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

Profundamente sob a terra, no mundo escuro e pesado dos reservatórios de petróleo, máquinas trabalham incansavelmente para trazer o petróleo bruto à superfície. Entre as mais vitais dessas máquinas está a bomba de submersão elétrica, um enorme conjunto de motor e impulsor descido ao poço para empurrar o fluido para cima contra uma pressão imensa. Essas bombas são o coração da produção moderna de petróleo, mantendo os poços fluindo quando a pressão natural diminui. No entanto, elas operam em um ambiente brutal de calor elevado, fluidos corrosivos e vibração constante. Quando uma bomba falha, o poço para de produzir, levando a perdas financeiras significativas e à necessidade de reparos caros e disruptivos. Por décadas, engenheiros monitoraram essas bombas observando sinais de alerta, como vibrações incomuns ou mudanças na corrente elétrica, mas esses métodos são frequentemente reativos, identificando um problema apenas depois que o dano já começou. A questão que se impunha à indústria era se seria possível olhar para o futuro, prever como uma bomba está performando e quando ela poderá falhar antes que o maquinário realmente quebre.

Uma equipe de pesquisadores da Universidade de Cartum e da Universidade de Petróleo e Minerais King Fahd, na Arábia Saudita, recorreu a uma ferramenta poderosa para responder a essa pergunta: o aprendizado de máquina (machine learning). Este ramo da inteligência artificial permite que computadores aprendam padrões a partir de vastas quantidades de dados históricos sem serem explicitamente programados com regras específicas. Neste estudo, os pesquisadores reuniram um conjunto massivo de dados de quarenta e quatro poços de petróleo no Oriente Médio, coletando mais de doze mil registros de operações em tempo real. Eles focaram em duas medições críticas que contam a história da saúde de uma bomba: a pressão na qual a bomba empurra o fluido para fora e a taxa na qual esse fluido flui. Ao alimentar esses dados em modelos computacionais sofisticados, a equipe visou criar um sistema que pudesse prever esses valores com alta precisão e, mais importante, detectar os sinais precoces de uma avaria.

Os pesquisadores testaram vários tipos diferentes de algoritmos de aprendizado de máquina para ver qual deles poderia melhor mimetizar o comportamento complexo das bombas. Eles compararam um método conhecido como regressão de vetores de suporte, que é bom em encontrar fronteiras nos dados, contra uma técnica mais avançada chamada gradient boosting extremo, que constrói uma série de árvores de decisão para refinar suas previsões passo a passo. Eles também desenvolveram um modelo separado especificamente projetado para classificar se uma bomba estava operando normalmente ou caminhando para uma falha. Os dados que utilizaram vieram de poços que produzem petróleo pesado, um fluido espesso e viscoso que coloca estresse extra nos equipamentos, tornando a tarefa de previsão ainda mais desafiante. Os poços estavam situados em formações de rocha carbonática, e o petróleo possuía uma gravidade média que o classificava como pesado, o que significa que ele flui com menos facilidade do que o petróleo leve.

Quando os modelos foram postos à prova, os resultados foram impressionantes. O modelo de gradient boosting extremo provou ser o preditor mais preciso do desempenho da bomba. Ele conseguia prever a pressão de descarga com uma margem de erro inferior a um por cento e a taxa de fluxo com um erro de pouco menos de quatro por cento. Em termos práticos, isso significa que o computador podia prever exatamente quanta pressão a bomba estava gerando e quanto petróleo estava movendo, correspondendo quase perfeitamente às medições do mundo real. Os outros modelos tiveram um bom desempenho, mas este algoritmo específico lidou com a realidade desordenada e não linear dos dados do campo de petróleo com uma consistência superior. Ele aprendeu que fatores como a temperatura do motor, a pressão na entrada da bomba e o tamanho da válvula de controle todos interagem de formas complexas para determinar a saída final, e capturou essas relações melhor do que os outros métodos.

Além de prever o desempenho, a equipe também construiu um sistema para identificar falhas antes que elas acontecessem. Eles treinaram um modelo de classificação para reconhecer os desvios sutis na pressão e no fluxo que sinalizam que uma bomba está prestes a sofrer um desligamento ou quebrar. O modelo foi testado contra sete tipos comuns de falhas, variando de desligamentos elétricos no suprimento de energia a bloqueios na tubulação. Ao ajustar a forma como o computador pesava as evidências, os pesquisadores alcançaram um sistema que identificava corretamente as falhas noventa e seis por cento das vezes. Embora o modelo ocasionalmente sinalizasse uma bomba saudável como defeituosa, ele detectou com sucesso a grande maioria dos problemas reais, oferecendo uma janela de tempo para os operadores intervirem. Essa abordagem muda a estratégia de reagir a uma bomba quebrada para manter uma de forma proativa, potencialmente salvando os poços de paradas custosas.

O estudo demonstra que a era da manutenção puramente reativa para essas máquinas críticas pode estar chegando ao fim. Ao utilizar dados em tempo real e algoritmos avançados, engenheiros agora podem antecipar como uma bomba se comportará sob diversas condições, como mudanças na viscosidade do fluido ou na pressão do reservatório. A pesquisa confirma que a pressão de descarga e a taxa de fluxo são os indicadores mais confiáveis da condição de uma bomba, e que o aprendizado de máquina pode rastreá-los com um nível de precisão que rivaliza com sensores físicos. Isso não significa que as bombas em si tenham mudado, mas sim que a maneira como as observamos evoluiu. A capacidade de prever o desempenho e a falha com tal precisidade oferece um caminho para operações mais eficientes, consumo de energia reduzido e um suprimento mais confiável de petróleo das profundezas da terra.