Methods and Approaches for Predictive Maintenance in the Oil and Gas Industry

Abstract

This master’s thesis presents a literature-based review of predictive maintenance in the oil and gas industry, with particular attention to gas-well operations and the use of deep learning for time-series analysis. It connects industrial monitoring, operational data, and degradation processes with data-driven maintenance approaches. The review first establishes the industrial context through production wells, monitoring technologies, maintenance strategies, and major degradation processes, including scale deposition, wax accumulation, sand production, and corrosion. It then examines recurrent, convolutional, temporal convolutional, Transformer-based, and hybrid architectures. A comparative analysis of published studies considers statistical, machine learning, and deep learning approaches, distinguishing operational-value forecasting from fault classification, anomaly detection, and remaining useful life estimation. The reviewed literature also highlights limitations involving data quality and integration, model interpretability, scalability, validation in industrial environments, cybersecurity, and compatibility with existing infrastructure. The contribution of this thesis consists of a synthesis of existing modeling approaches and the main research gaps. This synthesis identifies important considerations for developing and evaluating predictive maintenance solutions for gas-well operations.***

Ce mémoire présente une revue de la littérature sur la maintenance prédictive dans l’industrie pétrolière et gazière, avec une attention particulière portée aux puits de gaz et à l’utilisation de l’apprentissage profond pour l’analyse des séries temporelles. Il met en relation la surveillance industrielle, les données opérationnelles et les mécanismes de dégradation avec les approches de maintenance fondées sur les données. La revue décrit d’abord les puits de production, les technologies de surveillance, les stratégies de maintenance et les principaux processus de dégradation, notamment les dépôts minéraux, l’accumulation de paraffine, la production de sable et la corrosion. Elle examine ensuite les architectures récurrentes, convolutives, convolutives temporelles, fondées sur les Transformers et hybrides. Une analyse comparative des études publiées couvre les méthodes statistiques, l’apprentissage automatique et l’apprentissage profond, en distinguant la prévision des variables opérationnelles, la classification des défauts, la détection des anomalies et l’estimation de la durée de vie utile restante. Les principales limites relevées concernent la qualité et l’intégration des données, l’interprétabilité des modèles, le passage à l’échelle, la validation dans des environnements industriels, la cybersécurité et la compatibilité avec les infrastructures existantes. La contribution de ce mémoire consiste en une synthèse des approches existantes et des principales lacunes de recherche. Cette synthèse met en évidence plusieurs considérations importantes pour le développement et l’évaluation de solutions de maintenance prédictive appliquées aux puits de gaz.