Smart Sucker Rod Pump Failure Analysis with Machine Learning

Publikationen: Thesis / StudienabschlussarbeitMasterarbeit

Abstract

Gestängetiefpumpen sind das am häufigsten verwendete künstliche Förderverfahren zur Steigerung der Ölproduktion. Um einen guten Betrieb dieses Systems zu gewährleisten, ist eine kontinuierliche Überwachung der Arbeitsbedingungen unerlässlich, um ein akzeptables Produktivitätsniveau aufrechtzuerhalten. Das wertvollste Werkzeug zur Analyse der Leistung des Gestängetiefpumpen ist die Dynamometerkarte. Die Interpretation solcher Karten ist jedoch zeitaufwändig und erfordert das Wissen eines erfahrenen Experten. Ein neuer Trend kam hinzu und löste das Problem der Abhängigkeit von Zeit und menschlichem Fachwissen. Bei diesem Trend handelt es sich beispielsweise um Künstliche Neuronale Netze (ANN). In dieser Arbeit werden zwei Arten von ANN verwendet, die erste ist das Back Propagation Neural Network (BPNN), der als traditionell betrachtet wird, da es vor dem Einsatz zum Extrahieren von Merkmalen eine Merkmalsextraktion erfordert, und der zweite ist das Convontional Neural Network (CNN), das Bilddaten direkt verwenden kann, ohne sie vor dem Training zu verarbeiten. Beide Netzwerke verwenden 6132 Dynamometerkarten, die für BPNN wie folgt verarbeitet werden müssen; Jede Dynamometer-Karte, die durch eine in einem PNG-Format gespeicherte Bilddatei dargestellt wird, wurde als ein Satz von (x, y) -Werten vorbereitet, die dann in einen Satz c umgewandelt werden, die die gesamte Karte vollständig beschreiben. Nach der Datenaufbereitung wurden die beiden Klassifizierungsmodelle für das maschinelle Lernen erstellt, mit Präzision und Rückruf sowie mit einer Verwirrungsmatrix und einem F1-Score bewertet und durch Kreuzvalidierung getestet. Die vorgeschlagenen Modelle werden unter Verwendung von Daten der realen Felddynamometerkarten trainiert und getestet. Etwa 30% dieser Karten stehen für einen normalen Pumpzustand der Gestängetiefpumpen und 70% für Funktionsstörungen. Die Daten enthalten insgesamt fünf verschiedene Pumpenzustände, Pumpe aus, Gasinterferenz, Leckage des Fahrventils, Auftreffen der Pumpe oben und normaler Pumpenzustand. Für das Training wurde der Datensatz in verschiedene Untersätze aufgeteilt, 80% der Daten wurden für das Training und 20% für das Testen verwendet. Sowohl das CNN als auch das BPNN lieferten sehr gute Ergebnisse. Diese Studie ist ein Beitrag zu der automatischen Untersuchung der Dynamometerkarten und der genauen und schnellen Erkennung von Ausfällen der Gestängetiefpumpen.

Details

Titel in ÜbersetzungIntelligente Fehleranalyse für Gestängetiefpumpen mit Maschinellem Lernen
OriginalspracheEnglisch
QualifikationDipl.-Ing.
Gradverleihende Hochschule
Betreuer/-in / Berater/-in
Datum der Bewilligung12 Apr 2019
StatusVeröffentlicht - 2019