Sistema especialista para detecção antecipada de aprisionamento de coluna de perfuração de poços de petróleo

Abstract

RESUMO: A detecção automática de anomalias durante a perfuração de poços de petróleo contribui significativamente para eficiência do processo face a criticidade da atividade e os altos custos e riscos envolvidos. De fato, em função do volume de dados disponíveis, a sua transformação em informações para a operação/supervisão representa certamente um grande desafio. Algumas das anomalias presentes no processo como perda de circulação, aprisionamento de coluna e kick, comprometem a eficiência do processo e estão relacionadas a incrementos de custos e de tempo não produtivo (NPT – Non Productive Time). A inteligência artificial tem se revelado uma importante ferramenta para diagnóstico de problemas em perfuração de poços de petróleo. Nos últimos anos, a adoção de técnicas como redes neurais, lógica fuzzy, algoritmos genéticos e árvores de decisão têm apresentado resultados relevantes quanto à detecção antecipada destes fenômenos. Entretanto, estas técnicas dependem estritamente das características do conjunto de dados, as quais, para casos de aprisionamento de coluna, são tipicamente desbalanceados. Por outro lado, sistemas especialistas são uma alternativa para algoritmos de aprendizado de máquina uma vez que capturam o conhecimento tácito dos operadores. Este trabalho apresenta um sistema para prevenção de aprisionamento de coluna baseado em lógica fuzzy aplicada a características (features) especiais derivadas das variáveis de processo. Além disso, uma análise profunda do comportamento das variáveis de processo em tempo real também é apresentada. As features das variáveis de processo permitem generalização, identificando sinais prematuros de aprisionamento de coluna em diferentes poços. Ao longo do trabalho, serão apresentados o problema aprisionamento de coluna e seus impactos, o processo de feature engineering, as características da lógica fuzzy, a construção do sistema para prevenção de aprisionamento de coluna, os resultados e as conclusões do trabalho. Os resultados obtidos a partir da aplicação aos dados de quatorze casos de aprisionamento em quatro diferentes poços na costa brasileira mostram que em 92 % dos casos os operadores teriam tempo para evitar o aprisionamento. Além disso, o sistema atingiu 80 % de precisão na detecção de aprisionamento de coluna.

ABSTRACT: The automatic detection of anomalies during oil wells drilling operations contributes significantly to the process efficiency against the critically of the activity and the high costs and risks involved. In fact, due to the amount of available data, its transformation on information for the operators/supervisors is certainly a big challenge. Some of the drilling process anomalies as lost of circulation, stuck pipe and kick, reduce the process efficiency and are related to cost and NPT (non productive time) increment. Artificial intelligence has proven to be an important tool for diagnosing problems in oil well drilling. In the recent years, the adoption of strategies as neural networks, genetic algorithms and decisions tree has presented relevant results regarding early detection of these events. However, such techniques strictly depend on the characteristics of the available data set, which, for stuck pipe, are typically unbalanced. On the other hand, expert systems are an alternative to machine learning algorithms since they capture the tacit knowledge of operators. This work presents a system for preventing stuck pipe based on fuzzy logic applied to special features derived from the process variables. In addition, a deep analysis of the behavior of the process variables in real time is presented. The features of the process variables allow generalization, identifying early signs of stuck pipe in different wells. Throughout work, it will be presented the stuck pipe problem and its impacts, the feature engineering, fuzzy logic characteristics, the system for stuck pipe preventing construction, the results, and conclusions of the job. The results obtained from application to data from fourteen cases of stuck pipe in four different wells off the Brazilian coast show that in 92 % of the cases the operators would have time to avoid the stuck. In addition, the system achieved 80 % precision in stuck pipe detection.