Sucker Rod Pump Failure Analysis using Machine Learning Algorithms

Titel in Übersetzung: Ausfallanalyse von mittels Gestängetiefpumpe produzierenden Ölsonden mithilfe von Algorithmen des maschinellen Lernens

Florian Alexander Hofmaninger

Publikation: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Abstract

Das Sucker Rod Pump System stellt für die Erdölförderung im Wiener Becken durch die OMV Austria Exploration & Production GmbH die Hauptfördermethode für Produktionssonden dar, die künstliche Hebung erfordern. Die Produktion im Wiener Becken ist aufgrund jahrzehntelanger Förderung durch widrige Umstände und hohe Wasseranteile gekennzeichnet. Für eine ökonomische Förderung ist es notwendig, dass die Produktionssonden so lange als möglich störungsfrei betrieben werden, um Wartungskosten und Standzeiten niedrig zu halten. Dies bedingt ein gut durchdachtes Design des Systems, welches vorhergegangene Ausfallsursachen zu vermeiden sucht und hinsichtlich Komponenten und Operationsparameter bestmöglich an die Produktionsbedingungen angepasst ist. Diese Arbeit versucht, Design- und Operationsdaten aus den Jahren 2016-2023 auf deren Einfluss auf die Laufzeit zu untersuchen. Weiters werden die häufigsten Ausfallsursachen einzeln untersucht. Dazu wurden verschiedene Regressionsverfahren getestet um ein geeignetes Modell auszuwählen und die ermittelten Regressionskoeffizienten zu untersuchen. Zur Auswahl der Einflussgrößen wurde ein Random Forest Modell vergleichend miteinbezogen. Es konnte festgestellt werden, dass klassische lineare Modelle aufgrund des diskreten Charakters der Laufzeitzählung nicht angewandt werden können. Die Anwendung eines klassischen Poissonmodells wurde ausgeschlossen durch festgestellte Überdispersion. Die beste Anpassung lieferte ein Regressionsmodell basierend auf einer negativen Binomialverteilung. Es gelang jedoch auch mittels dieses Modells nicht, zuverlässige Aussagen über den Einfluss der beschreibenden Variablen zu treffen. Verantwortlich dafür ist die Komplexität des Systems und die Unterschiedlichkeit der einzelnen Sonden, was mit einer hohen Anzahl unbekannter Einflussgrößen einhergeht. Weiters sind die Beobachtungen nicht zur Gänze unabhängig, da für einige Sonden mehrere Produktionsperioden vorliegen. Die geringe Datenmenge, insbesondere für die einzelnen Fehlerursachen stellten ein weiteres Hindernis dar. Als Konklusion werden mögliche Lösungswege für die beschriebenen Probleme dargelegt, um eine weitere Behandlung der Problemstellung in der Zukunft zu erleichtern.
Titel in ÜbersetzungAusfallanalyse von mittels Gestängetiefpumpe produzierenden Ölsonden mithilfe von Algorithmen des maschinellen Lernens
OriginalspracheEnglisch
QualifikationDipl.-Ing.
Gradverleihende Hochschule
  • Montanuniversität
Betreuer/-in / Berater/-in
  • Yoshioka, Keita, Betreuer (intern)
  • Grünauer, Felix, Betreuer (extern)
Datum der Bewilligung15 Dez. 2023
PublikationsstatusVeröffentlicht - 2023

Bibliographische Notiz

nicht gesperrt

Schlagwörter

  • Gestängetiefpumpe
  • Ausfallanalyse
  • Designoptimierung
  • Laufzeit
  • Regression
  • Zähldaten
  • Poisson Regression
  • Random Forest Regression

Dieses zitieren