Using anomaly detection with machine learning by assessing the bottom hole pressure changes
Makine öğrenme ile anomali tespiti uygulayarak kuyu dibi basınç değişikliklerini değerlendirmek
- Tez No: 846453
- Danışmanlar: DOÇ. DR. ÇAĞLAR SINAYUÇ
- Tez Türü: Yüksek Lisans
- Konular: Petrol ve Doğal Gaz Mühendisliği, Petroleum and Natural Gas Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Petrol sistemlerinden üretimde sürdürülebilirliğin sağlanması için üretim ve enjeksiyon performansının izlenebilmesi amacıyla gerçeğe mümkün olduğunca yakın bir saha modelinin olması hayati önem taşımaktadır. Bu çalışmada, temsili bir performans göstergesi olarak kullanılabilecek ve bir anormallik tespit yöntemini kullanan bir makine öğrenme modelinin geliştirilmesi amaçlanmaktadır. Makine öğrenimi, dört girdi parametresi ve bir çıktı parametresi olan denetimli öğrenme DNN (derin sinir ağı) modelinden oluşur. Kuyu üretiminden elde edilen girdiler zaman, petrol, su ve gaz oranlarıdır. Çıktı kuyunun tahmin edilen basınç performansıdır. Anormallik tespiti, eldeki verilere göre tahmin edilen ertesi gün ve otuzuncu gün tahmininin gözlemlenmesi ve ardından tahmin tarihlerine karşılık gelen gerçek basınç değerleri ile karşılaştırılmasıyla geliştirilir. Bu algoritmayı kullanarak, basınç veya üretimi tahmin etmemize, önerilen senaryoları değerlendirmemize ve kuyular arasındaki hesaba katılmayan rezervuar özelliklerinden (faylar, geçirgenlik veya gözeneklilik değişiklikleri gibi) kaynaklanan anormal basınç değerlerini belirlememize yardımcı olacaktır. Ek olarak, verilen model algoritması nispeten kısa bir sürede birçok farklı kuyuda test edilebilmekte ve verimli bir geliştirme planı oluşturmak için imkan tanımaktadır. Önerilen senaryolar yeni enjeksiyon kuyularından, işletme koşullarındaki değişikliklerden veya enjeksiyon/üretim modellerindeki değişikliklerden oluşabilir. Bu tezde, anormalliği tahmin etmek ve bulmak için bir algoritma geliştirilmiş ve test edilmiştir. Rezervuarın karmaşıklığına ve makine öğrenimi modelinin eşleşme prosedürüne bağlı olarak ticari simulator sonuçları ile karşılaştırıldığında doğru ve sağlam sonuçlar göstermiştir.
Özet (Çeviri)
For achieving sustainability in producing from petroleum systems, it is vital to have a field model as close as possible to the real situation in order to monitor production and injection performance. In this study, it is aimed to develop a machine learning model that can be used as a representative performance indicator and coupled with an anomaly detection method. Machine learning consists of a supervised learning DNN model with four inputs and one output. Inputs are time, oil, water, and gas rates from well production. Output is the forecasted pressure performance of the well. Anomaly detection is developed by observing the predicted next day forecast and thirtieth day forecast given the previous data, after which it is compared with the actual pressures corresponding with the dates of prediction. Using this algorithm, it will help us forecast pressure or production, evaluate proposed scenarios, and identify anomaly pressures due to unaccounted reservoir characteristics between wells (like faults, permeability, or porosity changes). Additionally, the given model algorithm will be able to be tested on many different wells in a relatively short time, giving headroom to build an efficient development plan. Proposed scenarios can consist of new infill wells, changes in operational conditions, or changes in injection/production patterns. The thesis developed and tested an algorithm to forecast and find anomaly. It showed accurate and robust results that match with the results of a commercial simulator in spite of the complexity of the reservoir and the fitting procedure of the machine learning model.
Benzer Tezler
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- Uygulama programlama arayüzü çağrıları kullanarak sistem güvenliğinin analiz edilmesi
Analyzing system security using application programming interface calls
VAROL ŞAHİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEDAT AKLEYLEK
- Makine öğrenmesi ile kestirimci bakım ve anomali tespiti
Predictive maintenance and anomaly detection with machine learning
EMRE AKSÖZ
Yüksek Lisans
Türkçe
2021
Bilim ve TeknolojiKocaeli ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BİROL ARİFOĞLU
- Ağ anomalisi tespitinde emülatör ortamı tasarımı ve makine öğrenmesi ile saldırı tespiti
Emulator environment design for network anomaly detection and attack detection with machine learning
SERKAN KESKİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERSAN OKATAN
- Hibrit makina öğrenmesi algoritmalarıyla video görüntülerinde anomali tespiti
Video anomaly detection with hybrid machine learning algorithms
HAYATİ TUTAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ GÜNEŞ