Автоматизированная система предотвращения аварий при строительстве скважин

Цифровая модернизация нефтегазового производства является мощным инструментом повышения эффективности разработки месторождений и инновационным драйвером развития нефтегазовой отрасли. В ведущих нефтегазовых компаниях России происходит переход к цифровым технологиям бурения и добычи на основе применения методов машинного обучения и нейросетевых моделей. Нефтегазовая скважина является основным технологическим объектом и сооружением, определяющим эффективность добычи углеводородов на всех стадиях жизненного цикла месторождения. Объектами исследования являлись осложнения и аварийные ситуации в процессе строительства нефтяных и газовых скважин. Цель работы - повышение эффективности процесса строительства нефтяных и газовых скважин на основе создания высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций. В данной статье кратко описана созданная автоматизированная система предотвращения аварийных ситуаций при строительстве скважин с применением технологий искусственного интеллекта. Приведена структура автоматизированной системы и состав основных программных компонент. Эффективность работы автоматизированной системы основана на обеспечении расчетной модели механизмом непрерывной системы передачи, сбора, распределения, хранения и валидации больших объемов геолого-геофизических данных (Big GeoData) с элементами технологии блокчейн. Основное преимущество применения нейросетевого моделирования для решения задач выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин заключается в выявлении скрытых закономерностей между геолого-геофизическими, техническими и технологическими параметрами. Система имеет возможность масштабирования и интеграции в любые имеющиеся нефтегазовые системы управления и мониторинга.
Ключевые слова: машинное обучение, нейронные сети,выявление аномалий, прогнозирование осложнений,бурение скважин, геолого-технологическая информация, большие геоданные, предотвращение аварий, искусственный интеллект, автоматизированная система, строительство скважин, нейросетевое моделирование.

Статья подготовлена в рамках работ по теме государственного задания Фундаментальный базис инновационных технологий нефтяной и газовой промышленности No АААА-А19-119013190038-2в РОСРИДе.

Abstract

Digital modernization of oil and gas production is a powerful tool for increasing the efficiency of field development and an innovative driver for the development of the oil and gas industry. Leading oil and gas companies in Russia are transitioning to digital technologies for drilling and production based on the use of machine learning methods and neural network models. An oil and gas well is the main technological object and structure that determines the efficiency of hydrocarbon production at all stages of the field life cycle. The objects of research were complications and emergencies during the construction of oil and gas wells. The purpose of the work is to increase the efficiency of the construction process of oil and gas wells based on the creation of a high-performance automated system for preventing complications and emergencies. This article briefly describes the created automated system for preventing emergency situations during well construction using artificial intelligence technologies. The structure of the automated system and the composition of the main software components are given. The efficiencyof the automated system is based on providing the calculation model with a mechanism for a continuous system of transmission, collection, distribution,storage and validation of large volumes of geological and geophysical data (Big GeoData) with elements of blockchain technology. The main advantage of using neural network modeling to solve problems of identifying and predictingcomplications during the construction of oil and gas wells is to reveal hidden patterns between geological and geophysical, technical and technological parameters. The system has the ability to scale and integrate into any existing oil and gas control and monitoring systems.
Keywords: machine learning, neural networks, anomaly detection, forecasting of complications, well drilling, geological and technological information, Big GeoData, accident prevention, artificial intelligence, automated system, well construction, neural network modeling.

Литература

1. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин / А.Н. Дмитриевский, Н.А. Ерёмин, Е.А. Сафарова [и др.] // Научные труды НИПИ Нефтегаз ГНКАР. – № 3 (2020). – C. 031–037. – DOI:10.5510/ogp20200300442.
2. Казначеев П.Ф., Самойлова Р.В., Курчиски Н.В. Применение методов искусственного интеллекта для повышения эффективности в нефтегазовой и другихсырьевых отраслях // Экономическая политика. – 2016. – Т. 11. – №5. – С. 188–197.
3. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения / А.Н. Дмитриевский, А.Г. Сбоев, Н.А. Ерёмин [и др.] // Георесурсы. – 2020. – 22(4). – С. 79–85. – DOI: https://doi.org/10.18599/grs.2020.4.79-85.
4. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения / А.Д. Черников,Н.А. Еремин, В.Е. Столяров [и др.] // Георесурсы. – 2020. – 22 (3). – С. 87–96. – DOI: https://doi.org/10.18599/grs.2020.3.87-965
5. Дьяконов А.Г., Головина А.М. Выявление аномалий в работе механизмов методами машинного обучения // Аналитика и управление данными в областях с интенсивным использованием данных / Тр. XIX Международной конференции DAMDID / RCDL 2017. – 10–13 октября 2017 г., Москва. – М.: ФИ ЦИУ РАН. – 2017. – С. 469–476.
6. Liu F.T., Tony T.K.M., Zhou Z.H. Isolation forest // Proceedings of the 2008 Eighth IEEE Int. Conf. on Data Mining. – 2008. – Р. 413–422.
7. Application of machine learning to accidents detection at directional drilling / E. Gurina [et al.] // Journal of Petroleum Science and Engineering. – 2020. – Т. 184. – P. 106519. – DOI:10.1016/j.petrol.2019.106519
8. Chen T., Guestrin C. Xgboost: A scalable tree boosting system // Proceedings of the 22nd ASM SIGKDD international conference on knowledge discovery and data mining. – ACM. – 2016. – P. 785–794.
9. Кодиров Ш.Ш., Шестаков А.Л. Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб // Вестник Южно-Уральского государственного университета. Серия. Компьютерные технологии, управление, радиоэлектроника. – 2019. – Т. 19. – № 3. – С. 20–32.10.
10. Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин // А.Н. Дмитриевский, Н.А. Еремин, О.К. Чащина-Семенова, Л.К. Фицнер, А.Д. Черников Патент на полезную модель RU. Заявка № 2020129673/03 (053361) от 08.09.2020.
11. Дмитриевский А.Н., Еремин Н.А., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин // Патент на полезную модель RU. Заявка № 2020129671/03 (053358) от 08.09.2020.
12. Система для прогнозирования осложнений в бурении на основе искусственного интеллекта / С.О. Бороздин, А.Н. Дмитриевский, Н.А. Еремин [и др./ SPE-202546-MS-2020
13. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для по-вышения точности прогнозирования нейросетевых алгоритмов / А.И. Архипов, А.Н. Дмитриевский, Н.А. Ерёмин [и др.] // Нефтяное хозяйство. – 2020. –№ 8. – С. 63–67. – DOI: 10.24887/0028-2448-2020-8-63-67
14. Noshi C.I., Schubert J.J. The Role of Machine Learning in Drilling Operations. A Review// SPE-191823-18ERM-MS. – 2018. – DOI:10.2118/191823-18ERM-MS
15. Real-Time Well Log Prediction From Drilling Data Using Deep Learning / R. Kanfar [et al.] // arXiv preprint arXiv:2001.10156. – 2020
16. Deep learning for well data history analysis / Y. Li [et al.] // SPE-196011-MS. – 2019. https://doi.org/10.2118/196011-MS

References

1. Dmitrievskiy A.N., Eremin N.A., Safarova E.A. et al., Qualitative analysis of time series geodata to prevent complications and emergencies during drilling of oil and gas wells (In Russ.). SOCAR Proceedings, 2020, no. 3, pp. 31–37, doi: 10.5510/ogp20200300442
2. Kaznacheev P.F., Samoylova R.V., Kurchiski N.V., Application of artificial intelligence methods to improve efficiency in the oil and gas and other raw materials industries (In Russ.) Ekonomicheskaya politika = Economic policy, 2016, V. 11, no. 5,pp. 188–197.
3. Dmitrievskiy A.N., Sboev A.G., Eremin N.A. et al., On increasing the productive time of drilling oil and gas wells using machine learning methods (In Russ.). Georesursy. 2020, V. 22, no. 4, pp. 79–85, DOI: https://doi.org/10.18599/grs.2020.4.79-85.
4. Chernikov A.D., Eremin N.A., Stolyarov V.E. et al., Application of artificial intelligencemethods for identifying and predicting complications in the construction of oil and gas wells: Problems and solutions (In Russ.). Georesursy, 2020, V. 22, no. 3, pp. 87–96, DOI: https://doi.org/10.18599/grs.2020.3.87-96
5. D'yakonov A.G., Golovina A.M., Vyyavlenie anomaliy v rabote mekhanizmov metodami mashinnogo obucheniya (Anomaly detection in mechanisms usingmachine learning). In:  Proceedings of XIX International conference “Analitika i upravlenie dannymi v oblastyakh s intensivnym ispol'zovaniem dannykh” (Data Analytics and Management in Data Intensive Domains (DAMDID)), Moscow, 10–13th of October 2017, pp. 469–476.
6. Liu F.T., Tony T.K.M., Zhou Z.H., Isolation forest, Proceedings of the 2008 Eighth IEEE Int. Conf. on Data Mining, 2008, pp. 413–422.
7. Gurina E. et al., Application of machine learning to accidents detection at directionaldrilling, Journal of Petroleum Science and Engineering, 2020, V. 184,DOI:10.1016/j.petrol.2019.106519
8. Chen T., Guestrin C., Xgboost: A scalable tree boosting system, Proceedings of the 22nd ASM SIGKDD international conference on knowledge discovery anddata mining, ACM, 2016, pp. 785–794.
9. Kodirov Sh.Sh., Shestakov A.L., Development of artificial neural network for predicting drill pipe sticking (In Russ.), Vestnik Yuzhno-Ural'skogo gosudarstvennogo universiteta. Seriya. Komp'yuternye tekhnologii, upravlenie, radioelektronika, 2019, V. 19, no. 3, pp. 20-32
10. Utility model patent application no. 2020129673/03 (053361), Avtomatizirovannayasistema vyyavleniya i prognozirovaniya oslozhneniy v protsesse stroitel'stva neftyanykh i gazovykh skvazhin (Automated system for identifyingand predicting complications during the construction of oil and gas wells), Inventors: Dmitrievskiy A.N., Eremin N.A., Chashchina-Semenova O.K., Fitsner L.K., Chernikov A.D.
11. Utility model patent application no. 2020129671/03 (053358), Avtomatizirovannayasistema vyyavleniya i prognozirovaniya oslozhneniy v protsesse stroitel'stva neftyanykh i gazovykh skvazhin (Automated system for identifyingand predicting complications during the construction of oil and gas wells), Inventors: Dmitrievskiy A.N., Eremin N.A., Chashchina-Semenova O.K., Fitsner L.K., Chernikov A.D.
12. Borozdin S.O., Dmitrievskiy A.N., Eremin N.A. et al., Drilling problems forecast system based on neural network (In Russ.), SPE-202546-RU, 2020,doi:10.2118/202546-RU
13. Noshi C.I., Schubert J.J., The role of machine learning in drilling operations. A review,SPE-191823-18ERM-MS, 2018, DOI:10.2118/191823-18ERM-MS.
14. Kanfar R. et al., Real-time well log prediction from drilling data using deep learning, arXiv preprint arXiv:2001.10156, 2020.
15. Yuanjun Li et al., Deep learning for well data history analysis, SPE-196011-MS, 2019, https://doi.org/10.2118/196011-MS