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

Теоретическое обоснование использования машинного обучения для решения задач в области цементирования скважин

УДК: 622.245
DOI: 10.33285/0130-3872-2023-12(372)-23-26

Авторы:

¹ Тюменский индустриальный университет, Тюмень, Россия

Ключевые слова: цифровизация, цементирование скважин, машинное обучение, вероятностное моделирование, математическое моделирование

Аннотация:

В статье приведена аналитическая работа по определению методических аспектов оптимизации производственных процессов с использованием машинного обучения. На основе изученного опыта применения современных средств анализа данных таких компаний, как ПАО "Газпром нефть", АНОО ВО "Сколковский институт науки и технологий", Google определен общепринятый подход к решению задач на основе цифровых технологий. Принципиальные положения методики: сбор данных и их верификация, визуализация входной информации, математическое моделирование на основе стандартных методов и алгоритмов машинного обучения с последующим сравнением, экспертный анализ результатов. Выделены основные проблемы при использовании машинного обучения: обеспечение необходимого качества и объема входных данных, невозможность логического объяснения результатов расчетов рядом методов и долгая настройка алгоритмов для минимизации вероятности возникновения ошибки. Согласно проведенному анализу информации по цементированию скважин ведущими нефтегазодобывающими компаниями определено, что накопленного объема данных достаточно для создания программных продуктов на основе машинного обучения с целью повышения герметичности крепи скважины.

Список литературы:

1. Логачев Ю.Л., Ширяев А.Б., Логачев А.Ю. Оценка влияния профиля скоростей потока на вытесняющую способность вязкопластичных жидкостей // Строительство нефтяных и газовых скважин на суше и на море. – 2017. – № 3. – С. 27–31.
2. Чернышов С.Е., Куницких А.А. Тампонажные составы для цементирования обсадных колонн скважин с управляемой кинетикой расширения // Нефтяная провинция. – 2017. – № 3(11). – С. 59–74. – DOI: 10.25689/NP.2017.3.59-74
3. Николаев Н.И., Лю Х., Кожевников Е.В. Исследование влияния полимерных буферных жидкостей на прочность контакта цементного камня с породой // Вестн. ПНИПУ. Геология. Нефтегазовое и горное дело. – 2016. – Т. 15, № 18. – С. 16–22. – DOI: 10.15593/2224-9923/2016.18.2
4. Совершенствование качества цементирования обсадных колонн на Южно-Приобском месторождении / Р.М. Феценец, С.Н. Лях, А.Ю. Кузнецов, Э.В. Найков // Бурение и нефть. – 2009. – № 12. – С. 20–23.
5. Басарыгин Ю.М., Булатов А.И., Проселков Ю.М. Заканчивание скважин: учеб. пособие для вузов. – М.: Недра, 2000. – 666 с.
6. Справочник инженера-нефтяника: в 3 т. Т. 2. Инжиниринг бурения: пер. с англ. / под ред. А.Г. Шатровского, С.О. Бороздина. – М.-Ижевск: Ин-т компьютер. исслед, 2014. – 1064 с.
7. Alpaydin E. Introduction to machine learning. – Cambridge, Massachusetts: MITpress, 2009. – XXII, 616 p.
8. Зинкевич М. Правила машинного обучения: лучшие практики для машинного обучения. – URL: https://developers.google.com/machine-learning/guides/rules-of-ml?hl=ru
9. 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(143). – С. 81–93. – DOI: 10.31660/0445-0108-2020-5-81-93
10. Data-driven model for the identification of the rock type at a drilling bit / N. Klyuchnikov, A. Zaytsev, A. Gruzdev [et al.] // J. of Petroleum Science and Engineering. – 2019. – Vol. 178. – P. 506–516. – DOI: 10.1016/j.petrol.2019.03.041
11. 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
12. 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, event canceled. – DOI: 10.2118/204688-MS
13. 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
14. Исследование фактической информации по креплению скважин с применением машинного обучения и нейронных сетей / Д.В. Шаляпин, Д.Л. Бакиров, М.М. Фаттахов [и др.] // Изв. вузов. Нефть и газ. – 2021. – № 3(147). – С. 108–119. – DOI: 10.31660/0445-0108-2021-3-108-119
15. Шаляпин Д.В., Бакиров Д.Л., Кузнецов В.Г. Оценка эффективности внедрения технологических решений по повышению качества крепления скважин, разработанных на основе цифровых технологий // Изв вузов. Нефть и газ. – 2023. – № 3(159). – С. 68–83. – DOI: 10.31660/0445-0108-2023-3-68-83