Detecção de anomalias em poços produtores de petróleo: uma abordagem por modelos de aprendizado de máquina

Abstract

A extração de petróleo é uma atividade vital para a economia global, fornecendo energia e uma vasta gama de produtos derivados. Contudo, o processo de extração está sujeito a anomalias que podem causar falhas operacionais e perdas financeiras significativas. Este trabalho tem como objetivo desenvolver um modelo de aprendizado de máquina para detectar anomalias em poços de petróleo offshore que operam por elevação natural. Para isso foi utilizado o banco de dados público 3W dataset, criado por Vargas (2019), e a metodologia de benchmark proposta pelo mesmo. Foram aplicados os algoritmos Isolation Forest, One Class SVM e o Dummy. A avaliação de desempenho foi realizada utilizando o F1 Score e o desvio padrão, comparando os resultados com os obtidos na literatura. Os experimentos indicaram que a maioria dos algoritmos testados superou os resultados obtidos na literatura, com exceção do Isolation Forest, que, apesar de um desempenho inferior ao reportado por VARGAS (2019) e JUNIOR (2022), ainda apresentou resultados significativos. A seleção de hiperparâmetros e as atualizações nas bibliotecas de Python foram fatores que influenciaram os resultados.

Oil extraction is a vital activity for the global economy, providing energy and a wide range of derived products. However, the extraction process is subject to anomalies that can cause operational failures and significant financial losses. This work aims to develop a machine learning model to detect anomalies in offshore oil wells that operate by natural lift. For this purpose, the public 3W dataset created by VARGAS (2019) and the benchmark methodology proposed by him were used. The algorithms Isolation Forest, One Class SVM, and Dummy were applied. Performance evaluation was conducted using the F1 Score and standard deviation, comparing the results with those obtained in the literature. The experiments indicated that most of the tested algorithms outperformed the results obtained in the literature, with the exception of Isolation Forest, which, despite having a lower performance than reported by VARGAS (2019) and JUNIOR (2022), still showed significant results. Hyperparameter tuning and updates in Python libraries were factors that influenced the results.