«Строительство нефтяных и газовых скважин на суше и на море»

Обзор современных методов математического анализа для решения задач в области строительства скважин

УДК: 622.245
DOI: 10.33285/0130-3872-2022-12(360)-5-10

Авторы:

¹ КогалымНИПИнефть, Тюмень, Россия
² Тюменский индустриальный университет, Тюмень, Россия

Ключевые слова: математический анализ, машинное обучение, нейронные сети, проблемы нефтегазовой отрасли

Аннотация:

Современное развитие алгоритмов математического и статистического анализа данных позволяет с высокой точностью моделировать производственные многофакторные процессы, чего невозможно достичь с помощью классических средств статистического анализа. Новые алгоритмы нацелены на имитацию человеческого мышления, что позволяет соединить формальную логику и теорию вероятностей для селективного подхода к выбору метода моделирования в зависимости от конкретных условий технологического процесса. В мировой практике такие средства математического анализа объединены термином "машинное обучение". Главными условиями эффективности моделирования с применением современных алгоритмов статистического анализа являются качество и объем входной информации, что на сегодняшний день достигнуто отечественными и мировыми нефтегазовыми предприятиями. Собранная информация позволяет решать многие задачи, стоящие перед промышленностью: предотвращение осложнений при бурении, корректировка профиля скважины, прогнозирование геомеханических параметров и т. д. В данной статье рассмотрены современные проблемы в области бурения скважин, представлены основные методы машинного обучения, используемые для моделирования естественных процессов, описаны примеры успешного внедрения современных алгоритмов математического анализа.

Список литературы:

1. Каменских С.В. Оценка аварийности при строительстве скважин на площадях и месторождениях Тимано-Печорской провинции // Строительство нефтяных и газовых скважин на суше и на море. – 2015. – № 12. – С. 6–11. – URL: https://rucont.ru/efd/433148 (дата обращения 30.06.2022).
2. Абатуров В.Г. Бурение в сложных геологических условиях. Часть 1. Аварии, их предупреждение и ликвидация: курс лекций. – Тюмень: ТюмГНГУ, 1995. – 60 с.
3. Ясов В.Г., Мыслюк М.А. Осложнения в бурении: справ. пособие. – М.: Недра, 1991. – 333 с.
4. Fakhrylgayanov A., Soh A.A.J., Osman A. Machine Learning as New Approach for Dogleg Severity Prediction // SPE/IADC Middle East Drilling Technology Conf. and Exhibition, Abu Dhabi, UAE, May 25–27. – 2021. – DOI: 10.2118/202160-MS
5. Using Drilling and Logging Data for Developing 1D Mechanical Earth Model for a Mature Oil Field to Predict and Mitigate Wellbore Stability Challenges / M. Afsari, M. Amani, S.M. Razmgir [et al.] // Int. Oil and Gas Conf. and Exhibition in China, Beijing, China, June 8–10. – 2010. – DOI: 10.2118/132187-MS
6. Применение методов машинного обучения для повышения качества крепления скважин / Д.В. Шаляпин, Д.Л. Бакиров, М.М. Фаттахов [и др.] // Изв. вузов. Нефть и газ. – 2020. – № 5. – С. 81–93. – DOI: 10.31660/0445-0108-2020-5-81-93
7. Шаляпин Д.В., Бакирова А.Д., Кузнецов В.Г. Перспективы разработки математической модели для повышения качества крепления скважин на месторождениях Западной Сибири // Состояние, тенденции и проблемы развития нефтегазового потенциала Западной Сибири: материалы докл. Междунар. академ. конф., Тюмень, 05 февр. 2020 г. – Тюмень: ТИУ, 2020. – С. 142–146.
8. Шаляпин Д.В., Бакирова А.Д. Разработка технологических решений по подготовке ствола скважины к цементированию и повышению качества крепления с использованием искусственного интеллекта для Пякяхинского месторождения // Проблемы геологии и освоения недр: тр. XXIV Междунар. симп. им. акад. М.А. Усова студентов и молодых учёных, посвященного 75-летию Победы в Великой Отечественной войне, Томск, 06–10 апр. 2020 г. – Томск: Нац. исслед. Томский политехн. ун-т, 2020. – С. 436–437.
9. Шаляпин Д.В., Бабушкин Э.В., Шаляпина А.Д. Применение методов математического анализа для повышения качества крепления скважин // Нефть и газ: технологии и инновации: материалы Нац. науч.-практ. конф., Тюмень, 19-20 нояб. 2020 г.: в 3 т. – Тюмень: ТИУ, 2020. – Т. 1. – С. 107–110.
10. Шаляпин Д.В., Щербаков А.В., Бакирова А.Д. Разработка для Пякяхинского месторождения технологических решений по подготовке ствола скважины к цементированию и повышению качества крепления с использованием искусственного интеллекта // Булатовские чтения. – 2020. – Т. 3. – С. 372–376.
11. Совершенствование методики анализа данных по креплению скважин / Д.В. Шаляпин, Д.Л. Бакиров, М.М. Фаттахов, В.Г. Кузнецов // Строительство нефтяных и газовых скважин на суше и на море. – 2022. – № 5(353). – С. 36–39. – DOI: 10.33285/0130-3872-2022-5(353)-36-39
12. Forecasting the abnormal events at well drilling with machine learning: Preprint / E. Gurina, N. Klyuchnikov, K. Antipova, D. Koroteev. – 2022. – URL: https://www.researchgate.net/publication/359156359_Forecasting_the_abnormal_events_at_well_drilling_with_machine_learning
13. Machine Learning for Improved Directional Drilling / J. Pollock, Z. Stoecker-Sylvia, V. Veedu [et al.] // Offshore Technology Conf., Houston, Texas, USA, April 30 – May 3. – 2018. – DOI: 10.4043/28633-MS
14. Martinelli M., Colombo I., Russo E.R. Predict Geomechanical Parameters with Machine Learning Combining Drilling Data and Gamma Ray // SPE Middle East Oil & Gas Show and Conf., Nov. 28 – Dec. 1. – 2021. – DOI: 10.2118/204688-MS