Оптимизация, цифровизация и роботизация нефтегазовых технологических процессов на основе использования методов искусственного интеллекта являются одними из преобладающих трендов 21 века. Буровая отрасль является ярким примером этих явлений. Вектор бурения на нефть и газ смещается в сторону сложных объектов. Совершенствование технологий бурения скважин позволяет проводить бурение в геологических условиях, где это было ранее невозможно. Строительство скважин приводит к нарушению природного термодинамического и напряженно-деформированного состояния горных пород. Необходимо учитывать все процессы, происходящие в скважине и околоскважинной зоне при бурении для своевременного распознавания возникновения различного рода осложнений и аварий. Время на устранение осложнений и аварий в среднем составляет 20–25% от общего времени строительства скважины. Задача снижения этого показателя является весьма актуальной. Для решения этой задачи используются самые современные технологии, включая алгоритмы машинного обучения. Основными трудностями, с которыми приходится сталкиваться при использовании этих технологий – это требования к искусственным нейронным сетям по минимально необходимому количеству осложнений или их представимому множеству для корректного обучения этих сетей. В данном докладе описывается, как эта проблема была решена с помощью полномасштабного бурового тренажера. Буровой тренажер позволяет воссоздать цифровой двойник реальной скважины и смоделировать на ней практически неограниченное количество различного рода осложнений. Такой подход позволяет создать выборку необходимого размера для наиболее эффективного обучения и тестирования нейросетевых алгоритмов. Для минимизации количества ложных срабатываний моделировались три группы осложнений (прихваты, поглощения, газонефтеводопроявления) и стандартные операции бурения. Всего было смоделировано 86 экспериментов, которые затем были обработаны с использованием нейросетевых алгоритмов. Проведенное исследование показало, что искусственная нейросетевая модель для прогнозирования проявления осложнений типа газонефтеводопроявление, в силу своей сложности, более эффективно обучается при ее применении, как на исходных значениях параметров бурения, так и результатов некоторых дополнительных моделей машинного обучения. Последние модели обучены решать регрессионную задачу индикаторной функции с настройкой модели на отслеживание изменений конкретных параметров, а также задач выявления аномальных ситуаций в показаниях наблюдаемых параметров при бурении. При обучении данного модуля модели искусственной нейронной сети для обнаружения предаварийной ситуации газонефтеводопроявление были получены следующие результаты по точности: точность – 0,89, средневзвешенная оценка f1 – 0,86. Разработанная система информирует бурильщика о возможном осложнении с высокой точностью, что позволяет ему избежать его или минимизировать его последствия.
(SPE Annual Caspian Technical Conference, 21-22 October, Online)
Авторы выражают благодарность руководству Института проблем нефти и газа Российской академии наук за разрешение представить и опубликовать данную работу по результатам реализации проекта Разработка высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин на основе постоянно действующих геолого- технологических моделей месторождений с применением технологии искусственного интеллекта и индустриального блокчейна для снижения рисков проведения геолого-разведочных работ, в том числе 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, уникальный идентификатор проекта RFMEFI60419X0217.
Литература
1. Abbas et al. (2019). Implementing artificial neural networks and support vector machines to predict lost circulation. Egyptian Journal of Petroleum. doi: 0.1016/j.ejpe.2019.06.006.
2. Adams, A., Parfitt, S., Reeves, T. et al. 1993. Casing System Risk Analysis Using Structural Reliability. Paper presentedat the SPE/IADC Drilling Conference, Amsterdam, The Netherlands, 22–25 February. SPE-25693-MS. https://doi.org/10.2118/25693-MS.
3. Алдамжаров Н.Н. Предупреждение аварий и осложнений при бурении разветвленно-горизонтальных стволов скважин // Новости науки Казахстана. № 3(133). 2017.
4. Al-Hameedi, A. T. T., Alkinani, H. H., Dunn-Norman, S., Flori, R. E., Hilgedick, S. A., Amer, A. S., & Alsaba, M.T. (2018). Using Machine Learning to Predict Lost Circulation in the Rumaila Field, Iraq. SPE-191933-MS was presented at SPE Asia Pacific Oil and Gas Conference and Exhibition, 23-25 October, Brisbane, Australia. https://doi.org/10.2118/191933-MS.
5. Alkinani, H. H., Al-Hameedi, A. T. T., Dunn-Norman, S., Alkhamis, M. M., and Mutar, R. A. (2019, April 8). Predictionof Lost Circulation Prior to Drilling for Induced Fractures Formations Using Artificial Neural Networks. SPE-195197-MS was presented at SPE Oklahoma City Oil and Gas Symposium, 9-10 April, Oklahoma City, Oklahoma, USA.https://doi.org/10.2118/195197-MS.
6. Alshaikh, A., Magana-Mora, A., Gharbi, S. A., & Al-Yami, A. (2019, March 22). Machine Learning for Detecting Stuck Pipe Incidents: Data Analytics and Models Evaluation. International Petroleum Technology Conference. doi:10.2523/IPTC-19394-MS
7. Antipova, K., Klyuchnikov, N., Zaytsev, A., Gurina, E., Romanenkova, E., & Koroteev, D. (2019, September 23). DataDriven Model for the Drilling Accidents Prediction. Society of Petroleum Engineers. doi:10.2118/195888-MS
8. Arnaout, A., Zoellner, P., Thonhauser, G., & Johnstone, N. (2013, October 28). Intelligent Data Quality Control of Realtime Rig Data. Society of Petroleum Engineers. doi:10.2118/167437-MS
9. Blikra, H., Pia, G., Wessel, J. S., Svendsen, M., Rommetveit, R., & Oedegaard, S. I. (2014, March 4). The OperationalBenefit of Testing HPHT/MPD Procedures Using an Advanced Full Scale Drilling Simulator. Society of Petroleum Engineers. doi:10.2118/167958-MS
10. Dedenuola, D., Iyamu, E., and Adeleye, O. 2003. Stochastic Approach to Kick Tolerance Determination in Risk Based Designs. Paper presented at the SPE Annual Technical Conference and Exhibition, Denver, Colorado, USA, 5–8 October. SPE-84174-MS. https://doi.org/10.2118/84174-MS.
11. Dmitrievsky A.N., Eremin N.A., Duplyakin V. O., 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. №12 (243). pp.3-10. doi: 10.25728/datsys.2019.12.1
12. Eremin N.A., Chernikov A.D., Sardanashvili O.N., Stolyarov V.E., Arkhipov A. I. Digital well-building technologies. Creation of a high-performance automated system to prevent complications and emergencies in the process of construction of oil and gas wells. // Business Journal Neftegaz. Ru, No. 4 (100). 2020. pp.38-50. (In Russian)
13. Ferreira, A. P. L. A., Carvalho, D. J. L., Rodrigues, R. M. 2015. Automated Decision Support and Expert Collaboration Avoid Stuck Pipe and Improve Drilling Operations in Offshore Brazil Subsalt Well. Presented at the Offshore Technology Conference, Houston, Texas, 4–7 May. OTC-25838. https://doi.org/10.4043/25838-MS.
14. Geng Z, Wang H,Fan M,et al. Predicting seismic-based risk of lost circulation using machine learning. Journal of Petroleum Science and Engineering, 2019, 176:679–688.
15.Goebel, T., Molina, R.V., Vilalta, R. et al. 2014. Method and System for Predicting a Drill String Stuck Pipe Event. https://www.google.com/patents/US8752648
16. Hempkins, W. B., Kingsborough, R. H., Lohec, W. E. 1987. Multivariate Statistical Analysis of Stuck Drillpipe Situations. SPE Drilling Engineering 2 (03): 237–244. 17. SPE-14181-PA. https://doi.org/10.2118/14181-PA.
17. Hou, X.,Yang, J.,Yin, Q.,Chen, L.,Cao, B.,Xu, J., … Zhao, X. (2019, October 21). Automatic Gas Influxes Detection in Offshore Drilling Based on Machine Learning Technology. Society of Petroleum Engineers. doi:10.2118/198534-MS
18. Jahanbakhshi, R., Keshavarzi, R., Aliyari Shoorehdeli, M., & Emamzadeh, A. (2012, December 1). Intelligent Prediction of Differential Pipe Sticking by Support Vector Machine Compared With Conventional Artificial Neural Networks: An Example of Iranian Offshore Oil Fields. Society of Petroleum Engineers. doi:10.2118/163062-PA
19. Jahanbakhshi et al. (2014) Artificial neural network-based prediction and geomechanical analysis of lost circulation in naturally fractured reservoirs: a case study, European Journal of Environmental and Civil Engineering, 18:3, 320–335, DOI:10.1080/19648189.2013.860924.
20. Lind, Y. B. and Kabirova, A. R. 2014. Artificial Neural Networks in Drilling Troubles Prediction. Presented at the SPE Russian Oil and Gas Exploration and Production Technical Conference and Exhibition held in Moscow, Russia, 14–16 October. SPE-171274-MS. https://doi.org/10.2118/171274-MS.
21. Macpherson, J. D., de Wardt, J. P., Florence, F. et al. 2013. Drilling Systems Automation: Current State, Initiatives and Potential Impact. Presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, 30 September–2 October. SPE-166263-MS. https://doi.org/10.2118/166263-MS.
22. Mason, S. and Chandrasekhar, S. 2005. Stochastic Kick Load Modeling. Paper presented at the SPE High Pressure/High Temperature Sour Well Design Applied Technology Workshop, The Woodlands, Texas, USA, 17–19 May. SPE-97564-MS. https://doi.org/10.2118/97564-MS.
23. Miri, R., Sampaio, J. H. B., Afshar, M. 2007. Development of Artificial Neural Networks to Predict Differential Pipe Sticking in Iranian Offshore Oil Fields. Presented at the International Oil Conference and Exhibition in Mexico, Veracruz, Mexico, 27 30 June. SPE-108500-MS. https://doi.org/10.2118/108500-MS.
24. Moazzeni, A. R., Nabaei, M., and Jegarluei, S. G. (2010). Prediction of Lost Circulation Using Virtual Intelligence in Oneof Iranian Oilfields. SPE-136992-MS was presented at Nigeria Annual International Conference and Exhibition, 31July - 7. https://doi.org/10.2118/136992-MS.
25. Murillo, A., Neuman, J., & Samuel, R. (2009, January 1). Pipe Sticking Prediction and Avoidance Using Adaptive FuzzyLogic Modeling. Society of Petroleum Engineers. doi:10.2118/120128-MS
26. Naraghi, M. E., Ezzatyar, P., and Jamshidi, S. 2013. Prediction of Drilling Pipe Sticking by Active Learning Method (ALM). Journal of Petroleum and Gas Engineering 4 (07): 173–183. EBB3D3041956. https://doi.org/10.5897/JPGE2013.0166.
27. Noshi, C. I., & Schubert, J. J. (2018, October 5). The Role of Machine Learning in Drilling Operations; A Review. Society of Petroleum Engineers. doi:10.2118/191823-18ERM-MS
28. Odegard, S. I., Risvik, B. T., Bjorkevoll, K. S., Mehus, O., Rommetveit, R., & Svendsen, M. (2013, March 5). AdvancedDynamic Training Simulator For Drilling As Well As Related Experience From Training Of Drilling Teams With Focus On Realistic Downhole Feedback. Society of Petroleum Engineers. doi:10.2118/163510-MS
29. Peng, Q., Fan, H., Xu, S., Zhou, H., Lai, M., Ma, G., & Fu, S. (2014, November 12). A Real-Time Warning System for Identifying Drilling Accidents. Society of Petroleum Engineers. doi:10.2118/172303-MS
30. Подгорнов В.М., Ефименко Н.С. Технология бурения скважин в многолетнемёрзлых породах // Управление качеством в нефтегазовом комплексе. 2017. № 1. С. 59-61.
31. Rodrigues G. da Silva, F., de Souza Cruz, M., Barduchi, B., Bellumat, E., Vieira dos Santos, M., Barroso de Matos, V.,… Leibsohn Martins, A. (2020, July 20). Six Years Operating a Real Time Drilling Problem Detection Software in Deepwater Environments: Results and Challenges. Society of Petroleum Engineers. doi:10.2118/199077-MS
32. Rommetveit, R., Bjorkevoll, K. S., Halsey, G. wesley, Fjar, E., Odegaard, S. I., Herbert, M. C., … Larsen, B. (2007, January 1). e-Drilling: A System for Real-Time Drilling Simulation, 3D Visualization and Control. Society of Petroleum Engineers. doi:10.2118/106903-MS
33. Sabah, M.,Talebkeikhah, M.,Agin, F.,Telebkeikhah, F.,Hasheminasab, E., Application of decision tree, artificial neural networks, and adaptive neuro-fuzzy inference system on predicting lost circulation: A case study from Marun oil field,Journal of Petroleum Science and Engineering (2019), doi: https://doi.org/10.1016/j.petrol.2019.02.045.
34. Salminen, K., Cheatham, C., Smith, M., & Valiullin, K. (2017, September 1). Stuck-Pipe Prediction by Use of AutomatedReal-Time Modeling and Data Analysis. Society of Petroleum Engineers. doi:10.2118/178888-PA 16 SPE-202546-RU
35. Shaker, S. S., & Reynolds, D. J. (2020, May 4). Kicks and Blowouts Prediction Before and During Drilling in the OverPressured Sediments. Offshore Technology Conference. doi:10.4043/30711-MS
36. Tallin, A., Paslay, P., Cernocky, E. et al. 2000. Risk Assessment of Exploration Well Designs in the Oman Ara Salt. Paper presented at the SPE Annual Technical Conference and Exhibition, Dallas, Texas, USA, 1–4 October. SPE-63130-MS. https://doi.org/10.2118/63130-MS.
37. Tang, H. Y., Gang, W., Rommetveit, R., Chusov, A., Helgeland, S., & Namork, L. (2016, August 22). Advanced Drilling
Simulation and Engineering Center Provide Support for Challenging Drilling Operations in the South China Sea. Society of Petroleum Engineers. doi:10.2118/180685-MS
38. Unrau, S., Torrione, P., Hibbard, M. et al. 2017. Machine Learning Algorithms Applied to Detection of Well Control Events. Presented at the SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition, Dammam, Saudi Arabia, 24–27 April. SPE-188104-MS. http://dx.doi.org/10.2118/188104-MS.
39. Варшавский П.Р., Ар Кар Мa, Шункевич Д.В. Применение методов кластеризации для эффективности работы прецедентных систем. Программные продукты и системы // Software & Systems Т.30, №4. 2017 г.
40. Weakley, R. R. (1990, January 1). Use of Stuck Pipe Statistics To Reduce the Occurrence of Stuck Pipe. Society of Petroleum Engineers. doi:10.2118/20410-MS
41. Wylie, W. and Visram, A. 1990. Drilling Kick Statistics. Paper presented at the SPE/IADC Drilling Conference, Houston, Texas, USA, 27 February–2 March. SPE-19914-MS. https://doi.org/10.2118/19914-MS.
42. Yang, J., Sun, T., Zhao, Y., Borujeni, A. T., Shi, H., & Yang, H. (2019, July 15). Advanced Real-Time Gas Kick Detection Using Machine Learning Technology. International Society of Offshore and Polar Engineers.
43. Yin, Q.,Yang, J.,Borujeni, A. T., Shi, S.,Sun, T.,Yang, Y., … Zhao, X. (2019, July 15). Intelligent Early Kick Detection in Ultra-Deepwater High-Temperature High-Pressure (HPHT) Wells Based on Big Data Technology. InternationalSociety of Offshore and Polar Engineers.
44. Zhang, F., Islam, A., Zeng, H., Chen, Z., Zeng, Y., Wang, X., & Li, S. (2019, November 11). Real Time Stuck PipePrediction by Using a Combination of Physics-Based Model and Data Analytics Approach. Society of Petroleum Engineers. doi:10.2118/197167-MS.