Professional Documents
Culture Documents
CRISTIAN
GRUPO
G.I.T.A.H.
DANIEL MAURICIO ROJAS CARDENAS
FERNANDO
DE INVESTIGACI MATEUS
ÓN EN TECNOLOG MARIN
ÍAS ALTERNATIVAS
PARA HIDROCARBUROS.
R.N.A.
G.I.T.A.H.
Introducción
R.N.A.
G.I.T.A.H.
Sistema de Levantamiento Artificial
por Bombeo Mecánico.
R.N.A.
G.I.T.A.H.
Construcción de un Dinagrama.
R.N.A.
G.I.T.A.H.
Monitoreo del equipo de fondo.
DINAGRAMA
R.N.A.
G.I.T.A.H.
Construcción de un Dinagrama.
R.N.A.
G.I.T.A.H.
Tipos de Dinagramas.
El Dinagrama de superficie depende de
factores como:
•Profundidad de la bomba
•Diseño y material de la varillas
•Velocidad de bombeo
•Tipo de unidad de bombeo
•Tipo de motor
•Condiciones de operación de la bomba
El Dinagrama de fondo solo depende del
ultimo item.
R.N.A.
0,9
Funcionamiento normal
0,8
0,7
0,6
0,5
0,3
0,2
0,1
0
0 0,1 0,2 0, 3 0,4 0,5 0,6 0,7 0,8 0,9 1
1,0
0,9
0,8
1
0,9
1
0,9
0,8
G.I.T.A.H.
Redes Neuronales
Artificiales
(RNA)
R.N.A.
G.I.T.A.H.
Analog
Funcionamiento de ía
una Neurona Biológica
Función de transferencia
Entrada
Peso o
Señal de
Ponderada importancia
sinapsis
entrada Peso Entrada
Acumulador Ponderada
Total
+
+
sinapsis
Peso o importancia
Fuente: www.ricardi.webcindario.com/quimica/eltroqui.htm
G.I.T.A.H.
Elementos de una
RNA
Capa
Neurona
Red Neuronal
G.I.T.A.H.
Fases de un proyecto Neuro-
Computacional
4. Probar siy eloptimizar el
IDENTIFICACIÓN
1. Identificar
Y ESTUDIO DEL
PROBLEMA
problema es
prototipo:
adecuado para intentar resolverlo
2. utilizando
Diseñ
Diseño y Construcció
Construcci
Redes ón del
Determinar si seNeuronales.
debe modificar
prototipo:
la arquitectura
• Arquitectura de la de
red.la red, si se
requieren
• Algoritmo má
máde s la datos
de entrenamiento.
3. Entrenamiento red: de
entrenamiento
• Pre-
Pre
5.
Se -le
procesamiento
Fase ao la
si es
dered
de mantenimiento:
muestra necesario
datos.
un set de
RECOLECCION DE DATOS
cambiar
• Informació
Informaci
Se
datos debe elpara
modelo
de óentrada
n
realizar entrenar
ydespué
despu original;
ésla
salida de
para de
red.que
que
forma
se haque
identifique una
construido
las vez alcanzado
caracterí
caracter un sistema.
ísticas de losel
modelo
Aprovechando
mismos yóptimo las predecir
permita facilidades que
nuevos
ofrecen los Software,
resultados a las corrigiendo
diferentes
errores
variables
OPTIMIZAR
ydeanalizando
entrada. mejoras en
todos
PROTOTIPOlos sentidos
Y PROBAR
R.N.A.
G.I.T.A.H.
Metodología de Trabajo
La red neuronal desarrollada debe identificar problemas
presentes en el equipo de subsuelo de la unidad de
bombeo mecánico a partir de 60 puntos que representen
el comportamiento del dinagrama.(K. Ashenayi, G.A.
Nazi, J.F. Lea, y F. Kemp. SPE 25420)
Pre-procesamiento De
PROBLEMAS DETECTADOS
Dinagramas:
ARCHIVO Dinagrama XX. Pozo.xx
PLANO
DATOS
•Normalización
PROVENIENTES
DEL DINAGRAMA
de Problema
Probabilidad
En ésta etapa se debe recolectar,
Dinagramas.0.95
DE FONDO
EXTRAIDOS DEL
ECHOMITER 0.63
Daño en Válvula Viajera
Daño en Válvula Fija organizar y disponer la información
. .
•Clasificación.. de datos . requerida sobre cada dinagrama de
.
por región en el acuerdo a las fases de Entrenamiento,
dinagrama. Etapa Prueba y Predicción y a los datos de
4
entrada a la red y con sus respectivas
•Extracción de puntos salidas.
significativos.
PROBLEMAS DETECTADOS
Dinagrama XX. Pozo.xx
•Creación de archivo de
Probabilidad
0.95
Problema
Int de gas
entrada al software de
0.63
.
.
Golpe de fluido
.
.
redes neuronales.
. .
R.N.A.
G.I.T.A.H.
Normalización de Dinagramas.
GOLPE DE FLUIDO
DAÑO EN LA VALVULA FIJA
2,5
sin Normalizar 9
8
Dinagramas
2
7
6 1,5
5
Carga ( K-Lbs)
4 1
Carga ( K-Lbs)
3
0,5
2
1 0
0 0 5 10 15 20
0 5 10 15 20 25 30 -0,5
Recorrido (In) Recorrido (In)
1 1,0
Dinagramas
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0 0,0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Recorrido (In) Recorrido (In)
R.N.A.
G.I.T.A.H.
Clasificación y Selección de Puntos
Significativos.
Normal con tubería no anclada
1
0,9
Región 3
0,8 Región 2
0,7
16 10
0,6
Carga
0,5
Variacion = P1- P2
0,4
0,3
10 24 P2
0,2
0,1
Región 1 Región 4
P1
0
Punto signicativo
0 0,1 0,9 1
Posición
G.I.T.A.H.
Pre-procesador de Dinagramas
R.N.A.
G.I.T.A.H.
Aplicación al Campo Escuela
Colorado
R.N.A.
G.I.T.A.H.
Problemas del Equipo de Subsuelo de las
Unidades de Bombeo Mecánico del
Campo Colorado.
Topología de la red 60: ? :9
G.I.T.A.H.
TOPOLOGÍAS DE RED
EVALUADAS.
60:10:9 R.N.A.
G.I.T.A.H.
Resultados de Prueba
Dinagramas.
R.N.A.
G.I.T.A.H.
Resultados de Prueba
Dinagramas.
R.N.A.
G.I.T.A.H.
Resultados de Predicción.
Dinagramas.
R.N.A.
G.I.T.A.H.
Resultados de Predicción.
Dinagramas.
R.N.A.
G.I.T.A.H.
Conclusiones.
Se realizo un buen análisis y diagnóstico de
problemas en el equipo de subsuelo utilizando
redes neuronales artificiales.
Se estableció que la mejor topología de red para
la interpretación de Dinagramas es 60:10:9.
En este estudio se demuestra que es posible
obtener buenos resultados con una base de
datos de entrenamiento más pequeña de las
usualmente utilizadas. R.N.A.
G.I.T.A.H.
Conclusiones.
Para la selección de Dinagramas a utilizar se deben
tener en cuenta los problemas mas comunes en el
campo y las condiciones de operación.
Las redes neuronales artificiales presentan un
mejor reconocimiento si se involucran en su etapa
de aprendizaje Dinagramas combinados acorde a
los problemas presentados en el campo.
R.N.A.
G.I.T.A.H.
Recomendaciones.
Para obtener mejores resultados se recomienda
aumentar la base de datos de entrenamiento una
vez se realicen más pruebas en el Campo
Escuela Colorado.
R.N.A.
G.I.T.A.H.
Recomendaciones.
Como paso siguiente a este estudio se
recomienda crear un software que fusione el
Pre-procesador y el Software de redes,
permitiendo que el tiempo de análisis sea mas
corto y la aplicación mas sencilla para el usuario.
R.N.A.
G.I.T.A.H.
Bibliografía
ACOSTA BUITRAGO, María y ZULUAGA MUÑOZ, Camilo.
“TUTORIAL SOBRE REDES NEURONALES APLICADAS
EN INGENIERIA ELECTRICA”. Universidad Tecnológica
De Pereira. Facultad De Ingeniería Eléctrica. Tesis (pregrado)
2000.
ALDABAS-RUBIRA, Emiliano. “Introducción al
reconocimiento de patrones mediante redes neuronales”. UPC-
Campus Terrassa-DEE-EUETIT Colom, 1 08222 Terrassa
Barcelona. Están referenciados capitulo 4
ALEGRE, Lideniro; DA ROCHA, A.F. y MOROOKA, C.K.
“Intelligent Approach of Rod Pumping Problems”. Paper 26253.
Presentado en Computer Conference, 11-14 Julio, New Orleans,
Louisiana 1993.
R.N.A.
G.I.T.A.H.
Bibliografía.
R.N.A.
G.I.T.A.H.
PREGUNTAS
R.N.A.
G.I.T.A.H.
GRACIAS!
R.N.A.
G.I.T.A.H.
ANALISIS DE RESULTADOS
Patrón de prueba 2 : Daño en la TV
Fin carrera descendente DDC 36 (octubre)
0,3
0,25
0,2
0,15
0,1
0,05
0
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
-0,005 0 0,005 0,01 0,015 0,02 0,025 0,03 R.N.A.
G.I.T.A.H.
ANALISIS DE RESULTADOS
TOPOLOGIA: 60:10:9 INTERPRETACION DE LA RED
Normal Interf.
Interf. Dañ
Daño en Dañ
Daño en Parafinas Golpe Varillas Golpe Golpe
Patró
Patrón Interpretació
Interpretación De gas Válvula Válvula de partidas abajo arriba
Fija (SV) Viajera fluido
(TV)
1 Dañ
Daño en la TV y SV 0 0 0.9831 0.9667 0 0 0 0 0
2 Dañ
Daño en la TV 0 0 0 0.9999 0 0 0 0.7876 0
3 Dañ
Daño en la TV y 0 0 0 0.9155 0 0 0 0 0.9879
Golpe arriba
4 Dañ
Daño en la TV 0 0 0 0.9897 0 0 0 0.9845 0
5 Dañ
Daño en la TV y 0 0 0 0.9866 0.6249 0 0 0 0
Parafina
6 Dañ
Daño en TV y 0 0 0 0.9966 0 0 0 0.9717 0
Golpe abajo.
7 Dañ
Daño en TV y 0 0 0 0.9822 0.4687 0 0 0 0
Parafina
8 Dañ
Daño en la TV y 0 0 0 0.9569 0.8923 0 0 0 0
parafina
# Iter:
Iter: 15788 Error: 0.0099984
R.N.A.
G.I.T.A.H.
Fase de Predicción
TOPOLOGIA 60:10:9 INTERPRETACION DE LA RED
Patró
Patrón Interpretació Normal Interf.
Interf. SV TV parafina Golpe Varillas Golpe Golpe
Interpretación
de Gas s de partidas abajo arriba
fluido
3 Dañ 0 0 0.9913 0 0 0 0 0 0
Daño en la vá
válvula fija
y golpe leve arriba
# Iter:
Iter: 15788 Error:0.0099984
R.N.A.
G.I.T.A.H.
Terminología de las
Redes Neuronales
Artificiales
(RNA)
R.N.A.
G.I.T.A.H.
Arquitectura. Cantidad de
Pesos Sinápticos. neuronas,
Representa capas,
la
regla
intensidad de de
Error absoluto. Diferencia en
aprendizaje valor
y
interacción
absoluto Es entre
entre
el la
función
neuronas de
Regla de magnitud
Se procedimiento
presenta
activacióncuando
aprendizaje.
aproximada
mediante y lala
el cual
se alcanza un
Convergencia. magnitud
red realiza
grado exacta.
deel ajuste
error
demínimo
sus pesos
sinápticos
preestablecido. R.N.A.
G.I.T.A.H.
Momento. EsValor
el proceso
constantepor el
Función de cual
que
Es se agrega
produce
una función a un
la
Activación. ajuste
regla
matemáticadedelos
que
Colocar los
aprendizaje
parámetros datos
para
Normalización. en permite
el rango la
entre
internos
evitardesus
transferencia la red
Velocidad
0 y 1.condela
Tasa de (capas
oscilaciones.
ocultasdey
información
aprendizaje. que cambian los
sus pesos)
una a partir
neurona a
pesos sinápticos.
•Supervisado.
Entrenamiento. de un otra.
proceso de
•No supervisado.
estimulación con
Tipos de •Híbrido.
los datos (patrones) R.N.A.
Entrenamiento. •Reforzado.
del problema.
G.I.T.A.H.
Definición de RNA
Redes neuronales artificiales (RNA) son unidades
interconectadas masivamente en paralelo de
elementos simples adaptativos con organización
jerárquica, las cuales intentan interactuar con los
objetos del mundo real del mismo modo que lo hace
el sistema nervioso biológico logrando identificar la
información relevante sobre una gran cantidad de
datos.
R.N.A.
G.I.T.A.H.
Entrenamiento de una RNA
Al igual que las redes neuronales biológicas para
obtener una respuesta única frente un estímulo, las
RNA realizan una evaluación y corrección sobre el
aporte de cada conexión entre cada elemento de la
red a la señal final que llega a una neurona
específica o a un grupo de neuronas del cual se
espera una respuesta específica. Este proceso de
ajuste del aporte de cada conexión se realiza
ajustando los “pesos” en una fase denominada de
Entrenamiento.
R.N.A.
G.I.T.A.H.
Tipos de algoritmos de
entrenamiento
Realimentados Unidireccionales
Realimentados Unidireccionales
Hopfield Mapas de
BSB Perceptrón Kohonen
G.I.T.A.H.
Metodología de Trabajo
G.I.T.A.H.
NORMALIZACION DE DATOS
Después de todo este procedimiento de escoger cual dinagrama se utilizaría para la interpretación, se tuvo el problema que no
todos estaban a la misma escala y pues así era mucho mas difícil hacer comparaciones
X − X min Y − Ymin
X nor = Ynor =
X max − X min Ymax − Ymin
R.N.A.
G.I.T.A.H.
Normalización.
GOLPE DE FLUIDO DAÑO EN LA VALVULA FIJA
9 2,5
Dinagramas sin
8
Normalizar
2
7
6 1,5
Carga (Lbs)
Carga (Lbs)
5
4 1
3
0,5
2
1 0
0 5 10 15 20 25 30
0
0 5 10 15 20 25 30 -0,5
Recorrido (In) Recorrido (In)
1 1,0
Dinagramas
0,9 0,9
0,8 0,8
0,7 0,7
Carga (Lbs)
Carga (Lbs)
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0 0,0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Recorrido (In) Recorrido (In)
R.N.A.
G.I.T.A.H.
Puntos por Intervalo.
Normal con tubería no anclada
0,9
Región 2
0,8 Región 3
16 10
0,7
0,6
Carga
0,5
0,4
0,3
10
0,2 24
Región 1
0,1 Región 4
0
0 0,1 0,9 1
Posición
Total. 60 puntos
G.I.T.A.H.
Selección de Puntos
Significativos.
La selección de los puntos significativos se obtuvieron
calculando la pendiente cada dos puntos y luego
comparando estas, siendo un puntos significativo,
aquel que este en medio de una variación de pendiente
considerable. Ver figura.
Variacion = P1- P2
P2
P1
Punto signicativo R.N.A.
G.I.T.A.H.
Interpretación de Dinagramas
R.N.A.
G.I.T.A.H.
EFICIENTE DEFICIENTE CAUSA
Fuga en la válvula
viajera, fricción excesiva
o en algunos casos es
muestra de fuga en la
tubería de producción.
Tramo A-B
Un golpe o fricción que
aumenta o disminuye la
carga sobre el pistón.
Tramo A-B
Golpe de fluido o barril
deficientemente lleno de
líquido.
Tramo B-C
Golpe de gás o barril
deficientemente lleno de
líquido
Tramo B-C
Fuga en la válvula fija o
fricción excesiva
Tramo C-D
Golpe o fricción en el
pistón
Tramo C-D
Fuga en la válvula
viajera causada por R.N.A.
arena o fluidos
emulsificados
Tramo D-A
G.I.T.A.H.