000			09018namaa22004331i 4500
003			EG-GICUC
005			20260422115403.0
008			260407s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a006.31
092			_a006.31 _221
097			_aM.Sc
099			_aCai01.18.11.M.Sc.2025.Ah.S
100	0		_aAhmed Mohammed El Sayed Mohammed Moussa, _epreparation.
245	1	0	_aSucker rod pump failure analysis using deep learning / _cby Ahmed Mohammed El Sayed Mohammed Moussa ; Supervision Prof. Dr Abd El Hadi Nabih Ahmed, Dr. Amr Ahmed Ismail Zamel.
246	1	5	_aتحليل اعطال مضخات القضبان الامتصاصية بإستخدام التعلم العميق
264		0	_c2025.
300			_a84 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 77-84.
520		3	_aSucker rod pumping is a prevalent method in artificial lift technologies, and monitoring its working conditions is crucial for maintaining acceptable productivity levels. 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. 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. 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. 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	_aمضخات 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: 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			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aDeep learning
650		0	_aالتعلم العميق
653		1	_aSucker rod pump _aArtificial lift _aDynamometer card _aGenerative Adversarial Network (GAN) _aOperational state classification _aFault detection _aDeep learning _aOil well monitoring _aProduction optimization _aمضخات قضيب الشفط _aالرفع الصناعي
700	0		_aAbd El Hadi Nabih Ahmed _ethesis advisor.
700	0		_aAmr Ahmed Ismail Zamel. _ethesis advisor.
900			_b01-01-2025 _cAbd El Hadi Nabih Ahmed _cAmr Ahmed Ismail Zamel _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Data Science
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c179286