Esta es un versión antigua publicada el 2021-02-14. Consulte la versión más reciente.

IDENTIFICACIÓN DE FALLAS EN SISTEMAS DE BOMBEO MECÁNICO DE PETRÓLEO UTILIZANDO NEUROFUZZY

Autores/as

Jorge Enrique Meneses Flórez
Fredy A. Garavito
Edxon Meneses

DOI:

https://doi.org/10.24054/rcta.v1i37.973

Palabras clave:

Dinagramas, bombeo mecánico, neurofuzzy

Resumen

En el bombeo mecánico de petróleo, para minimizar los costos operativos y maximizar la producción, es esencial identificar los problemas de forma rápida y precisa. El dinagrama de fondo de pozo es decisivo para analizar las condiciones de trabajo del sistema de bombeo, y normalmente el diagnóstico de fallas se ha basado en la interpretación visual de su forma, por un experto humano. Se presenta una arquitectura (NeFSuckerRod) para el diagnóstico automático del dinagrama, basada en un sistema NeuroFuzzy, que permite identificar las fallas y prescindir del experto humano. Al combinar el poder de aprendizaje de las redes neuronales artificiales y la representación explícita del conocimiento de la lógica fuzzy, y presentando un conjunto de cartas dinamométricas con diferentes fallas, el sistema NeuroFuzzy se entrena obteniendo un modelo fuzzy capaz de diagnosticar fallas en un sistema de bombeo.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Caballero F. y Salamanca (2011). Herramienta de aplicación software para clasificación de patrones de datos implementando una arquitectura Neuro-fuzzy. Universidad Industrial de Santander (UIS), Bucaramanga (Colombia). Tesis de pregrado.

Chemielewski M., y Grzymal J. (1996). Global discretization of continuous attributes as preprocessing for machine learning. International Journal of Approximate Reasoning, pp319–331.

DaCunha, J.J. y Gibbs, S.G. (2007). Modeling a Finite-Length Sucker Rod using the Semi-Infinite Wave Equation and a Proof to Gibbs’ Conjecture. SPE 108762.

de Best L. (2012). Shell's Smart Fields – Sustaining and Accelerating Benefits from Intelligent Fields. Intelligent Energy International, Utrecht, 150407-MS SPE Conference Paper.

Dickinson R. y Jennings J. (1990). Use of pattern-recognition techniques in analyzing downhole dynamometer cards, SPE Production Engineering, Vol. 5, No. 2, SPE-17313-PA.

Eickmeier, J.R. (1967). Diagnostic Analysis of Dynamometer Cards. SPE 1643. Journal of Petroleum Technology, January 1967, pp 97-106.

Gabor T. (2015). Sucker-Rod Pumping Handbook. Gulf Professional Publishing.

Gibbs, S. y Nelly, A. (1966). Computer diagnosis of down hole conditions in sucker rod pumping wells. Journal of Petroleum Technology, Vol. 18, No.1, SPE1165PA.

Gilbert, W.E. (1936). An Oil-Well Pump Dynagraph. Drilling and Production Practice, American Petroleum Institute. New York.

Gómez, A.E., Archila, J.F. y Meneses, J.E. (2013). Adquisición y tratamiento de señales de un acelerómetro triaxial MEMS, para la medición del desplazamiento de una extremidad inferior, Revista Colombiana de Tecnologías de Avanzada Vol. 1 No. 21, pp. 113-118.

McCoy J. y Podio L. (1995). Method and Apparatus for measuring pumping rod position and other aspects of a pumping system by use of an accelerometer. Patent US5406482.

Meneses J.E. y Meneses D.P. (2020). Arquitectura hardware/software para un prototipo de pozo inteligente en un campo petrolero maduro, Revista Colombiana de Tecnologías de Avanzada Vol. 2, No. 36, pp. 109-121

Meneses J.E., García J.D. y Ferreira D.A. (2015). Acelerómetros MEMS en el desarrollo de pozos y campos petroleros inteligentes. Revista Colombiana de Tecnologías de Avanzada Vol. 2, No. 26, pp. 128-135.

Nauck, D., Klawon, F.; Kruse R. (1997) Foundations of Neuro-Fuzzy Systems. J. Wiley & Sons

Nauck, D., Kruse, R. (1995). Nefclass - a Neuro- fuzzy Approach for the Classification of Data. Proceedings of the 1995 ACM symposium on Applied computing.

Nauck, D. (1994) A fuzzy perceptron as a generic model for neuro-fuzzy approaches. Proc. Fuzzy-Systems’94, 2nd GI-Workshop, Munich, Siemens Corporation.

Sanchez J. P., Festini D. y Bel O. (2007). Beam Pumping System Optimization Through Automation. Latin American & Caribbean Petroleum Engineering Conference, Buenos Aires (Argentina), SPE 108112.

Sletcha B., Vivas, C., K. Saleh, F., Ghalambor A. y Salehi S. (2020). Digital Oilfield: Review of Real-time Data-flow Architecture for Upstream Oil and Gas Rigs, International Conference and Exhibition on Formation Damage Control, Lafayette, (Louisiana, USA), 199298-MS SPE Conference Paper.

Yousefi J., y Hamilton-Wright A. (2016). Classification Confusion within NEFCLASS Caused by Feature Value Skewness in Multi-dimensional Datasets. Proceedings of the 8th International Joint Conference on Computational Intelligence (IJCCI 2016) - Volume 2: FCTA, pages 21-29 ISBN: 978-989-758-201-1. Porto (Portugal) Nov 9 al 11.

Zarate C. (2016). Preprocesador de fuzzy inference system (FIS) y motor de inferencia difusa para la plataforma de desarrollo embebida Freescale TWR-K70F120M. Universidad Industrial de Santander (UIS), Bucaramanga (Colombia). Tesis de pregrado.

Descargas

Publicado

2021-07-13 — Actualizado el 2021-02-14

Versiones

Cómo citar

Meneses Flórez , J. E. ., Garavito, F. A. ., & Meneses , E. . (2021). IDENTIFICACIÓN DE FALLAS EN SISTEMAS DE BOMBEO MECÁNICO DE PETRÓLEO UTILIZANDO NEUROFUZZY. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(37), 10–22. https://doi.org/10.24054/rcta.v1i37.973 (Original work published 13 de julio de 2021)