Апробация подхода c выделением циклов добычи и накопления по прослеживаниям динамического уровня в добывающих скважинах с применением методов машинного обучения

UDK: 622.276.5:658.018.2

DOI: 10.24887/0028-2448-2025-10-44-48

Ключевые слова: машинное обучение, нейронные сети, автоматическое повторное включение (АВП), управление периодичностью работы (УПР), механизированная скважина, динамический уровень, эхограмма

Авт.: Э.И. Сагдеев (ООО «РН-БашНИПИнефть», ОГ ПАО «НК «Роснефть»); И.И. Закирьянов (ООО «РН-БашНИПИнефть», ОГ ПАО «НК «Роснефть»); Ш.Х. Ишкина (ООО «РН-БашНИПИнефть», ОГ ПАО «НК «Роснефть»); Р.М. Амекачев (ООО «РН-БашНИПИнефть», ОГ ПАО «НК «Роснефть»); А.Я. Давлетбаев1,2, к.ф.-м.н. (ООО «РН-БашНИПИнефть», ОГ ПАО «НК «Роснефть»; Уфимский университет науки и технологий); В.П. Мирошниченко (ООО «РН-Юганскнефтегаз», ОГ ПАО «НК «Роснефть»); Г.А. Щутский (ООО «РН-Юганскнефтегаз», ОГ ПАО «НК «Роснефть»); А.С. Сукманов (ООО «РН-Юганскнефтегаз», ОГ ПАО «НК «Роснефть»); А.В. Сергейчев (ПАО «НК «Роснефть»)

В работе представлен подход к автоматическому определению длительности циклов работы и накопления механизированных добывающих скважин, функционирующих в режимах автоматического повторного включения и условно постоянного режима. Разработан алгоритм на основе сверточной нейронной сети, использующий промысловые данные изменения динамического уровня жидкости (давление на приеме насоса) в межтрубном пространстве скважины во времени. В качестве обучающей выборки для нейронной сети использовались промысловые данные с текущими режимами работы скважин месторождений Западной Сибири ПАО «НК «Роснефть». Реализованный алгоритм показал высокую эффективность в определении фактической длительности циклов работы и накопления по сравнению с традиционными методами, основанными на правилах и автокорреляции. Апробация алгоритма на промысловых данных показала, что он с достаточной для практики точностью выявляет моменты запуска и остановки скважины, что позволяет осуществлять оперативный мониторинг текущих режимов эксплуатации механизированной скважины. Реализованный и апробированный алгоритм планируется использовать для интенсификации добычи нефти путем выявления текущего режима работы, корректировки длительностей (работа/остановка) и последующей оптимизации циклов. Кроме того, описанный подход может быть применен для автоматизированного мониторинга режимов работы механизированных скважин, своевременного выявления отклонений от плановых режимов. Предложенный метод легко масштабируется и может быть адаптирован к различным условиям.


Список литературы
1. Об оптимизации периодического режима эксплуатации скважин, оборудованных установками электроцентробежных насосов, в ПАО «НК «Роснефть» / А.А. Пашали, Р.С. Халфин, Д.В. Сильнов [и др.] // Нефтяное хозяйство. – 2021. – № 4. – С. 92–96. – https://doi.org/10.24887/0028-2448-2021-4-92-96. –
EDN: JKTJZT
2. Идентификация внеплановых остановок скважин для проведения гидродинамических исследований в режиме реального времени / Ю.А. Питюк,
А.Ф. Кунафин, А.Р. Байрамгалин [и др.] // Нефтяное хозяйство. – 2020. – № 2. – С. 32–35. – https://doi.org/10.24887/0028-2448-2020-2-32-35. –
EDN: SUTFNA
3. Апробация подхода по автоматической интерпретации эхограмм методами машинного обучения / Ш.Х. Ишкина, И.И. Закирьянов, Э.И. Сагдеев [и др.] // Экспозиция нефть и газ. – 2024. – № 5. – С. 51–56. – https://doi.org/10.24412/2076-6785-2024-5-51-56. – EDN: HHRXLY
4. Вывод на режим скважин, эксплуатируемых установками электроцентробежных и скважинных штанговых насосов, с применением методов машинного обучения и цифровых двойников / А.А. Пашали, Д.В. Сильнов, А.С. Топольников [и др.] // Нефтяное хозяйство. – 2021. – № 7. – С. 112–117. – https://doi.org/10.24887/0028-2448-2021-7-112-117. – EDN: ENDYBD
5. Lovrić M., Milanović M., Stamenković M. Algoritmic methods for segmentation of time series: An overview // Journal of Contemporary Economic and Business
Issues. – 2014. – V. 1. – № 1. – Р. 31–53.
6. U-time: A fully convolutional network for time series segmentation applied to sleep staging / M. Perslev [et al.] // Advances in Neural Information Processing Systems. – 2019. – Т. 32.
7. Segmentation of Multivariate Time Series with Convolutional Neural Networks / Y. Yu [et al.] //Proceedings of the International Conference on Calibration – Methods and Automotive Data Analytics. – Berlin, Deutschland, 21.05.2019 – 22.05.2019.
8. Свидетельство о регистрации программы для ЭВМ RU 2025661932. Программное обеспечение «EchoTools» / А.Я. Давлетбаев, Э.И. Сагдеев, И.И. Закирьянов [и др.]; № 2025660330; заявл. 28.04.2025; опубл.  14.05.2025.