«Автоматизация и информатизация ТЭК»

Методы машинного обучения в задаче классификации трехмерных моделей оборудования нефтегазового комплекса

УДК: 004.85:622.276
DOI: -

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: классификация 3D-моделей, машинное обучение, градиентный бустинг, разработка и эксплуатация нефтяных и газовых месторождений, скважинное оборудование, фонтанная арматура, САПР, онтология предметной области, жизненный цикл изделия, цифровой двойник

Аннотация:

Цифровая трансформация нефтегазодобывающих предприятий и курс на технологический суверенитет ставят задачу формирования единого пространства управления жизненным циклом скважинного и наземного оборудования, в котором корректная классификация инженерных 3D-моделей является ключевым условием эффективного управления каталогами систем автоматизированного проектирования (САПР). В работе предложена методика автоматической классификации 3D-моделей оборудования для разработки и эксплуатации месторождений, основанная на гибридном векторе геометро-топологических признаков и алгоритмах ансамблевого обучения. Обоснована ее интеграция с онтологической моделью предметной области. Сформирован вектор признаков размерности 58, агрегирующий габаритно-объемные параметры, топологические инварианты (эйлерова характеристика, число компонент связности), моменты инерции и распределения формы Osada, что обеспечивает инвариантность к выбору системы координат и масштабированию модели. Сравнительный анализ случайного леса, многослойного перцептрона и градиентного бустинга на решающих деревьях, выполненный на бенчмарке Mechanical Components Benchmark (25 классов), показал, что наилучший баланс точности и вычислительных затрат обеспечивает градиентный бустинг – сбалансированная точность на тестовой выборке составила 87,79 %. Обоснована применимость подхода к каталогам оборудования промысла (установки ЭЦН и ШГН, фонтанная и запорно-регулирующая арматура устья скважины, элементы систем поддержания пластового давления и сбора продукции). Внедрение классификатора позволяет сократить трудоемкость подбора типовых компонентов, исключить дублирование позиций номенклатуры и обеспечить трассируемость от технологических требований до 3D-представления изделия.

Список литературы:

1. Тупысев А.М., Негробов В.А., Алетдинова А.А. Применение нейронных сетей в задаче семантической сегментации пустотного пространства на изображениях шлифов горных пород // Автоматизация и информатизация ТЭК. – 2025. – № 3(620). – С. 10–16.
2. Дмитриевский А.Н., Еремин Н.А., Столяров В.Е. Регулирование и стандартизация для применения цифровых технологий в нефтегазовом комплексе // Автоматизация и информатизация ТЭК. – 2022. – № 2(583). – С. 6–16. – DOI: 10.33285/2782-604X-2022-2(583)-6-16
3. Нургалиев Р.Г., Ивановский В.Н. Анализ техники и технологии добычи высоковязкой нефти на объектах ООО "РИТЭК" // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 2(140). – С. 5–14.
4. Старцев Н.И., Михайлов Н.Н. Использование нейронных сетей в гидродинамическом моделировании подземных хранилищ газа // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 3(141). – С. 49–53.
5. Прогнозирование поступления нефти и жидкости на нефтесборный пункт нефтегазодобывающего предприятия с использованием методов машинного обучения / И.В. Петров, Е.Е. Ярославкина, С.А. Бурлов [и др.] // Автоматизация и информатизация ТЭК. – 2024. – № 8(613). – С. 18–25.
6. Сызранцева К.В., Фетисова Л.В., Белобородова А.А. Оценка вероятности отказа корпуса шарового крана в случайном режиме его эксплуатации // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 2(140). – С. 15–20.
7. Мустафина С.И., Жиляков С.А. Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования // Автоматизация и информатизация ТЭК. – 2023. – № 7(600). – С. 13–21. – DOI: 10.33285/2782-604X-2023-7(600)-13-21
8. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. – 2001. – Vol. 29, Issue 5. – P. 1189–1232. – DOI: 10.1214/aos/1013203451
9. Valiant L.G. A theory of the learnable // Communications of the ACM. – 1984. – Vol. 27, No. 11. – P. 1134–1142. – DOI: 10.1145/1968.1972
10. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York: Springer, 2009. – XXII, 745 p.
11. ГОСТ Р 58676-2019. Электронная конструкторская документация. Виды преобразований. – Введ. 2020–06–01. – М.: Стандартинформ, 2019. – IV, 12 с.
12. Shape distributions / R. Osada, T. Funkhouser, B. Chazelle, D. Dobkin // ACM Transactions on Graphics. – 2002. – Vol. 21, Issue 4. – P. 807–832. – DOI: 10.1145/571647.571648
13. ГОСТ Р 57700.37-2021. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. – Введ. 2022–01–01. – М.: Российский институт стандартизации, 2021. – IV, 10 с.
14. PointNet: Deep learning on point sets for 3D classification and segmentation / C.R. Qi, Su Hao, Mo Kaichun, L.J. Guibas // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, Hawaii, USA, July 21–26, 2017. – P. 652–660. – DOI: 10.1109/CVPR.2017.16