SISTEMA COMPUTACIONAL PARA RECONOCIMIENTO DE PATRONES DE FALLAS EN EL LEVANTAMIENTO DE CRUDO POR BOMBEO ELECTROSUMERGIBLE, USANDO APRENDIZAJE DE MÁQUINA

COMPUTATIONAL SYSTEMS FOR FAILURES PATTERN RECOGNITION IN OIL LIFT ELECTRICAL SUMERSIBLE PUMPING, USING MACHINE LEARNING

Palabras clave: Aprendizaje de máquina, reconocimientos de patrones, bombeo electrosumergible, fallas operacionales

Resumen

En este trabajo, se contempla un sistema que tiene como finalidad desarrollar una herramienta computacional para reconocimiento de patrones de fallas en el levantamiento artificial de crudo por bombeo electrosumergible (BES), mediante técnicas de manejo de datos relacionadas con aprendizaje de máquina (Machine Learning). Dicho sistema permite realizar un análisis y estudio continuo del proceso BES, lo cual, debido a su complejidad y características propias (costo, accesibilidad, tiempo), resulta imposible llevar a cabo a nivel operacional. En ese sentido, se realizó un análisis de los distintos algoritmos que ofrece el aprendizaje de máquina para resolver problemas de clasificación; se organizó la data, así como el proceso selección de las características a considerar en función de históricos y opiniones de expertos en el área del bombeo electrosumergible. Asimismo, se realizaron pruebas controladas para observar su comportamiento y, finalmente, se evaluó en ambiente operacional. En líneas generales, el resultado final es un Sistema Computacional práctico y funcional que permite identificar patrones de fallas de manera concisa y que hace posible realizar pruebas simuladas del funcionamiento BES, que serían inviables de realizar en ambiente operacional.

Citas

[1] M.A. Barsalou, Root Cause Analysis: A Step-By-Step Guide to Using the Right Tool at the Right Time. Boca Raton, FL: CRC Press, 2015.
[2] E. Aceros, E. Camargo, J. Canelon, and A. Verde, “First Principles Model for Virtually Sensing Operational Parameters in an ESP Well”, in SPE Artificial Lift Conference and Exhibition – Americas, Aug. 2018, pp. 1-15 doi: https://doi.org/10.2118/190956-MS
[3] E. Camargo, E. Aceros, L. Guzmán, H. Lozada, and J. Aguilar, “Multiobjective Optimization Model using Genetic Algorithms for Oil Wells based on Electro Submersible Pumps”, in 5ta. Conferencia Nacional de Computación, Informática y Sistemas (CoNCISa 2017), Oct. 2017, pp. 1-5. [Online]. Available: http://concisa.net.ve/memorias/CoNCISa2017/CoNCISa2017-p123-127.pdf [Accessed: Nov. 06, 2018].
[4] X. Tian, H. Daigle, and H. Jiang, “Feature Detection for Digital Images Using Machine Learning Algorithms and Image Processing”, in 2018 SPE/AAPG/SEG Unconventional Resources Technology Conference, July 2018, pp. 1-14. doi: https://doi.org/10.15530/URTEC-2018-2886325
[5] K. Mochida, S. Koda, K. Inoue, and R. Nishii, “Statistical and Machine Learning Approaches to Predict Gene Regulatory Networks from Transcriptome Datasets”, Frontiers in Plant Science, vol. 9, article 1770, pp. 1-7, Nov. 2018. doi: https://doi.org/10.3389/fpls.2018.01770
[6] K. Hazelwood, et al. “Applied Machine Learning at Facebook: A Datacenter Infrastructure Perspective”, in 24th IEEE International Symposium on High Performance Computer Architecture (HPCA), Feb. 2018, pp. 620-629. doi: https://doi.org/10.1109/HPCA.2018.00059
[7] Y. Zhang, J. Wen, G. Yang, Z. He, and X. Luo, “Air-to-Air Path Loss Prediction Based on Machine Learning Methods in Urban Environments”, Wireless Communications and Mobile Computing, vol. 2018, article ID 8489326, pp. 1-9, 2019. doi: https://doi.org/10.1155/2018/8489326
[8] E. Camargo, J. Aguilar, E. Aceros, and H. Lozada, “Implantation of Sense Virtual in Oil Process”, in XVI Jornada de Mecánica Computacional, Oct. 2017, pp. 68-77.
[9] J. Aguilar, J. Cordero, and O. Buendia, “Specification of the Autonomic Cycles of Learning Analytic Tasks for a Smart Classroom”, Journal of Educational Computing Research, vol. 56, no. 6, pp. 866-891, Oct. 2018. doi: https://doi.org/10.1177/0735633117727698
[10] G. Takacs, Electrical Submersible Pumps Manual: Design, Operations, and Maintenance, 2nd ed. Cambridge, MA: Elsevier - Gulf Professional Publishing, 2018.
[11] V.N. Vapnik, The Nature of Statistical Learning Theory, 2nd ed. New York: Springer, 2000.
[12] L. González-Abril, “Modelos de Clasificación basados en Máquinas de Vectores Soporte”, en XVII Congreso ASEPELT (Asociación de Economía Aplicada), Junio 2003, pp. 1-19. [En línea]. Disponible: https://www.asepelt.org/ficheros/File/Anales/2003%20-%20Almeria/asepeltPDF/55.pdf [Consultada: 19 de noviembre de 2018]
[13] I.H. Witten, E. Frank, M. Hall, and C.J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed. Burlington, MA: Morgan Kaufmann, 2016.
[14] S. Ruiz-Correa, “Aprendizaje de Máquina y Reconocimiento de Patrones”, en III Verano de Computación, Julio 2013. [En línea]. Disponible: http://3vcomp.eventos.cimat.mx/sites/3vcomp/files/VeranoComputacionSRC2013.pdf [Consultada: 26 de noviembre de 2018]
[15] E. Camargo, E. Aceros, and J. Aguilar, “Intelligent Well Systems”, in Asia-Pacific Conference on Computer Aided System Engineering (APCASE 2015), July 2015, pp.13-18. doi: https://doi.org/10.1109/APCASE.2015.10
[16] J. Aguilar, O. Buendia, K. Moreno, and D. Mosquera, “Autonomous Cycle of Data Analysis Tasks for Learning Processes”, in Technologies and Innovation: Second International Conference (CITI 2016), R. Valencia-García, K. Lagos-Ortiz, G. Alcaraz-Mármol, J. del Cioppo, N. Vera-Lucio, Cham, Switzerland, Springer, 2016, pp. 187-202.
[17] A. Adhikari, J. Adhikari, Advances in Knowledge Discovery in Databases. Cham, Switzerland: Springer, 2015.
Publicado
2019-01-14
Cómo citar
Camargo Contreras, E., & Aceros Flores, E. H. (2019). SISTEMA COMPUTACIONAL PARA RECONOCIMIENTO DE PATRONES DE FALLAS EN EL LEVANTAMIENTO DE CRUDO POR BOMBEO ELECTROSUMERGIBLE, USANDO APRENDIZAJE DE MÁQUINA. Ingeniería Al Día, 5(1), 33 - 53. Recuperado a partir de http://revista.unisinu.edu.co/revista/index.php/ingenieriaaldia/article/view/302