Özellik mühendisliği teknikleri ve makine öğrenimi kullanarak petrol ve gaz anomalilerinin tespiti
Oil and gas anomaly detection using feature engineering techniques and machine learning
- Tez No: 990216
- Danışmanlar: DOÇ. DR. SELİM BUYRUKOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Petrol ve gaz sistemlerindeki anomaliler, basınçta ani değişiklikler, sıcaklık değişiklikleri, petrol veya gaz akışındaki dengesizlikler veya normal çalışma koşullarını bozan vanalardaki arızalar gibi sistemin anormal çalışma değişiklikleri olarak tanımlanır. Bu anomaliler, ekipman hasarı, üretim sürecinde kesinti, güvenlik riski ve pahalı çevre kazaları gibi ciddi sonuçlara neden olabileceğinden erken tespit edilmesi çok önemlidir. IIoT altyapısını kullanarak çok sayıda çok değişkenli sensör verisini besleyen modern petrol sahalarının ortaya çıkmasıyla manuel izleme pratik olmaktan çıkmış ve akıllı otomatik algılama yöntemlerinin uygulanması gerekmiştir. Bu tez, gelişmiş özellik mühendisliği tekniklerine ve ML ile istatistiksel öğrenme modellerinin bir kombinasyonuna dayanan petrol ve gaz operasyonları için kapsamlı bir anomali algılama çerçevesi sunmaktadır. Normal ve arızalı çalışma koşullarında 42 petrol kuyusunun çok değişkenli zaman serisini içeren, kamuya açık 3W Veri Seti 2.0.0'ı kullanan tez; sensör gürültüsü, doğrusal olmayan çalışma rejimleri, sınıf dengesizliği ve modellerin yorumlanabilirliğinin azalması gibi önemli endüstriyel sorunları ele almaktadır. Altı makine öğrenimi algoritması (XGBoost, Rastgele Orman, SVC, K-En Yakın Komşular, Karar Ağacı ve Lojistik Regresyon) ile üç istatistiksel öğrenme modeli (Lasso, Ridge ve ElasticNet Lojistik Regresyon), titiz bir ön işleme süreci (veri temizleme, zamansal segmentasyon ve istatistiksel ve zamansal tanımlayıcıların çıkarılması: ortalama, standart sapma, RMS, enerji, IQR, çarpıklık, basıklık ve sıfır geçişleri) sonrasında test edilmiştir. Model sağlamlığı; temiz veriler, gürültülü veriler ve Optuna aracılığıyla hiperparametre optimizasyonu uygulanmış gürültülü veriler olmak üzere üç deney koşulunda değerlendirilmiştir. Sonuçlar, özellikle XGBoost ve Rastgele Orman olmak üzere topluluk yaklaşımlarının tüm koşullarda daha yüksek doğruluk, geri çağırma ve MCC gösterdiğini; XGBoost'un ise %99,93 accuracy ve %99,87 recall oranına ulaşacak şekilde ayarlandığını göstermektedir. Gürültü enjeksiyonu, bazı basit doğrusal modellerin oldukça savunmasız olduğunu ortaya koymuş ve Optuna ayarlaması model kararlılığını önemli ölçüde artırmıştır.
Özet (Çeviri)
Anomalies in oil and gas systems are defined as abnormal operational changes of the system such as sudden changes in pressure, changes in temperature, instabilities in the flow of the oil or gas or malfunctions in the valves that disrupt the normal conditions of operation. These anomalies are critical to identify early because they may cause severe outcomes, such as equipment damage, down-time in the production process, safety risk, and expensive environmental accidents. With the advent of modern oil fields that feed voluminous multivariate sensor data using the IIoT infrastructure, manual monitoring becomes impractical and intelligent automated detection methods must be implemented. This thesis introduces a comprehensive anomaly detection framework for oil and gas operation based on advanced feature engineering techniques and a combination of ML and statistical learning models. Using the publicly available 3W Dataset 2.0.0, which is a multivariate time-series of 42 oil wells in normal and faulty operation condition, the thesis deals with major industrial issues including sensor noise, nonlinear operating regimes, class imbalance, and reduced interpretability of models. Six machine learning algorithms (XGBoost, Random Forest, SVC, KNN, Decision Tree and Logistic Regression) and three statistical learning models (Lasso, Ridge, and ElasticNet Logistic Regression) were tested after rigorous preprocessing (data cleaning, temporal segmentation and statistical and temporal descriptors extraction: mean, standard deviation, RMS, energy, IQR, skewness, kurtosis, and zero-crossings). The model robustness was estimated in three experiment conditions, clean data, noisy data, and noisy data with hyperparameter optimization via Optuna. The results indicate that the ensemble approaches, especially XGBoost and Random Forest, demonstrated better accuracy, recall, and MCC in all conditions, with XGBoost tuned to reach 99.93% accuracy and 99.87% recall. Noise injection showed which simpler linear models were very vulnerable, and Optuna tuning significantly enhanced model stability.
Benzer Tezler
- Application of machine learning and artificial intelligence in oil and gas industry
Petrol ve gaz endüstrisinde makine öğrenimi ve yapay zeka uygulaması
HIND ABDULRAZZAQ HUSSEIN AL SAEEDI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Improvıng the predıctıon of oıl and gas productıon usıng artıfıcıal ıntellıgence algorıthms
Yapay zeka algoritmalarını kullanarak petrol ve gaz üretim tahminlerinin iyileştirilmesi
AZHAR NAJI MUHAJIR ALYAHYA
Yüksek Lisans
İngilizce
2025
EnerjiSakarya ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. GÜLÜZAR ÇİT
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ