[論文レビュー] Soft Sensor for Bottom-Hole Pressure Estimation in Petroleum Wells Using Long Short-Term Memory and Transfer Learning

M. A. Fernandes, E. Gildin+1 more|arXiv (Cornell University)|Feb 3, 2026

Reservoir Engineering and Simulation Methods被引用数 0

ひとこと要約

要約: 機械学習のソフトセンサーが井口/トップサイドデータから流動BHPを推定し、MLPやRidge Regressionを上回り、環境間の転移学習を導入します。

ABSTRACT

Monitoring bottom-hole variables in petroleum wells is essential for production optimization, safety, and emissions reduction. Permanent Downhole Gauges (PDGs) provide real-time pressure data but face reliability and cost issues. We propose a machine learning-based soft sensor to estimate flowing Bottom-Hole Pressure (BHP) using wellhead and topside measurements. A Long Short-Term Memory (LSTM) model is introduced and compared with Multi-Layer Perceptron (MLP) and Ridge Regression. We also pioneer Transfer Learning for adapting models across operational environments. Tested on real offshore datasets from Brazil's Pre-salt basin, the methodology achieved Mean Absolute Percentage Error (MAPE) consistently below 2\%, outperforming benchmarks. This work offers a cost-effective, accurate alternative to physical sensors, with broad applicability across diverse reservoir and flow conditions.

研究の動機と目的

• 正確でリアルタイムなボトムホールプレッシャー推定を動機づけ、生産最適化・安全性・排出削減を向上させること。
• 永久ダウンホール計器の信頼性とコストの制約に対処し、データ駆動のソフトセンサーに置換すること。
• 表面測定値からのBHP推定のためにLSTM、MLP、Ridge Regressionモデルを開発・比較すること。
• 異なる運用環境間でモデルを適応させる転移学習を導入すること。

提案手法

• 井口とトップサイドの測定値から流動BHPを推定するLSTMベースのソフトセンサーを開発すること。
• ベンチマークとしてLSTMをMulti-Layer Perceptron (MLP)およびRidge Regressionと比較すること。
• 異なる運用環境間でモデルを適応させる転移学習を適用すること。
• ブラジルのPre-salt盆地の実 offshoreデータセットで性能を評価すること。
• 主指標としてMean Absolute Percentage Error (MAPE)を報告すること。

実験結果

リサーチクエスチョン

• RQ1 表面測定値から流動BHPをデータ駆動のソフトセンサーで正確に推定できるか。
• RQ2 海洋井におけるBHP推定においてLSTMはMLPおよびRidge Regressionとどう比較されるか。
• RQ3 転移学習は異なる運用環境間での頑健なモデル適応を可能にするか。
• RQ4 提案手法の実 offshoreデータセットでの達成可能な精度（MAPE）はどれくらいか。

主な発見

• LSTMベースのソフトセンサーは試験データセットでMAPEが2%未満を達成した。
• このタスクにおいてLSTMはベンチマークモデルのMLPおよびRidge Regressionを上回った。
• 転移学習により異なる運用環境間でモデルを適応でき、適用範囲が広がる。
• このアプローチは物理的なダウンホール計器に対する費用対効果の高い代替手段を提供しつつ、精度を維持する。