Оперативный мониторинг работы фонда скважин является трудоемкой задачей d поддержании базовой добычи нефти. В числе таких задач выделяются: своевременное выявление отклонений дебита добываемой продукции, определение точных причин изменения промысловых параметров, а также анализ массивов данных. Особенно это актуально для нефтегазодобывающих компаний в случае большого фонда скважин и высокой степени выработки запасов. Развитие цифровых технологий создает условия для интеграции интеллектуальных систем в процесс добычи нефти и газа. Автоматическая обработка огромных массивов промысловых данных позволяет оперативно осуществлять мониторинг состояния базового фонда скважин для локализации наиболее проблематичных зон.
В статье представлен новый подход к анализу отклонений дебита нефти на основе автоматизированных алгоритмов и математических методов. Основными целями представленной работы являлись разработка системного подхода к мониторингу промысловых параметров в режиме реального времени, увеличение точности и скорости определения отклонений добычи нефти, а также минимизация монотонного ручного труда и снижение влияния человеческого фактора. Благодаря автоматизации анализа отклонений добычи повышается эффективность разработки месторождений, уменьшаются трудовые затраты и снижается степень влияния ошибок, связанных с человеческим фактором. Кроме того, ежесуточный мониторинг помогает вовремя среагировать на изменения дебита нефти, а единый системный подход к категоризации причин отклонений существенно повышает качество подбора мероприятий для их устранения. По представленной методологии реализовано программное обеспечение – система цифровых инструментов для выявления и объяснения причин отклонений добычи нефти, и дальнейшего факторного анализа за выбранный период. Разработанные подходы успешно внедрены в производственный процесс добывающего общества, что позволило увеличить эффективность мониторинга состояния фонда скважин.
Список литературы
1. Применение интеллектуальных методов анализа высокочастотных промысловых данных для расширения задач нефтяного инжиниринга / А.М. Андрианова, Е.В. Юдин, Т.А. Ганеев [и др.] // Нефтяное хозяйство. – 2021. – № 9. – С. 70–75. - DOI: https://doi.org/10.24887/0028-2448-2021-9-70-75
2. Автоматизация анализа нефтепромысловых замеров / Р.Н. Асмандияров, А.Е. Кладов, А.А. Лубнин [и др.] // Нефтяное хозяйство. – 2011. – № 6. – С. 58–61.
3. Boschetti A., Massaron L. Python Data Science Essentials. – Packt Publishing Ltd., 2015. - 472 p.
4. Mining J. Python machine learning: Everything you should know about Python Machine Learning including Scikit Learn, Numpy, PyTorch, Keras and Tensorflow with step-by-step examples, practical exercises. - International Kindle Paperwhite, 2019. - 124 p.
5. Пылов П.А., Ивина О.А. Фундаментальные типы кросс-валидации для оценки качества моделей машинного и глубокого обучения // В сб. трудов XIII Всероссийской научно-практической конференции молодых ученых «РОССИЯ МОЛОДАЯ». – 20-23 апреля 2021. – https://science.kuzstu.ru/wp-content/Events/Conference/RM/2021/RM21/pages/Articles/031520.pdf
