تفاصيل مارك
| 000 -LEADER |
|---|
| fixed length control field |
09018namaa22004331i 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
EG-GICUC |
| 005 - أخر تعامل مع التسجيلة |
|---|
| control field |
20260422115403.0 |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
260407s2025 ua a|||frm||| 000 0 eng d |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloguing agency |
EG-GICUC |
| Language of cataloging |
eng |
| Transcribing agency |
EG-GICUC |
| Modifying agency |
EG-GICUC |
| Description conventions |
rda |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
eng |
| Language code of summary or abstract |
eng |
| -- |
ara |
| 049 ## - Acquisition Source |
|---|
| Acquisition Source |
Deposit |
| 082 04 - DEWEY DECIMAL CLASSIFICATION NUMBER |
|---|
| Classification number |
006.31 |
| 092 ## - LOCALLY ASSIGNED DEWEY CALL NUMBER (OCLC) |
|---|
| Classification number |
006.31 |
| Edition number |
21 |
| 097 ## - Degree |
|---|
| Degree |
M.Sc |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Local Call Number |
Cai01.18.11.M.Sc.2025.Ah.S |
| 100 0# - MAIN ENTRY--PERSONAL NAME |
|---|
| Authority record control number or standard number |
Ahmed Mohammed El Sayed Mohammed Moussa, |
| Preparation |
preparation. |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Sucker rod pump failure analysis using deep learning / |
| Statement of responsibility, etc. |
by Ahmed Mohammed El Sayed Mohammed Moussa ; Supervision Prof. Dr Abd El Hadi Nabih Ahmed, Dr. Amr Ahmed Ismail Zamel. |
| 246 15 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
تحليل اعطال مضخات القضبان الامتصاصية بإستخدام التعلم العميق |
| 264 #0 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Date of production, publication, distribution, manufacture, or copyright notice |
2025. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
84 Leaves : |
| Other physical details |
illustrations ; |
| Dimensions |
30 cm. + |
| Accompanying material |
CD. |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Source |
rda content |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
Unmediated |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Thesis (M.Sc)-Cairo University, 2025. |
| 504 ## - BIBLIOGRAPHY, ETC. NOTE |
|---|
| Bibliography, etc. note |
Bibliography: pages 77-84. |
| 520 #3 - SUMMARY, ETC. |
|---|
| Summary, etc. |
Sucker rod pumping is a prevalent method in artificial lift technologies, and monitoring its working conditions is crucial for maintaining acceptable productivity levels.<br/>Many problems with sucker-rod pumping wells could go unnoticed if operational conditions or failures in the sensors are not identified correctly. These issues can lead to significant production losses and downtime. In these wells, downhole intervention is performed to identify operational problems. Dynamometer cards are essential tools for analyzing the performance of rod-pumping wells.<br/>Traditional methods for identifying operational issues in sucker-rod pumping wells rely heavily on the manual analysis of dynamometer (dyno) cards. This process is not only time-consuming but also prone to human error. As the frequency and volume of sensor data increase, the manual classification of dyno card shapes becomes increasingly unfeasible, leading to potential oversights in well-operation monitoring.<br/>This study introduces a Semi-Supervised Generative Adversarial Network (SSGAN) to automate the classification of sucker-rod pumping well conditions, particularly when labeled data is limited. The SSGAN model leverages a small amount of labeled data with a large pool of unlabeled data, using random noise to generate synthetic data. This approach augments the dataset, enabling the model to learn more effectively and enhance classification performance.<br/>The proposed SSGAN model's performance was evaluated against several state-of-the-art models, including Triple GAN, Supervised CNN, Semi-Supervised SVM, and XGBoost. Results demonstrate that when labeled data is scarce, SSGAN outperforms other models with an accuracy of 86% across five pumping conditions. With the increased availability of labeled data, both SSGAN and Triple GAN achieve high accuracy rates exceeding 92%. Conversely, models like Supervised CNN, Semi-Supervised SVM, and XGBoost require significantly more labeled data to reach comparable performance levels. |
| 520 #3 - SUMMARY, ETC. |
|---|
| Summary, etc. |
مضخات قضيب الشفط هى احدى الطرق المستخدمة في تقنيات الرفع الصناعي فى عمليات استخراج البترول الخام من آبار البترول، ومراقبة ظروف تشغيل هذه المضخات أمر ضروري للحفاظ على مستويات إنتاجية مقبولة. يمكن أن تمرآبار البترول بالعديد من مشاكل التشغيل المختلفة أثناء عملية استخراج البترول باستخدام مضخة قضيب الشفط دون ملاحظة إذا لم يتم التعرف على الظروف التشغيلية بشكل سريع.حيث تؤدي هذه المشكلات إلى خسائر كبيرة في الإنتاج وتوقف في العمل . في هذه الآبار، يتم إجراء التدخل في قاع البئر لتحديد المشاكل التشغيلية, وتعد بطاقات الدينامومتر أداة أساسية لتحليل أداء آبار الضخ بقضيب الشفط . تعتمد الطرق التقليدية في تحديد المشاكل التشغيلية في آبار ضخ قضيب الشفط بشكل كبير على التحليل اليدوي لبطاقات الدينامومتر، وهذا الأسلوب ليس فقط مستهلكًا للوقت، بل أيضًا عرضة للأخطاء البشرية. يتم تركيب مستشعرات بجسم المضخة فى هذه الآبار لمراقبة حالة المضخة . ومع تزايد حجم وسرعة بيانات المتولدة من مستشعرات المراقبة، يصبح التصنيف اليدوي لأشكال بطاقات الدينامومتر أكثر صعوبة، مما يزيد من احتمالية تجاهل مشاكل تشغيل الآبار. تعتمد هذه الدراسة على تقنية الشبكة العصبية التوليدية لتصنيف حالات آبار الضخ بقضيب الشفط ، خاصة في ظل محدودية البيانات المصنفة . حيث تقوم التقنية المستخدمة على شبكتين عصبيتين تتنافسان لتحسين قدرات النموذج: الأولى تُعرف بالشبكة التوليدية التي تحاول إنشاء بيانات شبيهة بالبيانات الحقيقية، والثانية هي الشبكة التمييزية التي تميز بين البيانات الحقيقية والمخلقة . ومن خلال هذه العملية التنافسية، يتطور النظام ليكون قادرًا على توليد بيانات جديدة يمكن استخدامها لمحاكاة حالات الأعطال النادرة أو الصعبة التحديد. ومن خلال هذه العملية التنافسية، يتطور النظام ليكون قادرًا على توليد بيانات جديدة يمكن استخدامها لمحاكاة حالات الأعطال النادرة أو الصعبة التحديد. تم تدريب النموذج المقترح باستخدام بيانات ميدانية حقيقية من حوالي 4,257 بطاقة دينامومتر . 27.5 ٪ من هذه البطاقات تمثل الظروف العادية، و 82.5٪ من هذه البطاقات تمثل أنظمة مضخات بها أربعة مشاكل مختلفة تشمل المشاكل هذه الظروف:<br/> انخفاض مستوى السائل فى البئر، وجود غاز بسوائل الانتاج ، تسرب فى أحد الصمامين. وقد جمعت هذه البيانات من عدة حقول نفطية في مصر والكويت والصين. تم اختبار نموذج بإستحدام 1918 بطاقة دينامومتر حقيقية أخرى. تم تقييم أداء نموذج المقترح مقابل عدة نماذج تم استخدامها فى الأبحاث السابقة، حيث أظهرت النتائج أنه في حالة ندرة البيانات المصنفة، يتفوق النموذج المقترح على النماذج الأخرى بدقة تصل إلى 86% عبر خمس حالات تشغيلية للضخ. ومع توفر المزيد من البيانات المصنفة، يحقق النموذج المقترح معدلات دقة عالية تتجاوز 92%. وفي المقابل، تتطلب النماذج الآخرى كمية أكبر من البيانات المصنفة للوصول إلى مستويات أداء مماثلة . يمثل هذا العمل تقدمًا كبيرًا في مراقبة آبار الضخ بقضيب الشفط، حيث يقدم حلاً يقلل من الحاجة إلى التدخلات المكلفة في قاع البئر، ويعزز من كفاءة ودقة تصنيف الحالات التشغيلية. من خلال معالجة التحديات المتعلقة بندرة البيانات المصنفة، يوفر النموذج طريقة أكثر قابلية للتوسع وفعالية لمراقبة إنتاج النفط في أنظمة ضخ الآبار. |
| 530 ## - ADDITIONAL PHYSICAL FORM AVAILABLE NOTE |
|---|
| Issues CD |
Issues also as CD. |
| 546 ## - LANGUAGE NOTE |
|---|
| Text Language |
Text in English and abstract in Arabic & English. |
| 650 #0 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
Deep learning |
| 650 #0 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
التعلم العميق |
| 653 #1 - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Sucker rod pump |
| -- |
Artificial lift |
| -- |
Dynamometer card |
| -- |
Generative Adversarial Network (GAN) |
| -- |
Operational state classification |
| -- |
Fault detection |
| -- |
Deep learning |
| -- |
Oil well monitoring |
| -- |
Production optimization |
| -- |
مضخات قضيب الشفط |
| -- |
الرفع الصناعي |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Abd El Hadi Nabih Ahmed |
| Relator term |
thesis advisor. |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Amr Ahmed Ismail Zamel. |
| Relator term |
thesis advisor. |
| 900 ## - Thesis Information |
|---|
| Grant date |
01-01-2025 |
| Supervisory body |
Abd El Hadi Nabih Ahmed |
| -- |
Amr Ahmed Ismail Zamel |
| Universities |
Cairo University |
| Faculties |
Faculty of Graduate Studies for Statistical Research |
| Department |
Department of Data Science |
| 905 ## - Cataloger and Reviser Names |
|---|
| Cataloger Name |
Shimaa |
| Reviser Names |
Eman Ghareb |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Source of classification or shelving scheme |
Dewey Decimal Classification |
| Koha item type |
Thesis |
| Edition |
21 |
| Suppress in OPAC |
No |