В процессе эксплуатации добывающих скважин накапливается большой объем данных, характеризующих режим работы и свойства добываемого сырья. Их использование не всегда имеет систематический и объективный характер, и не все возможности их применения изучены. Работа нацелена на изучение возможности использования массива таких данных для анализа состояния скважины и прогнозирования сроков, когда может произойти авария. Выполнены отбор релевантных данных и сравнительный анализ режимных параметров перед аварийными случаями и параметрами в рабочих режимах. Обнаружена корреляция между характеристиками режима работы скважин и вероятностью возникновения на них аварий (в частности, из-за негерметичности эксплуатационной колонны и по другим причинам). Проанализированы результаты работы алгоритмов машинного обучения, помогающих провести разделение аварийных и рабочих состояний скважин. Показано, как обученные алгоритмы работают в течение всего представленного в данных периода эксплуатации скважин, исключенных из обучения. Типичная картина ежедневных прогнозов предаварийных состояний по типу «негерметичность эксплуатационной колонны» на скважинах, где такие аварии были зафиксированы, сильно отличается от рабочих скважин. Наблюдаются серии положительных прогнозов на протяжении длительных интервалов до обнаружения негерметичности. Предложены оценка полученных результатов в разных временных интервалах и возможная интерпретация для использования на производстве. Многие из остальных аварийных случаев пересекаются или накладываются друг на друга, что мешает провести многоклассовое разделение и сделать однозначные выводы об эффективности прогнозирования аварий. Результаты работы, пусть и частично, могут внести ясность в вопрос о вероятности и сроках развития аварий и использоваться в области мониторинга разработки месторождений.
Список литературы
1. Casing collapse risk assessment and depth prediction with a neural network system approach / S. Salehi, G. Hareland, K. Khademi [et al.] // Journal of Petroleum Science and Engineering. – 2009. – V. 69. – I. 1–2. – P. 156–162. https://doi.org/10.1016/j.petrol.2009.08.011.
2. Time-series well performance prediction based on Long Short-Term Memory (LSTM) neural network model / X. Song, Y. Liu, L. Xue [et al.] // Journal of Petroleum Science and Engineering. – 2020. – V. 186. https://doi.org/10.1016/j.petrol.2019.106682.
