Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

Profundamente sob a terra, os poços de petróleo não são apenas buracos no chão; são sistemas complexos e pressurizados onde fluidos são conduzidos para cima contra a gravidade. Para manter esses poços produzindo com eficiência, os engenheiros precisam conhecer a pressão no ponto mais baixo da bomba, um valor conhecido como pressão de sucção da bomba (pump intake pressure). Essa medição atua como um sinal vital para o poço, dizendo aos operadores se a bomba está trabalhando demais, se o fluido está fluindo corretamente ou se o equipamento corre risco de falha. A maneira mais direta de obter esse número é descendo um sensor pelo poço, mas isso é caro, e esses sensores podem quebrar ou falhar, deixando o poço sem uma leitura crítica. Quando o sensor está ausente, os engenheiros historicamente confiaram em fórmulas matemáticas para estimar a pressão com base no que podem medir na superfície, como a pressão no topo do tubo ou o nível de fluido no poço. No entanto, esses métodos tradicionais de estimativa muitas vezes foram imprecisos, deixando os operadores com uma visão nebulosa do que está acontecendo nas profundezas do subsolo.

Uma equipe de pesquisadores partiu para dissipar essa névoa, ensinando computadores a aprender a relação entre as medições de superfície e a pressão profunda. Eles reuniram uma vasta coleção de dados do mundo real de mais de cem poços de petróleo no Egito, todos os quais estavam equipados com sensores funcionais que forneciam as leituras reais de pressão. Desta base de dados, selecionaram milhares de momentos específicos onde sabiam a pressão exata na sucção da bomba, juntamente com as condições de superfície correspondentes naquele exato momento. Em seguida, alimentaram essas informações em seis tipos diferentes de modelos computacionais, variando de equações estatísticas simples a sistemas mais complexos que mimetizam a forma como o cérebro humano processa informações. O objetivo era ver se esses modelos digitais poderiam aprender os padrões ocultos que ligam os dados de superfície à pressão profunda, permitindo efetivamente prever as leituras dos sensores ausentes com alta precisão.

Os pesquisadores testaram cada modelo para ver o quão bem ele poderia prever a pressão para dados que nunca havia visto antes. Os modelos mais simples, que dependiam de relações de linha reta entre variáveis, tiveram dificuldades significativas. Eles erraram o alvo por uma margem ampla, com suas previsões desviando-se dos valores reais em quase setenta por cento, em média. Mesmo quando os pesquisadores tentaram curvas matemáticas mais complexas, a melhoria foi mínima. Alguns dos modelos, especificamente aqueles que constroem regras de decisão como um fluxograma, tornaram-se excessivamente focados nos dados de treinamento. Eles memorizaram os exemplos perfeitamente, mas falharam em generalizar, resultando em previsões que eram precisas para os dados que estudaram, mas não confiáveis para novos poços. Esse sobreajuste (over-fitting) significou que, embora parecessem perfeitos no papel, eles não eram robustos o suficiente para o uso no mundo real.

O vencedor claro nesta comparação foi a rede neural artificial, um tipo de modelo projetado para encontrar conexões intrincadas e não lineares nos dados. Diferente dos outros métodos, este modelo não apenas desenhou uma linha reta ou uma curva simples; ele aprendeu uma teia complexa de relações entre os nove diferentes fatores de entrada, como a taxa de produção de petróleo, o teor de água, a pressão no cabeçalho do poço e a profundidade da bomba. Ao ser testado contra as leituras reais dos sensores, esta rede neural provou ser notavelmente precisa. Ela previu a pressão de sucção da bomba com um erro médio de apenas cerca de doze por cento, uma melhoria vasta em relação aos outros métodos. O modelo foi tão consistente que desempenhou quase igualmente bem nos dados dos quais aprendeu e nos novos dados nos quais foi testado, mostrando que realmente aprendeu a física subjacente do sistema, em vez de apenas memorizar números.

O estudo também revelou quais informações eram mais críticas para o modelo fazer suas estimativas precisas. Embora a profundidade do líquido acima da bomba fosse o fator individual mais importante, o modelo também dependia fortemente da pressão no espaço ao redor do tubo e do tamanho desse espaço. Quando os pesquisadores removeram essas entradas específicas, a precisão do modelo caiu drasticamente, provando que até detalhes aparentemente menores são essenciais para um quadro completo. As descobertas sugerem que, em poços onde os caros sensores de fundo de poço estão ausentes ou quebrados, essa abordagem de inteligência artificial oferece uma alternativa confiável. Ao usar apenas as medições que já são rotineiramente feitas na superfície, os operadores podem agora calcular a pressão profunda com um nível de confiança que era anteriormente inalcançável, garantindo que esses poços continuem operando de forma segura e eficiente sem a necessidade de reparos constantes e caros em equipamentos.