«Нефтепро-
мысловое дело»

Применение методов предиктивной аналитики при эксплуатации нефтяных скважин

УДК: 622.276
DOI: -

Авторы:

¹ ЛУКОЙЛ-Инжиниринг, Тюмень, Россия

Ключевые слова: предиктивная аналитика, оптимальное забойное давление, машинное обучение, нейронные сети, оптимизация работы скважин, нефтяные скважины, оптимизация операционных расходов

Аннотация:

В статье приводится обзор методов и подходов по применению предиктивной аналитики при оптимизации нефтяных добывающих скважин. Акцент сделан на рассмотрении подходов к определению оптимального забойного давления для нефтяных скважин. Приведено краткое описание этапа разработки и тестирования модели предиктивной аналитики, а также ключевые метрики модели и достигнутые результаты. Показана сравнительная информация по эффективности применения алгоритмов машинного обучения в нефтедобыче. Отмечена эффективность рассматриваемого подхода и выполнено сравнение ключевых метрик эффективности оптимизации забойных давлений.

Список литературы:

1. Digital transformation in the oil and gas industry: A comprehensive review of operational efficiencies and case studies / T.Y. Elete, E.O. Nwulu, O.V. Erhueh [et al.] // International Journal of Applied Research in Social Sciences. – 2024. – Vol. 6, Issue 11. – DOI: 10.51594/ijarss.v6i11.1692

2. Вильданов Т.Ф., Мехоношин Р.О. Прогнозирование негерметичностей эксплуатационных колонн с использованием алгоритмов машинного обучения // Актуальные проблемы нефтегазовой отрасли: сборник докладов научно-практических конференций журнала "Нефтяное хозяйство", Москва, 24–29 апреля 2024 г. – М.: Изд-во "Нефтяное хозяйство", 2025. – С. 43–50.

3. Application of machine learning methods for predicting well disturbances / E. Kusimova, L. Saychenko, N. Islamova [et al.] // Journal of Applied Engineering Science. – 2023. – Vol. 21(1). – P. 76–86. – DOI: 10.5937/jaes0-38729

4. Orhan N. Predicting deep well pump performance with machine learning methods during hydraulic head changes // Heliyon. – 2024. – Vol. 10, Issue 11. – DOI: 10.1016/j.heliyon.2024.e31505

5. Azmi P.A.R., Yusoff M., Sallehud-din M.T.A. Review of Predictive Analytics Models in the Oil and Gas Industries // Sensors. – 2024. – Vol. 24(12). – P. 4013. – DOI: https://doi.org/10.3390/s24124013

6. Решение задач добычи нефти на базе интегрированной модели / К.В. Андреев, А.В. Митрошин, В.А. Волков, Р.О. Мехоношин // Нефтепромысловое дело. – 2018. – № 5. – С. 21–27. – DOI: 10.30713/0207-2351-2018-5-21-27

7. Применение машинного обучения для прогнозирования пластового давления при разработке нефтяных месторождений / Д.А. Мартюшев, И.Н. Пономарева, Л.А. Захаров, Т.А. Шадров // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2021. – Т. 332, № 10. – С. 140–149. – DOI: 10.18799/24131830/2021/10/3401

8. О результатах разработки нового подхода по определению оптимального забойного давления с использованием инструментов интегрированного моделирования / К.Е. Кордик, Р.О. Мехоношин, Н.А. Джумязова [и др.] // Нефтепромысловое дело. – 2023. – № 10(658). – С. 66–73. – DOI: 10.33285/0207-2351-2023-10(658)-66-73

9. Мехоношин Р.О., Пономарева И.Н. Апробация подхода определения оптимального забойного давления для повышения качества учета фаз при интегрированном моделировании // Инженер-нефтяник. – 2024. – № S5. – С. 145–151.

10. Прогнозирование возникновения инцидентов на нагнетательных скважинах с использованием алгоритмов машинного обучения / Р.О. Мехоношин, Т.Ф. Вильданов, К.Е. Кордик [и др.] // Нефтепромысловое дело. – 2023. – № 9(657). – С. 16–21. – DOI: 10.33285/0207-2351-2023-9(657)-16-21

11. Applications of Artificial Intelligence in Oil and Gas Development / H. Li, H. Yu, N. Cao [et al.] // Archives of Computational Methods in Engineering. – 2020. – Vol. 28. – P. 937–949. – DOI: 10.1007/s11831-020-09402-8

12. Application of machine learning and artificial intelligence in oil and gas industry / A. Sircar, K. Yadav, K. Rayavarapu [et al.] // Petroleum Research. – 2021. – Vol. 6, Issue 4. – P. 379–391. – DOI: 10.1016/j.ptlrs.2021.05.009