Использование машинного обучения для прогнозирования сбоев системы подъёма газа

Растущая роль машинного обучения в предотвращении сбоев в работе системы газоподъемников

Системы подъема газа являются краеугольным камнем технологии искусственного подъема, широко развернутой на береговых и морских нефтяных месторождениях для максимизации извлечения углеводородов. Путем впрыскивания газа высокого давления в производственную трубку эти системы уменьшают плотность колонны жидкости, позволяя давлению резервуара более эффективно выталкивать углеводороды на поверхность. Однако операции подъема газа не без риска. Неудачи - такие как эрозия клапана подъема газа, заглубленные отверстия, утечки труб или неисправности компрессора - могут вызвать дорогостоящие незапланированные остановки, потеря производства и даже инциденты безопасности. Традиционные стратегии реактивного или основанного на времени обслуживания часто не дотягивают, либо пропускают ранние предупреждающие знаки, либо выполняют ненужные вмешательства.

Машинное обучение предлагает смену парадигмы. Благодаря постоянному анализу потоков операционных данных модели ML могут обнаруживать тонкие шаблоны, которые предшествуют сбоям, что позволяет реально прогнозировать техническое обслуживание. В этой статье рассматривается, как машинное обучение применяется к системам подъема газа, от сбора данных датчиков и разработки функций до выбора и развертывания моделей. Мы также рассмотрим ощутимые преимущества, постоянные проблемы и новые тенденции, которые обещают сделать операции подъема газа более безопасными, надежными и более прибыльными.

Основы систем газоподъемников и механизмов отказа

Как работает газовый лифт

Типичная система газоподъемника состоит из газового компрессора, сети трубопроводов и серии впрыскных клапанов, расположенных на заданных глубинах внутри скважины. Газ высокого давления вводится в аннулус и поступает в производственную трубу через клапаны, аэрируя текущую колонну. Это уменьшает гидростатическую головку, снижает давление потока в скважине и позволяет резервуару течь. Система может работать как в непрерывном, так и в прерывистом режиме, в зависимости от производительности скважины и доступности газа.

Общие режимы неудач

Неисправности газовых лифтов можно разделить на несколько основных типов:

Раннее обнаружение этих предвестников сбоя затруднено при обычной пороговой сигнализации, поскольку многие индикаторы (например, незначительные изменения в тренде давления, тонкие колебания вибрации) появляются задолго до катастрофического сбоя.

Сбор данных и разработка функций для прогнозных моделей

Инфраструктура сенсоров

Основой любой системы прогнозирования на основе ML являются высококачественные высокочастотные данные. Современные газовые скважины все чаще оснащаются:

  • Преобразователи давления в кабинах и трубах
  • Газоизмерители потока (инъекция и производство)
  • Датчики температуры на поверхности и в скважине
  • Датчики вибрации на компрессорах и критических клапанах
  • Акустические датчики для обнаружения утечек

Эти датчики обычно записывают данные с интервалом от одной секунды до нескольких минут, производя большие объемы данных временных рядов. Дополнительные контекстуальные данные — геометрия скважин, свойства жидкости, журналы технического обслуживания и история производства — обогащают набор данных.

Инжиниринг функций от Raw Sensor Data

Сырье датчиков редко подходит для прямого ввода в модели ML. Важное значение имеет инженерия специфических функций домена. Общие функции для прогнозирования отказов подъема газа включают:

  • Статистические моменты — катание на средней, дисперсии, перекосе и куртозе давления и потока над раздвижными окнами.
  • Трендовые индикаторы — наклон давления изменяется в течение заданного интервала, используется для обнаружения постепенной деградации.
  • Спектральные особенности — от вибрационных сигналов с использованием Fast Fourier Transform (FFT) для идентификации изменений частотного содержания, связанных с болтовней клапанов или износом подшипников.
  • Кросс-корреляция — между потоком впрыска газа и давлением трубки, что может указывать на нестабильность клапана.
  • Операционные параметры — такие как инъекционное соотношение газ-масло (GOR), которое сигнализирует о повышении неэффективности.

Выбор правильной комбинации функций существенно влияет на производительность модели. Автоматизированные методы выбора функций, такие как рекурсивная устранение признаков или регуляризация L1, помогают идентифицировать наиболее прогнозирующие сигналы, избегая при этом переобучения.

Методы машинного обучения для прогнозирования неудач

Контролируемые подходы к обучению

Когда доступны исторические данные о сбоях с помеченными временными метками, модели контролируемого обучения могут быть обучены классифицировать условия работы как «нормальные» или «предотказные».

  • Дерево решений и случайные леса — Эти методы ансамбля популярны благодаря их интерпретируемости и способности обрабатывать смешанные типы данных. Они могут захватывать нелинейные отношения и обеспечивать ранжирование по значимости признаков. Однако они могут бороться с очень объемными данными временных рядов.
  • Поддержка векторных машин (SVM) — SVM с соответствующими ядрами (например, радиальной базисной функцией) могут отделять состояния отказа от нормальных с четким запасом. Они хорошо работают на меньших наборах данных, но могут быть вычислительно дорогими в масштабе.
  • Gradient Boosting Machines (XGBoost, LightGBM) — Эти модели на основе деревьев стали самыми современными для многих задач табличного прогнозирования. Они устойчивы к выбросам и хорошо обрабатывают недостающие данные, что делает их сильным выбором для промышленных применений.

Модели глубокого обучения и последовательности

Для сложных временных моделей архитектуры глубокого обучения обеспечивают превосходную точность:

  • Сети с длительной кратковременной памятью (LSTM) — ячейки LSTM предназначены для изучения долгосрочных зависимостей в данных временных рядов. Они преуспевают в обнаружении тенденций постепенной деградации, которые разворачиваются в течение дней или недель.
  • Связные нейронные сети (CNN) — 1D-сигналы могут автоматически извлекать локальные шаблоны из окон датчиков, уменьшая потребность в ручной разработке функций.
  • Автокодеры — Автокодеры без присмотра изучают сжатое представление нормального поведения.Ошибка реконструкции может служить оценкой аномалии, помечая отклонения, которые могут указывать на надвигающийся сбой.

Многие производственные системы используют обучение ансамблей, сочетая прогнозы из нескольких алгоритмов (например, LSTM для временных паттернов плюс случайный лес для статических функций) для повышения надежности.

Моделирование, валидация и метрики производительности

Стратегии разделения данных для временных рядов

Данные временных рядов требуют тщательного разделения, чтобы избежать утечки данных. Стандартная перекрестная валидация k-кратного неуместна, потому что она использует будущие данные для обучения по прошлым шаблонам. Вместо этого практикующие используют валидацию с помощью цепочек вперед или расширения окна. Например, тренируйтесь в течение 1-6 месяцев, валидируйте в течение 7 месяцев; затем тренируйтесь в течение 1-7 месяцев, валидируйте в течение 8 месяцев; и так далее.

Метрики оценки

Прогнозирование неудач, как правило, является очень несбалансированной проблемой классификации - неудачи являются редкими событиями. Одни только точность вводит в заблуждение. Ключевые показатели включают:

  • Точность и отзыв (F1-оценка) — Точность мер ложной тревоги; отзыв мер пропущенных отказов. Компромисс зависит от стоимости пропущенных отказов по сравнению с ненужными остановками.
  • Зона под кривой ROC (AUC-ROC) — Отражает способность модели различать классы по порогам.
  • Ошибка прогнозирования времени отказа — для регрессионных моделей средняя абсолютная ошибка (MAE) между прогнозируемым и фактическим оставшимся сроком полезного использования (RUL).

На практике модели настраиваются на достижение высокого уровня отзыва (выявляя большинство сбоев) при сохранении управляемой частоты ложной тревоги, часто с использованием обучения, чувствительного к затратам, или корректировки порога.

Развертывание и интеграция в операции

Edge vs. Cloud Architectures (облачная архитектура)

Предсказательные модели для подъема газа могут быть развернуты в двух основных средах:

  • Развертывание края — Модели работают на локальных контроллерах или краевых шлюзах вблизи скважины. Это минимизирует задержку и работает в удаленных местах с ограниченным подключением к Интернету. Модели края обычно легкие (например, сжатые деревья решений или квантованные нейронные сети).
  • Развертывание облака — Данные передаются на централизованную облачную платформу, где сложные модели могут обрабатывать данные на многих скважинах. Облачные решения позволяют непрерывно переобучаться и извлекать выгоду из более крупных вычислительных ресурсов.

Многие операторы используют гибридный подход: периферийные устройства выполняют первоначальное обнаружение аномалий, а оповещения запускают более глубокий анализ в облаке.

Интеграция с системами управления активами SCADA

Для того, чтобы прогнозное обслуживание было действенным, прогнозы ML должны быть интегрированы в существующие рабочие процессы SCADA (Надзорное управление и приобретение данных) и CMMS (Система управления компьютерным обслуживанием). API или протоколы MQTT перенаправляют вероятности сбоев и оценки RUL на панели управления оператором. Автоматизированные оповещения могут рекомендовать конкретные проверки (например, «проверка клапана No 3 на скважине No 14 в течение 48 часов»).

Количественные выгоды и возврат инвестиций

Полевые исследования и отраслевые отчеты документируют существенные выгоды от реализации прогнозирования отказов на основе ML в операциях по подъему газа. Крупный оператор в Пермском бассейне сообщил о сокращении незапланированных простоев на 45 % и 30 % снижения затрат на техническое обслуживание после развертывания модели Random Forest на 200 скважинах для подъема газа. Другой оператор морской платформы достиг 90 % точности в прогнозировании отказов клапанов за две недели, что позволило планировать вмешательства, которые экономили примерно 2 миллиона долларов в год на платформу.

Помимо прямой экономии затрат, прогнозное техническое обслуживание повышает безопасность за счет сокращения числа чрезвычайных мер и повышает экологические показатели за счет минимизации сжигания и утечек. Кроме того, оно оптимизирует производительность скважин - скважины, которые в противном случае были бы закрыты для незапланированного ремонта, часто можно дольше хранить в Интернете с меньшим риском.

Постоянные вызовы и стратегии смягчения

Качество данных и маркировка

Модели ML хороши только так, как данные, подаваемые в них. Наборы данных для подъема газа часто страдают от недостающих значений, дрейфа датчиков, непоследовательных показателей выборки и ошибочных меток. Трубопроводы очистки данных должны быть надежными. Для меток отказа операторам может потребоваться прочесывать журналы обслуживания и применять знания домена для точной метки периодов до отказа. Подходы к обучению под полуконтролем могут помочь, когда помеченные сбои скудны.

Модель интерпретируемости

Операторы и инженеры часто неохотно доверяют моделям с черным ящиком. Объясняемые методы ИИ, такие как SHAP (SHapley Additive exPlanations) или LIME (Local Interpretable Model-agnostic Explanations), могут выделить, какие функции приводили к конкретному прогнозу. Например, сводный график SHAP может показать, что внезапное падение давления впрыска по отношению к давлению трубки является ведущим показателем отказа клапана. Эта прозрачность повышает уверенность и помогает диагностировать ошибки модели.

Масштабируемость и переподготовка

По мере роста парка скважин с инструментальным газом модели должны эффективно масштабироваться. Автоматизированные трубопроводы переподготовки, которые запускают дрейфы производительности, обнаруживаются с помощью мониторинга дрейфа данных. Алгоритмы онлайн-обучения (например, повышение постепенного градиента) могут обновлять модели без полной переподготовки, снижая вычислительные требования.

Интеграция с Legacy Systems

Во многих старых скважинах отсутствуют современные датчики. Модернизация может быть экономически запрещенной. Виртуальные датчики или мягкие датчики - где модели ML выводят критические переменные из существующих измерений - могут преодолеть разрыв до тех пор, пока не будут возможны обновления.

Оригинальное название: What Lies Ahead

Объясняемый и причинный ИИ

Модели следующего поколения стремятся выйти за рамки корреляции с причинно-следственной связью. Алгоритмы обнаружения причин могут идентифицировать коренные причины сбоев, позволяя более целенаправленные вмешательства. В сочетании с контрфактическими объяснениями эти инструменты могут ответить на вопрос «что предотвратило бы этот сбой?»

Цифровые близнецы и обучение с подкреплением

Цифровые двойные модели систем подъема газа - имитирующие физику впрыска газа и потока жидкости - могут быть сопряжены с ML для генерации синтетических данных обучения для редких режимов отказа. Кроме того, агенты обучения усилению могут изучать оптимальные скорости впрыска газа, которые уравновешивают максимизацию производства с минимизацией износа оборудования, эффективно создавая самооптимизирующую систему подъема.

Федеративное обучение для многоуровневых развертываний

Для защиты данных о собственности в различных группах активов или компаниях-партнерах, федеративное обучение позволяет модели обучаться на распределенных наборах данных без централизации исходных данных. Такой подход может дать более обобщенные предикторы отказов при сохранении конфиденциальности данных.

Интеграция с IoT и 5G

Развертывание сетей 5G на нефтяных месторождениях позволит передавать высокочастотные данные датчиков (например, акустические сигналы 10 кГц) в облачные модели ИИ. Это открывает дверь для распознавания образов в реальном времени для быстро развивающихся сбоев, таких как внезапные разрывы трубок.

Заключение

Машинное обучение больше не является экспериментальным любопытством в нефтегазовой отрасли - оно становится операционной необходимостью для управления системами подъема газа. Преобразуя необработанные потоки датчиков в практические прогнозы отказов, ML сокращает время простоя, сокращает затраты и повышает безопасность. Успех зависит от дисциплинированной инженерии данных, продуманного выбора моделей и тесного сотрудничества между учеными данных и экспертами в области. В то время как проблемы, связанные с качеством данных, интерпретацией и масштабируемостью, сохраняются, быстрые достижения в объяснимом ИИ, цифровых двойников и краевых вычислений, расчищают путь для более широкого внедрения.

Для операторов, желающих инвестировать в правильную инфраструктуру и таланты, выигрыш очевиден: скважины для подъема газа работают дольше, безопаснее и эффективнее. В следующем десятилетии, вероятно, прогнозируемое техническое обслуживание станет не просто лучшей практикой, но базовым требованием для конкурентоспособной добычи нефти и газа.

Для дальнейшего чтения, Общество инженеров-нефтяников (SPE) предлагает многочисленные работы по применению ML в искусственном лифте. OnePetro предоставляет доступную для поиска базу данных технических документов, включая тематические исследования по прогностическому моделированию газового лифта. Кроме того, Управление перспективного производства Министерства энергетики США опубликовало руководящие принципы для внедрения прогностического обслуживания в энергоемких отраслях.