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

Diep onder de aarde, in de donkere en zware wereld van olievoorraden, werken machines onvermoeibaar om ruwe olie naar de oppervlakte te brengen. Een van de meest vitale machines is de elektrische ondergedompelde pomp (ESP), een massieve motor- en waaierassemblage die in een boorgat wordt neergelaten om vloeistof omhoog te duwen tegen enorme druk. Deze pompen zijn het hart van de moderne olieproductie; ze houden putten aan het stromen wanneer de natuurlijke druk afneemt. Toch opereren ze in een brute omgeving van hoge hitte, corrosieve vloeistoffen en constante trillingen. Wanneer een pomp faalt, stopt de put met produceren, wat leidt tot aanzienlijke financiële verliezen en de noodzaak voor dure, verstorende reparaties. Decennialang hebben ingenieurs deze pompen gemonitord door te letten op waarschuwingssignalen zoals ongewone trillingen of veranderingen in de elektrische stroom, maar deze methoden zijn vaak reactief; ze identificeren een probleem pas nadat de schade al is begonnen. De vraag die de industrie bezighoudt, is of het mogelijk is om vooruit te kijken, om te voorspellen hoe een pomp presteert en wanneer deze mogelijk zal falen voordat de machine daadwerkelijk kapot gaat.

Een team onderzoekers van de Universiteit van Khartoum en de King Fahd University of Petroleum and Minerals in Saoedi-Arabië heeft zich tot een krachtig instrument gewend om deze vraag te beantwoorden: machine learning. Deze tak van kunstmatige intelligentie stelt computers in staat om patronen te leren uit enorme hoeveelheden historische data zonder dat ze expliciet geprogrammeerd zijn met specifieke regels. In dit onderzoek verzamelden de onderzoekers een enorme dataset van vier-en-veertig olieputten in het Midden-Oosten, waarbij meer dan twaalf duizend records van real-time operaties werden verzameld. Ze concentreerden zich op twee kritieke metingen die het verhaal vertellen van de gezondheid van een pomp: de druk waarmee de pomp de vloeistof naar buiten duwt, en de snelheid waarmee die vloeistof stroomt. Door deze data in geavanceerde computermodellen te voeden, had het team als doel een systeem te creëren dat deze waarden met hoge precisie kon voorspellen en, nog belangrijker, de vroege tekenen van een defect kon opsporen.

De onderzoekers testten verschillende soorten machine learning-algoritmen om te zien welke het beste het complexe gedrag van de pompen kon nabootsen. Ze vergeleken een methode die bekend staat als support vector regression, die goed is in het vinden van grenzen in data, met een geavanceerdere techniek genaamd extreme gradient boosting, die een reeks beslissingsbomen bouwt om zijn voorspellingen stap voor stap te verfijnen. Ze ontwikkelden ook een apart model dat specifiek is ontworpen om te classificeren of een pomp normaal functioneerde of op het punt stond te falen. De data die zij gebruikten, kwamen van putten die zware olie produceerden, een dikke, viskeuze vloeistof die extra stress op de apparatuur legt, wat de taak van voorspelling nog uitdagender maakt. De putten waren gelegen in carbonaatgesteenteformaties, en de olie had een gemiddelde zwaartekracht die het als zwaar classificeerde, wat betekent dat het minder gemakkelijk stroomt dan lichtere ruwe olie.

Toen de modellen werden getest, waren de resultaten opmerkelijk. Het extreme gradient boosting-model bleek de meest nauwkeurige voorspeller van de prestaties van de pomp te zijn. Het kon de uitlaatdruk voorspellen met een foutmarge van minder dan één procent en de debiet met een fout van minder dan vier procent. In praktische termen betekent dit dat de computer exact kon voorspellen hoeveel druk de pomp genereerde en hoeveel olie er werd verplaatst, waarbij de real-world metingen bijna perfect werden benaderd. De andere modellen presteerden goed, maar dit specifieke algoritme kon de rommelige, niet-lineaire realiteit van de olievelddata met superieure consistentie aan. Het leerde dat factoren zoals de temperatuur van de motor, de druk bij de inlaat van de pomp en de grootte van de choke valve allemaal op complexe wijze interageren om de uiteindelijke output te bepalen, en het legde deze relaties beter vast dan de andere methoden.

Naast het voorspellen van prestaties bouwde het team ook een systeem om defecten te identificeren voordat ze plaatsvonden. Ze trainden een classificatiemodel om de subtiele afwijkingen in druk en debiet te herkennen die signaleren dat een pomp op het punt staat uit te slaan of kapot te gaan. Het model werd getest tegen zeven veelvoorkomende soorten defecten, variërend van elektrische uitschakelingen in de stroomvoorziening tot verstoppingen in de leidingen. Door aan te passen hoe de computer het bewijsmateriaal woog, bereikten de onderzoekers een systeem dat defecten in negentig-zes procent van de gevallen correct identificeerde. Hoewel het model af en toe een gezonde pomp als defect markeerde, ving het de overgrote meerderheid van de werkelijke problemen succesvol op, waardoor operators een tijdspanne kregen om in te grijpen. Deze aanpak verschuift de strategie van het reageren op een kapotte pomp naar het proactief onderhouden ervan, wat potentieel putten kan behoeden voor kostbare stilstand.

De studie toont aan dat het tijdperk van puur reactief onderhoud voor deze cruciale machines ten einde loopt. Door gebruik te maken van real-time data en geavanceerde algoritmen kunnen ingenieurs nu anticiperen op hoe een pomp zal reageren onder variërende omstandigheden, zoals veranderingen in de viscositeit van de vloeistof of de reservoir-druk. Het onderzoek bevestigt dat uitlaatdruk en debiet de meest betrouwbare indicatoren zijn van de conditie van een pomp, en dat machine learning deze met een precisie kan volgen die die van fysieke sensoren evenaart. Dit betekent niet dat de pompen zelf zijn veranderd, maar dat de manier waarop we ze observeren is geëvolueerd. Het vermogen om prestaties en defecten met een dergelijke nauwkeurigheid te voorspellen, biedt een pad naar efficiëntere operaties, lager energieverbruik en een betrouwbaardere levering van olie uit de diepe aarde.