Тематический рубрикатор статей

Георесурсы Т.22.№4.2020
Стр.
Скачать статью

Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения

А.Н. Дмитриевский, А.Г. Сбоев, Н.А. Еремин, А.Д. Черников, А.В. Наумов, А.В. Грязнов, И.А. Молошников, С.О. Бороздин, Е.А. Сафарова

Оригинальная статья

DOI https://doi.org/10.18599/grs.2020.4.79-85

79-85
rus.
eng.

open access

Under a Creative Commons license
Статья посвящена разработке гибридного метода прогнозирования и предупреждения развития осложнений в процессе бурения скважин на базе методов машинного обучения и современных нейросетевых моделей. Осложнения в процессе бурения, такие как поглощения, газонефтеводопроявления и прихваты, приводят к росту непроизводительного времени, т.е. времени которое не является технически необходимым для строительства скважины и вызывается различными нарушениями производственного процесса. Рассмотрено несколько различных подходов, в т.ч. на основе регрессионной модели прогнозирования функции индикатора, которая отражает приближение к развивающемуся осложнению, а также моделей выделения аномалий, построенных как на базовых алгоритмах машинного обучения, так и с применением нейросетевой модели глубокого обучения. Показаны визуализированные примеры работы разработанных методов на симуляционных и реальных данных. Интеллектуальный анализ большого объема информации со станций геолого-технологических измерений основан на хорошо зарекомендовавших себя алгоритмах машинного обучения. На основе этих данных предложена нейросетевая модель для предотвращения осложнений и аварийных ситуаций в процессе строительства скважин. Применение данного метода позволит минимизировать непроизводительное время бурения.
 
Машинное обучение, гибридное моделирование, нейронные сети, выявление аномалий, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий и осложнений, искусственный интеллект, автоматизированная система, строительство скважин, нейросетевое моделирование
 
  • Архипов А.И., Дмитриевский А.Н., Еремин Н.А. и др. (2020). Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов. Нефтяное хозяйство, 8, с. 63–67. DOI: 10.24887/0028-2448-2020-8-63-67
  • Дмитриевский А.Н., Еремин Н.А., Филиппова Д.С. и др. (2020). Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин. Socar Proceedings, 3, с. 31–37. http://dx.doi.org/10.5510/OGP20200300442
  • Дмитриевский А.Н., Еремин Н.А., Филиппова Д.С., Сафарова Е.А. (2020). Цифровой нефтегазовый комплекс России. Георесурсы, Спецвыпуск, c. 32–35. https://doi.org/10.18599/grs.2020.SI.32-35
  • Дьяконов А.Г., Головина А.М. (2017). Выявление аномалий в работе механизмов методами машинного обучения. Тр. XIX Межд. конф.: Аналитика и управление данными в областях с интенсивным использованием данных. М., с. 469–476.
  • Еремин Н.А., Столяров В.Е. (2020). О цифровизации процессов газодобычи на поздних стадиях разработки месторождений. Socar Proceedings, 1, с. 59–69. DOI: 10.5510/ogp20200100424
  • Еремин Н.А., Водопьян А.О., Дуплякин В.О., Черников А.Д., Космос С.А. (2020a). Программный компонент «Нефтегазовый Блокчейн». Свид. о рег. программы для ЭВМ RU 2020614626. Заявка № 2020613699 от 27.03.2020.
  • Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. (2020b). Программный компонент «Адаптация обобщенных нейросетевых моделей прогнозирования осложнений и аварийных ситуаций к геофизическим параметрам при бурении конкретной скважины». Свид. о рег. программы для ЭВМ RU 2020660890. Заявка № 2020660179 от 08.09.2020.
  • Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. (2020c). Программный компонент «Оркестровка - интеграция модулей системы прогнозирования осложнений и аварийных ситуаций при бурении и строительстве скважин». Свид. о рег. программы для ЭВМ RU 2020660891. Заявка № 2020660181 от 08.09.2020.
  • Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О. К., Фицнер Л.К., Черников А.Д. (2020d). Программный компонент «Нейросетевые расчеты - построение моделей прогноза осложнений и аварийных ситуаций при бурении и строительстве скважин» (ПКНР). Свид. о рег. программы для ЭВМ RU 2020660892. Заявка № 2020660182 от 08.09.2020.
  • Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. (2020e). Программный компонент «Индикация прогноза осложнений и аварийных ситуаций при бурении и строительстве скважин» (ПК «Индикация»). Свид. о рег. программы для ЭВМ RU 2020661356. Заявка № 2020660450 от 14.09.2020.
  • Казначеев П.Ф., Самойлова Р.В., Курчиски Н.В. (2016). Применение методов искусственного интеллекта для повышения эффективности в нефтегазовой и других сырьевых отраслях. Экономическая политика, 11(5).
  • Кодиров Ш.Ш., Шестаков А.Л. (2019). Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника, 19(3).
  • Линд Ю.Б., Мулюков Р.А., Кабирова А.Р., Мурзагалин А.Р. (2013). Оперативное прогнозирование осложнений при бурении. Нефтяное Хозяйство, 2, с. 55–57.
  • Пичугин О.Н., Прокофьева Ю.З., Александров Д.М. (2013). Деревья решений как эффективный метод анализа и прогнозирования. Нефтепромысловое дело, 11, с. 69–75.
  • Borozdin, S., Dmitrievsky, A., Eremin, N., Arkhipov, A., Sboev, A., Chashchina-Semenova, O., Fitzner L., Safarova, E. (2020). Drilling Problems Forecast System Based on Neural Network. Society of Petroleum Engineers. https://doi.org/10.2118/202546-MS
  • Chen T., Guestrin C. (2016). Xgboost: A scalable tree boosting system. Proc. 22nd ASM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. ACM, pp. 785–794. https://doi.org/10.1145/2939672.2939785
  • Gurina E. et al. (2020). Application of machine learning to accidents detection at directional drilling. Journal of Petroleum Science and Engineering, 184, 106519. https://doi.org/10.1016/j.petrol.2019.106519
  • Kanfar R. et al. (2020). Real-Time Well Log Prediction From Drilling Data Using Deep Learning. arXiv preprint arXiv: 2001.10156. https://doi.org/10.2523/IPTC-19693-MS
  • Kohonen T. (1990). The self-organizing map. Proc. IEEE, 78(9), pp. 1464–1480. https://doi.org/10.1109/5.58325
  • Li Y. et al. (2019). Deep learning for well data history analysis. Society of Petroleum Engineers. https://doi.org/10.2118/196011-MS
  • Liu F.T., Tony T.K.M., Zhou Z.H. (2008). Isolation forest. Proc. 8th IEEE Int. Conf. on Data Mining, pp. 413–422. https://doi.org/10.1109/ICDM.2008.17
  • Noshi C.I., & Schubert J.J. (2018). The Role of Machine Learning in Drilling Operations. A Review. Society of Petroleum Engineers. https://doi.org/10.2118/191823-18ERM-MS
  •  

Анатолий Николаевич Дмитриевский
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, д. 3

Александр Георгиевич Сбоев
Национальный исследовательский центр «Курчатовский институт»
Россия, 123098, Москва, пл. Академика Курчатова, д. 1

Николай Александрович Еремин
Институт проблем нефти и газа РАН; Российский государственный университет нефти и газа (национальный исследовательский университет) им. И.М. Губкина
Россия, 119333, Москва, ул. Губкина, д. 3

Александр Дмитриевич Черников 
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, д. 3

Александр Владимирович Наумов
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, д. 3

Артём Викторович Грязнов
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, д. 3

Иван Александрович Молошников
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, д. 3

Сергей Олегович Бороздин
Российский государственный университет нефти и газа (национальный исследовательский университет) им. И.М. Губкина
Россия, 119991, Москва, Ленинский просп., д. 65

Елизавета Александровна Сафарова
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, д. 3

 

Для цитирования:

Дмитриевский А.Н., Сбоев А.Г., Еремин Н.А., Черников А.Д., Наумов А.В., Грязнов А.В., Молошников И.А., Бороздин С.О., Сафарова Е.А. (2020). Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения. Георесурсы, 22(4), c. 79–85. DOI: https://doi.org/10.18599/grs.2020.4.79-85
 

For citation:

Dmitrievsky A.N., Sboev A.G., Eremin N.A., Chernikov A.D., Naumov A.V., Gryaznov A.V., Moloshnikov I.A., Borozdin S.O., Safarova E.A. (2020). On increasing the productive time of drilling oil and gas wells using machine learning methods. Georesursy = Georesources, 22(4), pp. 79–85. DOI: https://doi.org/10.18599/grs.2020.4.79-85
 
© 2024 Коллектив авторов