Прогнозирование возникновения инцидентов на нагнетательных скважинах с использованием алгоритмов машинного обучения
УДК: 622.276
DOI: 10.33285/0207-2351-2023-9(657)-16-21
Авторы:
МЕХОНОШИН РОМАН ОЛЕГОВИЧ
1,
ВИЛЬДАНОВ ТИМУР ФЛОРИДОВИЧ1,
КОРДИК КИРИЛЛ ЕВГЕНЬЕВИЧ2,
ЧЕРНОБРОВИН ЕВГЕНИЙ ВИКТОРОВИЧ1,
ЯМЛИХИН РАДИК РИНАТОВИЧ3,4,
ЗИНАТУЛЛИН ИЛЬГАМ АХМАДУЛЛОВИЧ3,4,
ЕЛИЗАРОВ АЛЕКСЕЙ ВЛАДИМИРОВИЧ3
1 ЛУКОЙЛ-Инжиниринг, Тюмень, Россия
2 Филиал ООО "ЛУКОЙЛ-Инжиниринг" "КогалымНИПИнефть" в г. Тюмени, Тюмень, Россия
3 ЛУКОЙЛ-Западная Сибирь, Когалым, Россия
4 ТПП "Покачевнефтегаз"
Ключевые слова: машинное обучение, прогнозирование аварийных инцидентов на скважине, ревизия насосно-компрессорных труб, обучающая база данных, алгоритм машинного обучения
Аннотация:
В статье приведены результаты реализации пилотного проекта по созданию цифрового инструмента на базе алгоритмов машинного обучения с целью прогнозирования аварийных инцидентов на скважинах нагнетательного фонда. Описаны подходы к формированию базы данных для модели машинного обучения путем дифференциации и перевода ряда параметров в интегральные значения. Рассмотренный случай является примером применения модели машинного обучения в качестве инструмента предиктивной аналитики для оптимизации расходов нефтегазодобывающего предприятия, связанных с проведением ремонтных работ на нагнетательных скважинах. Достоверность прогноза, полученного с помощью созданной модели, подтверждена при проведении плановой ревизии насосно-компрессорных труб в 2023 г. на пилотном участке одного из территориально-производственных предприятий компании.
Список литературы:
1. Машинное обучение / Х. Бринк, Дж. Ричардс, М. Феверолф [и др.] – СПб.: Питер, 2017. – 336 с.
2. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. – М.: Вильямс, 2017. – 480 с.
3. Advanced Machine Learning Methods for Production Data Pattern Recognition / N. Subrahmanya [et al.] // Intelligent Energy Conference and Exhibition held in Utrecht, the Netherlands – Society of Petroleum Engineers, 2014.
4. Accelerating field optimization for Shell in the Neuquén Basin using Novi Labs machine learning models and data analytics / S. McEntyre [et al.] // Unconventional Resources Technology Conference held in Houston, Texas, USA – Society of Petroleum Engineers, 2022.
5. Machine Learning Engine for Real-Time ESP Failure Detection and Diagnostics / R. Adolfo [et al.] // Middle East Artificial Lift Conference and Exhibition held in Manama, Bahrain – Society of Petroleum Engineers, 2022.
6. Применение методов машинного обучения для прогнозирования вероятности остановок добывающих скважин на основе параметров режимов их эксплуатации / С.А. Яриков [и др.] // Нефтегазовый инжиниринг. – 2022. – № 5. – С. 85–89.
7. Новый подход к доуточнению прогнозов прокси-моделей пласта с помощью алгоритмов машинного обучения / О.В. Зоткин [и др.] // Информационные технологии. – 2019. – № 12. – С. 60–63.
8. Бослаф С. Статистика для всех. – М.: ДМК-Пресс, 2017. – 586 с.
Назад в номер