Иерархия подходов к верификации данных при контроле добычи и разработки

UDK: 681.3:622.276
DOI: 10.24887/0028-2448-2017-12-75-77
Ключевые слова: анализ данных, наука о данных, верификация данных, большие данные, машинное обучение, статистика
Авторы: А.М. Андрианова, А.С. Маргарит, Д.С. Перец, М.В. Симонов (ООО «Газпромнефть НТЦ»)

В процессе разработки месторождений решения о дальнейшем развитии актива принимаются на основе эксплуатационных данных, поступающих со всех скважин компании «Газпром нефть». В то же время качество этих данных не всегда позволяет провести полноценный анализ: может отсутствовать информация для определенных временных интервалов, часть измерений не соответствуют физической модели или не согласовываются друг с другом. Эти показатели могут быть связаны как со сбоем средств инструментального контроля, так и с человеческим фактором. От качества исходных геолого-технологических данных напрямую зависит результативность производственных решений. Решения, основанные на недостоверной информации, могут привести к критическим последствиям, поэтому необходимо своевременно проверять данные на корректность и согласованность. В условиях увеличения количества поступающей информации и роста требований к качеству данных, обрабатывать данные вручную не представляется возможным. Необходима автоматизация процессов обработки и верификации информации, вследствие чего становится актуальной задача разработки алгоритмов автоматизированного анализа промысловых данных.

В статье приведена иерархия подходов компании к управлению данными при контроле добычи и разработки, выделены наиболее перспективные направления развития. Подробно рассмотрены три подхода к разработке алгоритмов, позволяющих проводить верификацию данных. Первый подход опирается на базовые статистические методы, второй - основывается на физических моделях, третий использует алгоритмы для обработки больших объемов информации – методы машинного обучения. Для каждого подхода приведен практический пример. Ввиду увеличения количества поступающей информации наиболее перспективным видится развитие направления Data Science (особенно в сочетании с аналитическими моделями), которое фокусируется на разработке комплексного подхода к анализу больших объемов информации с применением методов машинного обучения.

Список литературы

1. Мирзаджанзаде А.Х., Хасанов М.М., Бахтизин Р.Н. Моделирование процессов нефтегазодобычи. Нелинейность, неравновесность, неопределенность. – М.–Ижевск: Институт компьютерных исследований, 2004. – 368 с.

2. Шуленин В.П.  Математическая статистика. Ч. 2. Непара метрическая статистика: учебник. – Томск: Изд-во НТЛ, 2012. – 388 с.

3. El-Khatib N.A. Waterflooding Performance of Communicating Stratified Reservoirs With Log-Normal Permeability Distribution // SPE 37696-MS. – 1997.

4. Brooks R.H., Corey A.T. Hydraulic properties of porous media // Colorado State Univ. Hydrol. Paper. – 1964. – № 3. – 27 p.

5. Identifying Density-based Local Outliers / M.M. Breunig, H.-P. Kriegel, R.T. Ng, J. Sander // Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. SIGMOD. – 2000. – P. 93–104.



Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.