Расширение функционала программы интеллектуальной системы предупреждения осложнений и аварий при строительстве скважин (ИС ПОАС)

Черников, А.Д.; Архипов, А.И.; Ерёмин, Н.А.

Авторы: Черников А.Д., Архипов А.И., Ерёмин Н.А.
Сборник: Международная научно-практическая конференция: Современные технологии строительства и капитального ремонта скважин. Перспективные методы увеличения нефтеотдачи пластов, 18-23.09.2023, (г. Сочи). Сочи, Краснодарский край, 2023 г
Глава в коллективной монографии
Год издания: 2023
Место издания: ООО «Научно-производственная фирма «Нитпо» Краснодар: ООО «Научно-производственная фирма «Нитпо»
Первая страница: 19
Последняя страница: 25
Аннотация: Chernikov A.D., Arkhipov A.I., Eremin N.A. Expanding the Functionality of the Program for the Intelligent System for Preventing Complications and Accidents During Well Construction (IS PСAW) // Modern technologies of construction and overhaul of wells. Promising methods for increasing oil recovery of formations: The collection of reports of the 18th International scientific-and-practical conference. Sochi, Krasnodar region, 2023 / «Research-and-Production firm «Nitpo» LLC, – Krasnodar: «Research-and-Production firm «Nitpo» LLC, 2023. – pp. 19-25 (116 pp.). ISBN 978-5-905924-42-2The article describes the expanded functionality of the program for the intelligent system for preventing complications and accidents during well construction (IS PСAW), and the metrics used to assess the accuracy of models. Conclusions are drawn about the effectiveness of existing models in comparison with the developed neural network. The purpose of the study is to create an algorithm for intelligent detection of emergency situations based on data from geological and technological measurement stations of drilling rigs using machine learning methods. As part of this goal, data preprocessing methods were implemented, a neural network model was created to determine drilling complications, and the accuracy of the developed neural network was assessed in comparison with existing methods. As a result of the work done, the most indicative signs for identifying complications and emergency conditions were identified. The results obtained lay the scientific and methodological basis for expanding the intelligent system that predicts emergency conditions during well construction. To solve the problem of intelligently identifying pre-emergency situations in sensor data from drilling rigs and geological and technological measurement stations, machine learning and artificial intelligence technologies are being actively developed. The development of intelligent systems makes it possible to eliminate the human factor as a cause of drilling accidents. Identifying complications and emergency situations based on sensor readings will help increase productive drilling time. In the course of the work, the dependences of the characteristics of the analyzed data set on the occurrence of emergency conditions were studied; the most suitable methods for preprocessing big data from GTS stations were selected; the accuracy levels of existing algorithms for determining complications and emergency situations were assessed; a neural network model was created to identify complications; The accuracy of the developed neural network was assessed.Keywords: intelligent system, complications, emergency situations, drilling, construction, well, machine learning, artificial intelligence, geological and technological measurement station.Черников А.Д., Архипов А.И., Ерёмин Н.А. Расширение функционала программы интеллектуальной системы предупреждения осложнений и аварий при строительстве скважин (ИС ПОАС) // Международная научно-практическая конференция: Современные технологии строительства и капитального ремонта скважин. Перспективные методы увеличения нефтеотдачи пластов, 18-23.09.2023, (г. Сочи). Сочи, Краснодарский край, 2023 г. / ООО «Научно-производственная фирма «Нитпо» – Краснодар: ООО «Научно-производственная фирма «Нитпо», 2023. – С. 19-25 (116 с.). ISBN 978-5-905924-42-2 В статье описаны расширенный функционал программы интеллектуальной системы предупреждения осложнений и аварий при строительстве скважин (ИС ПОАС), и используемые метрики оценки точности моделей. Сделаны выводы об эффективности существующих моделей в сравнении с разработанной нейронной сетью. Цель исследования – создание алгоритма интеллектуального обнаружения аварийных ситуаций по данным со станций геолого-технологических измерений буровых установок с помощью методов машинного обучения. В рамках поставленной цели были реализованы методы предобработки данных, создана модель нейронной сети для определения осложнений при бурении, проведена оценка точности разработанной нейронной сети в сравнении с существующими методами. В результате проделанной работы выделены наиболее показательные признаки для выделения осложнений и аварийных состояний. Полученные результаты закладывают научно-методологическую основу для расширения интеллектуальной системы, осуществляющей прогнозирование аварийных состояний при строительстве скважин. Для решения задачи интеллектуального выявления предаварийных ситуаций в данных показаний датчиков буровых установок и станций геолого-технологических измерений активно развиваются технологии машинного обучения и искусственного интеллекта. Развитие интеллектуальных систем позволяет исключить человеческий фактор как причину аварии при бурении. Выявление осложнений и аварийных ситуаций по показаниям датчиков поможет увеличить продуктивное время бурения. В ходе работы были изучены зависимости признаков анализируемого набора данных от возникновения аварийных состояний; подобраны наиболее подходящие методы предобработки больших данных со станций ГТИ; оценены уровни точности существующих алгоритмов для определения осложнений и аварийных ситуаций; создана модель нейронной сети для выявления осложнений; проведена оценка точности разработанной нейронной сети.Ключевые слова: интеллектуальная система, осложнения, аварийные ситуации, бурение, строительство, скважина, машинное обучение, искусственный интеллект, станция геолого-технологических измерений.ЗаключениеКонкурентные преимущества:˗ Прогнозирование осложнений типа «Прихват», «Поглощение», «ГНВП» с временем упреждения: 10-30 мин (возможен режим имитационного моделирования с использованием архивных и симуляционных данных) включая:˗ Загрузка и возможность гибкого выбора нейросетевых моделей и моделей методов машинного обучения из библиотеки.˗ Адаптация (дообучение) модели на накопленных данных реальной скважины построение адаптированной к условиям конкретной скважины модели, сохранение модели в хранилище для дальнейшего использования.˗ Оценка качества прогнозирования на основе онлайн сравнения с реальными результатами.˗ Возможность оперативной разметки данных и дообучения, при выявлении ошибок прогнозирования классификационной нейросетевой модели.˗ Автоматическое выявление аномалий в значениях параметров ГТИ˗ Выбор списка параметров ГТИ для визуализации в реальном времени.˗ Выдача рекомендаций по предотвращению осложнения/аварийной ситуации, на основе экспертной базы знаний и прогностических моделей с использованием нейросетевых технологий и методов машинного обученияСтатья подготовлена в рамках выполнения государственного задания (тема« Фундаментальный базисэнергоэффективных, ресурсосберегающих и экологически безопасных, инновационных и цифровых технологий поиска,разведки и разработки нефтяных и газовых месторождени й, исследование, добыча и освоение традиционныхи нетрадиционных запасов и ресурсов нефти и газа; разработка рекомендаций по реализации продукциинефтегазового комплекса в условиях энергоперехода и политики ЕС по декарбонизации энергетики(фундаментальные , поисковые, прикладные, экономические и междисциплинарные »,номер гос. Рег. № НИОКТР в РОСРИД 122022800270 0.Список использованных источников: 1. Дмитриевский А.Н., Дуплякин В.О., Еремин Н.А., Капранов В.В. Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин // Датчики и системы. – 2019. – № 12. – С. 3-10.2. Zhiwei, J., Jiaheng, G., Jiarui, F A Novel Deep Learning Approach for Anomaly Detection of Time Series Data// Hindawi.–2021.– Vol. 2021.3. Esmael, B., Arnaout, A.,K. Fruhwirth, R., Thonhauser, G. A Statistical Feature-Based Approach for Operations Recognition in Drilling Time Series// International Journal of Computer Information Systems and Industrial Management Applications. –2013. – Vol. 5–P.454-461. 4. Еремин Н.А., Черников А.Д., Сарданашвили О.Н., Столяров В.Е., Архипов А.И. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин // Деловой журнал Neftegaz.RU. –2020. – № 4. – С. 38-50.5. Aljurban, M., Ramasamy, J., Albassam, M., Magana-Mora, A. Deep Learning and Time-Series Analysis for the Early Detection of Lost Circulation Incidents During Drilling Operations// IEEE. –2021.– 10.1109/ACCESS.2021.3082557 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 and machine learning to optimize operational performance and drill bit design. SPE Asia Pacific 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 анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин // SOCAR Proceedings. – 2020. – № 3. – С. 31-37. 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, 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 увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения // Георесурсы. – 2020. – Т. 22. – № 4. – С. 79-85. 11. Rassenfoss S. A robot takes over the drilling floor. 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 методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления 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 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. Архипов А.И., Дмитриевский А.Н., Еремин Н.А., Черников А.Д., Бороздин С.О., Сафарова Е.А., Сейнароев М.Р. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов // 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. Application of machine learning to augment wellbore geometry-related stuck pipe risk 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, November2021, SPE-207823-MS. (In Eng). 19. Romberg E., Fisher A., Mazza J., Niedz C.,Wehner B., Zhou A. Predicting trouble stages with geomechanical measurement sand machine learning: a case study on southern midland basin horizontal completion. SPE annual technical conference and exhibition, Virtual, October2020, SPE-201699-MS. (In Eng). 20. Iversen F.P., Thorogood J.L., Macpherson J.D., Macmillan R.A. Business models and kpis as 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).21. Karim, F., Majumdar, S., Darabi, H., Chen, S. LSTM Fully Convolutional Networks for Time Series Classification// IEEE. –2017.– r 10.1109/ACCESS.2017.2779939.22. Bagnall, A., Lines, J., Bostrom, A., Large, J., Keogh, E. The great time series classification bakes off: a review and experimental evaluation of recent algorithmic advances// Data Min Knowl Disc. –2017.– Vol. 31–P.606-660.
Добавил в систему: Еремин Николай Александрович

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

ИСТИНА

ФНКЦ РР

Расширение функционала программы интеллектуальной системы предупреждения осложнений и аварий при строительстве скважин (ИС ПОАС)статья

Прикрепленные файлы