Detecção de padrões de golfadas em malha fechada em poços de petróleo offshore utilizando os métodos de aprendizado de máquina não supervisionados SOM e GTM

Abstract

Nos poços offshore, as golfadas são um problema frequente que pode limitar a produção de petróleo. Já está provado que a utilização do controle ativo da pressão pode mitigar este efeito, mas a definição do setpoint continua a ser uma tarefa manual que requer uma intervenção humana constante. Um menor setpoint para a pressão significa que haverá maior fluxo de óleo, porém para evitar problemas com golfadas, o setpoint não pode ser decrescido indefinidamente, havendo assim um setpoint ótimo que permite a máxima extração com a menor chance de golfadas. Além disso, poços de petróleo são dinâmicos e variam suas características ao longo do tempo, isso significa que o mesmo setpoint que serviu no passado, pode não ser mais adequado no presente ou futuro. Este estudo propõe uma abordagem inovadora utilizando machine learning para auxiliar na busca por níveis de produção ótimos enquanto previne golfadas severas. Até a publicação desta dissertação, não foram encontrados na literatura trabalhos que aplicassem tais métodos, como os aqui propostos, para esse fim específico. Ademais, ao ter um indicativo que o poço se encontra em um possível estado de golfadas, a operação pode retornar a um setpoint anterior, antes que a golfada de fato ocorra, evitando assim a necessidade de intervenções mais severas como abertura da malha de controle ou mesmo shut downs emergenciais. Neste estudo, dois métodos de machine learning não supervisionados, nomeadamente Self-organizing Map (SOM) e Generative Topographic Mapping (GTM), foram avaliados para a detecção precoce de padrões de golfadas em poços de petróleo offshore. Este estudo utiliza dados gerados a partir de uma simulação do modelo FOWM para construir a base de dados necessária para o treino dos modelos. Além disso, SOM e GTM também foram aplicados a dados reais de poços, enriquecendo a análise com percepções de cenários práticos. Tanto o SOM como o GTM apresentaram resultados promissores, no entanto, o GTM superou o SOM em termos de orientação de mapeamento e precisão de identificação de estados. O GTM teve resultados de F-Score e Coeficiente de Correlação de Matthew levemente superiores sendo 1,6% e 3,1% respectivamente para os dados simulados. Além disso, o GTM foi considerado mais fácil de otimizar em termos de hiperparâmetros para refinar o mapa.

In offshore wells, slugging is a frequent problem that can limit oil production. Active pressure control has been proven to mitigate this effect, but setting the setpoint is still a manual task that requires constant human intervention. A lower setpoint for the pressure means that there will be more oil flow. However, to avoid problems with slugging, the setpoint cannot be decreased indefinitely, so there is an optimum setpoint that allows maximum extraction with the slightest chance of slugging. In addition, oil wells are dynamic and vary their characteristics over time, which means that the same setpoint served in the past may no longer be suitable in the present or future. This study proposes an innovative approach using machine learning to assist in finding optimal production levels while preventing severe slugging. Until the publication of this dissertation, no studies had been found in the literature that applied such methods as those proposed here for this specific purpose. Furthermore, by indicating that the well is in a possible state of slugging, the operation can return to a previous setpoint before the slugging occurs, thus avoiding the need for more severe interventions such as opening the control loop or even emergency shutdowns. In this study, two unsupervised machine learning methods, namely Self-organizing Map (SOM) and Generative Topographic Mapping (GTM), were evaluated for the early detection of slugging patterns in offshore oil wells. This study uses data generated from a simulation of the FOWM model to build the database needed to train the models. Moreover, SOM and GTM were also applied to real-world well data, enriching the analysis with insights from practical scenarios. Both SOM and GTM showed promising results; however, GTM outperformed SOM in terms of mapping orientation and state identification accuracy. For simulated data, GTM had slightly higher F-Score and Matthew's Correlation Coefficient results of 1.6% and 3.1%, respectively. In addition, GTM was found to be easier to optimize in terms of hyperparameters to refine the map.