«Оборудование и технологии для нефтегазового комплекса»

Обзор применения байесовской сети и искусственного интеллекта для снижения числа осложнений и аварий в разработке и эксплуатации нефтяных и газовых месторождений

УДК: 622.276.032.85:004.89
DOI: -

Авторы:

¹ Институт проблем нефти и газа РАН, Москва, Россия

Ключевые слова: искусственный интеллект, байесовские сети, организация производства, анализ базы данных, машинное обучение, выявление управления безопасностью процессов, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий, автоматизированная система, строительство скважин, нефтедобыча

Аннотация:

Каждая нефтегазовая компания, которая уделяет должное внимание безопасности, ведет работу по управлению безопасностью процессов (УБП), что дает лучшее понимание опасностей, комплексную оценку и управление рисками, а также углубленное изучение опыта для повышения общей безопасности и эксплуатационных показателей. Компании часто используют систему отчетности об инцидентах, но так как она может содержать тысячи отчетов, они редко извлекают из них полную пользу для предотвращения и сокращения будущих инцидентов. Чтобы решить эту проблему, в этом исследовании применили машинное обучение и анализ ключевых слов для маркировки и классификации 8199 отчетов об инцидентах от нефтегазовой компании по девяти группам, указанным в последней версии руководств, опубликованных Центром безопасности химических процессов. Для достижения оптимального решения были использованы два различных метода байесовских сетей, которые привели к созданию одной и той же карты. Она показала, что общее число инцидентов на 50 % зависит от целостности и надежности файлов, таких как, например, буровые журналы, а это значит, что сосредоточение ресурсов на этом аспекте может уменьшить число инцидентов вдвое. Кроме того, был проведен кросс-корреляционный анализ (CCA), который подтвердил этот результат и определил меры для улучшения стратегии управления безопасностью компании и сокращения скрытых причин возникновения осложнений.

Список литературы:

1. Amin T., Khan F., Imtiaz S. Fault Detection and Pathway Analysis using a Dynamic Bayesian Network // Chemical Engineering Science. – 2019. – Vol. 195. – P. 777–790. – DOI: 10.1016/j.ces.2018.10.024
2. Incorporation of inherent safety principles in process safety management / P.R. Amyotte, A.U. Goraya, D.C. Hendershot, F.I. Khan // Process Safety Progress. – 2007. – Vol. 26, Issue 4. – P. 333–346. – DOI: 10.1002/prs.10217
3. Aven T., Krohn B.S. A new perspective on how to understand, assess and manage risk and the unforeseen // Reliability Engineering & System Safety. – 2014. – Vol. 121. – P. 1–10. – DOI: 10.1016/j.ress.2013.07.005
4. Cunlu Zou, Denby K.J., Jianfeng Feng. Granger causality vs. dynamic Bayesian network inference: a comparative study // BMC Bioinformatics. – 2009. – Vol. 10. – DOI: 10.1186/1471-2105-10-122
5. A Dynamic Decision Approach for Risk Analysis in Complex Projects / Xianguo Wu, Yanhong Wang, Limao Zhang [et al.] // J. of Intelligent & Robotic Systems. – 2015. – Vol. 79. – P. 591–601. – DOI: 10.1007/s10846-014-0153-3
6. Usability of accident and incident reports for evidence-based risk modeling – A case study on ship grounding reports / A. Mazaheri, J. Montewka, J. Nisula, P. Kujala // Safety Science. – 2015. – Vol. 76. – P. 202–214. – DOI: 10.1016/j.ssci.2015.02.019
7. Using machine learning and keyword analysis to analyze incidents and reduce risk in oil sands operations / D. Kurian, F. Sattari, L. Lefsrud, Yongsheng Ma // Safety Science. – 2020. – Vol. 130. – P. 104873. – DOI: 10.1016/j.ssci.2020.104873
8. Reporting and Investigating Injuries and Incidents – OHS information for employers, prime contractors and workers. – Government of Alberta, Edmonton, AB, Canada, 2019. – 11 p.
9. Friedman N., Nachman I., Pe'er D. Learning Bayesian Network Structure from Massive Datasets: The "Sparse Candidate" Algorithm // Proceedings of the Fifteenth Conf. on Uncertainty in Artificial Intelligence, Stockholm, Sweden, July 30 – Aug. 1. – 1999. – P. 206–215. – DOI: 10.13140/2.1.1125.2169; Berglund J. After Fukushima: Safety culture and fostering critical thinking // Safety Science. – 2020. – Vol. 124. – P. 104613. – DOI: 10.1016/j.ssci.2020.104613
10. Chemoinformatic investigation of the Chemistry of Cellulose and Lignin Derivatives in Hydrous Pyrolysis / F. Sattari, D. Tefera, K. Sivaramakrishnan [et al.] // Industrial & Engineering Chemistry Research. – 2020. – Vol. 59, Issue 25. – P. 11582–11595. – DOI: 10.1021/acs.iecr.0c01592
11. Uusitalo L. Advantages and challenges of Bayesian networks in environmental modelling // Ecological Modelling. – 2007. – Vol. 203, Issues 3-4. – P. 312–318. – DOI: 10.1016/j.ecolmodel.2006.11.033; Van der Schaaf T., Kanse L. Biases in Incident Reporting Databases: An Empirical Study in the Chemical Process Industry // Safety Science. – 2004. – Vol. 42. – P. 57–67. – DOI: 10.1016/S0925-7535(03)00023-7
12. Berglund J. Why Safety Cultures Degenerate and how to Revive them. – London: Routledge, 2016. – 106 p.
13. Wold T., Laumann K. Safety management systems as communication in an oil and gas producing company // Safety Science. – 2015. – Vol. 72. – P. 23–30. – DOI: 10.1016/j.ssci.2014.08.004
14. Abuashour A.M.B., Hassan Z. Conceptual framework for enhancing safety performance by impact cooperation facilitation, safety communication and work environment: Jordanian hospitals // Sains Humanika. – 2019. – Vol. 11, No. 2-2. – DOI: 10.11113/sh.v11n2-2.1659
15. Еремин Н.А., Селенгинский Д.А., Черников А.Д. Об использовании методов искусственного интеллекта для решения задач в нефтегазовой отрасли // Золотухинские чтения. Нефть, газ и энергетика в Арктическом регионе: сб. материалов Междунар. науч.-практ. конф., Архангельск, 20–21 апр. 2023 г. – Архангельск: Северный (Арктический) федер. ун-т им. М.В. Ломоносова, 2023. – С. 110–112.
16. Еремин Н.А., Селенгинский Д.А. О возможности применения методов искусственного интеллекта в решении нефтегазовых задач // Изв. Тульского гос. ун-та. Науки о Земле. – 2023. – № 1. – С. 201–211. – DOI: 10.46689/2218-5194-2023-1-1-201-211