Facultad de Ingeniera

Universidad Surcolombiana

Identificacin de Cartas Dinagrficas de Fondo mediante el uso de Redes Neuronales como herramienta de Ayuda en el Bombeo Mecnico Identificaction of Donwnhole Dynamometer Charts Using Neural Networks as a Tool for Help in Mechanical Pumping
Jos Salgado1, Hugo Bernal2, Alexander Zambrano3, Fauricio Romero4, 5 6 Leonardo Franco y Carlos Prez
Resumen La acertada identificacin de problemas de fondo es esencial en el bombeo mecnico para lograr una produccin ptima y reducir los costos de operacin y mantenimiento. Es necesario desarrollar y aplicar metodologas que permitan identificar de forma rpida problemas que puedan afectar la operacin. La condicin mecnica y desempeo del equipo de fondo (sarta de varillas, bomba, vlvulas, etc) y las propiedades fsicas del pozo, como sumergencia de la bomba, interferencia de gas y fugas en las bombas, pueden ser evaluadas utilizando cartas dinagrficas. En este trabajo se presenta una metodologa de anlisis de fallas y condiciones de operacin del sistema de bombeo, que incluye el desarrollo de un software de anlisis basado en redes neuronales para identificar problemas en el sistema usando dinagramas de fondo. El sistema desarrollado permiti identificar un conjunto de los problemas ms comunes con una alta precisin y es una herramienta que podra asistir a ingenieros y personal de operaciones en los trabajos diarios en sistemas de bombeo mecnico. Adicionalmente, fue desarrollada una funcionalidad bsica para identificar las cartas ms cercanas de acuerdo a caractersticas estadsticas y geomtricas, la cual puede ser usada como punto de partida para desarrollar un sistema inteligente para predecir potenciales fallas a futuro. Palabras Clave: Redes Neuronales; Dinagramas de Fondo; Red Backpropagation; Bombeo Mecnico. Abstract Successful identification of downhole problems is essential in mechanical pumping to achieve optimum production and to minimize operating and maintenance costs. It is necessary to develop and apply methodologies that allow fast identification of problems which affect production. The mechanical condition and performance of the downhole equipment (rod string, pump, valves, etc.) and physical properties of well like pump submergence, gas interference, pump leaks, etc, may be evaluated using dynamometer charts. In this work a fault analysis and operation conditions methodology for pumping system is presented; this includes the development of an analysis software based on neural networks to identify system problems using downhole dynamometer charts. The developed system allowed to identify a set of the most common problems with a high precision and is a tool that could assist engineers and operations personnel in day to day oilfield works in rod pumping. Additionally,a basic functionality was developed to identify nearest charts according to statistical and geometric features, which can be used as the starting point to develop a smart system to predict potential faults in the future. Keywords: Neural Networks; Downhole Dynamometer Charts; Net Backpropagation; Mechanical Pumping.
1 Ingeniero Electrnico. Msc Docente Universidad Surcolombiana-Neiva. Av. Pastrana-Carrera 1. josesalgadop@usco.edu.co 2 Ingeniero Electrnico. Asesor TecnoParque Nodo Neiva-SENA. Diagonal 20 N 38-16-Barrio Guaduales. hugobernal@misena.edu.co 3 Ingeniero Electrico. Ph.D. Restech-Opical costructores. Venezuela. zambranoap@opicaconsultores.com, 4 Ingeniero de Petroleos. Profesional en produccin. Ecopetrol. S.A Campo Dina km 17 va Neiva Bogot. fauricio.Romero@ecopetrol.com.co 5 Ingeniero Electrnico. Universidad Surcolombiana-Neiva. Av. Pastrana-Carrera 1. leonardofranco@ingenieros.com 6 Ingeniero de Petrleos. Docente Universidad Surcolombiana-Neiva. Av. Pastrana-Carrera 1. carpecc@yahoo.com

Revista Ingeniera y Regin No. 8 Ao 2011

1. Introduccin El bombeo mecnico es un mtodo utilizado para el levantamiento artificial en la industria del petrleo cuyo objetivo es generar una buena produccin al mnimo costo posible, para este propsito es indispensable asegurar un desempeo ptimo del sistema aplicando tcnicas de mantenimiento predictivo, preventivo y correctivo de forma oportuna a las estructuras y equipos involucrados. Las cartas dinagrficas son ampliamente utilizadas para anlisis diagnstico y en el diseo de sistemas de bombeo mecnico, lo cual las hace herramientas muy valiosas para el trabajo de un intrprete experto (Svinos, 1998). La inteligencia artificial es una herramienta poderosa en gran diversidad de campos y con muy buenos resultados en interpretacin, identificacin, bsqueda y toma de decisiones. Las redes neuronales son una forma de inteligencia artificial o software inteligente cuya implementacin puede permitir la identificacin de cartas dinagrficas, gracias al amplio conocimiento que se tiene hoy en da de estas (Orozco, 2005). La tcnica de reconocimiento de patrones utilizando redes neuronales se basa en el funcionamiento del cerebro humano y la interaccin de las neuronas que son capaces de aprender y tomar acertadas decisiones, por lo cual al ser aplicado al anlisis de cartas dinagrficas de fondo pueden permitir la obtencin de un anlisis ms preciso y en muy corto tiempo para un diagnstico ms eficaz y eficiente (Heaton, 2008). El entorno Matlab permite la implementacin de redes neuronales para identificar las cartas dinagrficas de fondo correspondientes al sistema de bombeo mecnico que se desea diagnosticar y obtener un porcentaje de prediccin del estado ms cercano o la carta dinagrfica ms cercana a la cual se tom la correspondiente lectura. 2. Metodologa El dinagrama de fondo, objeto de estudio y procesamiento, es presentado en archivos planos digitalizados. Un archivo plano es la representacin puntual de un plano, es decir, una matriz de parejas de coordenadas de puntos en un plano; un ejemplo claro es el mostrado en la Figura 1. Para poder distinguir las diferentes clases de cartas dinagrficas es necesario determinar caractersticas que reflejen, en un nico dato por caracterstica, las diferencias existentes tanto en forma como en dispersin de los datos pertenecientes a cada dinagrama. Para seleccionar las caractersticas principales se evalu un conjunto de caractersticas geomtricas y estadsticas de 30 dinagramas de una base de datos proporcionada por el Ph.D Alexander Zambrano de la empresa RESERVOIR TECNOLOGY. Mediante el clculo de la varianza de dichas caractersticas normalizadas, de 25 se seleccionaron 18, las cuales presentaron un valor grande de varianza y con las cuales no se exige demasiado gasto computacional. Las caractersticas seleccionadas especficamente son las siguientes: * Caractersticas geomtricas: rea, permetro, relacin entre largo y ancho, inclinacin, distancia del centroide al punto ms lejano, distancia y direccin de un punto fijo central al centroide y rea por cuadrante en una divisin de 4 sectores. * Caractersticas estadsticas: media aritmtica, media armnica, varianza, desviacin estndar, media cuadrtica y desviacin media.

60

Facultad de Ingeniera

Universidad Surcolombiana

Figura 1. Representacin puntual de un dinagrama Para el desarrollo del software se implement una red tipo Backpropagation debido a que la aplicacin requera de una distribucin de diferentes dinagramas conocidos, relacionando cada uno con una clase que en el caso especifico es un nmero entero iniciando desde el nmero uno (1) hasta el nmero de dinagramas clasificados. La inteligencia artificial de la red neuronal permite una distincin de formas y a cada forma se le asigna una clase, la cual corresponde a una falla definida por la carta dinagrfica de fondo. El sistema normaliza cada dinagrama que ingresa, extrae sus 18 caractersticas y luego identifica la clase a la cual pertenece este dinagrama (Acosta y Zuluaga, 2000). Solo se definen algunas clases que representan una diferente falla en los equipos de fondo ya que en un pozo es poco comn ver todas las posibles fallas que se interpretan y diagnostican con una carta dinagrfica de fondo. Las caractersticas permiten diferenciar entre las clases establecidas y estos patrones activan en la salida de la red la clase a la cual se ajusta ms, producto del entrenamiento (Tackas, 1993). Basado en la experimentacin y la correlacin del comportamiento de la red neuronal evaluada con diferentes tipos de topologas, se propone la seleccin de tres capas, en donde el nmero de neuronas en la primera capa corresponde al nmero de clases asignadas por el diseador segn los dinagramas de fondo definidos, el nmero de neuronas en la segunda capa corresponde al nmero de caractersticas extradas y el nmero de neuronas en la capa de salida corresponde a la clase identificada que siempre ser un numero entero. En la Figura 2 se muestra un ejemplo de las diferentes topologas tratadas:

61

Revista Ingeniera y Regin No. 8 Ao 2011

Figura 2. Topologas de red Backpropagation 2.1 Configuracin de la red neuronal Se logr determinar en Matlab que la funcin Tansig produce una mayor eficiencia como funcin de transferencia en la primera capa de la red, debido a que la entrada es un conjunto de caractersticas cuyos valores son nmeros enteros con valores positivos y negativos. Esta funcin efecta una compresin del espacio de soluciones mejorando el entrenamiento de la red e incrementando su velocidad de convergencia. Por el contrario, al implementar la funcin Logsig en esta capa, se comprime el espacio de soluciones a componentes nicamente positivos eliminando soluciones que pueden dar una mejor adaptacin a la red durante su entrenamiento. Lo que se estima al comprimir de tal forma el espacio de soluciones es que no se tengan en cuenta valores de vital importancia para conseguir un ptimo entrenamiento para la aplicacin buscada (Beale et al. 2010). Teniendo en cuenta que las clases definidas para los dinagramas de fondo son nmeros enteros positivos, la funcin de transferencia para la segunda capa en Matlab que comprime el espacio de soluciones restringindolo a valores positivos es la funcin Logsig, mejorando el desempeo de la red. La funcin Tansig en este caso es inapropiada ya que permite salidas negativas, las cuales no coinciden con las clases asignadas. En la tercera capa se encuentra la salida y se maneja una funcin lineal, llamada en Matlab como Purelin, en donde la entrada es igual a la salida. Esta nica salida representa la clase con la cual se identifica el dinagrama que entra a la red neuronal por la extraccin de sus caractersticas. La Figura 3 muestra la configuracin adecuada de la funcin de transferencia para cada capa:

62

Facultad de Ingeniera

Universidad Surcolombiana

Figura 3. Funcin de transferencia por capa El algoritmo de entrenamiento recomendado para esta aplicacin es el de Levenberg-Marquardt, por su rendimiento, velocidad y convergencia en este tipo de aplicacin especifica. 2.2 Software de identificacin de fallas en el bombeo mecnico a partir del dinagrama de fondo Este software usa una red neuronal entrenada para identificar fallas asociadas con el dinagrama de fondo de un sistema de bombeo mecnico, posee una interfaz grfica en donde el analista u operario puede visualizar todas las diferentes formas de cartas dinagrficas que se presentan en un campo particular con mltiples pozos. Esta forma de interfaz permite relacionar formas con nombres de fallas brindndole al operario una base de conocimiento en interpretacin de dinagramas que es muy til en caso de que los sistemas computacionales o la energa elctrica que permite su funcionamiento fallen por alguna razn inesperada (Russel, 1995). El software diseado para identificar dinagramas de fondo se llama Dinasoft, el cual maneja 16 fallas diferentes, de las cuales, 4 se tomaron de los ejemplos que contiene el software TWM de la empresa ECHOMETER y 12 fueron dados por el Ph.D Alexander Zambrano de la empresa RESERVOIR TECNOLOGY y validados por el Ingeniero de Petrleos, especialista en bombeo mecnico y experto en dinagramas, Fauricio Romero de la empresa ECOPETROL S. A. Para la red neuronal se utiliz una validacin simple con un porcentaje del 66.6% del total de dinagramas para el entrenamiento, 13.3% para validacin y un 20% para el test. Las clases establecidas junto con su nombre de falla son las mostradas en la Tabla 1. En total son 20 dinagramas, a los cuales se les adiciono ruido sinusoidal y aleatorio para hacer 14 deformaciones diferentes a cada uno de los 20 dinagramas seleccionados para el entrenamiento y validacin de la red neuronal. La poblacin total de dinagramas es de 300, de los cuales aplicando los porcentajes descritos para la validacin simple se tienen: 200 dinagramas para el entrenamiento de la red neuronal, 40 dinagramas para su validacin y 60 dinagramas para el test. Adicionalmente como herramienta de anlisis y expansin del entorno de situacin este programa muestra las fallas denominadas por el diseador como los vecinos ms cercanos. Esto permite tener un panorama completo de la situacin del pozo ya que no solo identifica la falla en fondo sino que muestra una serie de fallas cercanas a la actual con diferentes grados de probabilidad de ocurrencia con las cuales se puede prevenir un dao de mayor proporcin segn el caso.

63

Revista Ingeniera y Regin No. 8 Ao 2011

Tabla 1. Clases asignadas a los dinagramas CLASE 1 2 3 4 5 6 7 8 9 10 1 12 13 14 15 16 NOMBRE DE FALLA Bomba normal Bomba desgastada Pistn golpeando arriba de la bomba Vlvula fija mala Vlvula viajera mala Bomba mala Pistn golpeando por abajo Falla en barril Suciedad de la bomba Golpe de fluido Tubera sin anclar Interferencia de gas Golpe de fluido con friccin y movimiento de tubera Pistn pegado sin sobrepasar el limite elstico de las cabillas Agujero en el cilindro de la bomba Cabillas partidas N 1 1 1 2 2 2 1 1 1 2 1 1 1 1 1 1

2.3 Interfaz grfica de Dinasoft Esta es de muy fcil manejo y puede ser ejecutada por cualquier persona con conocimientos bsicos de Matlab. El cdigo desarrollado en Matlab se puede implementar en otro lenguaje gracias a que no usa muchos comandos propios, ya que la gran mayora del cdigo computacional esta en lenguaje C, permitiendo extraer la red neuronal como una funcin que se implementa en forma de sumas y multiplicaciones. La interfaz grfica est hecha con el GUI de Matlab y todo su entorno principal se observa en la Figura 4 y la Figura 5.

Figura 4. Pantalla de ingreso a Dinasoft

64

Facultad de Ingeniera

Universidad Surcolombiana

Figura 5. Pantalla principal de Dinasoft 3. Resultados De las diferentes pruebas que se practicaron para determinar la topologa adecuada de red se escogieron las 3 ms representativas, mostrando sus resultados en la Tabla 2. Tabla 2. Anlisis de resultados TOPOLOGA (18)(30)(1) (18)(30)(15)(1) 30)(18)(1) N DE PRUEBAS 56 56 56 ACIERTOS 32 38 46 ERRORES 24 18 10 MEJOR TOPOLOGA x

En las pruebas se ingresaron a la red tanto dinagramas conocidos como desconocidos, los errores mostrados en la Tabla 2 son producto de la inadecuada identificacin de la red, causa de la ausencia de la falla en el conjunto de entrenamiento. Estos errores se estimaron para probar la robustez de la red y observar su comportamiento de identificacin de formas, ya que, aunque la falla es desconocida la red la asocia a la forma ms cercana conocida. La Tabla 3 consigna los resultados obtenidos en la pruebas con los tipos de entrenamiento.

65

Revista Ingeniera y Regin No. 8 Ao 2011

Tabla 3. Datos obtenidos con los diferentes mtodos de entrenamiento TIPO DE ENTRENAMIENTO Trainbfg Trainrp Traingdx Traingd Trainlm Traingdm PERFORMANCE GRADIENT No alcanzado 0.044426 No alcanzado 0.000863 No alcanzado 0.37468 No alcanzado 1.6167 Alcanzado 0.003720 No alcanzado 0.008734 ITERACIONES 595 20000 20000 20000 52 20000 AJUSTE 0.084802 1 0.99974 0.99988 1 0.99979

Trainbfg: algoritmo de entrenamiento BFGS Quasi-Newton. Trainrp: algoritmo de entrenamiento resilient (RPROP). Traingdx: algoritmo de entrenamiento gradiente descendente con momentum y regla de aprendizaje adaptativa. Traingd: algoritmo de entrenamiento gradiente descendente. Trainlm: algoritmo de entrenamiento Levenberg- Marquardt. Traingdm: algoritmo de entrenamiento gradiente descendente con momentum. Los resultados obtenidos de la validacin simple de la red neuronal con una poblacin de 300 dinagramas se muestran en la Figura 6, Figura 7, Figura 8 y Figura 9.

Figura 6. Curva de validacin simple

66

Facultad de Ingeniera

Universidad Surcolombiana

En la Figura 6 se muestra el comportamiento del error durante cada iteracin del algoritmo de entrenamiento de la red neuronal para una validacin simple. El valor del error aceptable para el entrenamiento es de 0,00001 mse, la curva de validacin debe seguir a la curva de entrenamiento por debajo de un margen permisible, de lo contrario se detiene el algoritmo de entrenamiento sin alcanzar el valor de error deseado. La curva de prueba verifica visualmente que la red neuronal se entreno correctamente, esto se aprecia en la cercana de las curvas y su comportamiento. La Figura 7 hace una ampliacin o acercamiento ms detallado de la curva de validacin simple. En la Figura 8 se visualizan las variaciones de los parmetros de mayor inters durante cada iteracin del algoritmo de Levenberg Marquardt para el entrenamiento de la red neuronal. Matlab efecta su propio clculo de regresin para el anlisis de resultados entregando un valor R para cada curva (entrenamiento, validacin y prueba) y la superposicin de estas. El clculo de R2 es el siguiente: *Entrenamiento. R =1 *Validacin. R =0,974781 *Prueba. R2=0,969319 *Total. R2=0,990224
2 2

Figura 7. Desempeo para la validacin simple

67

Revista Ingeniera y Regin No. 8 Ao 2011

Figura 8. Variacin de parmetros durante la validacin simple

Figura 9. Curvas de regresin para la validacin simple

68

Facultad de Ingeniera

Universidad Surcolombiana

4. Conclusiones El uso de redes neuronales como herramienta de reconocimiento de patrones de dinagramas permite resultados muy favorables independientemente del nmero y tipo de dinagramas utilizados. Para el diseo de la arquitectura de una red neuronal orientada a la identificacin de dinagramas, se propone una red tipo backpropagation cuyo nmero de neuronas en la primera capa corresponde al nmero de dinagramas seleccionados como referencia, el nmero de neuronas en la capa oculta corresponde al nmero de caractersticas extradas de estos y una nica neurona de salida que entrega un valor entero positivo correspondiente a la numeracin del dinagrama identificado. Como aporte a la metodologa tradicional aplicada a la caracterizacin de cartas dinagrficas, en la cual solo se han considerado caractersticas geomtricas, en este trabajo se consideran caractersticas estadsticas de dispersin y tendencia central de los datos. Adems se utilizan caractersticas geomtricas adicionales producto del anlisis realizado a los diferentes patrones. Utilizando la arquitectura planteada para la red neuronal se evaluaron diferentes algoritmos de entrenamiento, de los cuales el que present mejores resultados fue el algoritmo de Levenberg Marquardt con el mejor tiempo y un desempeo de 0,00001 mse. El software diseado se construy pensando en un entorno amigable, de fcil manejo y con la capacidad de brindar la mayor cantidad de informacin en materia de cartas dinagrficas. Adems este software manejado por un experto en dinagramas es una gran herramienta educativa para la capacitacin de los operarios y personal involucrado en el manejo de cartas dinagrficas utilizadas en sistemas de bombeo mecnico. 5. Referencias Bibliogrficas 1. Acosta, M. I. Zuluaga, C. A. 2000. Tutorial sobre redes neuronales aplicadas en ingeniera elctrica y su implementacin en un sitio web. Pereira. Tesis de grado. Universidad Tecnolgica de Pereira. Ingeniera elctrica. 81 p. 2. Beale, M. Demuth, H. Hagan, M. The Matworks, 2010. Neuronal Network Toolbox .User`s Guide. 162 p. 3. Heaton, J. 2008. Introduction to Neural Networks for C #, 2nd Edition. Heaton Research. 4. Orozco, M. 2005. Seleccin efectiva de caractersticas wavelet en la identificacin de bioseales 1-D y 2D usando algoritmos genticos. Manizales. Tesis de grado. Universidad Nacional de Colombia. Ingeniera elctrica, electrnica y computacin. 5. Russel, J. H. Jr.1995. Interpretation of Dynamometer Cards. Houston. Gulf Oil Corporation. 6. Svinos, J. G. 1998. Manual de bombeo mecnico avanzado. Theta Enterprise, Inc. 16 p. 7. Tackas, G. 1993. Sucker Rod Pumping Manual. Tulsa-USA.

69