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.
Trang 1JOMC 144 1KậQQJj\VửD[RQJQJj\FKấSQKậQđăng
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
Bơm điệQFKuP
0ạng nơron nhân tạR
([WUHPHJUDGLHQWERRVWLQJ
Bơm điệQFKuP (63 Wừlâu đã trởWKjQKPộWWURQJQKững phương pháp nâng nhân tạRKLệXTXảQKấWJyS SKầQGX\WUuWốc độNKDLWKiFYjNpRGjLWXổLWKọFủDFiFJLếQJGầX%rQFạQKQKữQJOợLtFKWROớQ(63 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 dầXNKtOjOựDFKọn được phương pháp hiệXTXảYjtWWốQNpPWKời gian cũng như chi phí QKấW1Kững năm gần đây AI –$UWLILFL,QWHOOLJHQFH 7UtWXệQKkQWạR SKiWWULểQY{FQJPạQKPẽtrong đó 0/–0DFKLQH/HDUQLQJ 0i\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
(OHFWULFDOVXEPHUVLEOHSXPS
$UWLILFLDO1HXUDO1HWZRUN
[WUHPHJUDGLHQWERRVWLQJ
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achine Learning is a prominent achievement With ML, the prediction of ESP’s HUURUDQGRSHUDWLQJWUHQGLVQRORQJHUDVGLIILFXOWDVEHIRUH0/XVHVWKHKLVWRULFDOGDWDVHWRISUHYLRXV(63VWR DFFXUDWHO\DQGHDVLO\IRUHFDVWSRVVLEOHIXWXUHHYHQWV$VWKHUHVXOWWKHFRVWDQGWKHWLPHWRUHSDLUDQGUHSODFH WKH(63V\VWHPPD\UHGXFH7KLVUHVHDUFKPHQWLRQHGWZRPRVWHIIHFWLYHDQGSRSXODU0/PHWKRGV ([WUHPH
*UDGLHQW %RRVWLQJ ;*ERRVWLQJ DQG $UWLILFLDO 1HXUDO 1HWZRUN $11 7KHVH WZR PHWKRGV ZHUH XVHG WR SUHGLFW HUURUV WKDW PD\ DULVH GXULQJ WKH (63 RSHUDWLRQ 7KH UHVXOWV RI WKH WZR DOJRULWKPVZHUH FRPSDUHG WRJHWKHUWRILQGRXWWKHPRUHRSWLPDOPRGHOLQ(63HUURUSUHGLFWLRQ,QDGGLWLRQWKHUHVHDUFKDOVRHYDOXDWHG WKHLQIOXHQFHRIHDFKSDUDPHWHURQWKHHUURURI(63ZLWKWKHDLPRISUHYHQWLQJKLGGHQ(63HUURUV
*LớLWKLệX
7KXKồLGầu tăng cườQJEằQJFiFKệWKốQJQkQJQKkQWạo đang
WUởthành giai đoạQTXDQWUọQJYjFyWtQKTX\ết định đếQQJKjQKGầX
NKt+LệQQD\KệWKốQJKLệXTXảvà đang đượFVửGụQJSKổELếQQKấW
OjKệWKốQJ(63(63VởKữXQKLều tính năng như: làm việFởđộVkX OớQFiFJLếQJFyTXỹđạRSKứFWạSKRạt độQJKLrXTXảYớLPọLORạL FKất lưu và chếđộGzQJFKảy… Nhược điểPFủD(63OjFấXWạRSKứF WạSYjSKảLQkQJWRjQEộKệWKốQJOrQWURQJPỗLOầQVửDFKữDKD\EảR WUuWKLếWEị9uYậ\NKLKệWKốQJJặSVựFốF{Qg đoạQVửDFKữDVẽY{
Trang 2JOMC 145 1KậQQJj\VửD[RQJQJj\FKấSQKậQđăng
ÉSGụQJPộWVốphương pháp máy học đểGựEiRFiFYấn đềFyWKểSKiWVLQK
Fủa bơm điệQFKuPWURQJTXiWUuQKVửGụQJ
Bơm điệQFKuP
0ạng nơron nhân tạR
([WUHPHJUDGLHQWERRVWLQJ
Bơm điệQFKuP (63 Wừlâu đã trởWKjQKPộWWURQJQKững phương pháp nâng nhân tạRKLệXTXảQKấWJyS
SKầQGX\WUuWốc độNKDLWKiFYjNpRGjLWXổLWKọFủDFiFJLếQJGầX%rQFạQKQKữQJOợLtFKWROớQ(63
cũng đặWUDYấn đềYềYLệFJLiPViWVửDFKữDFKRKệWKốQJ(63WUiQKQKữQJWuQKWUạng hư hỏng ĐốLPặW
YớLQKữQJWKLệWYềNLQKWếdo hư hỏQJ(63Jk\UDUấWQKLều các phương pháp được đềra đểGựbáo trướF
đượFQKữQJEất thườQJFủDKệWKốQJ(63Wừđó đưa ra các kếKRạFKWKD\WKếYjVửDFKữD1KLệPYụFủD
QJười kĩ sư dầXNKtOjOựDFKọn được phương pháp hiệXTXảYjtWWốQNpPWKời gian cũng như chi phí QKấW1Kững năm gần đây AI –$UWLILFL,QWHOOLJHQFH 7UtWXệQKkQWạR SKiWWULểQY{FQJPạQKPẽtrong đó 0/–0DFKLQH/HDUQLQJ 0i\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
(<:25'6 $%675$&7
(OHFWULFDOVXEPHUVLEOHSXPS
$UWLILFLDO1HXUDO1HWZRUN
[WUHPHJUDGLHQWERRVWLQJ
7KH HOHFWULFDO VXEPHUVLEOH SXPS (63 KDV ORQJ EHHQ RQH RI WKH PRVW HIIHFWLYH DUWLILFLDOOLIW PHWKRGV WR
LPSURYHWKHSURGXFWLRQUDWHVDQGH[WHQGWKHOLIHRIRLOZHOOV$OWKRXJK(63KDVPDQ\JUHDWDGYDQWDJHVWKH
PRQLWRULQJ DQG UHSDLULQJ SURFHVV RI (63 SRVHV VRPH SUREOHPV ,Q RUGHU WR PLQLPL]H WKH HFRQRPLF ORVVHV
FDXVHGE\(63HUURUVPDQ\PHWKRGVKDYHEHHQSURSRVHGWRSUHGLFWWKHDEQRUPDOLWLHVRI(63V\VWHPEHIRUH
PDNLQJUHSODFHPHQWDQGUHSDLUSODQVIRU(637KHSHWUROHXPHQJLQHHUPXVWFKRRVHWKHPRVWHIIHFWLYHWLPH
VDYLQJ DQG HFRQRPLFDO PHWKRG ,Q UHFHQW \HDUV $, $UWLILFLDO ,QWHOOLJHQFH KDV EHHQ H[WUHPHO\ VWURQJO\
GHYHORSLQJLQZKLFK0/Machine Learning is a prominent achievement With ML, the prediction of ESP’s HUURUDQGRSHUDWLQJWUHQGLVQRORQJHUDVGLIILFXOWDVEHIRUH0/XVHVWKHKLVWRULFDOGDWDVHWRISUHYLRXV(63VWR
DFFXUDWHO\DQGHDVLO\IRUHFDVWSRVVLEOHIXWXUHHYHQWV$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 DOJRULWKPVZHUH FRPSDUHG
WRJHWKHUWRILQGRXWWKHPRUHRSWLPDOPRGHOLQ(63HUURUSUHGLFWLRQ,QDGGLWLRQWKHUHVHDUFKDOVRHYDOXDWHG
WKHLQIOXHQFHRIHDFKSDUDPHWHURQWKHHUURURI(63ZLWKWKHDLPRISUHYHQWLQJKLGGHQ(63HUURUV
*LớLWKLệX
7KXKồLGầu tăng cườQJEằQJFiFKệWKốQJQkQJQKkQWạo đang
WUởthành giai đoạQTXDQWUọQJYjFyWtQKTX\ết định đếQQJKjQKGầX
NKt+LệQQD\KệWKốQJKLệXTXảvà đang đượFVửGụQJSKổELếQQKấW
OjKệWKốQJ(63(63VởKữXQKLều tính năng như: làm việFởđộVkX
OớQFiFJLếQJFyTXỹđạRSKứFWạSKRạt độQJKLrXTXảYớLPọLORạL
FKất lưu và chếđộGzQJFKảy… Nhược điểPFủD(63OjFấXWạRSKứF
WạSYjSKảLQkQJWRjQEộKệWKốQJOrQWURQJPỗLOầQVửDFKữDKD\EảR
WUuWKLếWEị9uYậ\NKLKệWKốQJJặSVựFốF{Qg đoạQVửDFKữDVẽY{
FQJPấWWKờLJLDQYjWốQFKLSKtOớQGRSKảLQJừQJVảQ[Xất ĐốL
PặWYớLYLệc đó việc giám sát cũng như dựbáo trướFFiFVựFốOLrQ
quan đếQ(63OjY{FQJFầQWKLếWYjPDQJWtQKTX\ết định đếQTXi
WUuQKNKDLWKiF
7URQJQKững năm gần đây thuậWWRiQPi\Kọc đang phát triểQ
Y{FQJPạQKPẽWKXật toán này đã đượFiSGụQJFKRQKLềXQJKjQK
QJKềvà lĩnh vựFWURQJ[mKộLYjGầu khí cũng không nằPQJRjL[X
WKếQj\+LệQQD\FyQKLềXORạLP{KuQKFKtQKJLiPViWYjGựEiR
hư hỏQJFKR(63EDRJồP
%LQDU\&ODVVLILFDWLRQPRGHOV SKkQORạLQKịSKkQ PụFWLrXFủD
mô hình là xác địQK(63FyJặSVựFốKD\NK{QJWURQJPộWNKRảQJ
WKờLJLDQKD\Pột tương lai gầQ
0XOWL&ODVV&ODVVLILFDWLRQPRGHOV SKkQORạLGiQQKmQ 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
SKkQORạLWUrQP{KuQKQj\đượFdùng đểGựđoán tuổLWKọYjWKờL
JLDQKỏQJKyFFủa bơm.
Trên cơ sởEDORại 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
QJX\KLểPWURQJ>@Yj>@7URQJVựSKiWWULểQFủDLQWHUQHWKệWKốQJ
YậQKjQKJLiPViW(63Eằng IoT cũng đượFiSGụQJEởL1LFRHWDO
>@
1JKLrQFứXQj\VẽWUuQKEj\PộWFiFKWLếSFậQNKác, đó là xây GựQJ PộW P{ KuQK Vử GụQJ WKXậW WRiQ NKiF QKDX Oj ([WUHPH
*UDGLHQW%RRVWLQJYj0ạng Nơron nhân tạRđểGựđoán lỗLFủD(63
WURQJTXiWUuQKVửGụQJWKLếWEị
.KiFYớLP{KuQKSKkQORạLQKịSKkQFảQKEiROỗLFủa ESP như
>@>@>@>@Yj> @P{KuQKWURQJQJKLrQFứXVẽGựđoán tình WUạQJFủD(63YjJắn đúng tên lỗLFủD(63YớLWừQJEộVốOLệXđượF
FXQJFấS0{KuQKQj\FyPục đích tương tựnhư [2], nhưng như ta
đã biếW'HFLVLRQWUHHFyPột độchính xác không cao, cũng như không đượFWối ưu như XGbooting và 0ạng Nơron nhân tạRnhư đánh giá WURQJ>@%rQFạnh đó mô hình sẽđánh giá mức độảQKKưởQJFủD
FiF WK{QJ Vố đếQ OỗL (63 Yj Vự thay đổL FủD Gự đoán khi lượW Eỏ
QKữQJWK{QJVốtWảnh hưởQJ
Cơ sởOमWKX\ếW
([WUHPH*UDGLHQW%RRVWLQJ ;*ERRVWLQJ
;*ERRVWLQJ Oj PộW WKXậW WRiQ Kọc máy tăng cườQJ Oj PộW phương pháp tổQJ KợS QKằP JLảP phương sai và bias Trong quá WUuQKKRạt độQJSKkQORạLWKXậWWRiQVẽWạRUDQKLềXEộSKkQORạL\ếX Yới độFKtQK[iFYừDSKải, sau đó sẽJộSQKữQJEộSKkQORạLQj\WạR QrQPộWEộSKkQORạLPạQKFXốLFQJ, quá trình này đượFELểXGLễQở +uQK6DXNKLQKữQJEộSKkQORạL\ếu đượFWKrPYjRGữOLệXFủD FK~QJVẽđượFWiLWUọQJVố, trong đó nhữQJPẫu đã phân loại đúng sẽ JLảPWUọQJVốQKữQJPẫXSKkQORạLVDLVẽtăng trọQJVố;*ERRVWLQJ đượFELết đếQYới độFKtQK[iFYjKLệXTXảFDRVRYớLQKữQJWKXậW toán tươQJ Wự Yj WLếW NLệm đượF WjL QJX\rQ >@ 9ề độ SKổ ELếQ
;*ERRVWLQJOjWKXật toán đượFVửGụQJWURQJQKLều lĩnh vực cũng như FiFFXộFWKLYềSKkQWtFKGữOLệX
+uQK7UựFTXDQTXiWUuQKKRạt độQJFủD;*ERRVWLQJ>@
+uQK3KkQORại đơn giảQEằQJ;*ERRVWLQJ>@
XGboosting đã đượFWạRUDEởL7LDQTL&KHQ>@như sau:
&KRPộWEộGữOLệXFyQPẫu và m đặc trưng
𝐷𝐷𝐷𝐷 = {(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖)}(|𝐷𝐷𝐷𝐷| = 𝑛𝑛𝑛𝑛, 𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖∈ ℝ𝑚𝑚𝑚𝑚, 𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖∈ ℝ)
0{KuQKKọFFủD;*ERRVWLQJ
𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖= 𝜙𝜙𝜙𝜙(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) = ∑𝐾𝐾𝐾𝐾 𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)
𝑘𝑘𝑘𝑘=1 , 𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘∈ 𝐹𝐹𝐹𝐹
Trong đó: 𝐹𝐹𝐹𝐹 = {𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥) = 𝑤𝑤𝑤𝑤𝑞𝑞𝑞𝑞(𝑥𝑥𝑥𝑥)}(𝑞𝑞𝑞𝑞: 𝑅𝑅𝑅𝑅𝑚𝑚𝑚𝑚→ 𝑇𝑇𝑇𝑇, 𝑤𝑤𝑤𝑤 ∈ 𝑅𝑅𝑅𝑅𝑇𝑇𝑇𝑇) Oj NK{QJ JLDQ FủDFk\7OjVốOiWURQJFk\ZOjWUọQJVốFủDQ~WOiTOjFấXWU~FFủD PộWFk\iQK[ạPẫXGữOLệu vào nút lá tương ứQJIN FấXWU~FFiFFk\
k độFOậSFủDP{KuQK
Trang 3JOMC 145 1KậQQJj\VửD[RQJQJj\FKấSQKậQđăng
ÉSGụQJPộWVốphương pháp máy học đểGựEiRFiFYấn đềFyWKểSKiWVLQK
Fủa bơm điệQFKuPWURQJTXiWUuQKVửGụQJ
Bơm điệQFKuP
0ạng nơron nhân tạR
([WUHPHJUDGLHQWERRVWLQJ
Bơm điệQFKuP (63 Wừlâu đã trởWKjQKPộWWURQJQKững phương pháp nâng nhân tạRKLệXTXảQKấWJyS
SKầQGX\WUuWốc độNKDLWKiFYjNpRGjLWXổLWKọFủDFiFJLếQJGầX%rQFạQKQKữQJOợLtFKWROớQ(63
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 dầXNKtOjOựDFKọn được phương pháp hiệXTXảYjtWWốQNpPWKời gian cũng như chi phí QKấW1Kững năm gần đây AI –$UWLILFL,QWHOOLJHQFH 7UtWXệQKkQWạR SKiWWULểQY{FQJPạQKPẽtrong đó 0/–0DFKLQH/HDUQLQJ 0i\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
(<:25'6 $%675$&7
(OHFWULFDOVXEPHUVLEOHSXPS
$UWLILFLDO1HXUDO1HWZRUN
[WUHPHJUDGLHQWERRVWLQJ
7KH HOHFWULFDO VXEPHUVLEOH SXPS (63 KDV ORQJ EHHQ RQH RI WKH PRVW HIIHFWLYH DUWLILFLDOOLIW PHWKRGV WR
LPSURYHWKHSURGXFWLRQUDWHVDQGH[WHQGWKHOLIHRIRLOZHOOV$OWKRXJK(63KDVPDQ\JUHDWDGYDQWDJHVWKH
PRQLWRULQJ DQG UHSDLULQJ SURFHVV RI (63 SRVHV VRPH SUREOHPV ,Q RUGHU WR PLQLPL]H WKH HFRQRPLF ORVVHV
FDXVHGE\(63HUURUVPDQ\PHWKRGVKDYHEHHQSURSRVHGWRSUHGLFWWKHDEQRUPDOLWLHVRI(63V\VWHPEHIRUH
PDNLQJUHSODFHPHQWDQGUHSDLUSODQVIRU(637KHSHWUROHXPHQJLQHHUPXVWFKRRVHWKHPRVWHIIHFWLYHWLPH
VDYLQJ DQG HFRQRPLFDO PHWKRG ,Q UHFHQW \HDUV $, $UWLILFLDO ,QWHOOLJHQFH KDV EHHQ H[WUHPHO\ VWURQJO\
GHYHORSLQJLQZKLFK0/Machine Learning is a prominent achievement With ML, the prediction of ESP’s HUURUDQGRSHUDWLQJWUHQGLVQRORQJHUDVGLIILFXOWDVEHIRUH0/XVHVWKHKLVWRULFDOGDWDVHWRISUHYLRXV(63VWR
DFFXUDWHO\DQGHDVLO\IRUHFDVWSRVVLEOHIXWXUHHYHQWV$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 DOJRULWKPVZHUH FRPSDUHG
WRJHWKHUWRILQGRXWWKHPRUHRSWLPDOPRGHOLQ(63HUURUSUHGLFWLRQ,QDGGLWLRQWKHUHVHDUFKDOVRHYDOXDWHG
WKHLQIOXHQFHRIHDFKSDUDPHWHURQWKHHUURURI(63ZLWKWKHDLPRISUHYHQWLQJKLGGHQ(63HUURUV
*LớLWKLệX
7KXKồLGầu tăng cườQJEằQJFiFKệWKốQJQkQJQKkQWạo đang
WUởthành giai đoạQTXDQWUọQJYjFyWtQKTX\ết định đếQQJKjQKGầX
NKt+LệQQD\KệWKốQJKLệXTXảvà đang đượFVửGụQJSKổELếQQKấW
OjKệWKốQJ(63(63VởKữXQKLều tính năng như: làm việFởđộVkX
OớQFiFJLếQJFyTXỹđạRSKứFWạSKRạt độQJKLrXTXảYớLPọLORạL
FKất lưu và chếđộGzQJFKảy… Nhược điểPFủD(63OjFấXWạRSKứF
WạSYjSKảLQkQJWRjQEộKệWKốQJOrQWURQJPỗLOầQVửDFKữDKD\EảR
WUuWKLếWEị9uYậ\NKLKệWKốQJJặSVựFốF{Qg đoạQVửDFKữDVẽY{
FQJPấWWKờLJLDQYjWốQFKLSKtOớQGRSKảLQJừQJVảQ[Xất ĐốL
PặWYớLYLệc đó việc giám sát cũng như dựbáo trướFFiFVựFốOLrQ
quan đếQ(63OjY{FQJFầQWKLếWYjPDQJWtQKTX\ết định đếQTXi
WUuQKNKDLWKiF
7URQJQKững năm gần đây thuậWWRiQPi\Kọc đang phát triểQ
Y{FQJPạQKPẽWKXật toán này đã đượFiSGụQJFKRQKLềXQJKjQK
QJKềvà lĩnh vựFWURQJ[mKộLYjGầu khí cũng không nằPQJRjL[X
WKếQj\+LệQQD\FyQKLềXORạLP{KuQKFKtQKJLiPViWYjGựEiR
hư hỏQJFKR(63EDRJồP
%LQDU\&ODVVLILFDWLRQPRGHOV SKkQORạLQKịSKkQ PụFWLrXFủD
mô hình là xác địQK(63FyJặSVựFốKD\NK{QJWURQJPộWNKRảQJ
WKờLJLDQKD\Pột tương lai gầQ
0XOWL&ODVV&ODVVLILFDWLRQPRGHOV SKkQORạLGiQQKmQ 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
SKkQORạLWUrQP{KuQKQj\đượFdùng đểGựđoán tuổLWKọYjWKờL
JLDQKỏQJKyFFủa bơm.
Trên cơ sởEDORại 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
QJX\KLểPWURQJ>@Yj>@7URQJVựSKiWWULểQFủDLQWHUQHWKệWKốQJ
YậQKjQKJLiPViW(63Eằng IoT cũng đượFiSGụQJEởL1LFRHWDO
>@
1JKLrQFứXQj\VẽWUuQKEj\PộWFiFKWLếSFậQNKác, đó là xây GựQJ PộW P{ KuQK Vử GụQJ WKXậW WRiQ NKiF QKDX Oj ([WUHPH
*UDGLHQW%RRVWLQJYj0ạng Nơron nhân tạRđểGựđoán lỗLFủD(63
WURQJTXiWUuQKVửGụQJWKLếWEị
.KiFYớLP{KuQKSKkQORạLQKịSKkQFảQKEiROỗLFủa ESP như
>@>@>@>@Yj> @P{KuQKWURQJQJKLrQFứXVẽGựđoán tình WUạQJFủD(63YjJắn đúng tên lỗLFủD(63YớLWừQJEộVốOLệXđượF
FXQJFấS0{KuQKQj\FyPục đích tương tựnhư [2], nhưng như ta
đã biếW'HFLVLRQWUHHFyPột độchính xác không cao, cũng như không đượFWối ưu như XGbooting và 0ạng Nơron nhân tạRnhư đánh giá WURQJ>@%rQFạnh đó mô hình sẽđánh giá mức độảQKKưởQJFủD
FiF WK{QJ Vố đếQ OỗL (63 Yj Vự thay đổL FủD Gự đoán khi lượW Eỏ
QKữQJWK{QJVốtWảnh hưởQJ
Cơ sởOमWKX\ếW
([WUHPH*UDGLHQW%RRVWLQJ ;*ERRVWLQJ
;*ERRVWLQJ Oj PộW WKXậW WRiQ Kọc máy tăng cườQJ Oj PộW
phương pháp tổQJ KợS QKằP JLảP phương sai và bias Trong quá WUuQKKRạt độQJSKkQORạLWKXậWWRiQVẽWạRUDQKLềXEộSKkQORạL\ếX
Yới độFKtQK[iFYừDSKải, sau đó sẽJộSQKữQJEộSKkQORạLQj\WạR
QrQPộWEộSKkQORạLPạQKFXốLFQJ, quá trình này đượFELểXGLễQở
+uQK6DXNKLQKữQJEộSKkQORạL\ếu đượFWKrPYjRGữOLệXFủD
FK~QJVẽđượFWiLWUọQJVố, trong đó nhữQJPẫu đã phân loại đúng sẽ
JLảPWUọQJVốQKữQJPẫXSKkQORạLVDLVẽtăng trọQJVố;*ERRVWLQJ
đượFELết đếQYới độFKtQK[iFYjKLệXTXảFDRVRYớLQKữQJWKXậW
toán tươQJ Wự Yj WLếW NLệm đượF WjL QJX\rQ >@ 9ề độ SKổ ELếQ
;*ERRVWLQJOjWKXật toán đượFVửGụQJWURQJQKLều lĩnh vực cũng như FiFFXộFWKLYềSKkQWtFKGữOLệX
+uQK7UựFTXDQTXiWUuQKKRạt độQJFủD;*ERRVWLQJ>@
+uQK3KkQORại đơn giảQEằQJ;*ERRVWLQJ>@
XGboosting đã đượFWạRUDEởL7LDQTL&KHQ>@như sau:
&KRPộWEộGữOLệXFyQPẫu và m đặc trưng
𝐷𝐷𝐷𝐷 = {(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖)}(|𝐷𝐷𝐷𝐷| = 𝑛𝑛𝑛𝑛, 𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖∈ ℝ𝑚𝑚𝑚𝑚, 𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖∈ ℝ)
0{KuQKKọFFủD;*ERRVWLQJ
𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖= 𝜙𝜙𝜙𝜙(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) = ∑𝐾𝐾𝐾𝐾 𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)
𝑘𝑘𝑘𝑘=1 , 𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘∈ 𝐹𝐹𝐹𝐹
Trong đó: 𝐹𝐹𝐹𝐹 = {𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥) = 𝑤𝑤𝑤𝑤𝑞𝑞𝑞𝑞(𝑥𝑥𝑥𝑥)}(𝑞𝑞𝑞𝑞: 𝑅𝑅𝑅𝑅𝑚𝑚𝑚𝑚→ 𝑇𝑇𝑇𝑇, 𝑤𝑤𝑤𝑤 ∈ 𝑅𝑅𝑅𝑅𝑇𝑇𝑇𝑇) Oj NK{QJ JLDQ
FủDFk\7OjVốOiWURQJFk\ZOjWUọQJVốFủDQ~WOiTOjFấXWU~FFủD
PộWFk\iQK[ạPẫXGữOLệu vào nút lá tương ứQJIN FấXWU~FFiFFk\
k độFOậSFủDP{KuQK
JOMC 146
𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡)OjJLiWUịGựđoán củDYtGụWKứ,YjYzQJOậSWKứW
+jPKọFFủa XGboosting được trình bày như sau:
𝐿𝐿𝐿𝐿(𝜙𝜙𝜙𝜙) = ∑ 𝑙𝑙𝑙𝑙(𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦) + ∑ 𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘)
𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖
Trong đó: 𝛺𝛺𝛺𝛺 = 𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 +1
2𝜆𝜆𝜆𝜆 ∑𝑇𝑇𝑇𝑇 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 𝑗𝑗𝑗𝑗=1 OOjKjPPấWPiW ORVVIXQFWLRQ WKểKLện độVDLNKiFFủDJLiWUị
WKựFYjJLiWUịGựđoán OjKjPWKểKLện độSKứFWạSFủDP{KuQK
được thêm vào đểKạQFKếKLện tượQJRYHUILWWLQJ7LếQWUuQKKọc đượF
WKểKLệQWK{QJTXDFiFF{QJWKức bên dướL
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ 𝑙𝑙𝑙𝑙[𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)+ 𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] + 𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡)
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)∼ ∑ 𝑙𝑙𝑙𝑙 [𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)+ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) +12ℎ𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓 𝑡𝑡𝑡𝑡2(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] + 𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡)
Trong đó: 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖= 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂
𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)𝑙𝑙𝑙𝑙Yjℎ𝑖𝑖𝑖𝑖= 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂
𝑖𝑖𝑖𝑖 (𝑡𝑡𝑡𝑡−1)
2 𝑙𝑙𝑙𝑙
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ 𝑙𝑙𝑙𝑙 [𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) +12ℎ𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓 2(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] + 𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 +12 𝜆𝜆𝜆𝜆 ∑ 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 𝑇𝑇𝑇𝑇 𝑗𝑗𝑗𝑗=1
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ [(∑ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖∈𝐼𝐼𝐼𝐼 𝑗𝑗𝑗𝑗
) 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗+12(ℎ𝑖𝑖𝑖𝑖+ 𝛾𝛾𝛾𝛾)𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2] + 𝑇𝑇𝑇𝑇
𝑗𝑗𝑗𝑗=1
𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾
0ạQJQơron nhân tạR
0ộW 0ạng Nơron nhân tạR thường đượF Wổ FKứF FiF nơron
WKjQKWừQJOớSYjPỗLOớSFKịXWUiFKQKLệPFKRPộWF{QJYLệFFụWKể
0ạng Nơron nhân tạRthườQJFyOớS OớSQKậSKD\Oớp đầXYjROớS
ẩQYjOớS[XấW>@
/ớSQKậS LQSXWOD\HU FXQJFấSFKRPạQJFiFVốOLệXFầQWKLếW
6ốlượng nơURQWURQJOớSQKập tương ứQJYớLVốlượQJWK{QJVốđầX
vào đượFFXQJFấSFKRPạQJYjFiFWK{QJVốđầu vào này đượFJLả
WKLếWởGạng véc tơ
/ớSẩQ KLGGHQOD\HU FKứDFiFnơronẩQJL~SNếWQốLJLiWUị
đầu vào đếQJLiWUịđầXUD0ộWPạQJnơronFyWKểFyPộWKRặFQKLềX
OớSẩQFKịXWUiFKQKLệPFKtQKFKRYLệF[ửOमFiFnơronFủDOớSQKậS
và đưa các thông tin đếQnơronFủDOớS[XấW&iFnơronQj\WKtFKứQJ
YớLYLệFSKkQORạLYjQKậQGLệQPốLOLrQKệJLữDWK{QJVốđầXYjRYj
WK{QJVốđầXUD
/ớS [XấW RXWSXW OD\HU FKứD FiF nơron đầX UD QKằP FKX\ểQ
thông tin đầXUDFủDFiFWtQKWRiQWừ0ạng Nơron nhân tạRđến ngườL
GQJ0ộW0ạng Nơron nhân tạRFyWKểđượF[k\Gựng đểFyQKLềX
WK{QJVốđầXUD6ốnơronFủDOớSQKậSYjOớS[XấWVẽGREjLWRiQ
TX\ết địQK Vố nơron OớS ẩQ Yj Vố OớS ẩQ Vẽ do ngườL QKậS TX\ếW
địQK7X\QKLrQYLệFFKọQORạLYjVốlượQJFủDWK{QJVốđầXYjRFy
ảnh hưởQJOớp đên chất lượQJFủDPạQJ
0{KuQKWRiQKọFFủD0ạng Nơron nhân tạRđượFWUuQKEj\
như sau
𝑦𝑦𝑦𝑦(𝑥𝑥𝑥𝑥) = 𝑓𝑓𝑓𝑓 (∑ 𝑤𝑤𝑤𝑤𝑖𝑖𝑖𝑖𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖
𝑛𝑛𝑛𝑛 𝑖𝑖𝑖𝑖=1 )
Trong đó: y là gLi WUịđầXUDứQJ YớL ELếQ[IOjKjP NtFK
KRạWKD\KjPWUX\ềQZOjWUọQJVốOLrQNếWFủDnơron[OjFiFJLi
WUịđầXYjR
0DWUậQQKầPOẫQ &RQIXVLRQ0DWUL[
/jPột phương pháp đánh giá kếWTXảFủDQKữQJEjLWRiQSKkQ ORạLYớLYLệF[HP[pWFảQKữQJFKỉVốYềđộFKtQK[iFYjEDRTXiWFảX FiFGựđoán cho từQJOớS0ộWPDWUậQQKầPOẫQJồPFKỉVốsau đốL YớLPỗLOớSSKkQORạL
+uQK0DWUậQQKầPOẫQ
73 7UXH3RVLWLYH 6ốlượQJGựđoán chính xác nhãn có giá trị3RVLWLYH 71 7UXH 1HJDWLYH 6ố lượQJ Gự đoán chính xác nhãn có giá trị
1HJDWLYH
)3 )DOVH3RVLWLYH 6ốlượQJGựđoán sai nhãn có giá trị3RVLWLYH )1 )DOVH1HJDWLYH 6ốlượQJGựđoán sai nhãn có giá trị1HJDWLYH
7ừFKỉVốQj\WDRFyFRQVốđểđánh giá độFKtQK[iFFủD P{KuQK
3UHFLVLRQ WURQJ WấW Fả FiF Gựđoán Positive có bao nhiêu dự
đoán chính xác:
3UHFLVLRQ 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇
5HFDOO WURQJWấWFảFiFGựđoán Positive có bao nhiêu dựđoán
là do mô hình đưa ra:
5HFDOO 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
1JRjLUDWDFzQFyPộWWK{QJVốNKiFOj$FFXUDF\ WURQJWấWFả
FiFGựđoán thì tỷOệGựđoán đúng là bao nhiêu
$FFXUDF\ 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇𝐹𝐹𝐹𝐹
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇𝐹𝐹𝐹𝐹+𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
7KXWKậSVốOLệu đầXYjR
%ộ Gữ OLệX WURQJ EjL QJKLrQ FứX Oấ\ Wừ WKt QJKLệP FủD 0
%DUULRV&DVWHOODQRVHWDO>@0{KuQKWKtQJKLệPđượFP{WảWURQJ KuQKEDRJồP (63EồQFKứD WDQN), bơm tăng áp (booster pump) KDLWUụFYtW Eộtrao đổLQKLệWEộWUX\ền độQJYDQWLết lưu (choke YDOYH KệWKốQJSKXQNKtEDRJồm máy phun khí, máy nén, van điềX FKỉQKYjốQJPềP
Trang 4JOMC 147
𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡)OjJLiWUịGựđoán củDYtGụWKứ,YjYzQJOậSWKứW
+jPKọFFủa XGboosting được trình bày như sau:
𝐿𝐿𝐿𝐿(𝜙𝜙𝜙𝜙) = ∑ 𝑙𝑙𝑙𝑙(𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦) + ∑ 𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘)
𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖
Trong đó: 𝛺𝛺𝛺𝛺 = 𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 +1
2𝜆𝜆𝜆𝜆 ∑𝑇𝑇𝑇𝑇 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 𝑗𝑗𝑗𝑗=1
OOjKjPPấWPiW ORVVIXQFWLRQ WKểKLện độVDLNKiFFủDJLiWUị
WKựFYjJLiWUịGựđoán OjKjPWKểKLện độSKứFWạSFủDP{KuQK
được thêm vào đểKạQFKếKLện tượQJRYHUILWWLQJ7LếQWUuQKKọc đượF
WKểKLệQWK{QJTXDFiFF{QJWKức bên dướL
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ 𝑙𝑙𝑙𝑙[𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)+ 𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] +
𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡)
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)∼ ∑ 𝑙𝑙𝑙𝑙 [𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)+ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) +12ℎ𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓 𝑡𝑡𝑡𝑡2(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] +
𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡)
Trong đó: 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖= 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂
𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)𝑙𝑙𝑙𝑙Yjℎ𝑖𝑖𝑖𝑖= 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂
𝑖𝑖𝑖𝑖 (𝑡𝑡𝑡𝑡−1)
2 𝑙𝑙𝑙𝑙
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ 𝑙𝑙𝑙𝑙 [𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) +12ℎ𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓 2(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] +
𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 +12 𝜆𝜆𝜆𝜆 ∑ 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 𝑇𝑇𝑇𝑇
𝑗𝑗𝑗𝑗=1
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ [(∑ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖∈𝐼𝐼𝐼𝐼 𝑗𝑗𝑗𝑗
) 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗+12(ℎ𝑖𝑖𝑖𝑖+ 𝛾𝛾𝛾𝛾)𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2] + 𝑇𝑇𝑇𝑇
𝑗𝑗𝑗𝑗=1
𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾
0ạQJQơron nhân tạR
0ộW 0ạng Nơron nhân tạR thường đượF Wổ FKứF FiF nơron
WKjQKWừQJOớSYjPỗLOớSFKịXWUiFKQKLệPFKRPộWF{QJYLệFFụWKể
0ạng Nơron nhân tạRthườQJFyOớS OớSQKậSKD\Oớp đầXYjROớS
ẩQYjOớS[XấW>@
/ớSQKậS LQSXWOD\HU FXQJFấSFKRPạQJFiFVốOLệXFầQWKLếW
6ốlượng nơURQWURQJOớSQKập tương ứQJYớLVốlượQJWK{QJVốđầX
vào đượFFXQJFấSFKRPạQJYjFiFWK{QJVốđầu vào này đượFJLả
WKLếWởGạng véc tơ
/ớSẩQ KLGGHQOD\HU FKứDFiFnơronẩQJL~SNếWQốLJLiWUị
đầu vào đếQJLiWUịđầXUD0ộWPạQJnơronFyWKểFyPộWKRặFQKLềX
OớSẩQFKịXWUiFKQKLệPFKtQKFKRYLệF[ửOमFiFnơronFủDOớSQKậS
và đưa các thông tin đếQnơronFủDOớS[XấW&iFnơronQj\WKtFKứQJ
YớLYLệFSKkQORạLYjQKậQGLệQPốLOLrQKệJLữDWK{QJVốđầXYjRYj
WK{QJVốđầXUD
/ớS [XấW RXWSXW OD\HU FKứD FiF nơron đầX UD QKằP FKX\ểQ
thông tin đầXUDFủDFiFWtQKWRiQWừ0ạng Nơron nhân tạRđến ngườL
GQJ0ộW0ạng Nơron nhân tạRFyWKểđượF[k\Gựng đểFyQKLềX
WK{QJVốđầXUD6ốnơronFủDOớSQKậSYjOớS[XấWVẽGREjLWRiQ
TX\ết địQK Vố nơron OớS ẩQ Yj Vố OớS ẩQ Vẽ do ngườL QKậS TX\ếW
địQK7X\QKLrQYLệFFKọQORạLYjVốlượQJFủDWK{QJVốđầXYjRFy
ảnh hưởQJOớp đên chất lượQJFủDPạQJ
0{KuQKWRiQKọFFủD0ạng Nơron nhân tạRđượFWUuQKEj\
như sau
𝑦𝑦𝑦𝑦(𝑥𝑥𝑥𝑥) = 𝑓𝑓𝑓𝑓 (∑ 𝑤𝑤𝑤𝑤𝑖𝑖𝑖𝑖𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖
𝑛𝑛𝑛𝑛 𝑖𝑖𝑖𝑖=1
)
Trong đó: y là gLi WUịđầXUDứQJ YớL ELếQ[IOjKjP NtFK
KRạWKD\KjPWUX\ềQZOjWUọQJVốOLrQNếWFủDnơron[OjFiFJLi
WUịđầXYjR
0DWUậQQKầPOẫQ &RQIXVLRQ0DWUL[
/jPột phương pháp đánh giá kếWTXảFủDQKữQJEjLWRiQSKkQ
ORạLYớLYLệF[HP[pWFảQKữQJFKỉVốYềđộFKtQK[iFYjEDRTXiWFảX
FiFGựđoán cho từQJOớS0ộWPDWUậQQKầPOẫQJồPFKỉVốsau đốL
YớLPỗLOớSSKkQORạL
+uQK0DWUậQQKầPOẫQ
73 7UXH3RVLWLYH 6ốlượQJGựđoán chính xác nhãn có giá trị3RVLWLYH
71 7UXH 1HJDWLYH 6ố lượQJ Gự đoán chính xác nhãn có giá trị
1HJDWLYH
)3 )DOVH3RVLWLYH 6ốlượQJGựđoán sai nhãn có giá trị3RVLWLYH
)1 )DOVH1HJDWLYH 6ốlượQJGựđoán sai nhãn có giá trị1HJDWLYH
7ừFKỉVốQj\WDRFyFRQVốđểđánh giá độFKtQK[iFFủD
P{KuQK
3UHFLVLRQ WURQJ WấW Fả FiF Gựđoán Positive có bao nhiêu dự
đoán chính xác:
3UHFLVLRQ 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇
5HFDOO WURQJWấWFảFiFGựđoán Positive có bao nhiêu dựđoán
là do mô hình đưa ra:
5HFDOO 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
1JRjLUDWDFzQFyPộWWK{QJVốNKiFOj$FFXUDF\ WURQJWấWFả
FiFGựđoán thì tỷOệGựđoán đúng là bao nhiêu
$FFXUDF\ 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇𝐹𝐹𝐹𝐹
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇𝐹𝐹𝐹𝐹+𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
7KXWKậSVốOLệu đầXYjR
%ộ Gữ OLệX WURQJ EjL QJKLrQ FứX Oấ\ Wừ WKt QJKLệP FủD 0
%DUULRV&DVWHOODQRVHWDO>@0{KuQKWKtQJKLệPđượFP{WảWURQJ
KuQKEDRJồP (63EồQFKứD WDQN), bơm tăng áp (booster pump) KDLWUụFYtW Eộtrao đổLQKLệWEộWUX\ền độQJYDQWLết lưu (choke YDOYH KệWKốQJSKXQNKtEDRJồm máy phun khí, máy nén, van điềX
FKỉQKYjốQJPềP
&Kất lưu đượFVửGụQJOjKỗQKợSKDLSKầQNKtYjOỏQJSKầQ
OỏQJOjKỗQKợSGầXFy$3, $3,YjGầXGLHVHO6SKầQNKt
là nitơ 7KtQJKLệm được cài đặt đểNLểPVRiWFKtQK[iFYLệc tăng áp VXất, lưu lượQJQKLệt độ&iFELến đượFJLiPViWởWKtQJKLệPQj\
EDRJồP 3 EDU FKrFKOệFKJLữDiSVXấWK~WYjiSVXấW[ảFủDPi\
bơm), mOLTXLG NJV NKối lượng lưu lượQJ FủD SKầQ OỏQJ 7LQ R& QKLệt độ đầX YjR Fủa bơm), USP PRPHQW [RắQ Fủa bơm) và PJDV NJV NKối lượng lưu lượQJFủDSKầQNKt
0ục đích củDWKtQJKLệm là thay đổLFủDFiFWK{QJVốFủDKệ
WKốQJWKtQJKLệPWừđó tìm ra đLềXNLệQ[ả\UDFiFWUạQJWKiLFủDPộW
(63FyWKểJặSSKảL&yKDLWUạng thái được đềFặSởđây là trạQJWKiL
bình thườQJ 1RUPDO Wại đó ESP hoạt động bình thườQJWUạQJWKiL
WKứ KDL Oj WUạQJ WKiL OỗL )DXOW Wại đó ESP gặS WU~F WUặc, hư hỏQJ
7UạQJWKiLOỗLEDRJồPEốn trườQJKợS*, *DV,QFUHDVLQJ tăng bấW
thườQJ FủD NKt YjR (63 Jk\ UD KLện tượQJ VXUJLQJ RU JDV ORFNLQJ
SKHQRPHQD 9, 9LVFRFLW\ ,QFUHDVLQJ FKất lưu tăng độ QKớW OjP
JLảPKLệXVXấWFủa bơm và tăng ma sát trong đườQJốQJ&9 &KRNH
9DOYH FORVLQJ YDQ WLết lưu độW QJộW Eị đóng ',3 'HFUHDVLQJ RI
,QSXW3UHVVXUH JLảPiSVXất đầXYjR
%ộVốOLệXJồPPẫu trong đó có 392 mẫX1RUPDPẫX
&9PẫX',3PẫX9, Pẫu GI đượFWKểKLệQU}ở+uQK
+uQK0{KuQKWKtQJKLệP(63>@
+uQK%ảQJVốOLệu đầXYjRFủDP{KuQK>@
;k\GựQJP{KuQKGựđoán lỗLFủa bơm điệQFKuPEằQJKDL
phương pháp XGboosting và 0ạQJQơron nhân tạR
0ụFWLrXFủDYLệF[k\GụQJP{KuQKOjWừQKữQJGữOLệu đầX vào ban đầXOjFiFWK{QJVốWKDPVốảnh hưởQJWớLKRạt độQJFủD ESP đểGựđoán chính xác nhấWWK{QJVốđầXUDOjWuQKWUạQJFủD(63
&iFP{KuQKVửGụng 2 phương pháp có họFPi\Oj;*ERRVWLQJ Yj0ạng Nơron nhân tạR ĐộFKtQK[iFFủa mô hình được đánh giá EằQJPDWUậQQKầPOẫQ
0{KuQK;*ERRVWLQJWLếQKjQKWUộQOẫQGữOLệXPẫu sau đó FKLD EộGữOLệu ban đầXWKjQKKDLSKầQ EộGữOLệu đào tạRFKLếP PẫX EộGữOLệu ban đầXEộEộGữOLệXNLểPWUDFKLếP PẫX FzQOạLFủDEộGữOLệXban đầX0{KuQK;*ERRVWLQJđượFWKLếWOậS[k\ GựQJFk\TX\ết định (e_estimator = 100) ĐộVkXWối đa củDFk\Oj
PD[BGHSWK JLi WUị NKởi đầX Oj 0.5, cây đầX WLrQ FủD P{ KuQK đượFELểXGLễQởKuQKWừđó dựđoán tình trạQJFủDKệWKốQJ(63
+uQK&k\TX\ết định đầXWLrQFủD;JERRVWLQJ
0{KuQK0ạng Nơron nhân tạRFKLDEộGữOLệu ban đầXWKjQK SKầQEDRJồP
%ộGữOLệu đào tạR WUDLQLQJGDWD FKLếPEộGữOLệXEDQ đầXEộGữOLệu đốLViQKFKpR YDOLGDWLRQGDWD FKLếPEộGữOLệX ban đầXEộGữOLệXNLểPWUD WHVWGDWD FKLếPFzQOạLFủDEộGữ OLệu ban đầX
0{KuQK0ạng Nơron nhân tạRVửGụQJPạQJnơronFyOớS WUX\ềQWKẳQJOớSẩQFynơron
+uQK0{KuQKPạng nơtron
ếWTXảYjWKảROXậQ
;*ERRVWLQJ
0{KuQK;*ERRVWLQJFKRWDFiFGựJLiWUịGựđoán có độFKtQK [iFFDRởFiFKLện tượng như Normal (88 9, *, Yj độFKtQK[iFởPức khá như DIP ( 67%) và trung bình như CV (42%) ĐộFKtQK[iFWổQJWKểOj$FFXUDU\ 1JX\rQ QKkQFủDYLệFGựđoán không chính xác hai lỗL&9Yj',3OjGRKDL
Trang 5JOMC 147
𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡)OjJLiWUịGựđoán củDYtGụWKứ,YjYzQJOậSWKứW
+jPKọFFủa XGboosting được trình bày như sau:
𝐿𝐿𝐿𝐿(𝜙𝜙𝜙𝜙) = ∑ 𝑙𝑙𝑙𝑙(𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦) + ∑ 𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑘𝑘𝑘𝑘)
𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖
Trong đó: 𝛺𝛺𝛺𝛺 = 𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 +1
2𝜆𝜆𝜆𝜆 ∑𝑇𝑇𝑇𝑇 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 𝑗𝑗𝑗𝑗=1
OOjKjPPấWPiW ORVVIXQFWLRQ WKểKLện độVDLNKiFFủDJLiWUị
WKựFYjJLiWUịGựđoán OjKjPWKểKLện độSKứFWạSFủDP{KuQK
được thêm vào đểKạQFKếKLện tượQJRYHUILWWLQJ7LếQWUuQKKọc đượF
WKểKLệQWK{QJTXDFiFF{QJWKức bên dướL
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ 𝑙𝑙𝑙𝑙[𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)+ 𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] +
𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡)
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)∼ ∑ 𝑙𝑙𝑙𝑙 [𝑦𝑦𝑦𝑦𝑖𝑖𝑖𝑖, 𝑦𝑦𝑦𝑦̂𝑖𝑖𝑖𝑖(𝑡𝑡𝑡𝑡−1)+ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) +12ℎ𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓 𝑡𝑡𝑡𝑡2(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] +
𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛺𝛺𝛺𝛺(𝑓𝑓𝑓𝑓𝑡𝑡𝑡𝑡)
Trong đó: 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖= 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂
𝑖𝑖𝑖𝑖 (𝑡𝑡𝑡𝑡−1)𝑙𝑙𝑙𝑙Yjℎ𝑖𝑖𝑖𝑖= 𝜕𝜕𝜕𝜕𝑦𝑦𝑦𝑦̂
𝑖𝑖𝑖𝑖 (𝑡𝑡𝑡𝑡−1)
2 𝑙𝑙𝑙𝑙
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ 𝑙𝑙𝑙𝑙 [𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖) +12ℎ𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓 2(𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖)] +
𝑛𝑛𝑛𝑛
𝑖𝑖𝑖𝑖=1
𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾 +12 𝜆𝜆𝜆𝜆 ∑ 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2 𝑇𝑇𝑇𝑇
𝑗𝑗𝑗𝑗=1
𝐿𝐿𝐿𝐿(𝑡𝑡𝑡𝑡)= ∑ [(∑ 𝑔𝑔𝑔𝑔𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖∈𝐼𝐼𝐼𝐼 𝑗𝑗𝑗𝑗
) 𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗+12(ℎ𝑖𝑖𝑖𝑖+ 𝛾𝛾𝛾𝛾)𝑤𝑤𝑤𝑤𝑗𝑗𝑗𝑗2] + 𝑇𝑇𝑇𝑇
𝑗𝑗𝑗𝑗=1
𝛾𝛾𝛾𝛾𝛾𝛾𝛾𝛾
0ạQJQơron nhân tạR
0ộW 0ạng Nơron nhân tạR thường đượF Wổ FKứF FiF nơron
WKjQKWừQJOớSYjPỗLOớSFKịXWUiFKQKLệPFKRPộWF{QJYLệFFụWKể
0ạng Nơron nhân tạRthườQJFyOớS OớSQKậSKD\Oớp đầXYjROớS
ẩQYjOớS[XấW>@
/ớSQKậS LQSXWOD\HU FXQJFấSFKRPạQJFiFVốOLệXFầQWKLếW
6ốlượng nơURQWURQJOớSQKập tương ứQJYớLVốlượQJWK{QJVốđầX
vào đượFFXQJFấSFKRPạQJYjFiFWK{QJVốđầu vào này đượFJLả
WKLếWởGạng véc tơ
/ớSẩQ KLGGHQOD\HU FKứDFiFnơronẩQJL~SNếWQốLJLiWUị
đầu vào đếQJLiWUịđầXUD0ộWPạQJnơronFyWKểFyPộWKRặFQKLềX
OớSẩQFKịXWUiFKQKLệPFKtQKFKRYLệF[ửOमFiFnơronFủDOớSQKậS
và đưa các thông tin đếQnơronFủDOớS[XấW&iFnơronQj\WKtFKứQJ
YớLYLệFSKkQORạLYjQKậQGLệQPốLOLrQKệJLữDWK{QJVốđầXYjRYj
WK{QJVốđầXUD
/ớS [XấW RXWSXW OD\HU FKứD FiF nơron đầX UD QKằP FKX\ểQ
thông tin đầXUDFủDFiFWtQKWRiQWừ0ạng Nơron nhân tạRđến ngườL
GQJ0ộW0ạng Nơron nhân tạRFyWKểđượF[k\Gựng đểFyQKLềX
WK{QJVốđầXUD6ốnơronFủDOớSQKậSYjOớS[XấWVẽGREjLWRiQ
TX\ết địQK Vố nơron OớS ẩQ Yj Vố OớS ẩQ Vẽ do ngườL QKậS TX\ếW
địQK7X\QKLrQYLệFFKọQORạLYjVốlượQJFủDWK{QJVốđầXYjRFy
ảnh hưởQJOớp đên chất lượQJFủDPạQJ
0{KuQKWRiQKọFFủD0ạng Nơron nhân tạRđượFWUuQKEj\
như sau
𝑦𝑦𝑦𝑦(𝑥𝑥𝑥𝑥) = 𝑓𝑓𝑓𝑓 (∑ 𝑤𝑤𝑤𝑤𝑖𝑖𝑖𝑖𝑥𝑥𝑥𝑥𝑖𝑖𝑖𝑖
𝑛𝑛𝑛𝑛 𝑖𝑖𝑖𝑖=1
)
Trong đó: y là gLi WUịđầXUDứQJ YớL ELếQ[IOjKjP NtFK
KRạWKD\KjPWUX\ềQZOjWUọQJVốOLrQNếWFủDnơron[OjFiFJLi
WUịđầXYjR
0DWUậQQKầPOẫQ &RQIXVLRQ0DWUL[
/jPột phương pháp đánh giá kếWTXảFủDQKữQJEjLWRiQSKkQ
ORạLYớLYLệF[HP[pWFảQKữQJFKỉVốYềđộFKtQK[iFYjEDRTXiWFảX
FiFGựđoán cho từQJOớS0ộWPDWUậQQKầPOẫQJồPFKỉVốsau đốL
YớLPỗLOớSSKkQORạL
+uQK0DWUậQQKầPOẫQ
73 7UXH3RVLWLYH 6ốlượQJGựđoán chính xác nhãn có giá trị3RVLWLYH
71 7UXH 1HJDWLYH 6ố lượQJ Gự đoán chính xác nhãn có giá trị
1HJDWLYH
)3 )DOVH3RVLWLYH 6ốlượQJGựđoán sai nhãn có giá trị3RVLWLYH
)1 )DOVH1HJDWLYH 6ốlượQJGựđoán sai nhãn có giá trị1HJDWLYH
7ừFKỉVốQj\WDRFyFRQVốđểđánh giá độFKtQK[iFFủD
P{KuQK
3UHFLVLRQ WURQJ WấW Fả FiF Gựđoán Positive có bao nhiêu dự
đoán chính xác:
3UHFLVLRQ 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇
5HFDOO WURQJWấWFảFiFGựđoán Positive có bao nhiêu dựđoán
là do mô hình đưa ra:
5HFDOO 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
1JRjLUDWDFzQFyPộWWK{QJVốNKiFOj$FFXUDF\ WURQJWấWFả
FiFGựđoán thì tỷOệGựđoán đúng là bao nhiêu
$FFXUDF\ 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇𝐹𝐹𝐹𝐹
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇+𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇𝐹𝐹𝐹𝐹+𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹
7KXWKậSVốOLệu đầXYjR
%ộ Gữ OLệX WURQJ EjL QJKLrQ FứX Oấ\ Wừ WKt QJKLệP FủD 0
%DUULRV&DVWHOODQRVHWDO>@0{KuQKWKtQJKLệPđượFP{WảWURQJ
KuQKEDRJồP (63EồQFKứD WDQN), bơm tăng áp (booster pump) KDLWUụFYtW Eộtrao đổLQKLệWEộWUX\ền độQJYDQWLết lưu (choke YDOYH KệWKốQJSKXQNKtEDRJồm máy phun khí, máy nén, van điềX
FKỉQKYjốQJPềP
&Kất lưu đượFVửGụQJOjKỗQKợSKDLSKầQNKtYjOỏQJSKầQ
OỏQJOjKỗQKợSGầXFy$3, $3,YjGầXGLHVHO6SKầQNKt
là nitơ 7KtQJKLệm được cài đặt đểNLểPVRiWFKtQK[iFYLệc tăng áp
VXất, lưu lượQJQKLệt độ&iFELến đượFJLiPViWởWKtQJKLệPQj\
EDRJồP 3 EDU FKrFKOệFKJLữDiSVXấWK~WYjiSVXấW[ảFủDPi\
bơm), mOLTXLG NJV NKối lượng lưu lượQJ FủD SKầQ OỏQJ 7LQ R& QKLệt độ đầX YjR Fủa bơm), USP PRPHQW [RắQ Fủa bơm) và
PJDV NJV NKối lượng lưu lượQJFủDSKầQNKt
0ục đích củDWKtQJKLệm là thay đổLFủDFiFWK{QJVốFủDKệ
WKốQJWKtQJKLệPWừđó tìm ra đLềXNLệQ[ả\UDFiFWUạQJWKiLFủDPộW
(63FyWKểJặSSKảL&yKDLWUạng thái được đềFặSởđây là trạQJWKiL
bình thườQJ 1RUPDO Wại đó ESP hoạt động bình thườQJWUạQJWKiL
WKứ KDL Oj WUạQJ WKiL OỗL )DXOW Wại đó ESP gặS WU~F WUặc, hư hỏQJ
7UạQJWKiLOỗLEDRJồPEốn trườQJKợS*, *DV,QFUHDVLQJ tăng bấW
thườQJ FủD NKt YjR (63 Jk\ UD KLện tượQJ VXUJLQJ RU JDV ORFNLQJ
SKHQRPHQD 9, 9LVFRFLW\ ,QFUHDVLQJ FKất lưu tăng độ QKớW OjP
JLảPKLệXVXấWFủa bơm và tăng ma sát trong đườQJốQJ&9 &KRNH
9DOYH FORVLQJ YDQ WLết lưu độW QJộW Eị đóng ',3 'HFUHDVLQJ RI
,QSXW3UHVVXUH JLảPiSVXất đầXYjR
%ộVốOLệXJồPPẫu trong đó có 392 mẫX1RUPDPẫX
&9PẫX',3PẫX9, Pẫu GI đượFWKểKLệQU}ở+uQK
+uQK0{KuQKWKtQJKLệP(63>@
+uQK%ảQJVốOLệu đầXYjRFủDP{KuQK>@
;k\GựQJP{KuQKGựđoán lỗLFủa bơm điệQFKuPEằQJKDL
phương pháp XGboosting và 0ạQJQơron nhân tạR
0ụFWLrXFủDYLệF[k\GụQJP{KuQKOjWừQKữQJGữOLệu đầX
vào ban đầXOjFiFWK{QJVốWKDPVốảnh hưởQJWớLKRạt độQJFủD
ESP đểGựđoán chính xác nhấWWK{QJVốđầXUDOjWuQKWUạQJFủD(63
&iFP{KuQKVửGụng 2 phương pháp có họFPi\Oj;*ERRVWLQJ
Yj0ạng Nơron nhân tạR ĐộFKtQK[iFFủa mô hình được đánh giá EằQJPDWUậQQKầPOẫQ
0{KuQK;*ERRVWLQJWLếQKjQKWUộQOẫQGữOLệXPẫu sau đó FKLD
EộGữOLệu ban đầXWKjQKKDLSKầQ EộGữOLệu đào tạRFKLếP
PẫX EộGữOLệu ban đầXEộEộGữOLệXNLểPWUDFKLếP PẫX FzQOạLFủDEộGữOLệXban đầX0{KuQK;*ERRVWLQJđượFWKLếWOậS[k\
GựQJFk\TX\ết định (e_estimator = 100) ĐộVkXWối đa củDFk\Oj
PD[BGHSWK JLi WUị NKởi đầX Oj 0.5, cây đầX WLrQ FủD P{ KuQK
đượFELểXGLễQởKuQKWừđó dựđoán tình trạQJFủDKệWKốQJ(63
+uQK&k\TX\ết định đầXWLrQFủD;JERRVWLQJ
0{KuQK0ạng Nơron nhân tạRFKLDEộGữOLệu ban đầXWKjQK
SKầQEDRJồP
%ộGữOLệu đào tạR WUDLQLQJGDWD FKLếPEộGữOLệXEDQ
đầXEộGữOLệu đốLViQKFKpR YDOLGDWLRQGDWD FKLếPEộGữOLệX
ban đầXEộGữOLệXNLểPWUD WHVWGDWD FKLếPFzQOạLFủDEộGữ
OLệu ban đầX
0{KuQK0ạng Nơron nhân tạRVửGụQJPạQJnơronFyOớS
WUX\ềQWKẳQJOớSẩQFynơron
+uQK0{KuQKPạng nơtron
ếWTXảYjWKảROXậQ
;*ERRVWLQJ
0{KuQK;*ERRVWLQJFKRWDFiFGựJLiWUịGựđoán có độFKtQK
[iFFDRởFiFKLện tượng như Normal (88 9, *, Yj
độFKtQK[iFởPức khá như DIP ( 67%) và trung bình như CV (42%)
ĐộFKtQK[iFWổQJWKểOj$FFXUDU\ 1JX\rQ
QKkQFủDYLệFGựđoán không chính xác hai lỗL&9Yj',3OjGRKDL
JOMC 148
QJX\rQ QKkQ VDX 7Kứ QKấW Oj GR Vố lượQJ PẫX [XấW KLệQ KDL KLệQ
tượQJQj\OjNKitWYớLPẫXở&9YjPẫXở',31JX\rQQKkQ
WKứhai là do điềXNLệQ[XấWKLệQFủDKDLKLện tượQJQj\OjJần như tương đồQJQKDXQrQJk\UDKLện tượQJQKầPOẫQGựEiRVDLTXDOạL
JLữDKDLKLện tượQJ
+uQK0DWUậQQKầPOẫQđánh giá độFKtQK[iFFủD;JERRVWLQJ
;*ERRVWLQJFXQJFấp đánh giá mối tương quan của các đặFWtQK
đốLYớLNếWTXảGựđoán củDP{KuQK+uQK WKểKLệQVựảnh hưởQJ
Fủa các đặFWtQKWừWKấp đến cao đốLYớLP{KuQK7DFyPOLTXLGFyVự
ảnh hưởQJOớQQKấWYới 1582 điểPNếđếQOjPJDVYj3FyVứFảQK
hưởQJ Jần như nhau lần lượt là 1110 điểm và 984 điểm, hai đặF
trưng còn lạLOj7YjFyảnh hưởQJNKiQKỏQếXVRVDQKYới 2 đặF
trưng kểWUrQ1KờYjREảng đánh giá này ta chạ\OạLP{KuQKYớLYLệF
lượWEỏEớt đi hai thông sốtWảnh hưởng hơnOj7Yjđể[HPFyWKể
ORạLEỏEớWQKLễXFKRP{KuQKKD\NK{QJ
+uQK 7ầPảnh hưởQJFủa các đặc trưng tác động đếQP{KuQK
9LệFFKạ\OạLP{KuQKYớLKDLWK{QJVốđược lượWEỏlàm tăng WtQKFKtQK[iFFủDYLệFGựEiRnhư trong hình 10&9tăng WừđếQ
9,tăng Wừ đếQ%, nhưng nhữQJGựEiRYềKLệQ
tượQJFzQOạLEịJLảP[XốQJWừđó làm cho độFKtQK[iFWổQJWKểJLảP
FzQ1KữQJGựEiRYề1RUPDO*,',3WX\Fy
JLảm nhưng lạLJLảPPộWlượng không đáng kếVRYớLYLệFGựEjR&9
tăng từPức dưới trung bình đếQPứFWUXQJEuQK.ếWOXận đểtăng NKả năng dự đoán đúng ở WừQJ QKmQ Fy WKể WD SKải hy sinh đi độ
FKtQK[iFWổQJWKểFủDP{KuQK
+uQK0DWUậQQKầPOẫQsau khi đã lượWEỏhai đặc trưng T và
0ạng Nơron nhân tạR
0{KuQK0ạng Nơron nhân tạRFKRWDFiFGựEiRởPứFWUXQJ EuQKYớLQKmQ1RUPDO&9',3*,% và đặF ELếW NKi FKtQK [iF ở QKmQ 9, 9ẫQ JLốQJ YớL P{ KuQK
;*ERRVWLQJYớL&9Yj',3OjKDLQKmQFyWỷOệGựbáo đúng thấSQKấW ĐộFKtQK[iFWổQJWKểFủDP{KuQKQằPởPứF
+uQK0DWUậQQKầPOẫQNKLOớSẩQFynơron
+uQK0DWUậQQKầPOẫQNKLOớSẩQFynơron
9ới 10 nơron lớSẩQWỷOệGựbáo không được như kì vọQJQrQ
ta tăng sốnơron trong lớSẩn lên 20 nơron và nhận đượFNếWTXảEấW
Trang 6JOMC 149
QJX\rQ QKkQ VDX 7Kứ QKấW Oj GR Vố lượQJ PẫX [XấW KLệQ KDL KLệQ
tượQJQj\OjNKitWYớLPẫXở&9YjPẫXở',31JX\rQQKkQ
WKứhai là do điềXNLệQ[XấWKLệQFủDKDLKLện tượQJQj\OjJần như
tương đồQJQKDXQrQJk\UDKLện tượQJQKầPOẫQGựEiRVDLTXDOạL
JLữDKDLKLện tượQJ
+uQK0DWUậQQKầPOẫQđánh giá độFKtQK[iFFủD;JERRVWLQJ
;*ERRVWLQJFXQJFấp đánh giá mối tương quan của các đặFWtQK
đốLYớLNếWTXảGựđoán củDP{KuQK+uQK WKểKLệQVựảnh hưởQJ
Fủa các đặFWtQKWừWKấp đến cao đốLYớLP{KuQK7DFyPOLTXLGFyVự
ảnh hưởQJOớQQKấWYới 1582 điểPNếđếQOjPJDVYj3FyVứFảQK
hưởQJ Jần như nhau lần lượt là 1110 điểm và 984 điểm, hai đặF
trưng còn lạLOj7YjFyảnh hưởQJNKiQKỏQếXVRVDQKYới 2 đặF
trưng kểWUrQ1KờYjREảng đánh giá này ta chạ\OạLP{KuQKYớLYLệF
lượWEỏEớt đi hai thông sốtWảnh hưởng hơnOj7Yjđể[HPFyWKể
ORạLEỏEớWQKLễXFKRP{KuQKKD\NK{QJ
+uQK 7ầPảnh hưởQJFủa các đặc trưng tác động đếQP{KuQK
9LệFFKạ\OạLP{KuQKYớLKDLWK{QJVốđược lượWEỏlàm tăng
WtQKFKtQK[iFFủDYLệFGựEiRnhư trong hình 10&9tăng WừđếQ
9,tăng Wừ đếQ%, nhưng nhữQJGựEiRYềKLệQ
tượQJFzQOạLEịJLảP[XốQJWừđó làm cho độFKtQK[iFWổQJWKểJLảP
FzQ1KữQJGựEiRYề1RUPDO*,',3WX\Fy
JLảm nhưng lạLJLảPPộWlượng không đáng kếVRYớLYLệFGựEjR&9
tăng từPức dưới trung bình đếQPứFWUXQJEuQK.ếWOXận đểtăng
NKả năng dự đoán đúng ở WừQJ QKmQ Fy WKể WD SKải hy sinh đi độ
FKtQK[iFWổQJWKểFủDP{KuQK
+uQK0DWUậQQKầPOẫQsau khi đã lượWEỏhai đặc trưng T và
0ạng Nơron nhân tạR
0{KuQK0ạng Nơron nhân tạRFKRWDFiFGựEiRởPứFWUXQJ
EuQKYớLQKmQ1RUPDO&9',3*,% và đặF
ELếW NKi FKtQK [iF ở QKmQ 9, 9ẫQ JLốQJ YớL P{ KuQK
;*ERRVWLQJYớL&9Yj',3OjKDLQKmQFyWỷOệGựbáo đúng thấSQKấW
ĐộFKtQK[iFWổQJWKểFủDP{KuQKQằPởPứF
+uQK0DWUậQQKầPOẫQNKLOớSẩQFynơron
+uQK0DWUậQQKầPOẫQNKLOớSẩQFynơron
9ới 10 nơron lớSẩQWỷOệGựbáo không được như kì vọQJQrQ
ta tăng sốnơron trong lớSẩn lên 20 nơron và nhận đượFNếWTXảEấW
OjWỷOệGựđoán chính xác đều tăng lên nhãn Normal (58→
&9 → ',3 → 9, → *,
→ 7ừđó làm tăng độFKtQK[iFWổQJWKểOrQWKjQK
9ẫQJLữVốnơronOớSẩQOjnơronYjWKửiSGụQJFiFKOjP
tương tựXGboosting là lượWEỏ2 đặc trưngOj7YjWDVẽđược độ
FKtQK[iFWRjQSKầQOj WKấp hơn 0ạng Nơron nhân tạRYớL
nơronOớSẩQ5~WUDNếWOXậQYLệFORạLEỏ2 đặc trưng trên không có KLệXWURQJP{KuQK0ạng Nơron nhân tạR
6RViQKđộFKtQK[iFFủDKDLP{KuQK;*ERRVWLQJYj0ạng Nơron QKkQWạR
7DVRViQKKDLNếWTXảWốWQKấWFủDP{KuQKWURQJ%ảQJ
%ảQJ6RViQKđộFKtQK[iFFủDKDLP{KuQK;*ERRVWLQJYj0ạng Nơron nhân tạR
7ừEảQJWUrQWDWKấ\VựvượWWUộLFủD;*ERRVWLQJWURQJEjLWRiQ
SKkQORạLOỗLFủDKệWKốQJ(631JX\rQQKkQFủDVựvượWWUộLQj\Oj
GR0ạng Nơron nhân tạRWKtFKKợp hơn vớLQKữQJEjLWRiQKồLTX\
hơn là nhữQJEjLWRiQSKkQORạL;*ERRVWLQJVửGụQJFiFFk\TX\ếW
định để xác địQK [iF VXấW [XấW KLệQ FủD FiF QKmQ WURQJ NKL
XGboosting hoàn toàn dùng đến các hàm tính toán do đó dễEịQKLễX
hơn
ếWOXậQ
%jL QJKLrQ Fứu đã trình bày một phương pháp tiếS FậQ FKủ
động để Gự đoán lỗL Fủa bơm điện chìm Mô hình trong bài đã sử
Gụng hai phương pháp Pi\ KọF WK{QJ GụQJ QKấW KLệQ QD\ Oj
;*ERRVWLQJ Yj 0ạQJ 1ơron 1KkQ 7ạR ếW OXận được đưa ra là phương pháp XGboosting thích hợp hơn trong vấn đề SKkQ ORạL OỗL
bơm điệQFKuP.ếWTXảFủa phương pháp nàyNK{QJFKỉcó độFKtQK
[iFFDRPjFzQFKRWDWKấ\Vựảnh hưởQJFủDFiFWKDPVốđốLYớLTXi
WUuQKSKkQORạL7K{QJTXDNếWTXảFủDFiFP{KuQKWDWKấy đượFKLệX
TXảFủDYLệFORạLEớWQKữQJWKDPVốFyảnh hưởng ít đếQNếWTXảđầX
UDWURQJEộVốOLệu ban đầX9LệFORạLEỏQKữQJWKDPVốQKLễXWURQJ
EộGữOLệXOjPTXiWUuQKGựđoán chính xác hơn, tiếWNLệPWjLQJX\rQ
FKRP{KuQK
7jLOLệXWKDPNKảR
>@ $EKLMHHW6DQGHHS%KDUGZDM5DKXO6DUDI*HHWKD*RSDNXPDU1DLUDQG
6ULGKDUDQ 9DOODEKDQHQL +DOOLEXUWRQ “SPE 065HDO
7LPH 0RQLWRULQJ DQG 3UHGLFWLYH )DLOXUH ,GHQWLILFDWLRQ IRU (OHFWULFDO
Submersible Pumps” $EX 'KDEL ,QWHUQDWLRQDO 3HWUROHXP ([KLELWLRQ
&RQIHUHQFHKHOGLQ$EX'KDEL8$(1RYHPEHU
>@ %DUULRV &DVWHOODQRV 0DXULFLRD $OEHUWR /XL] 6HUSDD -RUJH /XL]
%LD]XVVLE 0RQWH 9HUGH :LOOLDPE GR 6RFRUUR 'LDV $UULIDQR 6DVVLP
1DWDFKHE “Fault LGHQWLILFDWLRQXVLQJDFKDLQRIGHFLVLRQWUHHVLQDQ
HOHFWULFDOVXEPHUVLEOHSXPSRSHUDWLQJLQDOLTXLGgas flow”
>@ /RQJ 3HQJ *XRTLQJ +DQ ;LDQIX 6XL $UQROG /DQGMRER 3DJRX /L\LQJ
=KXDQG-LQ6KX ”3UHGLFWLYH$SSURDFKWR3HUIRUP)DXOW'HWHFWLRQ
LQElectrical Submersible Pump Systems”.
>@ 0LNH 3HQQHO -HIIUH\ +VLXQJ DQG 9%3XWFKD 2VSUH\'DWD ,QF
“SPE 06 'HWHFWLQJ )DLOXUHV DQG 2SWLPL]LQJ 3HUIRUPDQFH LQ Artificial Lift Using Machine Learning Models” 63( :HVWHUQ 5HJLRQDO
0HHWLQJKHOGLQ*DUGHQ*URYH&DOLIRUQLD86$$SULO
>@ 0RKDQDQG$EGHOD]L]5DIDHO/DVWUDDQG--;LDR6DXGL$UDPFR
63(06 “ESP Data Analytics Predicting Failures for Improved
Production Performance” $EX 'KDEL ,QWHUQDWLRQDO 3HWUROHXP
([KLELWLRQVDQG&RQIHUHQFHKHOGLQ$EX'KDEL8$(1RYHPEHU
>@ 1LFR -DQVHQ 9DQ 5HQVEXUJ /LVD DPLQ DQG 6NLS 5REHUW 'DYLV
6LHPHQV$* ),”8VLQJ0DFKLQH/HDUQLQJ%DVHG3UHGLFWLYH0RGHOVWR
(QDEOHPreventative Maintenance and Prevent ESP Downtime”$EX'KDEL
,QWHUQDWLRQDO 3HWUROHXP ([KLELWLRQ &RQIHUHQFH KHOG LQ $EX 'KDEL 8$(1RYHPEHU
>@ 2P 3UDVDG 3DWUL $QDQG 9 3DQDQJDGDQ &KDUDODPSRV &KHOPLV 8QLYHUVLW\ RI 6RXWKHUQ &DOLIRUQLD 5DQGDOO *0F.HH &KHYURQ 86$ ,QFDQG9LNWRU.3UDVDQQD8QLYHUVLW\RI6RXWKHUQ&DOLIRUQLD
“ 63(063UHGLFWLQJ)DLOXUHVIURP2LOILHOG6HQVRU'DWDXVLQJ7LPH Series Shapelets”,$PVWHUGDP7KH1HWKHUODQGV– 2FWREHU
>@ 3LQJ /X +DLWDR /LX &KULVWRSKHU 6HUUDWHOOD DQG ;LDR]KL :DQJ
$PHULFDQ %XUHDX RI 6KLSSLQJ “Assessment of Data'ULYHQ
0DFKLQH /HDUQLQJ 7HFKQLTXHV IRU 0DFKLQHU\ 3URJQRVWLFV RI 2IIVKRUH Assets”2IIVKRUH7HFKQRORJ\&RQIHUHQFHKHOGLQ+RXVWRQ7H[DV86$
–0D\
> @ 5LQDW$OIUHGRYLFK.KDELEXOOLQDQG$UWXUDV5LPR6KDERQDV*XENLQ2LO DQG *DV 8QLYHUVLW\ 0RVFRZ 1LNROD\ 6HUJHHYLFK *XUEDWRY 'HHSOLJKW
$OH[H\9DVLOLHYLFK7LPRQRY([SHUW “SPE063UHGLFWLRQ
RI(63V)DLOXUH8VLQJ0/DW:HVWHUQ6LEHULD2LOILHOGVZLWK/DUJH1XPEHURI Wells” 63( 5XVVLDQ 3HWUROHXP 7HFKQRORJ\ &RQIHUHQFH RULJLQDOO\
VFKHGXOHGWREHKHOGLQ0RVFRZ5XVVLD2FWREHU
>@ 3KDP 6RQ 7XQJ 9R Phi Son and Nguyen Dac Nhat (2021) “(IIHFWLYH
(OHFWULFDO 6XEPHUVLEOH 3XPS 0DQDJHPHQW 8VLQJ 0DFKLQH /HDUQLQJ 2SHQ Journal of Civil Engineering”
>@ 7D4XRF'XQJ/H7KH+D3KDP'X\.KDQJ ), “ỨQJGụQJPạQJ
nơronQKkQWạR $UWLILFLDO1HXUDOQHWZRUN WURQJGựbáo độ”7ạSFKt'ầX
.Kt6ố WUDQJ–,661;
>@ 7LDQTL &KHQ &DUORV *XHVWULQ 8QLYHUVLW\ RI :DVKLQJWRQ
“XGBoost: A Scalable Tree Boosting System”.
OjWỷOệGựđoán chính xác đều tăng lên nhãn Normal (58→
&9 → ',3 → 9, → *,
→ 7ừđó làm tăng độFKtQK[iFWổQJWKểOrQWKjQK
9ẫQJLữVốnơronOớSẩQOjnơronYjWKửiSGụQJFiFKOjP
tương tựXGboosting là lượWEỏ2 đặc trưngOj7YjWDVẽđược độ
FKtQK[iFWRjQSKầQOj WKấp hơn 0ạng Nơron nhân tạRYớL
nơronOớSẩQ5~WUDNếWOXậQYLệFORạLEỏ2 đặc trưng trên không có KLệXWURQJP{KuQK0ạng Nơron nhân tạR
6RViQKđộFKtQK[iFFủDKDLP{KuQK;*ERRVWLQJYj0ạng Nơron QKkQWạR
7DVRViQKKDLNếWTXảWốWQKấWFủDP{KuQKWURQJ%ảQJ
%ảQJ6RViQKđộFKtQK[iFFủDKDLP{KuQK;*ERRVWLQJYj0ạng Nơron nhân tạR
7ừEảQJWUrQWDWKấ\VựvượWWUộLFủD;*ERRVWLQJWURQJEjLWRiQ
SKkQORạLOỗLFủDKệWKốQJ(631JX\rQQKkQFủDVựvượWWUộLQj\Oj
GR0ạng Nơron nhân tạRWKtFKKợp hơn vớLQKữQJEjLWRiQKồLTX\
hơn là nhữQJEjLWRiQSKkQORạL;*ERRVWLQJVửGụQJFiFFk\TX\ếW
định để xác địQK [iF VXấW [XấW KLệQ FủD FiF QKmQ WURQJ NKL
XGboosting hoàn toàn dùng đến các hàm tính toán do đó dễEịQKLễX
hơn
ếWOXậQ
%jL QJKLrQ Fứu đã trình bày một phương pháp tiếS FậQ FKủ
động để Gự đoán lỗL Fủa bơm điện chìm Mô hình trong bài đã sử
Gụng hai phương pháp Pi\ KọF WK{QJ GụQJ QKấW KLệQ QD\ Oj
;*ERRVWLQJ Yj 0ạQJ 1ơron 1KkQ 7ạR ếW OXận được đưa ra là phương pháp XGboosting thích hợp hơn trong vấn đề SKkQ ORạL OỗL
bơm điệQFKuP.ếWTXảFủa phương pháp nàyNK{QJFKỉcó độFKtQK
[iFFDRPjFzQFKRWDWKấ\Vựảnh hưởQJFủDFiFWKDPVốđốLYớLTXi
WUuQKSKkQORạL7K{QJTXDNếWTXảFủDFiFP{KuQKWDWKấy đượFKLệX
TXảFủDYLệFORạLEớWQKữQJWKDPVốFyảnh hưởng ít đếQNếWTXảđầX
UDWURQJEộVốOLệu ban đầX9LệFORạLEỏQKữQJWKDPVốQKLễXWURQJ
EộGữOLệXOjPTXiWUuQKGựđoán chính xác hơn, tiếWNLệPWjLQJX\rQ
FKRP{KuQK
/ờLFảm ơn
1JKLrQFứu đượFWjLWUợEởi Trường ĐạLKọF%iFKNKRD–ĐHQG+&0
WURQJNKXkQNKổĐềWjLPmVố7RĐCDK
7jLOLệXWKDPNKảR
>@ $EKLMHHW6DQGHHS%KDUGZDM5DKXO6DUDI*HHWKD*RSDNXPDU1DLUDQG
6ULGKDUDQ 9DOODEKDQHQL +DOOLEXUWRQ “SPE 065HDO
7LPH 0RQLWRULQJ DQG 3UHGLFWLYH )DLOXUH ,GHQWLILFDWLRQ IRU (OHFWULFDO
Submersible Pumps” $EX 'KDEL ,QWHUQDWLRQDO 3HWUROHXP ([KLELWLRQ
&RQIHUHQFHKHOGLQ$EX'KDEL8$(1RYHPEHU
>@ %DUULRV &DVWHOODQRV 0DXULFLRD $OEHUWR /XL] 6HUSDD -RUJH /XL]
%LD]XVVLE 0RQWH 9HUGH :LOOLDPE GR 6RFRUUR 'LDV $UULIDQR 6DVVLP
1DWDFKHE “Fault identification using a chain of decision trees in an
HOHFWULFDOVXEPHUVLEOHSXPSRSHUDWLQJLQDOLTXLGgas flow”
>@ /RQJ 3HQJ *XRTLQJ +DQ ;LDQIX 6XL $UQROG /DQGMRER 3DJRX /L\LQJ
=KXDQG-LQ6KX ”3UHGLFWLYH$SSURDFKWR3HUIRUP)DXOW'HWHFWLRQ
in Electrical Submersible Pump Systems”.
>@ 0LNH 3HQQHO -HIIUH\ +VLXQJ DQG 9%3XWFKD 2VSUH\'DWD ,QF
“SPE 06 'HWHFWLQJ )DLOXUHV DQG 2SWLPL]LQJ 3HUIRUPDQFH LQ Artificial Lift Using Machine Learning Models” 63( :HVWHUQ 5HJLRQDO
0HHWLQJKHOGLQ*DUGHQ*URYH&DOLIRUQLD86$$SULO
>@ 0RKDQDQG$EGHOD]L]5DIDHO/DVWUDDQG--;LDR6DXGL$UDPFR
63(06 “ESP Data Analytics Predicting Failures for Improved
Production Performance” $EX 'KDEL ,QWHUQDWLRQDO 3HWUROHXP
([KLELWLRQVDQG&RQIHUHQFHKHOGLQ$EX'KDEL8$(1RYHPEHU
>@ 1LFR -DQVHQ 9DQ 5HQVEXUJ /LVD DPLQ DQG 6NLS 5REHUW 'DYLV
6LHPHQV$* ),”8VLQJ0DFKLQH/HDUQLQJ%DVHG3UHGLFWLYH0RGHOVWR
Enable Preventative Maintenance and Prevent ESP Downtime”$EX'KDEL
,QWHUQDWLRQDO 3HWUROHXP ([KLELWLRQ &RQIHUHQFH KHOG LQ $EX 'KDEL 8$(1RYHPEHU
>@ 2P 3UDVDG 3DWUL $QDQG 9 3DQDQJDGDQ &KDUDODPSRV &KHOPLV 8QLYHUVLW\ RI 6RXWKHUQ &DOLIRUQLD 5DQGDOO *0F.HH &KHYURQ 86$ ,QFDQG9LNWRU.3UDVDQQD8QLYHUVLW\RI6RXWKHUQ&DOLIRUQLD
“ 63(063UHGLFWLQJ)DLOXUHVIURP2LOILHOG6HQVRU'DWDXVLQJ7LPH Series Shapelets”,$PVWHUGDP7KH1HWKHUODQGV– 2FWREHU
>@ 3LQJ /X +DLWDR /LX &KULVWRSKHU 6HUUDWHOOD DQG ;LDR]KL :DQJ
$PHULFDQ %XUHDX RI 6KLSSLQJ “Assessment of Data'ULYHQ
0DFKLQH /HDUQLQJ 7HFKQLTXHV IRU 0DFKLQHU\ 3URJQRVWLFV RI 2IIVKRUH Assets”2IIVKRUH7HFKQRORJ\&RQIHUHQFHKHOGLQ+RXVWRQ7H[DV86$
–0D\
> @ 5LQDW$OIUHGRYLFK.KDELEXOOLQDQG$UWXUDV5LPR6KDERQDV*XENLQ2LO DQG *DV 8QLYHUVLW\ 0RVFRZ 1LNROD\ 6HUJHHYLFK *XUEDWRY 'HHSOLJKW
$OH[H\9DVLOLHYLFK7LPRQRY([SHUW “SPE063UHGLFWLRQ
RI(63V)DLOXUH8VLQJ0/DW:HVWHUQ6LEHULD2LOILHOGVZLWK/DUJH1XPEHURI Wells” 63( 5XVVLDQ 3HWUROHXP 7HFKQRORJ\ &RQIHUHQFH RULJLQDOO\
VFKHGXOHGWREHKHOGLQ0RVFRZ5XVVLD2FWREHU
>@ 3KDP 6RQ 7XQJ 9R Phi Son and Nguyen Dac Nhat (2021) “(IIHFWLYH
(OHFWULFDO 6XEPHUVLEOH 3XPS 0DQDJHPHQW 8VLQJ 0DFKLQH /HDUQLQJ 2SHQ Journal of Civil Engineering”
>@ 7D4XRF'XQJ/H7KH+D3KDP'X\.KDQJ ), “ỨQJGụQJPạQJ
nơronQKkQWạR $UWLILFLDO1HXUDOQHWZRUN WURQJGựbáo độ”7ạSFKt'ầX
.Kt6ố WUDQJ–,661;
>@ 7LDQTL &KHQ &DUORV *XHVWULQ 8QLYHUVLW\ RI :DVKLQJWRQ
“XGBoost: A Scalable Tree Boosting System”.
... hỏQJ(63Jk\UDUấWQKLều phương pháp đề ra để Gự báo trướF đượFQKữQJEất thườQJFủDKệWKốQJ(63Wừđó đưa kếKRạFKWKD\WKếYjVửDFKữD1KLệPYụFủD QJười kĩ sư dầXNKtOjOựDFKọn phương pháp hiệXTXảYjtWWốQNpPWKời...ÉSGụQJPộWVố phương pháp máy học để GựEiRFiFYấn đề FyWKểSKiWVLQK
Fủa bơm điệQFKuPWURQJTXiWUuQKVửGụQJ
Bơm điệQFKuP...
WKờLJLDQ[XấWKLệQOỗLFủD(63Eằng phương pháp 7LPHVHULHV6KDSHOHWV
FủD2PHWDO>@''ựEiRWKờLJLDQ[ả\UDOỗLFủa ESP có thể WKứF
KLệQEằng phương pháp phân tích số OLệXNếWKợSYớLFiFFiFWKXậWWRiQ