Ensuring safety of well construction based on intelligent early trouble prevention systems

Dmitrievsky, A.N.; Eremin, N.A.; Gelfgat, M.Y.; Arkhipov, A.I.

Авторы: Dmitrievsky A.N., Eremin N.A., Gelfgat M.Ya, Arkhipov A.I.
Журнал: Труды Российского государственного университета нефти и газа имени И.М.Губкина
Том: 306
Номер: 1
Год издания: 2022
Первая страница: 40
Последняя страница: 51
DOI: 10.33285/2073-9028-2022-1(306)-40-51
Аннотация: UDC 331.45: 622.24: 681.518 Dmitrievsky Anatoly N., Eremin Nikolai A., Gelfgat Mikhail Ya., Arkhipov Alexey I. Ensuring safety of well construction based on intelligent early trouble prevention systems // Proceedings of Gubkin Russian State University of Oil and Gas, № 1 (306) 2022, pp.40-51. DOI 10.33285/2073-9028-2022-1(306)-40-51. This article poses and provides solutions of ensuring the safety of the construction of oil and gas wells onshore and offshore using intelligent systems for early trouble prevention based on the results of processing Big GeoData from mud logging measurements. The advantage of using artificial neural networks to solve the problems of identifying and predicting complications in the construction of oil and gas wells is that in the course of their creation and training, explicit and hidden patterns between geological and geophysical, technical and technological parameters are revealed with a given accuracy. Efficient formation, integration and clustering of ever-increasing multidimensional data volumes from sensors of various types used to measure parameters in the process of drilling wells is carried out using artificial intelligence technologies.Keywords: well construction safety, machine learning methods, Big GeoData, geological and technological research, neural network model, drilling of oil and gas wells, detection, trouble prediction and prevention.Wells are the main part of fixed assets in hydrocarbon fields. The construction of wells accounts for 40 to 50% of all investments in oil and gas production. When drilling wells, on average 20-25% of the construction time is spent on solving problems associated with complications. Given the tendency to increase the cost of drilling wells, the occurrence of complications is becoming increasingly undesirable. Reducing the loss of working time to eliminate complications and their consequences is one of the opportunities to increase the productivity of work during the construction of wells.The approbation of an intelligent system for detecting and predicting complications during oil and gas well drilling based on the use of an artificial neural network with step-by-step adaptation to specific geological and geophysical conditions on test and real data showed the convergence of predicted and real data (correlation) for complications such as "capture" and "absorption"  89%. The proposed intelligent system of early warning of complications, in the opinion of the authors, will contribute to improving safety and environmental protection in the construction of oil and gas wells.The article is based on the results of research carried out on the topic of the state task "The fundamental basis of energy-efficient, resource-saving and environmentally friendly, innovative and digital technologies for the search, exploration and development of oil and gas fields, research, production and development of traditional and unconventional reserves and resources of oil and gas; development of recommendations for the sale of oil and gas complex products in the conditions of energy transition and the EU policy on decarbonization of energy (fundamental, exploratory, applied, economic and interdisciplinary research)", (registration number in the Ministry of Education and Science of Russia FMME-2022-0004, state registration number of R&D in ROSRID 122022800270-0), and reflects the opinion of the authors on the subject of the study. REFERENCES1. Shirieva N.S., Shiriev A.K., Tlyasheva R.R. & Kafisov F.S. Development of Hazard Assessment Matrix for Wells as an Industrial Safety Assurance Method When Designing Oil and Gas Well Construction. Day 4 Thu, October 29, 2020. DOI: 10.2118/202038-ms2. Zhao Ying, Sun Ting, Yang Jin, Yin Qishuai, Wei Hongshu, Liu Zhengli, Li Zhong and YiHuang. “Combining Drilling Big Data and Machine Learning Method to Improve the Timeliness of Drilling”. SPE/IADC International Drilling Conference and Exhibition, The Hague, The Netherlands, March 2019. DOI: https://doi.org/ 10.2118/194111-MS3. Carpenter C. Big Data and Machine Learning Optimize Operational Performance and Drill-Bit Design. Journal of Petroleum Technology, no. 73 (12), p. 4950. DOI: 10.2118/1221-0049-jpt4. Cornel S. & Vazquez G. Use of Big Data and Machine Learning to Optimise Operational Performance and Drill Bit Design. Day 2 Wed, November 18, 2020. DOI: 10.2118/202243-ms5. Zhang Z., Lai X., Wu M. & Du S. Incident early warning based on sparse autoencoder and decision fusion for drilling process. IECON 2021 47th Annual Conference of the IEEE Industrial Electronics Society. DOI: 10.1109/iecon48115. 2021.95890586. Said Mohammed Mokhtar, Pilgrim Rick, Rideout Geoff, and Stephen Butt. “Theoretical Development of a Digital-Twin Based Automation System for Oil Well Drilling Rigs”. Paper presented at the SPE Canadian Energy Technology Conference, Calgary, Alberta, Canada, March 2022. DOI:https://doi.org/10.2118/ 208902-MS7. Avtomatizirovannaya sistema predotvrashcheniya avarij pri stroitel’stve skvazhin. A.N. Dmitrievskij, N.A. Eremin, A.D. CHernikov, A.G. Sboev, O.K. CHashchina-Semenova, L.K. Ficner, M.Ya. Gel’fgat, A.A. Nazaretova. Neftyanoe hozyajstvo, 2021, no. 1, p. 72-76. DOI:10.24887/0028-2448-2021-1-72-768. Application of artificial intelligence methods for identifying and predicting complications inthe construction of oil and gas wells: problems and solutions. A.D. Chernikov, N.A. Eremin, V.E. Stolyarov, A.G. Sboev, O.K. Semenova-Chashchina, L.K. Fitsner. Georesursy-Georesources, 2020, no. 22 (3), p. 8796. DOI: https://doi.org/10.18599/grs.2020.3.87-969. Prevention of complications and accidents in the process of drilling oil and gas wells usingmachine learning methods. A.N. Dmitrievsky, A.G. Sboev, N.A. Eremin, A.D. Chernikov, A.V. Naumov,A.V. Gryaznov, I.A. Moloshnikov, S.O. Borozdin, E.A. Safarova. Georesursy-Georesources,issue 4, p. 79–85. DOI: https://doi.org/10.18599/grs.2020.4.79-8510. Analiz kachestva dannyh stancii geologo-tekhnologicheskih issledovanij pri raspoznavaniipogloshchenij i gazoneftevodoproyavlenij dlya povysheniya tochnosti prognozirovaniya nejrosetevyh algoritmov. A.I. Arhipov, A.N. Dmitrievskij, N.A. Eremin, A.D. CHernikov, S.O. Borozdin, E.A. Safarova, M.R. Sejnaroev. Neftyanoe hozyajstvo, 2020, no. 8 (1162), p. 6367. DOI: 10.24887/0028-2448-2020-8-63-6711. Drilling Problems Forecast System Based on Neural Networ. S. Borozdin, A. Dmitrievsky,N. Eremin, A. Arkhipov, A. Sboev, O. Chashchina-Semenova, L. Fitzner, E. Safarova. SPE AnnualCaspian Technical Conference, 2020. DOI: 10.2118/202546-MS12. Primenenie metodov iskusstvennogo intellekta v zadachah predotvrashcheniya avarijnyh situacij pri stroitel'stve skvazhin. A.N. Dmitrievskij, N.A. Eremin, A.I. Arhipov [i dr.] Nedropol’zovanie XXI vek, 2021, no. 5-6 (92), p. 6-15.УДК 331.45: 622.24: 681.518Обеспечение безопасности строительства скважин на основе использования интеллектуальных систем раннего предупреждения осложнений / А. Н. Дмитриевский, Н. А. Еремин, М. Я. Гельфгат, А. И. Архипов // Труды Российского государственного университета нефти и газа имени И.М. Губкина. – 2022. – № 1(306). – С. 40-51. – DOI 10.33285/2073-9028-2022-1(306)-40-51. – EDN UTEIWF.В данной статье ставятся и приводятся решения задачи обеспечения безопасности строительства нефтяных и газовых скважин на суше и на море с использованием интеллектуальных систем раннего предупреждения осложнений по результатам обработки больших объемов данных со станций геолого-технологических измерений. Преимущество применения искусственных нейронных сетей для решения задач выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин заключается в том, что в ходе их создания и обучения с заданной точностью выявляются явные и скрытые закономерности между геолого-геофизическими, техническими и технологическими параметрами. Эффективное формирование, интеграция и кластеризация все более возрастающих многомерных объемов данных от датчиков различных типов, используемых для измерения параметров в процессе бурения скважин, осуществляются с использованием технологий искусственного интеллекта.Ключевые слова: безопасность строительства скважин, методы машинного обучения, большие данные, геолого-технологические исследования, нейросетевая модель, бурение нефтяных и газовых скважин, выявление, прогнозирование и предупреждение осложнений.Апробация интеллектуальной системы выявления и прогнозирования осложнений при бурении нефтяных и газовых скважин на основе применения искусственной нейронной сети с пошаговой адаптацией к конкретным геолого-геофизическим условиям на тестовых и реальных данных показала сходимость прогнозируемых и реальных данных (корреляция) для осложнений типа «прихват» и «поглощение»  89 %. Предлагаемая интеллектуальная система раннего предупреждения осложнений, на взгляд авторов, будет способствовать повышению безопасностии охране окружающей среды в сфере строительства нефтяных и газовых скважин.Статья подготовлена по результатам исследований, выполненных по теме государственного задания «Фундаментальный базис энергоэффективных, ресурсосберегающих и экологически безопасных, инновационных и цифровых технологий поиска, разведки и разработки нефтяных и газовых месторождений, исследование, добыча и освоение традиционных и нетрадиционных запасов и ресурсов нефти и газа; разработка рекомендаций по реализации продукции нефтегазового комплекса в условиях энергоперехода и политики ЕС по декарбонизации энергетики (фундаментальные, поисковые, прикладные, экономические и междисциплинарные исследования)», (регистрационный номер в Минобрнауки России FMMЕ-2022-0004, номер государственного учёта НИОКТР в РОСРИД 122022800270-0), и отражает мнение авторов по тематике исследования.ЛИТЕРАТУРА1. Shirieva N.S., Shiriev A.K., Tlyasheva R.R. & Kafisov F.S. Development of Hazard AssessmentMatrix for Wells as an Industrial Safety Assurance Method When Designing Oil and Gas WellConstruction. Day 4 Thu, October 29, 2020. DOI: 10.2118/202038-ms2. Zhao Ying, Sun Ting, Yang Jin, Yin Qishuai, Wei Hongshu, Liu Zhengli, Li Zhong and Yi Huang. “Combining Drilling Big Data and Machine Learning Method to Improve the Timeliness of Drilling”. SPE/IADC International Drilling Conference and Exhibition, The Hague, The Netherlands, March 2019. DOI: https://doi.org/ 10.2118/194111-MS3. Carpenter C. Big Data and Machine Learning Optimize Operational Performance and Drill-Bit Design. Journal of Petroleum Technology, no. 73 (12), p. 4950. DOI: 10.2118/1221-0049-jpt4. Cornel S. & Vazquez G. Use of Big Data and Machine Learning to Optimise Operational Performance and Drill Bit Design. Day 2 Wed, November 18, 2020. DOI: 10.2118/202243-ms5. Zhang Z., Lai X., Wu M. & Du S. Incident early warning based on sparse autoencoder and decision fusion for drilling process. IECON 2021  47th Annual Conference of the IEEE Industrial Electronics Society. DOI: 10.1109/iecon48115. 2021.95890586. Said Mohammed Mokhtar, Pilgrim Rick, Rideout Geoff, and Stephen Butt. “Theoretical Development of a Digital-Twin Based Automation System for Oil Well Drilling Rigs”. Paper presented at the SPE Canadian Energy Technology Conference, Calgary, Alberta, Canada, March 2022. DOI:https://doi.org/10.2118/ 208902-MS7. Автоматизированная система предотвращения аварий при строительстве скважин/А.Н. Дмитриевский, Н.А. Еремин, А.Д. Черников, А.Г. Сбоев, О.К. Чащина-Семенова, Л.К. Фицнер, М.Я. Гельфгат, А.А. Назаретова//Нефтяное хозяйство. 2021. № 1. С. 72-76. DOI:10.24887/0028-2448-2021-1-72-768. Application of artificial intelligence methods for identifying and predicting complications inthe construction of oil and gas wells: problems and solutions/A.D. Chernikov, N.A. Eremin, V.E. Stolyarov, A.G. Sboev, O.K. Semenova-Chashchina, L.K. Fitsner // Georesursy-Georesources, 2020,no. 22 (3), p. 8796. DOI: https://doi.org/10.18599/grs.2020.3.87-969. Prevention of complications and accidents in the process of drilling oil and gas wells usingmachine learning methods/A.N. Dmitrievsky, A.G. Sboev, N.A. Eremin, A.D. Chernikov, A.V. Naumov,A.V. Gryaznov, I.A. Moloshnikov, S.O. Borozdin, E.A. Safarova//Georesursy-Georesources, issue 4, p. 79–85. DOI: https://doi.org/10.18599/grs.2020.4.79-8510. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов/А.И. Архипов, А.Н. Дмитриевский, Н.А. Еремин, А.Д. Черников, С.О. Бороздин, Е.А. Сафарова, М.Р. Сейнароев//Нефтяное хозяйство. 2020. № 8 (1162). C. 63-67. DOI: 10.24887/0028-2448-2020-8-63-6711. Drilling Problems Forecast System Based on Neural Network/S. Borozdin, A. Dmitrievsky,N. Eremin, A. Arkhipov, A. Sboev, O. Chashchina-Semenova, L. Fitzner, E. Safarova//SPE Annual Caspian Technical Conference, 2020. DOI: 10.2118/202546-MS12. Применение методов искусственного интеллекта в задачах предотвращения аварийных ситуаций при строительстве скважин/А.Н. Дмитриевский, Н.А. Еремин, А.И. Архипов [и др.]// Недропользование XXI век. 2021. № 5-6 (92).С. 6-15.
Добавил в систему: Еремин Николай Александрович

	ИСТИНА	Войти в систему Регистрация
	ФНКЦ РР
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ФНКЦ РР

Ensuring safety of well construction based on intelligent early trouble prevention systemsстатья

Прикрепленные файлы