Обзор применения байесовской сети и искусственного интеллекта для снижения числа осложнений и аварий в разработке и эксплуатации нефтяных и газовых месторождений

Еремин, Н.А.; Селенгинский, Д.А.

Авторы: Еремин Н.А., Селенгинский Д.А.
Журнал: Оборудование и технологии для нефтегазового комплекса
Том: 139
Номер: 1
Год издания: 2024
Первая страница: 33
Последняя страница: 37
Аннотация: Original articleEremin N.A., Selenginsky D.A. Overview of the application of Bayesian network and artificial intelligence for reducing the number of complications and accidents when developing and operating oil and gas fields // Equipment and technologies for oil and gas complex. 2024;(1(139)):33–37.Abstract. Each oil and gas company with a safety focus is pursuing process safety management (PSM), which provides better understanding of hazards, comprehensive risk assessment and management, and in-depth studying the experience to improve overall safety and operational performances. Companies often use an incident reporting system, but since it can contain thousands of reports, they rarely take full advantage of them to prevent and reduce future incidents. To address this problem, this study used machine learning and keyword analysis to label and classify 8199 incident reports from an oil and gas company into nine groups identified in the latest version of guidelines published by the Center for Chemical Process Safety.To achieve the optimal solution, two different Bayesian network methods were used, resulting in one and the same map creation. It showed that the total number of incidents is 50 % dependent on the integrity and reliability of fi les such as drilling logs, meaning that focusing resources on this aspect can reduce the number of incidents by half. In addition, cross-correlation analysis (CCA) was conducted, which confirmed this result and identified measures to improve the company's safety management strategy.Keywords: artificial intelligence, Bayesian networks, production organization, database analysis, machine learning, process safetymanagement identification, complications prediction, well drilling, geological and technological information, accident prevention, automated system, well construction, oil productionFor citation: Eremin N.A., Selenginsky D.A. Overview of the application of Bayesian network and artificial intelligence for reducing thenumber of complications and accidents when developing and operating oil and gas fields // Equipment and technologies for oil and gascomplex. 2024;(1(139)):33–37.Acknowledgments: The work was fulfilled within the framework of the State Order ROSRID 122022800270-0.REFERENCES1. Amin T., Khan F., Imtiaz S. Fault Detection and PathwayAnalysis using a Dynamic Bayesian Network // Chemical EngineeringScience. – 2019. – Vol. 195. – P. 777–790. – DOI:10.1016/j.ces.2018.10.0242. Incorporation of inherent safety principles in process safetymanagement / P.R. Amyotte, A.U. Goraya, D.C. Hendershot,F.I. Khan // Process Safety Progress. – 2007. – Vol. 26, Issue 4. –P. 333–346. – DOI: 10.1002/prs.102173. Aven T., Krohn B.S. A new perspective on how to understand,assess and manage risk and the unforeseen // Reliability Engineering& System Safety. – 2014. – Vol. 121. – P. 1–10. –DOI: 10.1016/j.ress.2013.07.0054. Cunlu Zou, Denby K.J., Jianfeng Feng. Granger causalityvs. dynamic Bayesian network inference: a comparative study// BMC Bioinformatics. – 2009. – Vol. 10. – DOI: 10.1186/1471-2105-10-1225. A Dynamic Decision Approach for Risk Analysis in ComplexProjects / Xianguo Wu, Yanhong Wang, Limao Zhang [et al.]// J. of Intelligent & Robotic Systems. – 2015. – Vol. 79. –P. 591–601. – DOI: 10.1007/s10846-014-0153-36. Usability of accident and incident reports for evidence-basedrisk modeling – A case study on ship grounding reports / A. Mazaheri,J. Montewka, J. Nisula, P. Kujala // Safety Science. –2015. – Vol. 76. – P. 202–214. – DOI: 10.1016/j.ssci.2015.02.0197. Using machine learning and keyword analysis to analyze incidentsand reduce risk in oil sands operations / D. Kurian, F. Sattari,L. Lefsrud, Yongsheng Ma // Safety Science. – 2020. –Vol. 130. – P. 104873. – DOI: 10.1016/j.ssci.2020.1048738. Reporting and Investigating Injuries and Incidents – OHSinformation for employers, prime contractors and workers. –Government of Alberta, Edmonton, AB, Canada, 2019. –11 p.9. Friedman N., Nachman I., Pe'er D. Learning Bayesian NetworkStructure from Massive Datasets: The "Sparse Candidate"Algorithm // Proceedings of the Fifteenth Conf. on Uncertaintyin Artifi cial Intelligence, Stockholm, Sweden, July 30 – Aug. 1. –1999. – P. 206–215. – DOI: 10.13140/2.1.1125.2169; BerglundJ. After Fukushima: Safety culture and fostering critical thinking// Safety Science. – 2020. – Vol. 124. – P. 104613. – DOI:10.1016/j.ssci.2020.10461310. Chemoinformatic investigation of the Chemistry of Cellulose and Lignin Derivatives in Hydrous Pyrolysis / F. Sattari, D. Tefera, K. Sivaramakrishnan [et al.] // Industrial & Engineering Chemistry Research. – 2020. – Vol. 59, Issue 25. – P. 11582–11595. – DOI: 10.1021/acs.iecr.0c0159211. Uusitalo L. Advantages and challenges of Bayesian networksin environmental modelling // Ecological Modelling. – 2007. –Vol. 203, Issues 3-4. – P. 312–318. – DOI: 10.1016/j.ecolmodel.2006.11.033; Van der Schaaf T., Kanse L. Biases in IncidentReporting Databases: An Empirical Study in the Chemical ProcessIndustry // Safety Science. – 2004. – Vol. 42. – P. 57–67. –DOI: 10.1016/S0925-7535(03)00023-712. Berglund J. Why Safety Cultures Degenerate and how toRevive them. – London: Routledge, 2016. – 106 p.13. Wold T., Laumann K. Safety management systems as communicationin an oil and gas producing company // Safety Science. –2015. – Vol. 72. – P. 23–30. – DOI: 10.1016/j.ssci.2014.08.00414. Abuashour A.M.B., Hassan Z. Conceptual framework for enhancingsafety performance by impact cooperation facilitation, safety communication and work environment: Jordanian hospitals// Sains Humanika. – 2019. – Vol. 11, No. 2-2. – DOI:10.11113/sh.v11n2-2.165915. Eremin N.A., Selenginskiy D.A., Chernikov A.D. Ob ispol'zovaniimetodov iskusstvennogo intellekta dlya resheniya zadach vneftegazovoy otrasli // Zolotukhinskie chteniya. Neft', gaz i energetikav Arkticheskom regione: sb. materialov Mezhdunar.nauch.-prakt. konf., Arkhangel'sk, 20–21 apr. 2023 g. – Arkhangel'sk: Severnyy (Arkticheskiy) feder. un-t im. M.V. Lomonosova,2023. – S. 110–112.16. Eremin N.A., Selenginskiy D.A. O vozmozhnosti primeneniya metodov iskusstvennogo intellekta v reshenii neftegazovykh zadach // Izv. Tul'skogo gos. un-ta. Nauki o Zemle. – 2023. – № 1. – S. 201–211. – DOI: 10.46689/2218-5194-2023-1-1-201-211Оборудование и технологии для нефтегазового комплекса. 2024. № 1(139). С. 33–37.Equipment and technologies for oil and gas complex. 2024;(1(139)):33–37.Научная статьяУДК 622.276.032.85:004.892.8.4. Разработка и эксплуатация нефтяных и газовых месторожденийЕремин Н.А., Селенгинский Д.А. Обзор применения байесовской сети и искусственного интеллекта дляснижения числа осложнений и аварий в разработке и эксплуатации нефтяных и газовых месторождений // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 1(139). – С. 33–37.Аннотация. Каждая нефтегазовая компания, которая уделяет должное внимание безопасности, ведет работу по управлению безопасностью процессов (УБП), что дает лучшее понимание опасностей, комплексную оценку и управление рисками, а также углубленное изучение опыта для повышения общей безопасности и эксплуатационных показателей. Компании часто используют систему отчетности об инцидентах, но так как она может содержать тысячи отчетов, они редко извлекают из них полную пользу для предотвращения и сокращения будущих инцидентов. Чтобы решить эту проблему, в этом исследовании применили машинное обучение и анализ ключевых слов для маркировки и классификации 8199 отчетов об инцидентах от нефтегазовой компании по девяти группам, указанным в последней версии руководств, опубликованных Центром безопасности химических процессов. Для достижения оптимального решения были использованы два различных метода байесовских сетей, которые привели к созданию одной и той же карты. Она показала, что общее число инцидентов на 50 % зависит от целостности и надежности файлов, таких как, например, буровые журналы, а это значит, что сосредоточение ресурсов на этом аспекте может уменьшить число инцидентов вдвое. Кроме того, был проведен кросс-корреляционный анализ (CCA), который подтвердил этот результат и определил меры для улучшения стратегии управления безопасностью компании и сокращения скрытых причин возникновения осложнений.Ключевые слова: искусственный интеллект, байесовские сети, организация производства, анализ базы данных, машинное обучение, выявление управления безопасностью процессов, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий, автоматизированная система, строительство скважин, нефтедобычаДля цитирования: Еремин Н.А., Селенгинский Д.А. Обзор применения байесовской сети и искусственного интеллекта для снижения числа осложнений и аварий в разработке и эксплуатации нефтяных и газовых месторождений // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 1(139). – С. 33–37.Благодарности: Работа выполнена в рамках ГЗ РОСРИД 122022800270-0.ВыводВ перспективе для улучшения результатов можнорассмотреть возможность использования других методов машинного обучения, например, таких, как глубокое обучение. Кроме того, дальнейшие исследования могут быть направлены на применение гибридной структуры БС в таких областях, как медицина или экономика.С точки зрения теоретических и практических ис-следований можно провести дополнительные эксперименты для оценки эффективности гибридной структуры БС в различных условиях и с разными размерами данных. Можно рассмотреть возможность интеграции гибридной структуры БС с другими методами МО – алгоритмом случайного леса или градиентным бустингом [15, 16].В целом последующие исследования в области гибридных структур БС будут полезны для развития новых методов МО и повышения эффективности реше-ния реальных проблем в различных областях.СПИСОК ИСТОЧНИКОВ1. Amin T., Khan F., Imtiaz S. Fault Detection and PathwayAnalysis using a Dynamic Bayesian Network // Chemical EngineeringScience. – 2019. – Vol. 195. – P. 777–790. – DOI:10.1016/j.ces.2018.10.0242. Incorporation of inherent safety principles in process safetymanagement / P.R. Amyotte, A.U. Goraya, D.C. Hendershot,F.I. Khan // Process Safety Progress. – 2007. – Vol. 26, Issue 4. –P. 333–346. – DOI: 10.1002/prs.102173. Aven T., Krohn B.S. A new perspective on how to understand,assess and manage risk and the unforeseen // Reliability Engineering& System Safety. – 2014. – Vol. 121. – P. 1–10. –DOI: 10.1016/j.ress.2013.07.0054. Cunlu Zou, Denby K.J., Jianfeng Feng. Granger causalityvs. dynamic Bayesian network inference: a comparative study// BMC Bioinformatics. – 2009. – Vol. 10. – DOI: 10.1186/1471-2105-10-1225. A Dynamic Decision Approach for Risk Analysis in ComplexProjects / Xianguo Wu, Yanhong Wang, Limao Zhang [et al.]// J. of Intelligent & Robotic Systems. – 2015. – Vol. 79. –P. 591–601. – DOI: 10.1007/s10846-014-0153-36. Usability of accident and incident reports for evidence-basedrisk modeling – A case study on ship grounding reports / A. Mazaheri,J. Montewka, J. Nisula, P. Kujala // Safety Science. –2015. – Vol. 76. – P. 202–214. – DOI: 10.1016/j.ssci.2015.02.0197. Using machine learning and keyword analysis to analyze incidentsand reduce risk in oil sands operations / D. Kurian, F. Sattari,L. Lefsrud, Yongsheng Ma // Safety Science. – 2020. –Vol. 130. – P. 104873. – DOI: 10.1016/j.ssci.2020.1048738. Reporting and Investigating Injuries and Incidents – OHS informationfor employers, prime contractors and workers. –Government of Alberta, Edmonton, AB, Canada, 2019. – 11 p.9. Friedman N., Nachman I., Pe'er D. Learning Bayesian NetworkStructure from Massive Datasets: The "Sparse Candidate"Algorithm // Proceedings of the Fifteenth Conf. on Uncertaintyin Artifi cial Intelligence, Stockholm, Sweden, July 30 – Aug. 1. –1999. – P. 206–215. – DOI: 10.13140/2.1.1125.2169; BerglundJ. After Fukushima: Safety culture and fostering critical thinking// Safety Science. – 2020. – Vol. 124. – P. 104613. – DOI:10.1016/j.ssci.2020.10461310. Chemoinformatic investigation of the Chemistry of Celluloseand Lignin Derivatives in Hydrous Pyrolysis / F. Sattari,D. Tefera, K. Sivaramakrishnan [et al.] // Industrial & Engineering Chemistry Research. – 2020. – Vol. 59, Issue 25. –P. 11582–11595. – DOI: 10.1021/acs.iecr.0c0159211. Uusitalo L. Advantages and challenges of Bayesian networksin environmental modelling // Ecological Modelling. – 2007. –Vol. 203, Issues 3-4. – P. 312–318. – DOI: 10.1016/j.ecolmodel.2006.11.033; Van der Schaaf T., Kanse L. Biases in IncidentReporting Databases: An Empirical Study in the Chemical ProcessIndustry // Safety Science. – 2004. – Vol. 42. – P. 57–67. –DOI: 10.1016/S0925-7535(03)00023-712. Berglund J. Why Safety Cultures Degenerate and how toRevive them. – London: Routledge, 2016. – 106 p.13. Wold T., Laumann K. Safety management systems as communicationin an oil and gas producing company // Safety Science. –2015. – Vol. 72. – P. 23–30. – DOI: 10.1016/j.ssci.2014.08.00414. Abuashour A.M.B., Hassan Z. Conceptual framework for enhancingsafety performance by impact cooperation facilitation,safety communication and work environment: Jordanian hospitals// Sains Humanika. – 2019. – Vol. 11, No. 2-2. – DOI:10.11113/sh.v11n2-2.165915. Еремин Н.А., Селенгинский Д.А., Черников А.Д. Об ис-пользовании методов искусственного интеллекта для реше-ния задач в нефтегазовой отрасли // Золотухинские чтения.Нефть, газ и энергетика в Арктическом регионе: сб. мате-риалов Междунар. науч.-практ. конф., Архангельск, 20–21апр. 2023 г. – Архангельск: Северный (Арктический) федер.ун-т им. М.В. Ломоносова, 2023. – С. 110–112.16. Еремин Н.А., Селенгинский Д.А. О возможности применения методов искусственного интеллекта в решении нефтегазовых задач // Изв. Тульского гос. ун-та. Науки о Земле. – 2023. – № 1. – С. 201–211. – DOI: 10.46689/2218-5194-2023-1-1-201-211
Добавил в систему: Еремин Николай Александрович

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

ИСТИНА

ФНКЦ РР

Прикрепленные файлы