Áp dụng một số phương pháp máy học để dự báo các vấn đề có thể phát sinh của bơm điện chìm trong quá trình sử dụng

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

12
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết trình bày việc áp dụng một số phương pháp máy học để dự báo các vấn đề có thể phát sinh của bơm điện chìm trong quá trình sử dụng; Đánh giá mức độ ảnh hưởng của từng thông số đến lỗi của ESP. Từ đó giúp ta hiểu hơn về ESP và sớm đề ra kế hoạch nhằm ngăn ngừa các lỗi ESP tiềm ẩn.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Áp dụng một số phương pháp máy học để dự báo các vấn đề có thể phát sinh của bơm điện chìm trong quá trình sử dụng

Tạp chí Vật liệu và Xây dựng Tập 11. Số 6 (2021) ÉSGụQJPộWVốphương pháp máy học đểGựEiRFiFYấn đềFyWKểSKiWVLQK Fủa bơm điệQFKuPWURQJTXiWUuQKVửGụQJ 3Kạm Sơn Tùng7UịQK4XDQJ.KảL .KRD.ỹWKXật ĐịDFKấWYj'ầu khí, Trường ĐạLKọF%iFK.KRD–ĐạLKọF4XốFJLD7KjQKSKố+ồ&Kt0LQK 7Ừ.+2É 7Ð07Ắ7 Bơm điệQFKuP Bơm điệQFKuP(63
Wừlâu đã trởWKjQKPộWWURQJQKững phương pháp nâng nhân tạRKLệXTXảQKấWJyS 0ạng nơron nhân tạR SKầQGX\WUuWốc độNKDLWKiFYjNpRGjLWXổLWKọFủDFiFJLếQJGầX%rQFạQKQKữQJOợLtFKWROớQ(63 ([WUHPHJUDGLHQWERRVWLQJ cũng đặWUDYấn đềYềYLệFJLiPViWVửDFKữDFKRKệWKốQJ(63WUiQKQKữQJWuQKWUạng hư hỏng. ĐốLPặW YớLQKữQJWKLệWYềNLQKWếdo hư hỏQJ(63Jk\UDUấWQKLều các phương pháp được đềra đểGựbáo trướF đượFQKữQJEất thườQJFủDKệWKốQJ(63Wừđó đưa ra các kếKRạFKWKD\WKếYjVửDFKữD1KLệPYụFủD QJười kĩ sư dầXNKtOj OựD FKọn được phương pháp hiệX TXả Yj tW WốQNpP WKời gian cũng như chi phí QKấW1Kững năm gần đây AI –$UWLILFL,QWHOOLJHQFH7UtWXệQKkQWạR
SKiWWULểQY{FQJPạQKPẽtrong đó 0/–0DFKLQH/HDUQLQJ0i\KọF
OjPộWWKjQKWựXQổLEậW9ớL0/YLệFGựEiROỗi hay xu hướQJKRạW độQJFủD(63NK{QJFzQOjF{QJYLệc quá khó khăn như trướF0/VửGụQJEộVốOLệXKRạt độQJWURQJTXi NKứFủa các ESP trước đó đểGựEiRQKữQJVựNLệQFyWKể[ảy ra trong tương lai mộWFiFKFKtQK[iFYjGễ GjQJ7ừđó giúp giảPFKLSKtYjWKời gian đểVửDFKữDWKD\WKếKệWKốQJ(637URQJQJKLrQFứXQj\Vẽ đềFập đến hai phương pháp ML hiệXTXảYjSKổELếQQKấWWURQJWKời điểPKLệQQD\Oj([WUHPH*UDGLHQW %RRVWLQJ;*ERRVWLQJ
Yj0ạng Nơron nhân tạR$UWLILFLDO1HXUDO1HWZRUN$11
%jLQJKLrQFứXQj\Vẽ VửGụng hai phương pháp này đểGựEiRFiFOỗLFyWKểSKiWVLQKWURQJTXiWUuQKKRạt độQJFủa bơm điệQ FKuP.ếWTXảFủDKDLWKXậWWRiQVẽđượFVRViQKYới nhau đểtìm ra đượFP{KuQKWối ưu hơn trong công WiFGựEiROỗL(631JRjLUDEjLQJKLrQFứXVẽđánh giá mức độảnh hưởQJFủDWừQJWK{QJVốđếQOỗLFủD (637ừđó giúp ta hiểu hơn về(63YjVớm đềUDNếKRạFKQKằm ngăn ngừDFiFOỗL(63WuPẩQ .(
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achine Learning is a prominent achievement. With ML, the prediction of ESP’s HUURUDQGRSHUDWLQJWUHQGLVQRORQJHUDVGLIILFXOWDVEHIRUH0/XVHVWKHKLVWRULFDOGDWDVHWRISUHYLRXV(63VWR DFFXUDWHO\DQGHDVLO\IRUHFDVWSRVVLEOHIXWXUHHYHQWV$VWKHUHVXOWWKHFRVWDQGWKHWLPHWRUHSDLUDQGUHSODFH WKH(63V\VWHPPD\UHGXFH7KLVUHVHDUFKPHQWLRQHGWZRPRVWHIIHFWLYHDQGSRSXODU0/PHWKRGV([WUHPH *UDGLHQW %RRVWLQJ ;*ERRVWLQJ
DQG $UWLILFLDO 1HXUDO 1HWZRUN $11
7KHVH WZR PHWKRGV ZHUH XVHG WR SUHGLFW HUURUV WKDW PD\ DULVH GXULQJ WKH (63 RSHUDWLRQ 7KH UHVXOWV RI WKH WZR DOJRULWKPV ZHUH FRPSDUHG WRJHWKHUWRILQGRXWWKHPRUHRSWLPDOPRGHOLQ(63HUURUSUHGLFWLRQ,QDGGLWLRQWKHUHVHDUFKDOVRHYDOXDWHG WKHLQIOXHQFHRIHDFKSDUDPHWHURQWKHHUURURI(63ZLWKWKHDLPRISUHYHQWLQJKLGGHQ(63HUURUV *LớLWKLệX OjKệWKốQJ(63(63VởKữXQKLều tính năng như: làm việFởđộVkX OớQFiFJLếQJFyTXỹđạRSKứFWạSKRạt độQJKLrXTXảYớLPọLORạL 7KXKồLGầu tăng cườQJEằQJFiFKệWKốQJQkQJQKkQWạo đang FKất lưu và chếđộGzQJFKảy… Nhược điểPFủD(63OjFấXWạRSKứF WUởthành giai đoạQTXDQWUọQJYjFyWtQKTX\ết định đếQQJKjQKGầX WạSYjSKảLQkQJWRjQEộKệWKốQJOrQWURQJPỗLOầQVửDFKữDKD\EảR NKt+LệQQD\KệWKốQJKLệXTXảvà đang đượFVửGụQJSKổELếQQKấW WUuWKLếWEị9uYậ\NKLKệWKốQJJặSVựFốF{Qg đoạQVửDFKữDVẽY{ /LrQKệWiFJLảWULQKTXDQJNKDLKQ#RXWORRNFRPYQ JOMC 144 1KậQQJj\VửD[RQJQJj\FKấSQKậQđăng
Tạp chí Vật liệu và Xây dựng Tập 11. Số 6 (2021) FQJ PấW WKờL JLDQ Yj WốQ FKL SKt OớQ GR SKảL QJừQJ VảQ [Xất. ĐốL ;*ERRVWLQJ Oj PộW WKXậW WRiQ Kọc máy tăng cườQJ Oj PộW PặW YớL YLệc đó việc giám sát cũng như dự báo trướF FiF Vự Fố OLrQ phương pháp tổQJ KợS QKằP JLảP phương sai và bias. Trong quá quan đếQ(63OjY{FQJFầQWKLếWYjPDQJWtQKTX\ết định đếQTXi WUuQKKRạt độQJSKkQORạLWKXậWWRiQVẽWạRUDQKLềXEộSKkQORạL\ếX WUuQKNKDLWKiF Yới độFKtQK[iFYừDSKải, sau đó sẽJộSQKữQJEộSKkQORạLQj\WạR 7URQJQKững năm gần đây thuậWWRiQPi\Kọc đang phát triểQ QrQPộWEộSKkQORạLPạQKFXốLFQJ, quá trình này đượFELểXGLễQở Y{FQJPạQKPẽWKXật toán này đã đượFiSGụQJFKRQKLềXQJKjQK +uQK 6DX NKLQKữQJ Eộ SKkQ ORạL \ếu đượF WKrP YjR Gữ OLệX FủD QJKề và lĩnh vựF WURQJ [m KộL Yj Gầu khí cũng không nằP QJRjL [X FK~QJVẽđượFWiLWUọQJVố, trong đó nhữQJPẫu đã phân loại đúng sẽ WKếQj\+LệQQD\FyQKLềXORạLP{KuQKFKtQKJLiPViWYjGựEiR JLảPWUọQJVốQKữQJPẫXSKkQORạLVDLVẽtăng trọQJVố;*ERRVWLQJ hư hỏQJFKR(63EDRJồP đượF ELết đếQ Yới độ FKtQK [iFYj KLệX TXả FDR VR YớL QKữQJWKXậW %LQDU\&ODVVLILFDWLRQPRGHOVSKkQORạLQKịSKkQ
PụFWLrXFủD toán tươQJ Wự Yj WLếW NLệm đượF WjL QJX\rQ >@ 9ề độ SKổ ELếQ mô hình là xác địQK (63 Fy JặS Vự Fố KD\ NK{QJ WURQJ PộW NKRảQJ ;*ERRVWLQJOjWKXật toán đượFVửGụQJWURQJQKLều lĩnh vực cũng như WKờLJLDQKD\Pột tương lai gầQ FiFFXộFWKLYềSKkQWtFKGữOLệX 0XOWL&ODVV&ODVVLILFDWLRQPRGHOVSKkQORạLGiQQKmQ
PụFWLrX FủDP{KuQKOjGựđoán sựFố(63WURQJQKLềXNKXQJWKờLJLDQ[iFVXấW Jk\UDVựFốFủDPộWEộSKậQ(63KD\PộWQKkQWốmôi trường nào đó. 0{KuQKFzQFyNKảnăng dựđoán nguyên nhân gây nên sựFố 5HJUHVVLRQ PRGHOV P{ KuQK KồL TX\
NKiF YớL KDL P{ KuQK SKkQ ORạL WUrQ P{ KuQK Qj\ đượF dùng để Gự đoán tuổL WKọ Yj WKờL JLDQKỏQJKyFFủa bơm. Trên cơ sở ED ORại mô hình đó đã có nhiều phương pháp đượF FKX\rQJLDGầXNKtVửGụng như P{KuQKFảQKEiRWKờLJLDQWKựFEằQJ WKXậW WRiQ 3ULQFLSDO &RPSRQHQW $QDO\VLV 3&$
0RGHO Yj 1RQ/LQHDU 5HVLGXDO0RGHOVFủD$EKLMHHWHWDO>@0{KuQKSKkQORạLOỗL(63EằQJ WKXậWWRiQ'HFLVLRQ7UHHFủD%DUULRVHWDO>@Mô hình xác địQKNKRảQJ WKờLJLDQ[XấWKLệQOỗLFủD(63Eằng phương pháp 7LPHVHULHV6KDSHOHWV FủD2PHWDO>@'ựEiRWKờLJLDQ[ả\UDOỗLFủa ESP cũng có thểWKứF KLệQEằng phương pháp phân tích sốOLệXNếWKợSYớLFiFFiFWKXậWWRiQ Kọc máy tăng cườQJ%RRVW
FủD5LQDWHWDO>@ 1JRjL UD phương pháp PCA cũng được dùng để JLiP ViW Vự thay đổLFủa các tính năng độQJFủD(63Wừđó tìm ra vùng vậQKjQK +uQK7UựFTXDQTXiWUuQKKRạt độQJFủD;*ERRVWLQJ>@ QJX\KLểPWURQJ>@Yj>@7URQJVựSKiWWULểQFủDLQWHUQHWKệWKốQJ YậQ KjQK JLiPViW (63 Eằng IoT cũng đượF iS GụQJ EởL 1LFRHW DO >@ 1JKLrQFứXQj\VẽWUuQKEj\PộWFiFKWLếSFậQNKác, đó là xây GựQJ PộW P{ KuQK Vử GụQJ WKXậW WRiQ NKiF QKDX Oj ([WUHPH *UDGLHQW %RRVWLQJ Yj 0ạng Nơron nhân tạR để Gự đoán lỗL FủD (63 WURQJTXiWUuQKVửGụQJWKLếWEị .KiFYớLP{KuQKSKkQORạLQKịSKkQFảQKEiROỗLFủa ESP như >@ >@ >@ >@ Yj >@ P{ KuQK WURQJ QJKLrQ FứX Vẽ Gự đoán tình WUạQJFủD(63YjJắn đúng tên lỗLFủD(63YớLWừQJEộVốOLệXđượF +uQK3KkQORại đơn giảQEằQJ;*ERRVWLQJ>@ FXQJFấS0{KuQKQj\FyPục đích tương tựnhư [2], nhưng như ta đã biếW'HFLVLRQWUHHFyPột độchính xác không cao, cũng như không XGboosting đã đượFWạRUDEởL7LDQTL&KHQ>@như sau: đượF Wối ưu như XGbooting và 0ạng Nơron nhân tạR như đánh giá &KRPộWEộGữOLệXFyQPẫu và m đặc trưng WURQJ >@%rQ Fạnh đó mô hình sẽđánh giá mức độảQKKưởQJ FủD 𝐷𝐷𝐷𝐷 = {(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 , 𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖 )}(|𝐷𝐷𝐷𝐷| = 𝑛𝑛𝑛𝑛, 𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 ∈ ℝ𝑚𝑚𝑚𝑚 , 𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖 ∈ ℝ) FiF WK{QJ Vố đếQ OỗL (63 Yj Vự thay đổL FủD Gự đoán khi lượW Eỏ 0{KuQKKọFFủD;*ERRVWLQJ QKữQJWK{QJVốtWảnh hưởQJ 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖 = 𝜙𝜙𝜙𝜙(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 ) = ∑𝐾𝐾𝐾𝐾𝑘𝑘𝑘𝑘=1 𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘 (𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 ) , 𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘 ∈ 𝐹𝐹𝐹𝐹 Trong đó: 𝐹𝐹𝐹𝐹 = {𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥) = 𝑤𝑤𝑤𝑤𝑞𝑞𝑞𝑞(𝑥𝑥𝑥𝑥) }(𝑞𝑞𝑞𝑞: 𝑅𝑅𝑅𝑅 𝑚𝑚𝑚𝑚 → 𝑇𝑇𝑇𝑇, 𝑤𝑤𝑤𝑤 ∈ 𝑅𝑅𝑅𝑅 𝑇𝑇𝑇𝑇 ) Oj NK{QJ JLDQ Cơ sởOमWKX\ếW FủDFk\7OjVốOiWURQJFk\ZOjWUọQJVốFủDQ~WOiTOjFấXWU~FFủD ([WUHPH*UDGLHQW%RRVWLQJ;*ERRVWLQJ
PộWFk\iQK[ạPẫXGữOLệu vào nút lá tương ứQJINFấXWU~FFiFFk\ k độFOậSFủDP{KuQK JOMC 145
Tạp chí Vật liệu và Xây dựng Tập 11. Số 6 (2021) 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖 (𝑡𝑡𝑡𝑡) OjJLiWUịGựđoán củDYtGụWKứ,YjYzQJOậSWKứW +jPKọFFủa XGboosting được trình bày như sau: 0DWUậQQKầPOẫQ&RQIXVLRQ0DWUL[
𝐿𝐿𝐿𝐿(𝜙𝜙𝜙𝜙) = ∑ 𝑙𝑙𝑙𝑙(𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖 , 𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦) + ∑ 𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘 ) 𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖 /jPột phương pháp đánh giá kếWTXảFủDQKữQJEjLWRiQSKkQ Trong đó: 𝛺𝛺𝛺𝛺 = 𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 + 𝜆𝜆𝜆𝜆 ∑𝑇𝑇𝑇𝑇𝑗𝑗𝑗𝑗=1 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 1 2 ORạLYớLYLệF[HP[pWFảQKữQJFKỉVốYềđộFKtQK[iFYjEDRTXiWFảX OOjKjPPấWPiWORVVIXQFWLRQ
WKểKLện độVDLNKiFFủDJLiWUị FiFGựđoán cho từQJOớS0ộWPDWUậQQKầPOẫQJồPFKỉVốsau đốL WKựFYjJLiWUịGựđoán. OjKjPWKểKLện độSKứFWạSFủDP{KuQK YớLPỗLOớSSKkQORạL được thêm vào đểKạQFKếKLện tượQJRYHUILWWLQJ7LếQWUuQKKọc đượF WKểKLệQWK{QJTXDFiFF{QJWKức bên dướL 𝑛𝑛𝑛𝑛 (𝑡𝑡𝑡𝑡−1) 𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡) = ∑ 𝑙𝑙𝑙𝑙[𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖 , 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖 + 𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡 (𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 )] + 𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡 ) 𝑖𝑖𝑖𝑖=1 𝑛𝑛𝑛𝑛 (𝑡𝑡𝑡𝑡−1) 1 𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡) ∼ ∑ 𝑙𝑙𝑙𝑙 [𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖 , 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖 + 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖 𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡 (𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 ) + ℎ𝑖𝑖𝑖𝑖 𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡2 (𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 )] + 𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡 ) 2 𝑖𝑖𝑖𝑖=1 Trong đó: 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖 = 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂(𝑡𝑡𝑡𝑡−1) 𝑙𝑙𝑙𝑙Yjℎ𝑖𝑖𝑖𝑖 = 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦2̂ (𝑡𝑡𝑡𝑡−1) 𝑙𝑙𝑙𝑙 𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖 𝑛𝑛𝑛𝑛 𝑇𝑇𝑇𝑇 1 1 (𝑡𝑡𝑡𝑡) 𝐿𝐿𝐿𝐿 = ∑ 𝑙𝑙𝑙𝑙 [𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖 𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 ) + ℎ𝑖𝑖𝑖𝑖 𝑓𝑓𝑓𝑓 2 (𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖 )] + 𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 + 𝜆𝜆𝜆𝜆 ∑ 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 2 2 𝑖𝑖𝑖𝑖=1 𝑗𝑗𝑗𝑗=1 𝑇𝑇𝑇𝑇 1 𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡) = ∑ [(∑ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖 ) 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗 + (ℎ𝑖𝑖𝑖𝑖 + 𝛾𝛾𝛾𝛾)𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 ] + 𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 2 𝑗𝑗𝑗𝑗=1 𝑖𝑖𝑖𝑖∈𝐼𝐼𝐼𝐼𝑗𝑗𝑗𝑗 0ạQJQơron nhân tạR +uQK0DWUậQQKầPOẫQ 0ộW 0ạng Nơron nhân tạR thường đượF Wổ FKứF FiF nơron WKjQKWừQJOớSYjPỗLOớSFKịXWUiFKQKLệPFKRPộWF{QJYLệFFụWKể 737UXH3RVLWLYH
6ốlượQJGựđoán chính xác nhãn có giá trị3RVLWLYH 0ạng Nơron nhân tạRthườQJFyOớSOớSQKậSKD\Oớp đầXYjROớS 71 7UXH 1HJDWLYH