文献

J-GLOBAL ID：202202261221410778   整理番号：22A1028311

SRP坑井における動力計カードの深いCNN診断モデルと結合したマルチスケール正規化法【JST・京大機械翻訳】

Multi-Scale Normalization Method Combined With a Deep CNN Diagnosis Model of Dynamometer Card in SRP Well

著者 (7件)： Tan Chaodong (1College of Petroleum Engineering, China University of Petroleum, Beijing, China) ,  Chen Peiyao (2CNPC ChangQing Petroleum, Oil and Gas Technologe Research Institute, Xi’an, China) ,  Feng Ziming (3College of Mechanical and Electrical Engineering, Wenzhou University, Wenzhou, China) ,  Ai Xin (2CNPC ChangQing Petroleum, Oil and Gas Technologe Research Institute, Xi’an, China) ,  Lu Mei (2CNPC ChangQing Petroleum, Oil and Gas Technologe Research Institute, Xi’an, China) ,  Zhou Qiannan (2CNPC ChangQing Petroleum, Oil and Gas Technologe Research Institute, Xi’an, China) ,  Feng Gang (4Beijing Yadan Petroleum Technology Development Co., Beijing, China)
資料名： Frontiers in Earth Science (Web)  (Frontiers in Earth Science (Web))
巻： 10  ページ： 852633  発行年： 2022年 
JST資料番号： U7066A  ISSN： 2296-6463  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 油田のサッカーロッドポンピング(SRP)井戸で測定した20以上のダイナモメータカードがあり,いくつかの作動条件は非常に複雑である。動力計カード認識に基づくSRPの共通診断モデルは,複雑な作業条件の低い精度と再現率を有する。SRPの多条件診断の精度と再現率を改善し,従来の動力計カード正規化法によって引き起こされた分離可能データ属性の問題を解決するために,新しい動力計カード前処理法を提案し,オリジナルの動力計カードの多重正規化ダイナモメータカードを得て,同時に,データの分離性を強化するために,時系列動力計カードのセットを加える。4つの深い畳込みニューラルネットワークと組み合わせた動力計カード前処理法を用いて,診断モデルを構築した。実験を24の異なる作動条件の下で実施し,著者らの方法の精度は最高95.8%であり,複雑な作業条件の平均再現率は最大93.1%であり,それは従来の前処理方法によって構築されたモデル(AlexNet)のものより13.6と35.3%高い。さらに,提案した動力計カードの前処理法は,すべての深層学習モデルと機械学習モデルに適用可能である。現場応用は,著者らの方法が異常作業条件を想起するために非常に有効であり,それはSRPの知的診断のための実際の需要に非常に重要であることを示した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 前処理 ,  油田 ,  精度 ,  人工知能 ,  多重化 ,  *坑井 ,  診断 ,  *動力計 ,  *正規化 ,  カード【形】 ,  機械学習
準シソーラス用語： *マルチスケール ,  再現率 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 人工知能 ,  サッカーロッドポンプ井 ,  動力計カード ,  作業状態診断 ,  CNN-畳込みニューラルネットワーク

分類 (2件)： ポンプ,各種揚水装置  (QD05030P) ,  信頼性  (KB04040H)

引用文献 (27件)：

• AbdallaR., ElaM. A. El., El-BanbiA. (2020). Identification of Downhole Conditions in Sucker Rod Pumped wells Using Deep Neural Networks and Genetic Algorithms. SPE Prod. Operations 35 (2), 435-447. doi: 10.2118/200494-PA
• AhmadiM. A. (2015). Connectionist Approach Estimates Gas-Oil Relative Permeability in Petroleum Reservoirs: Application to Reservoir Simulation. Fuel 140, 429-439. doi: 10.1016/j.fuel.2014.09.058
• BangertP., SharafS. (2019). “"Predictive Maintenance for Rod Pumps,"” in Paper presented at the SPE Western Regional Meeting. SPE-195295-MS. doi: 10.2118/195295-MS
• BezerraM. A., SchnitmanL., Barreto FilhoM. D. A., JoseA. M., de SouzaF. (2009). Pattern Recognition for Downhole Dynamometer Card in Oil Rod Pump System Using Artificial Neural Networks. ICEIS 2, 351-355. doi: 10.5220/0002000403510355
• BoguslawskiB., BoujonnierM., Bissuel-BeauvaisL., SaghirF., SharmaR. D. (2018). “"IIoT Edge Analytics: Deploying Machine Learning at the Wellhead to Identify Rod Pump Failure,"” in SPE Middle East Artificial Lift Conference and Exhibition. SPE-192513-MS. doi: 10.2118/192513-MS

タイトルに関連する用語 (8件)： SRP ,  坑井 ,  動力計 ,  カード ,  CNN ,  診断モデル ,  マルチスケール ,  正規化