התפקיד הגדל של Machine Learning in Prevent Gas Lift System כשלים במערכת

מערכות הרמת גז הן אבן הפינה של טכנולוגיית המעלית המלאכותית, אשר פרוסות רבות על פני חופי ושדות הנפט offshore כדי למקסם את ההתאוששות של פחמן. על ידי הזרקת גז בלחץ גבוה לתוך צינורות הייצור, מערכות אלה להפחית את צפיפות העמודה הנוזלית, ומאפשרות לחץ מאגר לדחוף פחמימנים אל פני השטח ביעילות רבה יותר.עם זאת, פעילות הרמת גז אינה ללא תקלות סיכון - כגון הסרת שחיקה מסורתית, קוגנית או תקלות, לעתים קרובות, או ירידה מוקדמת, או תקלות זמן נמוכות, או ירידה, או ירידה מוקדמת, או ירידה מוקדמת, או ירידה מוקדמת, או תקלות, או ירידה מוקדמת, או ירידה מוקדמת, או ירידה מוקדמת, או ירידה של תקלות זמן ירידה נמוכה יותר, או ירידה נמוכה יותר, או ירידה נמוכה יותר.

למידת מכונה מציעה שינוי פרדיגמטית.על ידי ניתוח זרמים של נתונים תפעוליים, מודלים של ML יכולים לזהות דפוסים עדינים כי לפני כישלונות, המאפשר תחזוקה חיזוי אמיתי. מאמר זה חוקר כיצד למידת מכונה מוחלת על מערכות הרמת גז, מאוסף נתונים חיישן ומאפיין הנדסה לבחירה מודלים פריסה.We willבדוק גם את היתרונות המוחשיים, אתגרים מתמידים, ומגמות מתפתחות שגורמים לגז להגביר את הפעילות בטוחה יותר, אמינה יותר, יעילה יותר, יעילה יותר.

יסודות גזים של מערכות עופרת וכישלון מכניזם

כיצד גזים מעלים פועל

מערכת הרמת גז טיפוסית מורכבת מחסחסם גז, רשת של צינורות, וסדרה של שסתום הזריקה שהוצבו בעומקים שנקבעו מראש בתוך הגז בלחץ גבוה מוזר מוזר מוזרק לתוך האננולוס ונכנס לתוך צינורות הייצור דרך השסתמים, תוך הפעלת עמודה נוזל.זה מקטין את הראש ההידרוסטי, מוריד את הלחץ זורם למטה, ומאפשר את המאגר לזרום לתוך מערכת ההפעלה היטב או מופעל על ידי הפרודוקטיביות.

מצבי כישלון נפוצים

ניתן לסווג את הכשלונות של גז למספר סוגים עיקריים:

  • (FLT:0)Valve-Related כשלים (FAVEFIRLT:1) - שסתום המעלית גז יכול להיות erode, corrode, או להיות מחובר בקנה מידה, חול, או שעווה. שסתום פתוח או תקוע משבש את פרופיל ההזרקה ויכול לגרום לנפיחות חמורה או אובדן של מעלית.
  • (FLT:0) ⁇ ו Casing LeaksveFLT:1) - עם הזמן, צ'קוזי עשוי לפתח חורים בשל קורוזיה או ללבוש מכני.גז עשוי להיות קצר-circuit על פני השטח ללא סיוע להרים, או היווצרות נוזלים עשוי להיכנס אננולוס.
  • (FLT:0)Compressor and Surface Equipment Issues: (בקיצור: 0) התמוטטות קומפרסטור, תקלות בשסתום שליטה או בעיות מפריד יכולות להפריע לאספקת הגז או לגרום ללחץ זריקה לא יציב.
  • (FLT:0) שגיאות של סטפ פוינט (מבצעי: 1) - שיעורי הזרקת גז לא נכונים או הגדרות לחץ יכולים להוביל למעלית בלתי יעילה או אפילו להזיק בציוד חור.

גילוי מוקדם של מבשרי כישלונות אלה הוא קשה עם אזעקה קונבנציונלית של סף, כי אינדיקטורים רבים (למשל, שינויים קלים במגמה לחץ, שינויים רטט עדין שינויים) מופיעים זמן רב לפני כישלון קטסטרופלי.

איסוף נתונים והנדסת תכונות עבור מודלים חיזוי

תשתיות חיישן

הבסיס של כל מערכת חיזוי מבוססת ML הוא נתונים באיכות גבוהה, גבוה קידוד גבוה.בארות גז מודרני יותר ויותר מופעלים עם:

  • שקיפות ולחיצת לחץ טרנסדוקרס
  • גז זורם מטר (הזרקה והייצור)
  • חיישנים טמפרטורה על פני השטח ולמטה
  • חיישני רטט על דחוסים ושסתום קריטי
  • חיישניים אקוסטיים לגילוי דליפות

חיישנים אלה מתעדים בדרך כלל נתונים במרווחים משניים עד כמה דקות, ומייצרים כמויות גדולות של נתונים ארוכי טווח.

הנדסה של Raw Sensor Data

קריאת חיישן Raw מתאימה לעתים רחוקות לרישום ישיר במודלים של ML. Domain.spective Engineering היא חיונית.תכונות נפוצות עבור חיזוי כישלונות של גז להרים גז כוללות:

  • (ב) ⁇ :0) רגעים של סטוסטיאל (FLT:1) - משמעות מתגלגלת, שרטוטים, שטיפת שיער, ו kurtosis של לחץ וזרימה מעל חלונות מזחלים.
  • (ב) ⁇ 0 (הופנה מהדף ⁇ ) , מדרדר של שינויים בלחץ על פני מרווח מוגדר, המשמש לזיהוי השפלה הדרגתית.
  • (FLT:0) תכונות ספקטרום 1 (FLT:1) - מסימנים רטט באמצעות מהיר פורייה (FFT) כדי לזהות שינויים בתוכן תדירות הקשורים צ'אט שסתום או ללבוש.
  • (ב) [15] ,0Cross-correlationFLT:1 , בין הזרמת גז הזריקה לבין לחץ צ'קוזי, אשר יכול לדגל חוסר יציבות.
  • (ב) ,0) פרמטרים תפעוליים של ההרחבה 1 (GOR), אשר אותות מעלים חוסר יעילות.

בחירת השילוב הנכון של תכונות משפיע באופן דרמטי על ביצועי המודל.שיטות בחירה תכונה אוטומטית, כגון חיסול תכונה recursive או L1 קבועזציה, לעזור לזהות את האותות המפחידים ביותר תוך הימנעות מהתאמה יתר.

טכניקות למידה מכונות לחיזוי כשל

גישות למידה סופר-מעודכן

כאשר נתונים של כשל היסטורי עם דגימות מתויגות זמינים, מודלים למידה מבוקרת יכולים להיות מאומן כדי לסווג תנאים תפעוליים כמו "נורמלי" או "pre-failure" אלגוריתמים נפוצים כוללים:

  • (FLT:0 עץי לחץ ופורנדור יערות ראטיםFLT:1) - שיטות האנסמבל האלה פופולריות עבור הפרשנות שלהם ויכולת להתמודד עם סוגי נתונים מעורבים.הם יכולים ללכוד מערכות יחסים לא לינאריות ולספק דירוגים בעלי חשיבות כוללת.
  • (FLT:0) מכונות וקטור (SVMssss)FLT:1 - SVMs עם הקרנלים המתאימים (למשל, הפונקציה בסיס רדיואקטיבי) יכול להפריד מצבי כשלון מרגילים עם שולי ברור.הם עובדים טוב על נתונים קטנים יותר אבל יכול להיות יקר חישובי בקנה מידה.
  • (FLT:0)Gradient Boosting Machines (XGBoost, LightGBM)igtureFLT:1 - דגמים אלה המבוססים על עץ הפכו למדינה- of-the-art עבור משימות חיזוי לשוניות רבות.הם חזקים ל-Outliers ולדאוג נתונים חסרים היטב, מה שהופך אותם לבחירה חזקה עבור יישומים תעשייתיים.

מודלים של למידה עמוקה וקיימות

עבור דפוסים מורכבים, ארכיטקטורות למידה עמוקה מציעות דיוק עליון:

  • (FLT:0) ארוך זיכרון לטווח קצר (LSTM) רשתות ⁇ FLT:1 - תאי LSTM נועדו ללמוד תלות ארוכת טווח בנתונים של סדרות זמן.
  • (FLT:0convolutional Neural Networks (CNN)אנדרל 1D CNN יכול באופן אוטומטי לחלץ דפוסים מקומיים מחלונות חיישן, להפחית את הצורך בהנדסה תכונה ידנית.
  • (FLT:0)AutoencodersphersFLT:1 - autoencoders ללא פיקוח ללמוד ייצוג דחוס של התנהגות נורמלית. , שגיאות שיקום יכול לשמש ציון אנומלי, סטיית דגל שעשוי להצביע על כישלון בלתי פוסק.

מערכות ייצור רבות מעסיקות למידה משותפת, משלבות תחזיות מאלגוריתמים מרובים (למשל, LSTM עבור תבניות זמניות בתוספת יער אקראי עבור תכונות סטטיות) לשיפור החוסן.

אימון מודל, אימות וביצועים Metrics

אסטרטגיות להפצת מידע עבור זמן

נתונים של זמן דורש פיצול זהיר כדי למנוע דליפת נתונים. סטנדרטית c-validation כפול אינו הולם כי הוא משתמש בנתונים עתידיים להתאמן על דפוסים קודמים.במקום, מתרגלים משתמשים ב- שרשרת קדימה או הרחבת אימות רוח. לדוגמה, להתאמן על 1-6 חודשים, לאמת בחודשים 7 חודשים; ולאחר מכן להתאמן על 1–7 חודשים, לאמת ב -8 חודשים; וכן הלאה.

הערכה של metrics

חיזוי כשל הוא בדרך כלל בעיה סיווג לא מאובחנת מאוד - פלאים הם אירועים נדירים.הדמוקרטיה לבדה מטעה.

  • (FLT:0) סיקור וזיכרון (F1-score)FLT 1:1 - אמצעי זהירות הם אזעקה כוזבת; לזכור צעדים שפספסו כישלונות.המסחר תלוי עלות של כישלונות מפספסים לעומת קיצוצים מיותרים.
  • (ב) ⁇ :0) ⁇ מתחת ל-ROC-ROC) ,(ה-Auto) ,(ה-Auto) ,(ה-Auto:0) , הוא משקף את יכולת המודל להבחין בין המעמדות על פני סף.
  • (FLT:0)Time-to-Failureחיזוי טעויות מוטציות (FLT) 1:1 - עבור מודלים המבוססים על רגרסציה, השגיאה המוחלטת (MAE) בין חיים צפוניים ומשתנים בפועל (RUL).

בפועל, מודלים מכוונים כדי להשיג זיכרון גבוה (למשוך את רוב הכישלונות) תוך שמירה על קצב אזעקה מזויף מנוהל, לעתים קרובות באמצעות למידה רגישה או תיקון סף.

הפרדה ואינטגרציה לפעילות

צוק מול ארכיטקטורות

מודלים חיזויים להורדת גז ניתן לפרוס בשתי סביבות עיקריות:

  • (FLT:0) ,Edge Deploymentmentmentmentation: 1) מודלים לרוץ על בקרים מקומיים או שערות קצה ליד ראש הממשלה, זה מצמצם את הגמישות ופועל במקומות מרוחקים עם קישוריות לאינטרנט מוגבלת.
  • (FLT:0Cloud DeploymentmentmentationFLT:1) - נתונים מוזרים לפלטפורמת ענן מרכזית שבה מודלים מורכבים יכולים לעבד נתונים על פני הרבה בארות.פתרונות ענן מאפשרים החלמה מתמשכת ותועלת ממשאבים גדולים יותר.המסחר הוא תלות באמינות הרשת ובשקיפות גבוהה יותר.

מפעילים רבים מאמצים גישה היברידית: מכשירים קצה מבצעים זיהוי ראשוני של אנומליות, ואזהרות מעוררות ניתוח עמוק יותר בענן.

שילוב עם SCADA ו- Asset Management Systems

עבור תחזוקה חיזוי להיות פעיל, תחזיות ML חייב להיות משולב ב SCADA קיים (שליטה על-ידי פיקוח ו- Data Acquisition) ו CMMS (מערכת ניהול תחזוקה ממוחשבת) זרימות עבודה. APIs או MQTT פרוטוקולים קדימה כישלונות ו- RUL הערכות למפעילי לוח המחוונים אוטומטיים יכולים להמליץ על בדיקות ספציפיות (למשל, "בדוק #3 בפרוטוקולים היטב בתוך 48 שעות").

יתרונות משמעותיים וחזרות על השקעות

מחקרים ודיווחי התעשייה מתעדים יתרונות משמעותיים מקביעת חיזוי כישלונות מבוסס ML בפעולת הרמת גז.מפעיל מרכזי באגן הפרסי דיווח על ההרחבה:04% ירידה ב-MLFLT:1 ו-FLT:230% ירידה בהפסדים של 3FLT לאחר פריסת מודל אקראי על 200 מעליות גז, וכן מפעיל נוסף בחו"ל, אשר זכה להפחתה של 2,230%, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 ירידה ב-ה ירידה ב-ה ירידה ב-ה ירידה ב- 3, 000, 000, 000, 000, 000, 000, 000, 000 ירידה ב-ה ירידה ב- 10.

מעבר לחיסכון בעלויות ישיר, תחזוקה חיזוי משפרת את הבטיחות על ידי צמצום מספר התערבויות חירום, והוא משפר ביצועים סביבתיים על ידי צמצום הצנרת והדלפות.יתר על כן, הוא מייעל את הפרודוקטיביות - מוצרים שאחרת ייסגרו עבור תיקונים לא מתוכנן לעתים קרובות ניתן לשמור באינטרנט יותר עם סיכון מופחת.

אתגרים עקביים ואסטרטגיות מייגציה

איכות נתונים ולייבל

מודלים ML הם רק טוב כמו הנתונים המזינים אותם.גז להרים נתונים לעתים קרובות סובלים ערכים חסרים, סחף חיישן, שיעורי הדגימה לא עקביים, ותוויות שגויות. צינורות ניקוי נתונים חייב להיות חזק.עבור תוויות כישלונות, מפעילי עשויים להיות צריכים להתמזג באמצעות יומני תחזוקה וליישם ידע כדי לתייג במדויק תקופות טרום-failure.

מודל Interpretability

מפעילי ומהנדסים לעתים קרובות מסרבים לסמוך על מודלים שחורים ב-Crebox.סבירו טכניקות בינה מלאכותית, כגון SHAP (SHapley Additive ExPlanations) או LIME (הסברים הבין-עתידיים-אגנוסטיים של המודל), יכולים להדגיש אילו תכונות הובילו חיזוי ספציפי.לדוגמה, מזימה של SHAP עשויה להראות כי ירידה פתאומית בלחץ ההזרקה ביחס ללחץ מוביל את אינדיקטור של כשל זה עוזר לאבחן שגיאות.

סקלאלה ואימון

ככל שהצי של בארות גז ממושמעות גדל, מודלים חייבים בקנה מידה יעיל. צינורות מחוסנים אוטומטית כי גורמים כאשר הביצועים נסחפו - מקודמים באמצעות ניטור נתונים של סחף - הם חיוניים. אלגוריתמי למידה באינטרנט (למשל, הגדלת ⁇ ) יכול לעדכן מודלים ללא החלמה מלאה, צמצום דרישות חישוביות.

שילוב עם Legacy Systems

בארות ישנות רבות חסרות חיישנים מודרניים.התאוששות יכולה להיות יעילה-תועלת. חישה וירטואלית או חיישנים רכים - שם מודלים של ML מפרים משתנים קריטיים מהמדידות הקיימות - יכולים לגשר על הפער עד שהשדרוגים הם אפשריים.

כיוונים עתידיים: מה שקרים

הסברה ושקיפות AI

מודלים של הדור הבא שואפים לעבור מעבר לתואם לסיבת אלגוריתמים לגילוי קווקז יכולים לזהות שורש של כשלים, המאפשרים התערבות ממוקדת יותר.כאשר בשילוב עם הסברים מנוגדים, כלים אלה יכולים לענות "מה היה מונע את הכישלון הזה?"

תאומים דיגיטליים ולמידה מחדש

מודלים תאום דיגיטליים של מערכות הרמת גז - אופטימיזציה של הפיזיקה של הזרקת גז וזרימה נוזלית - ניתן לצמד עם ML כדי ליצור נתוני הכשרה סינתטית עבור מצבי כשל נדירים.בנוסף, סוכני למידה חיזוק יכולים ללמוד שיעורי הזרקת גז אופטימליים אשר מאזן את ייצור מקסימליזציה עם ציוד ללבוש minimization, ביעילות יצירת מערכת הרמת עצמי.

למידה מעודכנת עבור Multi-Well Deployments

כדי להגן על נתונים קנייניים על פני קבוצות נכסים שונות או חברות שותפים, למידה מאוזן מאפשרת מודלים להיות מאומן על נתונים מבוזרים ללא ריכוז נתונים גולמיים. גישה זו יכולה לספק חיזויים כישלונות כללי יותר תוך שמירה על פרטיות נתונים.

שילוב עם IoT ו-5G

הגלגל של רשתות 5G בשדות נפט יאפשר הזרמת נתונים של חיישן גבוה (למשל, 10 אותות אקוסטיים kHz) למודלי AI מבוססי ענן.זה פותח את הדלת להכרה דפוס בזמן אמת עבור תקלות מעורבות מהירה, כגון קרעי צ'קוזי פתאומי.

מסקנה

למידת מכונות אינה עוד סקרנות ניסיונית בתעשיית הנפט והגז – היא הופכת להכרחית התפעולית לניהול מערכות הרים גזים.על ידי המרת זרמי חיישן גולמי לתחזיות כישלונות בלתי ניתנות להפעלה, ML מפחיתה את עלויות הפחתת הזמן, ומשפרת את הבטיחות.

עבור מפעילי מוכנים להשקיע בתשתיות ובכישרון הנכונים, התגמול ברור: גז מרימה בארות לרוץ יותר, בטוח ויעיל יותר. בעשור הבא סביר להניח כי תחזוקה חיזויית הופכת לא רק לפרקטיקה הטובה ביותר, אלא גם דרישה בסיסית לייצור נפט וגז תחרותי.

לקריאה נוספת, ה- 0 (Society of Oil Engineers (SPE)Fevolved:1) מציע מספר מאמרים על יישומי ML במעלית מלאכותית.FLT:2 OnePetroFLT 3 מספק מסד נתונים חיפוש של ניירות טכניים, כולל מחקרים על גבי גז מנבא מודלים.