Developing an ESP lifespan predictive model using artificial intelligence: a case study on an Omani oil field

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

المضخة الغاطسة الكهربائية هي أكثر طرق الرفع الاصطناعي كفاءة وثباتا لمعدلات الانتاج المتوسطة والعالية، على الرغم من ارتفاع التكلفة الرأسمالية لهذه المضخة، الا أنها ال تقارن بالتكلفة العالية لخسائر الانتاج نتيجة فشلها وسقوطها، التعلم الالي هو فرع من فروع الذكاء الاصطناعي، وقد اكتسب صيتًا واسعًا في حقول النفط والغاز نتيجة قدراته التنبؤية، تهدف هذه الدراسة إلى تطوير نموذج للتعلم الالي لتنبؤ مدة حياة المضخة الغاطسة الكهربائية وتحديد أهم العوامل المؤثرة على حياتها. ابتدأت الدراسة بعمل مراجعة عامة لتحليل فشل هذه المضخات وتطبيقات صيانتها في مراقبة وتصحيح وتنبؤ سقوطها، ومراجعة العديد من خوارزميات التعلم الالي المستخدمة وتطبيقاتها في تنبؤ وقت ونوع الفشل لهذه المضخات في مختلف حقول النفط حول العالم، وقد تم توجيه أهداف البحث بناء على هذه المراجعات إلى البيانات المستقرة والتاريخية من المضخة الغاطسة الكهربائية، أكثر من 100 بئر نفط في حقل نفط عماني قد تمت مراجعته ُعدّت تحتوي حيث استُخرج منها 132 مضخة فشلت نتيجة تراكم الرمل ومخلفات الانتاج، قائمة البيانات التي أ على 36 عامل مستقر متعلق بتصميم المضخة وتثبيتها وتشغيلها وفشلها وسحبها وتفكيكها، قُسمت هذه البيانات إلى %70 للتدريب و%30 لالختبار، مئات الاختبارات قد أجريت على خمس خوارزميات منتقاة لتحسين معالم كل خوارزمية بالاعتماد على متوسط مجموع الفروق بين القيم الحقيقية والمتوقعة بالقيمة المطلقة ومعامل التحديد، هذه Decision Tree Regressor (DTR), Least Absolute Shrinkage and هي المستخدمة الخوارزميات Selection Operator (LASSO), Random Forest Regressor (RFR), Support Vector عادُي المتطرفة النتائج ، Extreme Gradient Boosting Regressor (XGBR)و Regressor (SVR), اعتمادا على الحد الاقصى المحدد سابقً تدريبها إذا تجاوزت قيمها المتوقعة ا. النموذج النهائي يحتوي على مستويين: مستوى لتوقع مدى الحياة الكامل قبل تشغيل المضخة والاخر لتوقع المتبقي من حياة المضخة بعد آخر اختبار لصالحية البئر، RFR اُختيرت للمستوى الاول وSVR قد اختيرت للمستوى الثاني، المستوى الاول استطاع توقع مدى حياة المضخة مع متوسط خطأ يصل إلى 25 يوما نتجت من نسبة %60 لمعامل التحديد، واستطاع المستوى الثاني توقع المتبقي من حياة المضخة مع متوسط خطأ يصل إلى 8 أيام نتجت من نسبة %73 لمعامل التحديد، وقد أشار المستوى الاول إلى أن بعض العوامل المتعلقة بتصميم وتصنيع المضخة والمحرك لها أكبر تأثير على ضمان عمر طويل قبل التشغيل، هذه العوامل تشتمل على ضغط تصريف المضخة وعدد مراحلها وتردد المحرك وسرعة دوران المحور، الامر الذي يؤكد الدور الحاسم لعملية اختيار وتصميم مكونات المضخة الغاطسة الكهربائية، من ناحية أخرى فإن المستوى الثاني أوضح أن أهم الميزات التي يجب مراقبتها والتحكم بها خالل فترة عمر المضخة هي ضغط تصريف المضخة ومعدلات تدفق النفط والماء. من المعتقد أن هذه النتائج يمكن أن تساعد على تخفيف التكاليف الرأسمالية من خلال جدولة صيانة المضخة قبل الفشل لإطالة حياتها، بينما يمكن تجنب التكاليف التشغيلية عن طريق التحضير لرفع المضخة وتحضير المعدات اللازمة لاستبدالها لتجنب خسائر الانتاج.

روابط وملفات

التعريف والنوع

رقم الوثيقة

08a32326-a7cb-4bb7-8d47-c995f5a40ec9

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

08a32326-a7cb-4bb7-8d47-c995f5a40ec9_1.pdf

بيانات النشر

ترجمة العنوان

تطوير نموذج تنبؤي للعمر المتوقع للمضخة الغاطسة الكهربائية باستخدام الذكاء الاصطناعي: دراسة حالة حول حقل نفطي ُعماني

ألقاب المؤلفين

[{"name_ar":"Ali Said Ali Al-Sawafi","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"Alireza Kazemi","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Tarek Ganat","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

Developing an ESP lifespan predictive model using artificial intelligence: a case study on an Omani oil field

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

The Electrical Submersible Pump (ESP) is the most efficient and reliable artificial liftmethod for medium to high production rates. While the capital cost of ESP is high, itpales in comparison to the production losses resulting from its failure. Machine learning(ML) is a branch of artificial intelligence, and it has gained substantial attention in oiland gas industries recently by virtue of its predictive power. This study aims to developan ML model to predict ESP lifespan and identify the key features that influence itslongevity.A general review is conducted for the ESP failure analysis approach and the previouslyapplied predictive maintenance to monitor, troubleshoot and predict its failure (PFA).The study explores various ML algorithms and their applications in predicting the timeand type of ESP failures in different fields worldwide. The aims of this thesis weredirected through ESP static and historical data to be achieved based on the literaturereview. The failure history of more than 100 wells from an Omani oilfield wasreviewed, with 132 ESP failures attributed to sand and scale accumulation. The datasetincludes 36 static features related to ESP design, installation, commissioning, failure,pull-out and teardown. Data were split into training and testing sets by a ratio of 70:30.Hundreds of tests were performed to five selected algorithms in order to optimize theparameters and hyperparameters of each algorithm, based on mean absolute error,average residual and determination coefficient. The algorithms tested were DecisionTree Regressor (DTR), Least Absolute Shrinkage and Selection Operator (LASSO),Random Forest Regressor (RFR), Support Vector Regressor (SVR), and ExtremeGradient Boosting Regressor (XGBR). Outliers were retrained if their predicted valuesexceeded a predetermined limit.The final model was developed in two levels to estimate ESP lifespan after installationand after the last valid well test. SVR and RFR were chosen for the first and secondmodels, respectively. The average model predictions yielded a mean absolute error of25 days for the first level with a 60% determination coefficient and 8 days for the secondlevel with a 73% determination coefficient. The model`s analysis indicated that certainfactors related to the pump and motor design have the greatest impact on ensuring along-lasting ESP before it is commissioned, based on the model's first level. Theseinclude features such as pump discharge pressure, number of pump stages, motorfrequency, and shaft RPM, underscoring the critical role of careful selection and designof ESP components. On the other hand, during the operational lifespan of the ESP, themost important features to monitor and control are pump discharge pressure and flowrates of oil and water, as highlighted by the model's second level.By scheduling ESP maintenance before failure, these findings can help mitigate capitalcosts, while preparing the necessary hoist, rig, and materials for ESP replacement canavoid deferred operational costs.

كلمات الباحثين

Pumping machinery--Programmed instruction - Artificial intelligence

إشراف وإعداد

الإشراف

Alireza Kazemi, Tarek Ganat

الإعداد

Ali Said Ali Al-Sawafi

الاقتباسات الببليوغرافية