Автоматизированная система предотвращения аварий при строительстве скважин

UDK: 681.518:622.24
DOI: 10.24887/0028-2448-2021-1-72-76
Ключевые слова: машинное обучение, нейронные сети, выявление аномалий, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, большие геоданные, предотвращение аварий, искусственный интеллект, автоматизированная система, строительство скважин, нейросетевое моделирование
Авт.: А.Н. Дмитриевский (Институт проблем нефти и газа РАН; РГУ нефти и газа (НИУ) имени И.М. Губкина), д.г.-м.н., Н.А. Еремин (Институт проблем нефти и газа РАН; РГУ нефти и газа (НИУ) имени И.М. Губкина), д.т.н., А.Д. Черников (Институт проблем нефти и газа РАН), к.т.н., А.Г. Сбоев (НИЦ «Курчатовский институт»), к.т.н., О.К. Чащина-Семенова (Институт проблем нефти и газа РАН), к.ф.-м.н., Л.К. Фицнер (Институт проблем нефти и газа РАН), к.ф.-м.н., М.Я. Гельфгат (РГУ нефти и газа (НИУ) имени И.М. Губкина), к.т.н., А.А. Назаретова (РГУ нефти и газа (НИУ) имени И.М. Губкина), к.ю.н.

Цифровая модернизация нефтегазового производства является мощным инструментом повышения эффективности разработки месторождений и инновационным драйвером развития нефтегазовой отрасли. В ведущих нефтегазовых компаниях России происходит переход к цифровым технологиям бурения и добычи на основе применения методов машинного обучения и нейросетевых моделей. Добывающая скважина является основным технологическим объектом и сооружением, определяющим эффективность добычи углеводородов на всех стадиях жизненного цикла месторождения. В статье объектами исследования являлись осложнения и аварийные ситуации в процессе строительства нефтяных и газовых скважин. Цель работы заключалась в повышении эффективности процесса строительства нефтяных и газовых скважин на основе создания высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций. Дано краткое описание созданной автоматизированной системы предотвращения аварийных ситуаций при строительстве скважин с применением технологий искусственного интеллекта. Приведена структура автоматизированной системы и состав основных программных компонентов. Повышение эффективности работы автоматизированной системы достигается в резульате обеспечении расчетной модели механизмом непрерывной системы передачи, сбора, распределения, хранения и валидации больших объемов геолого-геофизических данных (Big GeoData) с элементами технологии блокчейн. Основное преимущество применения нейросетевого моделирования для решения задач выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин заключается в установлении скрытых зависимостей между геолого-геофизическими, техническими и технологическими параметрами. Система может быть масштабирована и интегрирована в любые имеющиеся нефтегазовые системы управления и мониторинга. 

Список литературы

1. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин / А.Н. Дмитриевский, Н.А. Ерёмин, Е.А. Сафарова [и др.] // Научные труды НИПИ Нефтегаз ГНКАР. – № 3 (2020). – C. 031–037. – doi:10.5510/ogp20200300442

2. Казначеев П.Ф., Самойлова Р.В., Курчиски Н.В. Применение методов искусственного интеллекта для повышения эффективности в нефтегазовой и других сырьевых отраслях // Экономическая политика. – 2016. – Т. 11. – № 5. – С. 188–197.

3. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения / А.Н. Дмитриевский, А.Г. Сбоев, Н.А. Ерёмин [и др.] // Георесурсы. – 2020. – Т. 22. – № 4. – С. 79–85. – DOI: https://doi.org/10.18599/grs.2020.4.79-85

4. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения / А.Д. Черников, Н.А. Еремин, В.Е. Столяров [и др.] // Георесурсы. – 2020. – Т. 22. – № 3. – С. 87–96. – DOI: https://doi.org/10.18599/grs.2020.3.87-96

5. Дьяконов А.Г., Головина А.М. Выявление аномалий в работе механизмов методами машинного обучения // Аналитика и управление данными в областях с интенсивным использованием данных / Тр. XIX Международной конференции DAMDID / RCDL 2017. – 10–13 октября 2017 г., Москва. – М.: ФИ ЦИУ РАН. – 2017. – С. 469–476.

6. Liu F.T., Tony T.K.M., Zhou Z.H. Isolation forest // Proceedings of the 2008 Eighth IEEE Int. Conf. on Data Mining. – 2008. – Р. 413–422.

7. Application of machine learning to accidents detection at directional drilling / E. Gurina [et al.] // Journal of Petroleum Science and Engineering. – 2020. – Т. 184. – P. 106519. – DOI:10.1016/j.petrol.2019.106519.

8. Chen T., Guestrin C. Xgboost: A scalable tree boosting system // Proceedings of the 22nd ASM SIGKDD international conference on knowledge discovery and data mining. – ACM. – 2016. – P. 785–794.

9. Кодиров Ш.Ш., Шестаков А.Л. Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб // Вестник Южно-Уральского государственного университета. Серия Компьютерные технологии, управление, радиоэлектроника. – 2019. – Т. 19. – № 3. – С. 20–32.

10. Заявка на изобретение № 2020129673/03. Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин // А.Н. Дмитриевский, Н.А. Еремин, О.К. Чащина-Семенова, Л.К. Фицнер, А.Д. Черников; заявл. 08.09.20.

11. Заявка на изобретение № 2020129671/03. Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин /  А.Н. Дмитриевский, Н.А. Еремин, О.К. Чащина-Семенова, Л.К. Фицнер, А.Д. Черников; заявл. 08.09.20.

12. Система для прогнозирования осложнений в бурении на основе искусственного интеллекта / С.О. Бороздин, А.Н. Дмитриевский, Н.А. Еремин  [и др./  SPE-202546-MS-2020. 

13. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов / А.И. Архипов,  А.Н. Дмитриевский, Н.А. Ерёмин [и др.] // Нефтяное хозяйство. – 2020. – № 8. – С. 63–67. – DOI: 10.24887/0028-2448-2020-8-63-67

14. Noshi C.I., Schubert J.J. The Role of Machine Learning in Drilling Operations. A Review // SPE-191823-18ERM-MS. – 2018. – DOI:10.2118/191823-18ERM-MS.

15. Real-Time Well Log Prediction From Drilling Data Using Deep Learning / R. Kanfar [et al.] // arXiv preprint arXiv:2001.10156. – 2020.

16. Deep learning for well data history analysis / Y. Li [et al.] // SPE-196011-MS. – 2019.



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