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

Повышение эффективности эксплуатации осложненных нефтяных скважин с помощью интеллектуальных алгоритмов

УДК: 622.276.5
DOI: 10.33285/0130-3872-2023-8(368)-50-58

Авторы:

¹ АНК "Башнефть", Уфа, Россия
² Башнефть-Добыча, Уфа, Россия
³ РН-БашНИПИнефть, Уфа, Россия
⁴ Уфимский государственный нефтяной технический университет, Уфа, Россия

Ключевые слова: скважина, добыча нефти, осложнения, подача химических реагентов, интеллектуальные алгоритмы, динамограммы, градиентный бустинг, машинное обучение, прогноз

Аннотация:

Предложены интеллектуальные алгоритмы, показавшие высокое качество работы на больших массивах данных и позволяющие в режиме реального времени повышать эффективность эксплуатации нефтяных месторождений. Анализируется эксплуатация осложненного фонда добывающих нефтяных скважин в ПАО АНК "Башнефть". Представлены статистические данные по отказам скважин, оснащенных ШСНУ и УЭЦН. Обобщен опыт предотвращения осложнений путем подачи химических реагентов по трубопроводам малого диаметра. Показано применение комплексного подхода работы с осложненным фондом скважин с использованием цифровых инструментов. Рассмотрены алгоритмы анализа динамограмм и ваттметрограмм, позволяющие рассчитывать фактические параметры работы ШСНУ, своевременно определять отклонения в работе насоса, идентифицировать обрывы ремней. Реализация комплекса мероприятий за последние три года позволила повысить безотказность скважин, оснащенных УЭЦН, на 15 %, а ШСНУ – на 22 %.

Список литературы:

1. Еникеев Р.М., Здольник С.Е., Гарифуллин А.Р. Башнефть-Добыча: опыт работы с осложнённым фондом скважин // Нефтегазовая вертикаль. – 2015. – № 19. – С. 70–73.
2. 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.] // Нефт. хоз-во. – 2021. – № 7. – С. 112–117. – DOI: 10.24887/0028-2448-2021-7-112-117
3. Цифровой двойник скважины как инструмент цифровизации вывода скважин на режим в ПАО АНК "Башнефть" / А.А. Пашали, А.В. Колонских, Р.С. Халфин [и др.] // Нефт. хоз-во. – 2021. – № 3. – С. 80–85. – DOI: 10.24887/0028-2448-2021-3-80-84
4. Автоматизированная система интерпретации отклонений по динамограммам на основе средств машинного обучения при эксплуатации скважинных штанговых насосов / М.Г. Волков, Д.В. Сильнов, А.С. Топольников [и др.] // Нефт. хоз-во. – 2021. – № 4. – С. 102–105. – DOI: 10.24887/0028-2448-2021-4-102-105
5. Разработка технологии инструментального контроля качества нефтепромысловых химических реагентов в ПАО АНК "Башнефть" / А.В. Катермин, А.А. Палагута, Л.Р. Михайлова [и др.] // Нефт. хоз-во. – 2021. – № 9. – С. 96–99. – DOI: 10.24887/0028-2448-2021-9-96-99
6. Гарифуллин И.Ш. Эффективность применения специального погружного кабельного устройства для предупреждения асфальтосмолопарафиновых отложений в скважинах // Нефт. хоз-во. – 2005. – № 12. – С. 92–95.
7. Шайдаков В.В., Чернова К.В., Пензин А.В. Современные химические методы насосного дозирования в нефтедобыче. – М.-Вологда: Инфра-Инженерия, 2018. – 120 с.
8. Experimental Injection set-ups for downhole chemical dosing / B.C. Buñing, M.T. Noriega, Z.F. Sarmiento, R.C.M. Malate // Proc. of World Geothermal Congress 2000, Kyushu – Tohoku, Japan, May 28 – June 10, 2000. – P. 3033–3038.
9. Capillary Tube Technology in Downhole Pressure Acquisition and its Application in Campos Basin / P.G. Cassarà, E. Almanza, J.C. Burgoa, P. Ringgenberg // IADC/SPE Drilling Conf., March 4–6, 2008, Orlando, Florida, USA. – DOI: 10.2118/111465-MS
10. Салахутдинова К.И., Лебедев И.С., Кривцова И.Е. Алгоритм градиентного бустинга деревьев решений в задаче идентификации программного обеспечения // Науч.-техн. вестн. информ. технологий, механики и оптики. – 2018. – Т. 18, № 6. – С. 1016–1022. – DOI: 10.17586/2226-1494-2018-18-6-1016-1022
11. Севастьянов А.Ю., Кучерявых И.В. Повышение точности расчета дебита по плунжерной динамограмме за счет учета работы свободного газа и интеллектуального расчета утечки жидкости // Инженерная практика. – 2013. – № 6. – С. 150–153.
12. Correlation analysis of spatial time series datasets: A filter-and-refine approach / Pusheng Zhang, Yan Huang, S. Shekhar, V. Kumar // Advances in Knowledge Discovery and Data Mining: Proc. of 7th Pacific-Asia Conference, PAKDD 2003, Seoul, Korea, April 30 – May 2, 2003. – Springer Berlin Heidelberg, 2003. – P. 532–544. – DOI: 10.1007/3-540-36175-8_53
13. Comparison of correlation analysis techniques for irregularly sampled time series / K. Rehfeld, N. Marwan, J. Heitzig, J. Kurths // Nonlinear Processes in Geophysics. – 2011. – Vol. 18, Issue 3. – P. 389–404. – DOI: 10.5194/npg-18-389-2011
14. Crone S.F., Kourentzes N. Feature selection for time series prediction – A combined filter and wrapper approach for neural networks // Neurocomputing. – 2010. – Vol. 73, Issue 10-12. – P. 1923–1936. – DOI: 10.1016/j.neucom.2010.01.017
15. Artificial neural networks for non-stationary time series / Tae Yoon Kim, Kyong Joo Oh, Chiho Kim, Jong Doo Do // Neurocomputing. – 2004. – Vol. 61. – P. 439–447. – DOI: 10.1016/j.neucom.2004.04.002
16. Zhang G.P. An investigation of neural networks for linear time-series forecasting // Computers & Operations Research. – 2001. – Vol. 28, Issue 12. – P. 1183–1202. – DOI: 10.1016/S0305-0548(00)00033-2
17. Mehrmolaei S., Keyvanpour M.R. Time series forecasting using improved ARIMA // 2016 Artificial Intelligence and Robotics, Qazvin, Iran, Apr. 09, 2016. – IEEE, 2016. – P. 92–97. – DOI: 10.1109/RIOS.2016.7529496
18. Горячкин Б.С., Китов М.А. Компьютерное зрение // E-scio. – 2020. – № 9(48). – С. 317–345.
19. Особенности работы сверточных нейронных сетей / В.О. Скрипачев, М.В. Гуйда, Н.В. Гуйда, А.О. Жуков // Int. J. of Open Information Technologies. – 2022. – Vol. 10, No. 12. – P. 53–61.