Grounded Well-Condition Anomaly Detection on the Volve Field: Constructed Labels, a Baseline, and a Dual-Head Model
Di cosa parla
Prendono i dati reali del campo Volve e costruiscono etichette di anomalia verificate contro i documenti di ingegneria, pubblicando per ciascuna la motivazione che la lega a un possibile guasto. Poi testano se quelle etichette si possono apprendere confrontando un metodo che non usa etichette con un modello piccolo che segnala quando avviene un evento e che tipo; trovano concordanza sulle aree anomale e che il modello piccolo riconosce presenza e tipo ma localizza gli eventi nel tempo solo in modo approssimato. Rilasciano dati, etichette motivate, codice e modello con licenza aperta.
Cosa permette di osservare
Permette di esplorare se si possono creare etichette affidabili per dati di produzione privi di registri di guasto e se approcci senza etichette o modelli compatti possono imparare quelle etichette e funzionare su pozzi mai visti.
Dalla fonte
Most public benchmarks for machine-condition monitoring come from test rigs, where faults are induced on purpose and every event is known. Real production fields rarely offer that. They give you sensor histories with no fault log attached, which is exactly the situation where an anomaly-detection method has to invent its own labels, and where quiet assumptions can slip in unnoticed. We work with the open Volve field data released by Equinor and take two things seriously that such datasets usually skip. First, we build anomaly labels that are not just patterns in the numbers but are checked against what the field's own engineering documents say can physically go wrong, and we release the reasoning behind every label. Second, we test whether those constructed labels are learnable at all, using both an unsupervised baseline and a small dual-head model that marks when an event happens and w…