Three Approaches to Predicting ESP Pump Failures During SAGD Operations
Notice bibliographique
Résumé
Abstract This paper presents a novel approach to a time scale discretization when predicting ESP pump failures at different scales. This study proves that models can be used to formalize failure predictions, prevention, and lead to optimizing the ESP's replacement and/or maintenance. The target parameters reflected two different time scale ranges. In the first approach ‘Time to Failure’ and its corresponding ‘Active Time to Failure’ were predicted. The second case excluded time periods when a well was off-line for other reasons than failure. These two targets (modeling parameters) represented low frequency events and were developed using geological or/and well geometry parameters. The Total Time to Failure model (Production Period model) based on a combined trajectory and geology data set showed acceptable and stable performance. A corresponding model with wellhead parameters summarized across each production period was introduced to complement the large scale analysis. A second group of models of higher resolution was designed to detect failures in real time. In these cases estimations for the probability of a failure at a specific time using the most recent wellhead data while excluding well's non-active time periods related to workovers and other non-productive time periods. These models used pre-processed wellhead data from a few selected wells and pads. Well data required pooling large amounts of data and developing a parameter summarization in time periods based on uninterrupted Motor Current Time Periods. These discrete time periods represented events with or without a failure depending on a reason for the current value to be zero. The probability of a pump failure was estimated using two approaches. In the first approach only the last two ‘periods’ that corresponded to non-failure and failure periods respectively were used. The second approach involved all non-failure periods leading to each corresponding failure period. The first approach overestimated the failures while the second approach overestimated the non-failure events. Initial probability models predicted events with a relatively high success rate. However, more data and additional data transformations are required to verify the practicality of our approach. More refined sub-period estimates in each Current Time Periods may help in developing improved models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».