تعلّم الآلة يحسن من استخدام مضخات الغاطسة الكهربائية المستقلة في حوض البرميان

_ تحتوي هذه المقالة، التي كتبها محرر تقنية JPT كريس كارپنتر، على نقاط بارزة من الورقة SPE 219528، "تحسين المضخات الغاطسة الكهربائية المستقلة باستخدام تعلّم الآلة كما تم توضيحه في حوض البرميان"، من تأليف ريان د. إيركسون، SPE، رينالدو راموس، SPE، وجيمس ب. ميك، SPE، من شركة فيتال إنيرجي، وآخرين. لم يتم مراجعة الورقة من قبل الأقران. _ تسلط هذه الورقة الضوء على العرض والتنقيح والتنفيذ لخوارزمية تعلّم آلة (ML) لتحسين عدة آبار مضخات غاطسة كهربائية (ESP) في حوض البرميان. تقدم الورقة الكاملة دراستين حالة لتحسين ESP المستقل مدفوعاً بهذا النموذج من ML. تناقش الورقة الدروس الرئيسية من كل دراسة لمساعدة المشغلين في رحلتهم الرقمية مع الاعتبارات اللازمة لتنفيذ فعال في الحقل. إطار نضج الرقمية الإطار هو مصفوفة ذات متغيرين توضح المعالم المهمة لكل من نضج القدرة ونضج الحل (الشكل 1). بالنسبة لنطاق تنفيذ نموذج استدلال ML (MLIM) للحصول على توصيات نقاط الضبط لتحسين بئر ينتج باستخدام ESP، يتم تعريف مسارات نضج القدرة والتنفيذ فيما يلي. نضج قدرة الحل - القياس - يتم جمع بيانات المستشعر والبيانات التيلمتري في الوقت المناسب وبطريقة متسقة وشاملة. - تحسين - يتم الحصول على المعلمات الرئيسية لضبط الرفع الصناعي، بما في ذلك تردد ESP وضغط أنبوب تدفق البئر (FTP) من MLIM. - الأتمتة - توصيات نقاط الضبط لـ MLIM تكتب بشكل مستقل إلى أجهزة التحكم في الحقل. نضج تنفيذ الحل - التطوير - تكوين جمع بيانات الحقل، إنشاء MLIM الذي يولد بشكل مستقل توصيات نقاط ضبط تردد ESP وFTP للبئر مع واجهة مستخدم (UI). - العرض - استخدام قدرات ML على مجموعة من الآبار المنتجة في حوض ميدلاند. - التنقيح - تحسين MLIM بالتعزيز والتعليقات من خبراء المجال وتعزيز واجهة المستخدم. - النشر - توزيع التكنولوجيا على نطاق واسع عبر الحقل والتحول إلى الأعمال الأساسية. لمحة عن MLIM. بعد بناء واختبار بيئة استحواذ بيانات ناضجة، كانت الخطوة التالية في تحسين ESP المستقل هي تطوير MLIM لتقديم توصيات نقاط ضبط ESP عالية الجودة. تم التركيز في منشور سابق على تطوير نموذج ML لتحسين ESP باستخدام مجموعة بيانات واسعة من 193 بئراً تعمل بواسطة ESP. شملت عملية إعداد البيانات تنظيف البيانات، التعامل مع القيم المفقودة، وتطبيع الميزات لضمان مدخلات عالية الجودة للنموذج. في النهاية، تم اختيار شبكة عصبية اصطناعية (ANN) كخوارزمية بسبب مرونتها، والتحكم في إجراء التدريب، ودقتها الفائقة. تم تصميم نموذج ANN لتوقع معدلات الإنتاج اليومية بناءً على بيانات التيلمتري الحالية، وضع تشغيل ESP، معدلات التدفق، وقيم خاصة بالبئر الأخرى. تألف من نموذجين فرعيين - نموذج التيلمتري، الذي توقع قيم التيلمتري اليومية، ونموذج الإنتاج، الذي توقع معدلات الإنتاج اليومية. تضمنت عملية التدريب تقسيم مجموعة البيانات إلى أجزاء للتدريب، والتحقق، والاختبار، وإجراء التدريب على مرحلتين لتحقيق النتائج المثلى. أظهر النموذج أداءً استثنائيًا، مع متوسط درجة R2 قدرها 0.98. علاوة على ذلك، كانت الملاحظات من 193 بئراً مدعومة بإدخالات خبراء بتروليك. تؤكد هذه الدقة العالية على إمكانيات النموذج لتحسين ESP في الوقت الحقيقي، مما يعزز نتائج الإنتاج وربحية البئر بشكل عام. تم تطوير واجهة مستخدم لاستضافة شاشات تكوين MLIM، بيانات تيلمتري تاريخية للتحليلات الاحتمالية، وتصوير لتوضيح الفرص المستمدة من ANN وجعلها سهلة الفهم.