden het aantal echte oliewellen dat ze opnamen (van 21 naar 42).
• Meer Sensoren: Ze voegden 20 nieuwe "microfoons" (variabelen) toe aan de opnames, waardoor een veel duidelijker beeld ontstaat van wat er gebeurt.
• Nieuwe Problemen: Ze voegden een nieuw type ramp toe aan de lijst: "Hydraat in Service Line" (een specifiek type ijsachtige verstopping).
• Betere Labels: Ze voegden een nieuw type "sticker" toe genaamd een State Label (Toestandslabel). Vóórheen zeiden de stickers alleen "Normaal" of "Gestopt". Nu zeggen ze ook wat de well op dat moment deed (bijvoorbeeld: "We spoelen het met diesel", "We sluiten het af", of "We starten het opnieuw"). Dit helpt de AI om de context te begrijpen, niet alleen de ruis.
• Beter Formaat: Ze schakelden over van oude, omstandige bestandsformaten (CSV) naar een modern, hoogwaardig formaat genaamd Parquet, wat vergelijkbaar is met de overstap van een diskette naar een solid-state drive.

4. Waarom Is Dit Belangrijk?

Het artikel beweert dat het hebben van deze specifieke, hoogwaardige bibliotheek onderzoekers en bedrijven in staat stelt om:

• Betere AI te trainen: Omdat de data "rommelige" real-world problemen bevat, raakt de AI die erop getraind is niet in de war wanneer het echte oliewellen tegenkomt.
• Problemen Vroegtijdig te Detecteren: De AI kan de subtiele "trillingen" in de data leren die voordat een ramp toeslaat optreden, waardoor operators het vroeg kunnen oplossen.
• Kennis Delen: Omdat dit een publieke dataset is, kan iedereen (studenten, startups, andere oliebedrijven) deze downloaden en proberen betere detectietools te bouwen.

5. Wat het Artikel Niet Beweert

• Het beweert niet dat deze AI momenteel in elke oliewel ter wereld draait. Het is een tool voor onderzoek en ontwikkeling.
• Het beweert niet het probleem van olielekken of ongevallen opgelost te hebben. Het beweert de data te bieden die nodig is om oplossingen te bouwen die ze misschien kunnen voorkomen.
• Het bespreekt niet medisch gebruik of andere industrieën, ook al zou de technologie (tijdreeksanalyse) theoretisch elders kunnen worden gebruikt. Het artikel richt zich strikt op oliewellen.

Kortom: Dit artikel is een uitnodiging aan de wereld om een enorme, opgegradeerde en zeer realistische bibliotheek van oliewel-"soundtracks" te gebruiken om computers te leren betere detectives te zijn, die problemen in oliewellen signaleren voordat het een catastrofe wordt.

Technische samenvatting

1. Probleemstelling

In de olie- en gasindustrie leiden ongewenste gebeurtenissen in oliewells (bijvoorbeeld apparatuurstoringen, stromingsinstabiliteiten, hydraatvorming) tot aanzienlijke economische verliezen, milieu-ongevallen en menselijke slachtoffers. Hoewel Kunstmatige Intelligentie (AI) en Machine Learning (ML) veelbelovende oplossingen bieden voor de Vroege Detectie van deze gebeurtenissen via Abnormaal Gebeurtenisbeheer (AEM), hangt hun succes sterk af van de beschikbaarheid van hoogwaardige, gelabelde en realistische datasets.

Voorafgaand aan dit werk ontbrak het aan een kritisch gebrek aan publieke datasets met industriële real-world data die zeldzame, ongewenste gebeurtenissen bevatten. Bestaande datasets misten vaak de complexiteit van echte operaties (bijvoorbeeld ontbrekende waarden, sensorbevriezingen, ruis) of waren niet publiek toegankelijk, wat de ontwikkeling van robuuste, generaliseerbare detectiemodellen belemmerde.

2. Methodologie

Het artikel beschrijft de evolutie en structuur van het 3W Dataset 2.0.0, een Multivariate Time Series (MTS)-dataset beheerd door Petrobras. De dataset is opgebouwd met behulp van drie verschillende datageneratiemethoden om een evenwicht te waarborgen tussen realisme, volume en dekking van zeldzame gebeurtenissen:

A. Databronnen en Generatiemethoden

1. Realistische Instances (Real-world Data):

   • Bron: Geëxtraheerd uit de Plant Information Management Systems (PIMS) van Petrobras, specifiek AVEVA PI System-omgevingen.
   • Kenmerken: Deze instances behouden de "rommeligheid" van echte industriële data, inclusief bevroren variabelen, ontbrekende waarden en uitschieters, die onbehandeld worden gelaten om algoritmen uit te dagen om met real-world condities om te gaan.
   • Sampling: 1 Hz frequentie (intervallen van 1 seconde).
   • Labeling: Uitgevoerd door Petrobras-experts met behulp van een propriëtaire webtool, gevalideerd door een expertcomité en afgerond door een curator.

2. Gesimuleerde Instances (Fysica-gebaseerde simulatie):

   • Bron: Genereerd met OLGA, een dynamische meerfasestromingssimulator die breed in de industrie wordt gebruikt.
   • Kenmerken: Data is perfect periodiek zonder ontbrekende waarden of ruis. Gebruikt om data te genereren voor zeldzame gebeurtenissen die in echte operaties moeilijk frequent vast te leggen zijn.
   • Labeling: Volledig geautomatiseerd op basis van simulatieparameters.

3. Handgetekende Instances (Expertkennis):

   • Bron: Gemaakt door Petrobras-experts met behulp van een propriëtaire beeldverwerkingstool. Experts tekenden handmatig tijdsreeksgrafieken die specifieke gebeurteniskenmerken voorstellen.
   • Kenmerken: Gedigitaliseerd van papieren grafieken. Gebruikt voor gebeurtenissen die zowel zeldzaam als moeilijk nauwkeurig te simuleren zijn.
   • Labeling: Rechtstreeks afgeleid van expertmarkeringen op de originele grafieken.

B. Datastructuur en Nomenclatuur

• Formaat: De dataset is georganiseerd in Apache Parquet-bestanden (kolomgeoriënteerd, gecomprimeerd met Brotli) voor efficiënte opslag en ophaling, ter vervanging van het CSV-formaat van versie 1.0.0.
• Variabelen: Elke instance bevat 27 variabelen die fysische grootheden vertegenwoordigen (druk, temperatuur, debiet, klepstatussen) over het productie-systeem van de well (subsea kerstboom, umbilical, etc.).
• Labels: De dataset introduceert een dubbel-labelsysteem:
  • Class Labels: Geven de aard van de gebeurtenis aan (bijvoorbeeld Normale Operatie, Abrupte Toename van BSW, Hydraatvorming). Codes lopen van 0 (Normaal) tot 9 (Specifieke Gebeurtenissen) en 101–109 (Transiënte condities).
  • State Labels: Geven de operationele status van de well aan (bijvoorbeeld Open, Gesloten, Spoelen met Diesel/Gas, Bullheading, Depressurisatie).

C. Scope

De dataset bestrijkt satelliet-type offshore olieproducerende wells die opereren zonder manifold. Het bevat data van 42 verschillende wells over een periode van 2011 tot 2023.

3. Belangrijkste Bijdragen

De primaire bijdrage van dit artikel is de release en gedetailleerde documentatie van 3W Dataset 2.0.0, wat een aanzienlijke upgrade vertegenwoordigt ten opzichte van versie 1.0.0. Belangrijke vooruitgangen zijn:

• Uitgebreide Gebeurtenisdekking: Introductie van een nieuw gebeurtenistype, "Hydrate in Service Line", en verhoogde instances voor bestaande zeldzame gebeurtenissen.
• Verhoogd Datavolume:
  • Totale instances gestegen van ~1.984 naar 2.228.
  • Realistische instances gestegen met 94; Gesimuleerde instances gestegen met 150.
  • Het aantal gedekte realistische wells is verdubbeld (van 21 naar 42).
• Verbeterde Variabelenset: Eén variabele geschrapt en 20 nieuwe variabelen toegevoegd, wat het totaal op 27 brengt en een vollediger beeld van het productiesysteem biedt.
• Nieuwe Labeling-Dimensie: De toevoeging van State Labels stelt onderzoekers in staat specifieke operationele procedures (bijvoorbeeld "Bullheading") te correleren met variabele-gedrag, waardoor meer genuanceerde modeltraining mogelijk wordt.
• Infrastructuur:
  • Migratie naar Parquet-formaat voor betere prestaties.
  • Ontwikkeling van de 3W Toolkit (Python-gebaseerd) om het laden, visualiseren en berekenen van metrieken te vergemakkelijken.
  • Vestiging van een 3W Community en een Open Lab-module om collaboratief onderzoek te stimuleren.

4. Resultaten en Statistieken

Het artikel biedt een statistisch overzicht van de samenstelling en kwaliteit van de dataset:

• Verdeling: De dataset bevat 1.119 realistische instances, 1.089 gesimuleerde instances en 20 handgetekende instances.
• Realisme-metrieken: De subset met realistische data vertoont aanzienlijke "real-world"-uitdagingen:
  • 65,90% van de variabele-observaties ontbreekt.
  • 9,77% van de variabelen is bevroren.
  • 5,26% van de observaties is niet gelabeld.
• Community-impact: Het artikel benadrukt de adoptie van de dataset, met meer dan 100 gepubliceerde werken (inclusief proefschriften, tijdschriftartikelen en conferentiepapers) die gebruikmaken van het 3W Dataset, wat de groeiende rol ervan als fundamentele benchmark voor Foutdetectie en -diagnose (FDD) in de olie-industrie aantoont.

5. Betekenis

Het 3W Dataset 2.0.0 is om verschillende redenen significant:

1. Overbrugging van de Datakloof: Het adresseert het gebrek aan publieke, gelabelde industriële tijdsreeksdata, specifiek voor zeldzame en kritieke storingsmodi in oliewells.
2. Realisme voor Robuustheid: Door data-onvolkomenheden (ontbrekende waarden, bevroren sensoren) bewust te behouden, dwingt het de ontwikkeling van ML-modellen die robuust genoeg zijn om in daadwerkelijke industriële omgevingen te worden ingezet, in plaats van alleen te werken op schone, synthetische data.
3. Potentieel voor Transfer Learning: Het grote volume en de diversiteit van de data maken het een ideale "pre-training" bron voor Transfer Learning-frameworks, waardoor modellen die op deze dataset zijn getraind kunnen worden fijnafgestemd voor specifieke, data-schaarse doeltaakken.
4. Open Science en Collaboratie: Beheerd onder een CC BY 4.0-licentie en gehost op GitHub/Figshare, bevordert het open innovatie, waardoor onderzoekers, startups en exploitanten kunnen samenwerken aan het verbeteren van Vroege Detectiesystemen, wat uiteindelijk de veiligheid verbetert en economische verliezen in de energiesector vermindert.

Concluderend presenteert het artikel een volwassen, door de community gedreven en technisch rigoureus dataset die dient als een kritieke katalysator voor de vooruitgang van AI-gedreven veiligheid en efficiëntie in de olie- en gasindustrie.