Özellik mühendisliği teknikleri ve makine öğrenimi kullanarak petrol ve gaz anomalilerinin tespiti

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.