Design and Development of Soft-sensors in the Context of Oil and Gas 4.0: an AutoML Approach based on Machine Learning Feature Engineering

Abstract

Actualmente la industria está inmersa en su cuarta revolución, caracterizada por la digitalización de las plantas y los procesos industriales. A este fenómeno se le conoce como Industry 4.0. De manera similar, el campo del petróleo y gas está adoptando dichas medidas de captación de datos y extracción de información a partir de los mismos, dando lugar a la estrategia Oil and Gas 4.0. En este sentido y especialmente en las refinerías, se plantea el uso de sensores virtuales para inferir, la calidad de los subproductos derivados del petróleo. Dichos sensores virtuales permiten complementar la función de los analizadores online integrados en planta, así como de los test de laboratorio proporcionando con antelación y de manera continua estimaciones de la calidad de los subproductos. Este conocimiento temprano de dicha calidad conlleva la ventaja de poder aplicar acciones correctivas de re-preprocesamiento del subproducto que no cumpla las especificaciones con la suficiente antelación, ahorrando costes a la refinería.Así, el objetivo principal de esta tesis es diseñar, desarrollar y validar una metodología para la automatización del diseño y desarrollo de sensores virtuales basada en Machine Learning y muy especialmente en Feature Engineering. Para ello, se ha investigado en el impacto en los algoritmos de Machine Learning de diferentes métodos de preprocesamiento de las características o features, especialmente en los métodos de ponderación (Feature Weighting) y de normalización (Feature Normalisation), demostrando su importancia a la hora de mejorar el rendimiento de los modelos. Como resultado de dicha investigación se ha propuesto una metodología sistemática para la selección del método de preprocesamiento adecuado dado un problema.Además, en base a las conclusiones obtenidas en los estudios realizados, se ha propuesto una solución AutoML que considera diferentes métodos para el preprocesamiento de las variables, así como diversos algoritmos de Machine Learning y busca de manera automática la combinación apropiada para la creación de un sensor virtual concreto. Dicha solución AutoML ha sido validada sobre dos casos reales de refinería. El primer sensor virtual desarrollado por el AutoML estima la calidad del subproducto del fondo de la torre de vacío. El segundo sensor virtual infiere la calidad del butano en base al porcentaje de pentanos contenido en él. Los resultados en ambos casos de uso corroboran la validez del sistema AutoML propuesto para el diseño y desarrollo automático de sensores virtuales.