Sistema inteligente de apoio a decisão para a fase rampa de aceleração do processo de partida a quente de poços de elevação BCSS

Abstract

RESUMO: Bombas centrífugas submersas têm sido cada vez mais utilizadas na indústria de petróleo. A partida desse equipamento o submete a condições extremas que podem reduzir a sua vida útil. Além disso, a vazão de óleo produzido durante esse processo é inferior quando comparada a produção em condição normal de operação. Durante a partida, duas variáveis são manipuladas gradativamente a fim de conduzir o equipamento ao patamar operacional desejado, a Frequência do Inversor e o Percentual de Abertura da Válvula Choke. Atualmente, o controle desse processo é manual e está sujeito à experiência e sensibilidade do operador. Utilizar um sistema inteligente, baseado em classificação, capaz de predizer o momento adequado de realizar as manipulações permitirá que o processo ocorra de forma mais rápida e padronizada, trazendo como benefícios o aumento da produção de óleo devido à operação com restrição por menos tempo e a operação do equipamento dentro da faixa adequada, minimizando o risco de falha. Ao analisar os dados históricos disponíveis, detectou-se que há desbalanceamento de classes e ruído de classificação, desafios bem conhecidos no campo da aprendizagem de máquina em tarefas de classificação. Assim, os algoritmos de classificação k-NN e RUSBoost foram avaliados, utilizando como entrada os dados históricos disponíveis, tanto em sua natureza original (registros independentes), quanto agrupados em séries temporais. No caso das séries temporais, a medida de distância Dynamic Time Warping (DTW) foi empregada na extração de características. Duas abordagens para seleção da série temporal de referência no cálculo da distância foram avaliadas: utilizar a série de menor duração e empregar a série indicada por Algoritmo Genético (AG). Os resultados indicam a viabilidade do uso do RUSBoost com séries temporais de entrada. O modelo gerado com série temporal de referência escolhida por AG apresentou o melhor desempenho em relação às abordagens estudadas, com AUC de 0,9175.

ABSTRACT: Electrical submersible pumps have been increasingly used in oil and gas industry. The startup cycle of this equipment causes it to be subjected to extreme conditions that can reduce its useful life. Additionally, in startup cycle, production rates are lower than under normal operational conditions. Two variables are gradually manipulated to drive the equipment to the desired operational level, the Frequency of Variable Speed Drive and the Opening of the Flow Choke Valve. Currently, this process is controlled manually, so its subject to operator experience and sensitivity. A classification-based system, capable of predicting the right moment to perform the manipulations in the variables will allow the process to be more quickly and standardized, bringing as benefits an increase of oil production rate (due to restricted operation for less time) and a safer operation, minimizing the risk of failure. When analyzing the available historical data, it was detected that there is class imbalance and classification noise, well known challenges in classification tasks. Thus, the k-NN and RUSBoost classification algorithms were evaluated using the historical data available, either in their original nature (independent records) or grouped in time series. In the case of time series, the Dynamic Time Warping (DTW) distance measure was used to extract features. Two approaches to selecting the reference time series in the distance calculation were evaluated: the shorter time serie and the one elected by Genetic Algorithm (GA). The results indicate the feasibility of using RUSBoost with time series of input, the best model was the one generated with time series pointed by GA and presented AUC 0.9175.