Аннотация:UDC 622.24:681.518Alali Walid, Eremin N.A. About the intellectual system of prevention of complications in the construction of wells on land and at sea created at OGRI RAS. Exposition Oil Gas, 2023, issue 1 (94), P. 27–32. (In Russ). DOI: 10.24412/2076-6785-2023-1-27-32AbstractThe article describes an intelligent system for preventing complications during the construction of wells on land and at sea, created at the OGRI RAS.Intelligent systems for preventing complications when drilling wells are designed to warn the driller in advance about the possibility of violating the normal drilling regime. Intelligent systems to prevent complications during the construction of wells help to increase the productive time and economic efficiency of drilling oil and gas wells. Large volumes of geodata from geological and technological measurement stations during drilling vary from tens to hundreds of terabytes, respectively, on land and at sea. The creation of neural network modeling software components is aimed at identifying hidden patterns in big data sets from geological and technological measurement stations in real time.Materials and methods When creating the system, sets of big volumes of data from geological and technological measurement stations in Russia and abroad were used. For each type of complication, procedures were carried out for normalization and labeling of big volumes of geodata. The corrected historical Big geodatasets served as the basis for training neural networks on new geodatasets. An innovative approach to the collection of heterogeneous geodata was used. The main stages of the approach were as follows: the collection of big geodata obtained using sensors built into the drilling rig; formation of simulation data sets using a drilling simulator; use of geological and geophysical data obtained during geological exploration; creation of test and training sets of geodata of drilling parameters; development of algorithms for cleaning Big sets of geodata using a pre-processing software module from noisy, missed geodata; clustering and visualization of large geodata (hook weight, penetration rate, drilling fluid consumption, torque, etc.). Python and Pandas libraries have become effective tools for building complex statistical models that allow you to efficiently and accurately predict, diagnose, analyze big geodata in order to improve well construction productivity.Keywordsartificial intelligence methods, artificial neural networks, well drilling, safe well construction, prevention of complications, geological and technological information, big geodata, intelligent systemFor citationAlali Walid, Eremin N.A. About the intellectual system of prevention of complications in the construction of wells on land and at sea createdat OGRI RAS. Exposition Oil Gas, 2023, issue 1, P. 27–32. (In Russ). DOI: 10.24412/2076-6785-2023-1-27-32Received: 30.11.2022ResultsAn intelligent system for preventing complications such as “sticking”, “absorption” during well construction allows you to identify possibleemergency situations in advance so that the driller can take timely actions in real time to prevent them or minimize possible consequences.The system contributes to an increase in the productive time of drilling and wells and minimizes the risks of complications and accidents during the construction of wells onshore and offshore.ConclusionsBased on the results of the work, a unique system was created to prevent complications and accidents during well construction. The first two patents in Russia and abroad were received, and six certificates of registration of computer programs were registeredReferences1. Dmitrievsky A.N., Duplyakin V.O., Eremin N.A., Kapranov V.V. Algorithm for creating a neural network model for classification in systems for preventing complications and emergencies in construction of oil and gas wells. Sensors & Systems, 2019, issue 12, P. 3–10. (In Russ).2. Lind Yu.B., Mulyukov R.A., Kabirova A.R., Murzagalin A.R. Online prediction of troubles in drilling process. Oil industry, 2013, issue 2, P. 55–57. (In Russ).3. Eremin N.A. Modeling of hydrocarbon deposits by fuzzy logic methods. Moscow: Nauka, 1994, 462 p. (In Russ).4. Eremin N.A., Chernikov A.D., Sardanashvili O.N., Stolyarov V.E., Arkhipov A.I. Digital well construction technologies. Creation of a highperformance automated system for preventing complications and emergencies during the construction of oil and gas wells. Neftegaz.RU, 2020, issue 4, P. 38–50. (In Russ).5. Ivlev A.P., Eremin N.A. Petrobotics: robotic drilling systems. Drilling and Oil, 2018, issue 2, P. 8–12. (In Russ).6. Loermans T. AML (advanced mud logging): first among equals. Georesursy, 2017,Vol. 19, issue 3, P. 216–221. (In Russ).7. Cornel S., Vazquez G. Use of big data and machine learning to optimise operational performance and drill bit design. SPE Asia Pacific Oil & Gas Conference and Exhibition, Virtual, November 2020.SPE-202243-MS. (In Eng).8. Dmitrievsky A.N., Eremin N.A., Safarova E.A., Filippova D.S., Borozdin S.O. Qualitative analysis of time series GeoData to prevent complications and emergencies during drilling of oil and gas wells. SOCAR proceedings, 2020, issue 3, P. 31–37. (In Russ).9. Paulinus Abhyudaya Bimastianto, Shreepad Purushottam Khambete, Hamdan Mohamed Alsaadi, Suhail Mohammed Al Ameri, Erwan Couzigou, Adel A/Rahman Al-Marzouqi, Fahed Salem Al Ameri, Said Aboulaban,Husam Khater, Philippe Herve. Application of Artificial Intelligence and Machine Learning to Detect Drilling Anomalies Leading to Stuck Pipe Incidents. Abu Dhabi International Petroleum Exhibition& Conference, Abu Dhabi, UAE, November 2021. SPE-207987-MS. (In Eng).10. Dmitrievsky A.N., Sboev A.G., Eremin N.A., Chernikov A.D., Naumov A.V., Gryaznov A.V.,Moloshnikov I.A., Borozdin S.O., Safarova E.A. On increasing the productive time of drilling oil and gas wells using machine learning methods. Georesursy, Vol. 22, issue 4, P. 79–85. (In Russ).11. Rassenfoss S. A robot takes over the drilling floor. URL: https://jpt.spe.org/a-robottakes-over-the-drilling-floor. (In Eng).12. Chernikov A.D., Eremin N.A., Stolyarov V.E., Sboev A.G., Semenova-Chashchina O.K., Fitsner L.K. Application of artificial intelligence methods for identifying and predicting complications in theconstruction of oil and gas wells: problems and solutions. Georesursy, Vol. 22, issue 3,P. 87–96. (In Russ).13. Rakhimov R.R., Zhdaneev O.V., Frolov K.N., Babich М.Р. Stuck pipe early detection on extended reach wells using ensemble method of machine learning. SPE Russian petroleum technology conference, Virtual, October 2021. SPE-206516-MS. (In Eng).14. Arkhipov A.I., Dmitrievsky A.N., Eremin N.A., Chernikov A.D., Borozdin S.O., Safarova E.A., Seinaroev M.R. Data quality analysis of the station of geological and technological researches in recognizing losses and kicks to improve the prediction accuracy of neural network algorithms. Oilindustry, 2020, issue 8, P. 63–67. (In Russ).15. Othman E.B., Gomes D., Tengku B., Tengku E.B., Meor H., Meor M.H., Yusoff M.H., Arriffin M.F., Rohaizat G. Application of machine learning to augment wellbore geometry-related stuck piperisk identification in real time. Offshore technology conference Asia, Virtual and Kuala Lumpur, Malaysia, March 2022. OTC-31695-MS. (In Eng).16. Borozdin S., Dmitrievsky A., Eremin N., Arkhipov A., Sboev A., Chashchina-Semenova O., Fitzner L., Safarova E. Drilling problems forecast system based on neural network. SPE annual Caspian technical conference, 2020. SPE-202546-MS. (In Eng).17. Zhu Qi. Treatment and prevention of stuck pipe based on artificial neural networks analysis. Offshore technology conference Asia, Virtual and Kuala Lumpur, Malaysia, March 2022, OTC-31693-MS. (In Eng).18. Bahlany, Salah, Maharbi, Mohammed, Zakwani, Saud, Busaidi, Faisal, and Ferrante Benvenuti. STEP change in preventing stuck pipe and tight hole events using machine learning. Abu Dhabi international petroleum exhibition & conference, Abu Dhabi, UAE, November 2021, SPE-207823-MS. (In Eng).19. Romberg E., Fisher A., Mazza J., Niedz C., Wehner B., Zhou A. Predicting trouble stages with geomechanical measurements and machine learning: a case study on southern midland basin horizontalcompletions. SPE annual technical conference and exhibition, Virtual, October 2020, SPE-201699-MS. (In Eng).20.Iversen F.P., Thorogood J.L., Macpherson J.D., Macmillan R.A. Business models and kpisas drivers for drilling automation. Paper presented at the SPE Intelligent Energy International Conference and Exhibition, Aberdeen, Scotland, UK, September 2016, SPE-181047-MS. (In Eng).УДК 622.24:681.518Алали Валид, Еремин Н.А. О созданной в ИПНГ РАН интеллектуальной системе предупреждения осложнений при строительстве скважин на суше и на море // Экспозиция Нефть Газ. 2023. № 1 (94). С. 27–32. DOI: 10.24412/2076-6785-2023-1-27-32 ISSN: 2076-6785 АннотацияВ статье представлено описание интеллектуальной системы предупреждения осложнений при строительстве скважин на суше и на море, созданной в ИПНГ РАН. Уникальная интеллектуальная система предотвращения осложнений при бурении скважин предназначена для предупреждения бурильщика о возможности нарушения штатного режима бурения. Интеллектуальная система помогает повысить продуктивное время и экономическую эффективность бурения нефтяных и газовых скважин. Большие объемы геоданных со станций геологических и технологических измерений во время бурения варьируются от десятков до сотен терабайт соответственно на суше и на море. Создание программных компонентов нейросетевого моделирования направлено на выявление скрытых закономерностей в наборах больших данных со станций геологических и технологических измерений в режиме реального времени.Материалы и методыПри создании системы были использованы наборы больших объемов данных со станций геолого-технологических измерений в России и зарубежом. Для каждого вида осложнения были проведены процедуры нормализации и маркировки больших объемов геоданных. Откорректированные исторические большие геодатасеты послужили основой обучения нейронных сетей на новых наборах геоданных. Использован инновационный подход к сбору разнородныхгеоданных. Основные этапы подхода были следующими: сбор больших геоданных, полученных с помощью датчиков, встроенных в буровую установку; формирование наборов симуляционных данных с использованием бурового тренажера; использованиегеолого-геофизических данных, полученных при геолого- разведочных работах; создание тестовых и обучающих наборов геоданных параметров бурения; разработка алгоритмов очистки больших наборов геоданных с использованием программного модуля предварительной обработки от зашумленных, пропущенных геоданных; кластеризация и визуализация больших геоданных (вес на крюке, скорость проходки, расход буровой жидкости, крутящий момент и др.). Библиотеки Python и Pandas стали эффективнымиинструментами для построения сложных статистических моделей, которые позволяют эффективно и точно прогнозировать, диагностировать, анализировать большие геоданные в целях повышения производительности строительства скважин.Ключевые слова: методы искусственного интеллекта, искусственные нейронные сети, бурение скважин, безопасное строительство скважин, предотвращение осложнений, геологическая и технологическаяинформация, большие геоданные, интеллектуальная системаДля цитированияАлали Валид, Еремин Н.А. О созданной в ИПНГ РАН интеллектуальной системе предупреждения осложнений при строительстве скважин на суше и на море // Экспозиция Нефть Газ. 2023. № 1. С. 27–32. DOI: 10.24412/2076-6785-2023-1-27-32Поступила в редакцию: 30.11.2022DOI 10.24412/2076-6785-2023-1-27-32ИтогиПо результатам работ создана уникальнаясистема предупреждения осложнений и ава-рий при строительстве скважин. Полученыпервые в России и за рубежом два патента,и зарегистрировано шесть свидетельств о ре-гистрации программ для ЭВМ.ВыводыИнтеллектуальная система предупрежденияосложнений типа «прихват», «поглощение»при строительстве скважин позволяет выяв-лять возможные нештатные ситуации забла-говременно, чтобы бурильщик смог в режимереального времени совершить своевремен-ные действия по их предотвращению илиже минимизации возможных последствий.Система способствует увеличению продук-тивного времени бурения скважин и мини-мизирует риски возникновения осложненийи аварий при строительстве скважин на сушеи на море.Литература1. Дмитриевский А.Н., Дуплякин В.О.,Еремин Н.А., Капранов В.В. Алгоритмсоздания нейросетевой моделидля классификации в системахпредупреждения осложненийи аварийных ситуаций при строительственефтяных и газовых скважин // Датчикии системы. 2019. № 12. С. 3–10.2. Линд Ю.Б., Мулюков Р.А., Кабирова А.Р.,Мурзагалин А.Р. Оперативноепрогнозирование осложнений прибурении // Нефтяное хозяйство. 2013.№ 2. С. 55–57.3. Еремин Н.А. Моделированиеместорождений углеводородов методаминечеткой логики. М.: Наука, 1994. 462 с.4. Еремин Н.А., Черников А.Д.,Сарданашвили О.Н., Столяров В.Е.,Архипов А.И. Цифровые технологиистроительства скважин. Созданиевысокопроизводительнойавтоматизированной системыпредотвращения осложненийи аварийных ситуаций в процессестроительства нефтяных и газовыхскважин // Деловой журнал Neftegaz.RU.2020. № 4. С. 38–50.5. Ивлев А.П., Еремин Н.А. Петророботика:роботизированные буровые комплексы.Бурение и нефть, 2018. № 2. С. 8–12.6. Лоерманс Т. Расширенные геолого-технические исследования скважин:первые среди равных // Георесурсы.2017. Т. 19. № 3. С. 216–221.7. Cornel S., Vazquez G. Use of big data andmachine learning to optimise operationalperformance and drill bit design. SPE AsiaPacific Oil & Gas Conference and Exhibition,Virtual, November 2020.SPE-202243-MS. (In Eng).8. Дмитриевский А.Н., Еремин Н.А.,Сафарова Е.А., Филиппова Д.С.,Бороздин С.О. Качественный анализгеоданных временного ряда дляпредупреждения осложненийи аварийных ситуаций при бурениинефтяных и газовых скважин // SOCARProceedings. 2020. № 3. С. 31–37.9. Paulinus Abhyudaya Bimastianto; ShreepadPurushottam Khambete; Hamdan MohamedAlsaadi; Suhail Mohammed Al Ameri; ErwanCouzigou; Adel A/Rahman Al-Marzouqi;Fahed Salem Al Ameri; Said Aboulaban;Husam Khater; Philippe Herve. Applicationof Artificial Intelligence and MachineLearning to Detect Drilling AnomaliesLeading to Stuck Pipe Incidents. AbuDhabi International Petroleum Exhibition& Conference, Abu Dhabi, UAE, November2021. SPE-207987-MS. (In Eng).10. Дмитриевский А.Н., Сбоев А.Г., Еремин Н.А.,Черников А.Д., Наумов А.В., Грязнов А.В.,Молошников И.А., Бороздин С.О.,Сафарова Е.А. Об увеличениипродуктивного времени бурениянефтегазовых скважин с использованиемметодов машинного обучения //Георесурсы. 2020. Т. 22. № 4. С. 79–85.11. Rassenfoss S. A robot takes over the drillingfloor. URL: https://jpt.spe.org/a-robottakes-over-the-drilling-floor. (In Eng).12. Черников А.Д., Еремин Н.А., Столяров В.Е.,Сбоев А.Г., Семенова-Чащина О.К.,Фицнер Л.К. Применение методовискусственного интеллекта для выявленияи прогнозирования осложнений пристроительстве нефтяных и газовыхскважин: проблемы и основныенаправления решения // Георесурсы.2020. Т. 22. № 3. C. 87–96.13. Rakhimov R.R., Zhdaneev O.V., Frolov K.N.,Babich М.Р. Stuck pipe early detectionon extended reach wells using ensemblemethod of machine learning. SPE Russianpetroleum technology conference, Virtual,October 2021. SPE -206516-MS. (In Eng).14. Архипов А.И., Дмитриевский А.Н.,Еремин Н.А., Черников А.Д.,Бороздин С.О., Сафарова Е.А.,Сейнароев М.Р. Анализ качества данныхстанции геолого-технологическихисследований при распознаваниипоглощений и газонефтеводопроявленийдля повышения точностипрогнозирования нейросетевыхалгоритмов // Нефтяное хозяйство. 2020.№ 8. С. 63–67.15. Othman E.B., Gomes D., Tengku B.,Tengku E.B., Meor H., Meor M.H., Yusoff M.H.,Arriffin M.F., Rohaizat G. Applicationof machine learning to augmentwellbore geometry-related stuck piperisk identification in real time. Offshoretechnology conference Asia, Virtual andKuala Lumpur, Malaysia, March 2022.OTC-31695-MS. (In Eng).16. Borozdin S., Dmitrievsky A., Eremin N.,Arkhipov A., Sboev A., Chashchina-Semenova O., Fitzner L., Safarova E. Drillingproblems forecast system based on neuralnetwork. SPE annual Caspian technicalconference, 2020. SPE-202546-MS.(In Eng).17. Zhu Qi. Treatment and prevention of stuckpipe based on artificial neural networksanalysis. Offshore technology conferenceAsia, Virtual and Kuala Lumpur, Malaysia,March 2022, OTC-31693-MS. (In Eng).18. Bahlany, Salah, Maharbi, Mohammed,Zakwani, Saud, Busaidi, Faisal, andFerrante Benvenuti. STEP changein preventing stuck pipe and tight holeevents using machine learning. Abu Dhabiinternational petroleum exhibition &conference, Abu Dhabi, UAE, November2021, SPE-207823-MS. (In Eng).19. Romberg E., Fisher A., Mazza J., Niedz C.,Wehner B., Zhou A. Predicting troublestages with geomechanical measurementsand machine learning: a case studyon southern midland basin horizontalcompletions. SPE annual technicalconference and exhibition, Virtual, October2020, SPE-201699-MS. (In Eng).20.Iversen F.P., Thorogood J.L.,Macpherson J.D., Macmillan R.A. Businessmodels and kpis as drivers for drillingautomation. Paper presented at the SPEIntelligent Energy International Conferenceand Exhibition, Aberdeen, Scotland, UK,September 2016, SPE-181047-MS. (In Eng).
