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

Анализ опыта применения методов машинного обучения при бурении нефтяных и газовых скважин

УДК: 622.24
DOI: 10.33285/0130-3872-2023-9(369)-15-24

Авторы:

¹ Санкт-Петербургский горный университет, Санкт-Петербург, Россия

Ключевые слова: бурение скважин, машинное обучение, нейронные сети, газоводонефтепроявление, прихват буровой колонны, поглощение бурового раствора, каротаж скважины, механическая скорость бурения

Аннотация:

В данной работе приведен анализ мирового опыта использования различных методов машинного обучения в нефтегазовой отрасли для оптимизации процесса бурения нефтяных и газовых скважин. Рассмотрены известные методы машинного обучения. Описаны сферы их применения. По результатам анализа с каждой рассмотренной проблемой соотнесен способ ее решения. Сегодня компании начинают активно вовлекать в хозяйственный оборот новые месторождения, зачастую со сложной и непредсказуемой геологией. Это приводит к удорожанию всех этапов освоения запасов, начиная от разведки и заканчивая эксплуатацией. При этом, самые значительные капитальные затраты приходятся на процесс строительства скважины, который расходует около 40 % от всей стоимости проекта. Сметные затраты на бурение могут значительно вырасти за счет осложнений и аварий, вероятность которых пропорциональна глубине скважины и степени неопределенности геологического разреза. Применение искусственного интеллекта и машинного обучения при грамотном внедрении может способствовать повышению объемов, качества и, как следствие, рентабельности производства.

Список литературы:

1. Deep learning and time-series analysis for the early detection of lost circulation incidents during drilling operations / M. Aljubran, J. Ramasamy, M. Albassam, A. Magana-Mora // IEEE Access. – 2021. – Vol. 9. – P. 76833–76846. – DOI: 10.1109/ACCESS.2021.3082557
2. Drilling problems forecast system based on neural network / S. Borozdin, A. Dmitrievsky, N. Eremin [et al.] // SPE Annual Caspian Technical Conf., Oct. 21–22, 2020, Virtual. – DOI:10.2118/202546-MS
3. URL: https://catboost.ai
4. Application of machine learning to accidents detection at directional drilling / E. Gurina, N. Klyuchnikov, A. Zaytsev [et al.] // J. of Petroleum Science and Engineering. – 2020. – Vol. 184. – P. 106519. – DOI: 10.1016/j.petrol.2019.106519
5. Forecasting the abnormal events at well drilling with machine learning / E. Gurina, N. Klyuchnikov, K. Antipova, D. Koroteev // Applied Intelligence. – 2022. – Vol. 52. – P. 9980–9995. – DOI: 10.1007/s10489-021-03013-x
6. Making the black-box brighter: interpreting machine learning algorithm for forecasting drilling accidents / E. Gurina, N. Klyuchnikov, K. Antipova, D. Koroteev // J. of Petroleum Science and Engineering. – 2022. – Vol. 218. – P. 111041. – DOI: 10.1016/j.petrol.2022.111041
7. Real-Time Well Log Prediction from Drilling Data Using Deep Learning / R. Kanfar, O. Shaikh, M. Yousefzadeh, T. Mukerji // Int. Petroleum Technology Conf., Jan. 13–15, 2020, Dhahran, Kingdom of Saudi Arabia. – DOI: 10.2523/IPTC-19693-MS
8. Коник Л. "НОВАТЭК" снизил аварийность бурения при помощи AI. – 2022. – URL: https://www.comnews.ru/content/219388/2022-03-23/2022-w12/novatek-snizil-avariynost-bureniya-pri-pomoschi-ai
9. URL: https://www.lightgbm.readthedocs.io
10. Optimizing drilling wells and increasing the operation efficiency using digital twin technology / M.G. Mayani, T. Baybolov, R. Rommetveit [et al.] // IADC/SPE Int. Drilling Conf. and Exhibition, March 3–5, 2020, Galveston, Texas, USA. – DOI: 10.2118/199566-MS
11. Six years operating a real time drilling problem detection software in deepwater environments: Results and challenges / F.R. da Silva, M. de Souza Cruz, B. Barduchi [et al.] // SPE Latin American and Caribbean Petroleum Engineering Conf., July 27–31, 2020, Virtual. – DOI: 10.2118/199077-MS
12. Машинное обучение в Python. – URL: https://www.scikit-learn.ru
13. Qodirov S., Shestakov A. Development of Artificial Neural Network for Predicting Drill Pipe Sticking in Real-Time Well Drilling Process // 2020 Global Smart Industry Conference (GloSIC), Nov. 17–19, 2020, Chelyabinsk, Russia. – DOI: 10.1109/glosic50886.2020.9267873
14. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения / А.Н. Дмитриевский, А.Г. Сбоев, Н.А. Еремин [и др.] // Георесурсы. – 2020. – Т. 22, № 4. – С. 79–85. – DOI: 10.18599/grs.2020.4.79-85
15. Цифровой нефтегазовый комплекс России / А.Н. Дмитриевский, Н.А. Еремин, Д.С. Филиппова, Е.А. Сафарова // Георесурсы. – 2020. – Т. 22, № S. – С. 32–35. – DOI: 10.18599/grs.2020.SI.32-35
16. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин / Н.А. Еремин, А.Д. Черников, О.Н. Сарданашвили [и др.] // Деловой журн. Neftegaz.RU. – 2020. – № 4(100). – С. 38–50.
17. Катанов Ю.Е. Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах. – Изв. вузов. Нефть и газ. – 2021. – № 1(145). – С. 55–76. – DOI: 10.31660/0445-0108-2021-1- 55-76
18. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения / А.Д. Черников, Н.А. Еремин, В.Е. Столяров [и др.] // Георесурсы. – 2020. – Т 22, № 3. – С. 87–96. – DOI: 10.18599/grs.2020.3.87-96
19. ACGAN and BN based method for downhole incident diagnosis during the drilling process with small sample data size / Chuan Wang, Jiajun Ma, Hao Jin [et al.] // Ocean Engineering. – 2022. – Vol. 256. – P. 111516. – DOI: 10.1016/j.oceaneng.2022.111516
20. A split–merge clustering algorithm based on the k-nearest neighbor graph / Yan Wang, Yan Ma, Hui Huang [et al.] // Information Systems. – 2023. – Vol. 111. – P. 102124. – DOI: 10.1016/j.is.2022.102124