Analysis of Failures in Electrical Submersible Pumps Using Machine Learning Techniques

Document Type : Original Article

Authors
Mahya Faraji 1
Yasin Khalili 2
Mohammad Ahmadi 3
1 M.Sc. Student, Department of Chemical Engineering, Institute of Petroleum Engineering, University of Tehran, Tehran, Iran
2 Ph.D. Student, Department of Petroleum and Geoenergy Engineering, Amirkabir University of Technology, Tehran, Iran
3 Associate Professor, Department of Petroleum and Geoenergy Engineering, Amirkabir University of Technology, Tehran, Iran Iran
20.1001.1/jgt.2026.2078502.1064
Abstract
Electrical Submersible Pumps (ESPs) play a critical role in enhancing production rates and operational efficiency in oil wells. However, their complex operating environments make them highly vulnerable to mechanical and electrical failures. Early detection of abnormal conditions and accurate prediction of pump performance are therefore essential for reducing downtime, minimizing operational costs, and extending pump lifespan.
This study investigates the application of machine learning techniques for identifying unstable operating conditions, detecting anomalies, and predicting failures in ESP systems. Using simulated monitoring data including motor temperature, intake temperature, current, and vibration several preprocessing and analytical methods were employed. Boxplot analysis was used to identify outliers, while Z-score analysis provided statistical detection of abnormal data points. K-means clustering and Principal Component Analysis (PCA) were implemented to reduce dimensionality, enhance visualization, and classify pump operating states into stable, unstable, anomalous, and failure modes.
Furthermore, a decision tree classifier was trained to determine the relative contribution of each parameter to pump failure. Model performance was evaluated using confusion matrices before and after applying PCA and clustering. Results show that incorporating these preprocessing techniques significantly improved classification accuracy from 0.9835 to 0.9967 for stable conditions and from 0.700 to 0.800 for failure conditions. The findings demonstrate the strong potential of machine learning methods for predictive maintenance of ESP systems and emphasize their value as a cost-effective strategy for enhancing reliability in the oil and gas industry.
Keywords
Electrical Submersible Pumps (ESP)
Machine Learning
Predictive Maintenance
Anomaly Detection
Failure Prediction
Subjects

Article Title Persian

تحلیل خرابی‌ پمپ‌های شناور الکتریکی با استفاده از تکنیک‌های یادگیری ماشین

Authors Persian

محیا فرجی 1
یاسین خلیلی 2
محمد احمدی 3
1 دانشجو کارشناسی ارشد، دانشکده مهندسی شیمی، انستیتو مهندسی نفت، دانشگاه تهران، تهران ایران
2 دانشجوی دکترا، دانشکده مهندسی نفت و زمین انرژی، دانشگاه صنعتی امیرکبیر، تهران، ایران
3 دانشیار، دانشکده مهندسی نفت و زمین انرژی، دانشگاه صنعتی امیرکیبر، تهران، ایران
Abstract Persian

پمپ‌های شناور الکتریکی نقش بسیار مهمی در افزایش نرخ تولید و بهبود کارایی عملیاتی چاه‌های نفت ایفا می‌کنند. با این حال، شرایط پیچیده و چالش‌برانگیز محیط درون‌چاهی باعث می‌شود این پمپ‌ها در معرض خرابی‌های مکانیکی و الکتریکی قرار گیرند. ازاین‌رو، شناسایی زودهنگام وضعیت‌های غیرعادی و پیش‌بینی دقیق عملکرد پمپ برای کاهش زمان توقف تولید، کمینه‌سازی هزینه‌های عملیاتی و افزایش طول عمر تجهیز ضروری است. در این پژوهش، کاربرد روش‌های یادگیری ماشین برای شناسایی وضعیت‌های ناپایدار، تشخیص ناهنجاری‌ها و پیش‌بینی خرابی در سیستم‌های پمپ شناور الکتریکی مورد بررسی قرار گرفته است. با استفاده از داده‌های شبیه‌سازی‌شده شامل دمای موتور، دمای ورودی موتور، جریان و لرزش موتور، چندین روش پیش‌پردازش و تحلیل داده به‌کار گرفته شد. تحلیل نمودار جعبه‌ای جهت شناسایی داده‌های پرت استفاده شد و روش زد-اسکور نیز تشخیص آماری نقاط غیرعادی را امکان‌پذیر کرد. همچنین الگوریتم خوشه‌بندی کا-میانگین و تحلیل مؤلفه‌های اساسی برای کاهش ابعاد داده، بهبود تجسم و دسته‌بندی وضعیت‌های پمپ به حالت‌های پایدار، ناپایدار، ناهنجار و خرابی مورد استفاده قرار گرفت. علاوه بر این، یک طبقه‌بندی درخت تصمیم‌گیری برای تعیین میزان تأثیر نسبی هر پارامتر در بروز خرابی آموزش داده شد. عملکرد مدل با استفاده از ماتریس سردرگمی، قبل و بعد از اعمال روش‌های آنالیز مؤلفه اساسی و خوشه‌بندی ارزیابی گردید. نتایج نشان می‌دهد که اعمال این روش‌ها دقت طبقه‌بندی را به‌طور قابل‌توجهی بهبود داده است؛ به‌طوری که دقت شناسایی حالت پایدار از ۰/۹۸۳۵ به ۰/۹۹۶۷ و دقت تشخیص حالت خرابی از ۰/۷ به ۰/۸ افزایش یافته است. یافته‌های این پژوهش نشان‌دهنده پتانسیل بالای روش‌های یادگیری ماشین در نگهداشت پیش‌بینانه پمپ‌های شناور الکتریکی بوده و بر ارزش آن‌ها به‌عنوان راهبردی مقرون‌به‌صرفه برای افزایش قابلیت اطمینان در صنعت نفت و گاز تأکید دارد.

Keywords Persian

پمپ‌های شناور الکتریکی
یادگیری ماشین
مراقبت پیش‌بینانه
تشخیص ناهنجاری
پیش‌بینی خرابی
Abdelaziz, M., R. Lastra and J. Xiao (2017). ESP data analytics: Predicting failures for improved production performance. Abu Dhabi International Petroleum Exhibition and Conference, SPE.
Aggarwal, V., V. Gupta, P. Singh, K. Sharma and N. Sharma (2019). Detection of spatial outlier by using improved Z-score test. 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), IEEE.
Al Ghafri, A. H., A. Al Senani, H. Al-Salmi, S. Al-Mamari and E. Artun (2025). An Unsupervised Learning Framework for Managing ESP-Driven Oil Field Operations with Water Injection in Northern Oman. SPE EOR Conference at Oil and Gas West Asia, SPE.
AlBallam, S. (2022). "Applying machine learning models to diagnose failures in electrical submersible pumps."
Bozhenko, V. and T. Tatarnikova (2023). Application of data preprocessing in medical research. 2023 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF), IEEE.
Cardona, L., P. Vivas Sanchez and B. Joya (2023). Failure prediction methodology for ESP and operational behavior. SPE Latin America and Caribbean Petroleum Engineering Conference, SPE.
Castellanos, M. B., A. L. Serpa, J. L. Biazussi, W. M. Verde, N. d. S. D. A. J. J. o. P. S. Sassim and Engineering (2020). "Fault identification using a chain of decision trees in an electrical submersible pump operating in a liquid-gas flow."  184: 106490.
Hasan, B. M. S., A. M. J. J. o. S. C. Abdulazeez and D. Mining (2021). "A review of principal component analysis algorithm for dimensionality reduction."  2(1): 20-30.
Ho, Y. H., S. R. Fazilah, J. Nava Bastidas, A. A. Amsidom, E. A. Rosland, K. N. Idris, R. Masoudi, K. Trjangganung, Z. Mohd Khair and M. S. majid (2023). Shifting focus to electrical submersible pump (ESP) technology to enhance well productivity and recovery in Malaysia fields. International Petroleum Technology Conference, IPTC.
Joseph, A., A. J. J. o. A. S. Adeoti and E. Management (2021). "Impact of fluid properties on Electric Submersible Pumps (ESP) performance and run life in a well."  25(2): 139-143.
Khalili, Y., M. Ahmadi, M. K. J. A. J. f. S. Moraveji and Engineering (2025). "A comprehensive review of failure modes in electrical submersible pumps: Diagnosis, predictive maintenance, and engineer’s guide." 1-22.
Khalili, Y., Y. Rafiei and M. Sharifi (2022). "Reservoir Characterization by Applying Pressure Transient Analysis on Data Obtained from Electrical Submersible Pumps."
Kindi, M., A. Ghadani, S. Shekaili, F. Aufi, S. Al Wahaibi and C. Moreno Gomez (2024). Revolutionizing Oil Lift Operations: Harnessing Data Analytics for Esp Energy Management, Cost Savings, Co2 Emissions Reduction, and Enhanced Pump Runlife. International Petroleum Technology Conference, IPTC.
Krishnan, N. A., H. Kodamana and R. Bhattoo (2024). Data Visualization and Preprocessing. Machine Learning for Materials Discovery: Numerical Recipes and Practical Applications, Springer: 25-46.
Ladopoulos, E. J. U. J. H., 3 , 1 (2015). "Four-dimensional petroleum exploration & non-linear esp artificial lift by multiple pumps for petroleum well development."  14.
Lasrado, V. (2024). ESP Predictive Analytic Using a Single Application with Machine Learning and Fault Tree Models. SPE Middle East Artificial Lift Conference and Exhibition, SPE.
Lastra, R. A. and J. Xiao (2022). Machine learning engine for real-time ESP failure detection and diagnostics. SPE Middle East Artificial Lift Conference and Exhibition, SPE.
Li, L. J. E. (2023). "Energy Consumption Analysis and Optimization of Electric Submersible Pump System."  15(5): 269-274.
Liang, X. and A. El-Kadri (2018). Factors affecting electrical submersible pump systems operation. 2018 IEEE Electrical Power and Energy Conference (EPEC), IEEE.
Muslikh, A. R., P. N. Andono, A. Marjuni and H. A. Santoso (2023). Systematic literature review of data distribution in preprocessing stage with focus on outliers. 2023 International Seminar on Application for Technology of Information and Communication (iSemantic), IEEE.
Nandan Prasad, A. (2024). Data Quality and Preprocessing. Introduction to Data Governance for Machine Learning Systems: Fundamental Principles, Critical Practices, and Future Trends, Springer: 109-223.
Oti, E. U., M. O. Olusola, F. C. Eze and S. U. J. c. Enogwe (2021). "Comprehensive review of K-Means clustering algorithms."  12(08): 22-23.
Peng, L., L. Feng, Q. Guang, J. Zhu, H. Liu, Z. Nie, C. Ma, C. Di and Q. Wu (2025). Real-Time ESP Management Framework Using Hybrid Physics-Based and ML Models. SPE Offshore Europe Conference and Exhibition, SPE.
Peng, L., G. Han, A. L. Pagou, J. J. J. o. P. S. Shu and Engineering (2020). "Electric submersible pump broken shaft fault diagnosis based on principal component analysis."  191: 107154.
Saxena, A. "Application of Data Science in Pump Maintenance."
Shi, J., S. Chen, X. Zhang, R. Zhao, Z. Liu, M. Liu, N. Zhang and D. Sun (2019). Artificial lift methods optimising and selecting based on big data analysis technology. International Petroleum Technology Conference, IPTC.
Silvia, S., Y. Gilad, T. A. Wilson, B. Akbari and E. R. Furlong (2023). Case study: predicting electrical submersible pump failures using artificial intelligence and physics-based hybrid models. SPE Middle East Intelligent Oil and Gas Symposium, SPE.
Sobhy, M. A. (2025). "Detecting Electrical Submersible Pump (ESP) Failures and Estimating Run Life Using Artificial Neural Networks."
Song, Y., S. Jun, T. C. Nguyen, J. J. J. o. P. E. Wang and P. Technology (2024). "Experimental data-driven model development for ESP failure diagnosis based on the principal component analysis."  14(6): 1521-1537.
Valbuena, J., E. Pereyra and C. Sarica (2016). Defining the artificial lift system selection guidelines for horizontal wells. SPE Artificial Lift Conference and Exhibition-Americas, SPE.
Werbinska-Wojciechowska, S. and R. J. S. Rogowski (2025). "Proactive Maintenance of Pump Systems Operating in the Mining Industry—A Systematic Review."  25(8): 2365.