В данной работе ставится и решается задача применения методов искусственного интеллекта для обработки больших объемов геоданных со станций геолого-технологических измерений с целью выявления и прогнозирования осложнений при бурении скважин. Цифровая модернизация жизненного цикла скважин с использованием методов искусственного интеллекта, в частности, способствует повышению эффективности бурения нефтегазовых скважин. В ходе создания и обучения искусственных нейронных сетей с заданной точностью смоделированы закономерности, выявлены скрытые взаимосвязи между геолого-геофизическими, техническими и технологическими параметрами. Проведена кластеризации многомерных объемов данных от датчиков различных типов, используемых для измерения параметров в процессе бурения скважин. Разработаны классификационные модели искусственного интеллекта для прогнозирования операционных результатов процесса строительства скважин.Проводится анализ данных вопросов, и определяются основные направления по их решению.
Ключевые слова: искусственный интеллект, методы машинного обучения, геолого-технологические исследования, нейросетевая модель, регрессионная модель, строительство нефтяных и газовых скважин, выявление и прогнозирование осложнений, предупреждение аварийных ситуаций.
Статья подготовлена в рамках выполнения работ ФЦП Исследования и разработки по приоритетнымнаправлениям развития научно-технологического ком-плекса России на 2014–2020 годы по теме: Разработка высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин наоснове постоянно действующих геолого-технологических моделей месторождений с применением технологий искусственного интеллекта и индустриального блокчейна для снижения рисков проведения геологоразведочных работ, в т.ч. на шельфовых проектах по Соглашению с Министерством науки и высшего образования РФ о выделении субсидии в виде гранта от 22 ноября 2019 г. № 075-15-2019-1688.
Abstract
This paper poses and solves the problem of using artificial intelligence methods for processing large volumes of geodata from geological and technological measurement stations in order to identify and predict complications during well drilling. Digital modernization of the life cycle of wells using artificial intelligence methods, in particular, helps to improve the efficiency of drilling oil and gas wells. In the course of creating and training artificial neural networks, regularities were modeled with a given accuracy, hidden relationships between geological and geophysical, technical and technological parameters were revealed. The clustering of multidimensional data volumes from various types of sensors used to measure parameters during well drilling has been carried out. Artificial intelligence classification models have been developed to predict the operational results of the well construction process. The analysis of these issues is carried out, and the main directions for their solution are determined.
Keywords: artificial intelligence, machine learningmethods, geological and technological research, neural network model, regression model, construction of oil and gas wells, identification and prediction of complications, prevention of emergency situations.
Литература
1. Абукова Л.А., Дмитриевский А.Н, Еремин Н.А. (2017). Цифровая модернизация нефтегазового комплекса России. Нефтяное хозяйство, 11, с. 54–58. DOI: 10.24887/0028-2448-2017-10-54-58
2. Архипов А.И., Дмитриевский А.Н., Еремин Н.А., Черников А.Д., Бороздин С.О., Сафарова Е.А., Сейнароев М.Р. (2020). Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов. Нефтяное хозяйство, 8, c. 63–67.
3. Баканов А.Б., Дрождин В.В., Зинченко Р.Е., Кузнецов Р.Н. (2009). Методы адаптации и поколения развития программного обеспечения. Известия ПГПУ им. В.Г. Белинского, 13(17), с. 66–69.
4. Бобб И.Ф. (2018). Международный опыт создания нефтегазовых IT-технологий для моделирования месторождений. Георесурсы, 20(3), c. 193–196. DOI: https://doi.org/10.18599/grs.2018.3.193-196
5. Дмитриевский А.Н., Дуплякин В.О., Еремин Н.А., Капранов В.В. (2019). Алгоритм создания нейросетевой модели для классификации всистемах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин. Датчики и системы, 12(243), с. 3–10. DOI: 10.25728/datsys.2019.12.1
6. Дмитриевский А.Н., Еремин Н.А., Филиппова Д.С., Сафарова Е.А. (2020a). Цифровой нефтегазовый комплекс России. Георесурсы, Спецвыпуск, c. 32–35. https://doi.org/10.18599/grs.2020.SI.32-35
8. Дмитриевский А.Н., Еремин Н.А., Столяров В.Е. (2020b). Роль информации в применении технологий искусственного интеллекта при строительстве скважин для нефтегазовых месторождений. Научный журнал Российского газового общества, 3(26), с. 22–37.
9. Дьяконов А.Г., Головина А.М. (2017). Выявление аномалий в работе механизмов методами машинного обучения. Аналитика и управление данными в областях с интенсивным использованием данных: трудыXIX Межд. конф. DAMDID/RCDL, с. 469–476.
10. Еремин Н.А. (1994). Моделирование месторождений углеводородов методами нечеткой логики. М: Наука, 462 с.
11. Еремин Н.А., Черников А.Д., Сарданашвили О.Н., Столяров В.Е., Архипов А.И. (2020). Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системыпредотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин. Деловой журнал Neftegaz.Ru, 4(100), с. 38–50.
12. Ивлев А.П., Еремин Н.А. (2018). Петророботика: роботизированные буровые комплексы. Бурение и нефть, 2, с. 8–13.
13. Кабанихин С.И., Шишленин М.А. (2018). Цифровое месторождение. Георесурсы, 20(3), c. 139–141. https://doi.org/10.18599/grs.2018.3.139-141
14. Казначеев П.Ф., Самойлова Р.В., Курчиски Н.В. (2016). Применение методов искусственного интеллекта для повышения эффективности внефтегазовой и других сырьевых отраслях. Экономическая политика, 11(5), с. 188–197. DOI: 10.18288/1994-5124-2016-5-09
15. Линд Ю.Б., Мулюков Р.А., Кабирова А.Р., Мурзагалин А.Р. (2013). Оперативное прогнозирование осложнений при бурении. Нефтяное Хозяйство, 2, c. 55–57.Лоерманс Т. (2017). Расширенные геолого-технические исследования скважин: первые среди равных. Георесурсы, 19(3), c. 216–221. https://doi.org/10.18599/grs.19.3.11
16. Муслимов Р.Х. (2017). Решение фундаментальных проблем нефтяной отрасли России – основа масштабного перехода к инновационному развитию. Георесурсы, 19(3), c. 151–158. https://doi.org/10.18599/grs.19.3.1
17. Пичугин О.Н., Прокофьева Ю.З., Александров Д.М. (2013). Деревья решений как эффективный метод анализа и прогнозирования. Нефтепромысловое дело, 11, c. 69–75.Разработка высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строи-тельства нефтяных и газовых скважин на основе постоянно действующих геолого-технологических моделей месторождений с применением технологий искусственного интеллекта и индустриального блокчейна для снижения рисков проведения геолого-разведочных работ, в т.ч. на шельфовых проектах. (2019). Отчет ИПНГ РАН.
18. Ракичинский В.Н., Следков В.В. (2014). Снижение рисков при строительстве скважин опыт Лукойла. Rogtec, 10.09, c. 62–72.Юрченко И. Г., 19. Крюков А.О. (2018). Преимущества и недостатки внедрения самообучающихся нейронных сетей на предприятиях нефтегазового комплекса. Проблемы геологии и освоения недр: труды XXII Межд. симпозиума им. академика М.А. Усова. Томск, т. 2, с. 835–836.
Abu-Abed F, Khabarov A. (2017). Classification of pre-emergency situations in the process of industrial drilling of oilfield well systems. J.Fundam. Appl. Sci., 9(2S), pp. 1171–1181.
19. Alotaibi B., Aman B., & Nefai M. (2019, March 15). Real-Time Drilling Models Monitoring Using Artificial Intelligence. Society of PetroleumEngineers. https://doi.org/10.2118/194807-MS
20. Сhen T., Guestrin C. (2016). Xgboost: A scalable tree boosting system. Proc. 22nd ASM SIGKDD Int. Conf on Knowledge Discovery and Data Mining, pp. 785–794.
21. Djamaluddin B., Prabhakar P., James, B., Muzakir A., & AlMayad H. (2019). Real-Time Drilling Operation Activity Analysis Data Modellingwith Multidimensional Approach and Column-Oriented Storage. Society of Petroleum Engineers. https://doi.org/10.2118/194701-MS
22. Dmitrievsky A.N., Eremin N.A., Stolyarov V.E. (2019). Digital transformation of gas production. IOP Conference Series: Materials Scienceand Engineering. https://doi.org/10.1088/1757-899X/700/1/012052
23. Gurina E., Klyuchnikov N., Zaytsev A., Romanenkova E., Antipova K., Simon I., Makarov V., Koroteev D. (2020). Application of machine learning to accidents detection at directional drilling . Journal of Petroleum Science and Engineering, 184, 106519.https://doi.org/10.1016/j.petrol.2019.106519
24. Kanfar R., Shaikh O., Yousefzadeh M., Mukerji T. (2020). Real-Time Well Log Prediction From Drilling Data Using Deep Learning. arXiv:2001.10156. DOI: 10.2523/IPTC-19693-MSKohonen T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9), pp. 1464–1480.
25. Li Y., Sun R., Horne R. (2019). Deep learning for well data history analysis. SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers. https://doi.org/10.2118/196011-MS
Liu F.T., Tony T.K.M., Zhou Z.H. (2008). Isolation forest. Proc. Eighth IEEE Int. Conf. on Data Mining, pp. 413–422.
26. Mayani M.G., Baybolov T., Rommetveit R., Ødegaard S. I., Koryabkin V. & Lakhtionov S. (2020). Optimizing Drilling Wells and Increasing theOperation Efficiency Using Digital Twin Technology. Society of Petroleum Engineers. https://doi.org/10.2118/199566-MS
27. Noshi C.I., & Schubert J.J. (2018). The Role of Machine Learning in Drilling Operations. A Review. Society of Petroleum Engineers. https://doi.org/10.2118/191823-18ERM-MS
28. Singh K., Yalamarty S.S., Kamyab M., & Cheatham C. (2019). Cloud Based ROP Prediction and Optimization in Real Time Using Supervised Machine Learning. Unconventional Resources Technology Conference.https://doi.org/10.15530/urtec-2019-343.