Моделирование механического устройства очистки скважин от асфальтосмолопарафиновых отложений на основе нейронной сети типа многослойного персептрона

UDK: 622.276.53.054.004.5

DOI: 10.24887/0028-2448-2025-9-73-79

Ключевые слова: асфальтосмолопарафиновые отложения (АСПО), нефтяная скважина, НКТ, скребок, цифровой двойник, многослойный персептрон

Авт.: А.Н. Краснов, к.т.н. (Уфимский гос. нефтяной технический университет); С.Н. Федоров (Уфимский гос. нефтяной технический университет); М.Ю. Прахова (Уфимский гос. нефтяной технический университет); Д.В. Калашник, к.т.н. (Уфимский гос. нефтяной технический университет); Д.В. Усиков (ООО «НЕДРА»); В.Д. Гуляев (Научно-образовательный центр «Газпром нефть - УГНТУ»); А.В. Рыжиков (Ассоциация «Цифровые технологии в промышленности»)

Одной из проблем, вызывающих осложнения в работе нефтяных скважин и нефтепромыслового оборудования, являются асфальтосмолопарафиновые отложения (АСПО). Для борьбы с ними нефтедобывающие предприятия используют методы как предупреждения образования отложений, так и удаления уже образовавшихся. Основным методом очистки внутренней поверхности НКТ от парафинов является механический, выполняемый с помощью скребков. Эта операция проводится в каждой скважине с определенной периодичностью, которая зависит от дебита скважины, количества АСПО, а также от температуры и давления в скважине. Основным недостатком использования скребков является их низкая механическая надежность. Часто возникают аварийные ситуации из-за заклинивания скребка в НКТ или обрыва троса. Одним из возможных путей совершенствования установки для очистки скважин от АСПО может стать создание цифрового двойника для диагностирования ее состояния – виртуального аналога устройства для очистки НКТ. С его помощью можно контролировать состояние устройства очистки, прогнозировать аварийные ситуации, например, возможный обрыв троса лебедки. В статье предложен цифровой двойник для диагностики работы устройства очистки на основе нейронной сети типа многослойного персептрона. Проведенные исследования показали, что наиболее точной является модель с двумя скрытыми слоями, имеющими 20 нейронов в первом скрытом слое и 10 – во втором, обученная по алгоритму Байесовской регуляризации. Точность распознавания возможных аварийных ситуаций на тестовой выборке составила не менее 85 %, что является достаточным уровнем для практического использования модели.

Список литературы

1. Крысанов Д. ИИ в нефтяной индустрии: как технологии меняют геологоразведку и добычу. – https://trends.rbc.ru/trends/industry/678f9f5f9a79477d9725513e

2. Блябляс А.Н. AI-подход к борьбе со скважинными осложнениями // Газовая промышленность. – 2018. – № 4(767). – С. 16–21. – EDN: YWRMJY

3. Белкина С.А., Нагаева С.Н. Причины образования асфальтосмолопарафинистых отложений в НКТ // Вестник Югорского государственного университета. – 2016. – Т. 42. – № 3. – С. 7–11. – EDN: UVAMKX

4. Коробов Г.Ю., Парфенов Д.В. Механизмы образования асфальтосмолопарафиновых отложений: методики исследования // Neftegaz.RU. – 2022. –  № 8. – С. 22–31. – EDN: SRKGYZ

5. Грязнова Е.С. Основные причины и факторы, влияющие на процесс образования асфальтосмолопарафиновых отложений // Вестник науки. – 2022. –

Т. 1. – № 12 (57). – С. 359–362. – EDN: AAWTTI

6. Digital twins in the oil and gas industry: experience and prospects of use / S.N. Fedorov, G.Yu. Kolovertnov, A.N. Krasnov, M.Yu. Prakhova // Proceedings of the International Science Conference «Science. Education. Practice». – 2025. – March 26. – Р. 116–123. – https://doi.org/10.34660/INF.2025.52.92.052. – EDN: KNNDRP

7. Krasnov A.N., Khoroshavina E.A., Prakhova M.Yu. Preventing paraffination of pumping equipment of oil wells // Advances in Engineering Research. – 2017. – V. 133. – P. 370–375. – https://doi.org/10.2991/aime-17.2017.60

8. Диагностическая диаграмма состояния установки механической очистки скважины / С.Н. Федоров, Г.Ю. Коловертнов, А.Н. Краснов, М.Ю. Прахова // Электротехнические и информационные комплексы и системы. – 2025. – Т. 21. – № 2. – С. 98–110. – http://doi.org/10.17122/1999-5458-2025-21-2-98-110. –

EDN: JNLMNJ

9. Digital Twin of the Device for Cleaning Pump-Compressor Pipes / S.N. Fedorov, G.Yu. Kolovertnov, A.N. Krasnov, M.Yu. Prahova // HMMOCS. – 2025. –

Р. 404–412. – https://doi.org/10.1007/978-3-031-95649-2_35

10. A New Approach to Creating a Digital Twin of Well for Production Monitoring in Western Siberia Fields / O. Kobzar, G. Mosyagin, M. Gudilov [et al.]. // SPE-216731-MS. – 2023. – https://doi.org/10.2118/216731-MS

11. Применение интеллектуальных методов анализа высокочастотных промысловых данных для решения задач нефтяного инжиниринга / А.М. Андрианова, Е.В. Юдин, Т.А. Ганеев [и др.] // Нефтяное хозяйство. – 2021. – № 9. – С. 70–75. – https://doi.org/10.24887/0028-2448-2021-9-70-75. – EDN: SDBLUX

12. Еремин Н.А., Еремин А.Н. Цифровой двойник в нефтегазовом производстве // Нефть. Газ. Новации. – 2018. – № 12. – С. 14–17. – EDN: YTOOAH

13. Ilushin P., Vyatkin K., Menshikov A. Development of a Methodology and Software Package for Predicting the Formation of Organic Deposits Based on the Results of Laboratory Studie // Fluids. – 2021. – № 6. – P. 446-450. – https://doi.org/10.3390/fluids6120446. – EDN: VWHSDI

14. Применение цифрового двойника в нефтегазовой отрасли / В.Н. Быкова, Е. Ким, М.Р. Гаджиалиев [и др.] // Актуальные проблемы нефти и газа. –

2020. – Вып. 1(28). – С. 8–15. – https://doi.org/10.29222/ipng.2078-5712.2020-28.art8

15. Maintaining ESP operational efficiency through machine learning-based anomaly detection / E. Yudin, M. Kovaleva, V. Shevchenko [et al.] // Geoenergy Science and Engineering. 2025. – V. 251. – https://doi.org/10.1016/j.geoen.2025.213864

16. Modeling of a Gas-Lift Well Operation with an Automated Gas-Lift Gas Supply Control System / E. Yudin [et al.] // SPE-196816-MS. – 2019. – https://doi.org/10.2118/196816-MS. –   EDN: JBURWW

17. Контроль дебита жидкости нестабильно работающего фонда скважин при помощи виртуального расходомера / Е.В. Юдин, А.М. Андрианова, Т.А. Ганеев [и др]. // Нефтяное хозяйство. – 2023. – № 8. – С. 82–87. – https://doi.org/10.24887/0028-2448-2023-8-82-87. – EDN: MHWBPQ

18. Using Deep Learning Algorithms to Monitor Well Performance and Restore Well Rate Dynamics / E. Yudin [et al.] // SPE-217526-MS. – 2023. – https://doi.org/10.2118/217526-MS

19. Нейронная сеть: раскрытие возможностей искусственного интеллекта. – https://www.easiio.com/ru/neural-network-hidden-layer/

20. Анализ интерференции скважин на основе алгоритмов комплексирования промысловых данных / А.В. Чорный, И.А. Кожемякина, Н.Ю. Чуранова

[и др.] // Нефтяное хозяйство. – 2019. – № 1. – С. 36–39. – https://doi.org/10.24887/0028-2448-2019-1-36-39. – EDN: SMRHNC

21. Нажимова Н.А., Наумова Е.Г. Формирование навыков построения нейронных сетей в различных программных средах // Современные проблемы науки и образования. – 2024. – № 3. – С. 98–105. – https://doi.org/10.17513/spno.33522. – EDN: HLAAWU

22. Де Лука Г. Архитектура нейронной сети: критерии выбора количества и размера скрытых слоев. – https://www.baeldung.com/cs/neural-networks-hidden-layers-criteria