Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения

Статья посвящена разработке гибридного метода прогнозирования и предупреждения развития осложнений в процессе бурения скважин на базе методов машинного обучения и современных нейросетевых моделей. Осложнения в процессе бурения, такие как поглощения, газонефтеводопроявления и прихваты, приводят к росту непроизводительного времени, т.е. времени которое не является технически необходимым для строительства скважины и вызывается различными нарушениями производственного процесса. Рассмотрено несколько различных подходов, в т.ч. на основе регрессионной модели прогнозирования функции индикатора, которая отражает приближение к развивающемуся осложнению, а также моделей выделения аномалий, построенных как на базовых алгоритмах машинного обучения, так и с применением нейросетевой модели глубокого обучения. Показаны визуализированные примеры работы разработанных методов на симуляционных и реальных данных. Интеллектуальный анализ большого объема информации со станций геолого-технологических измерений основан на хорошо зарекомендовавших себя алгоритмах машинного обучения. На основе этих данных предложена нейросетевая модель для предотвращения осложнений и аварийных ситуаций в процессе строительства скважин. Применение данного метода позволит минимизировать непроизводительное время бурения.
Ключевые слова: машинное обучение, гибридное моделирование, нейронные сети, выявление аномалий,прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий и осложнений, искусственный интеллект, автоматизированная система, строительство скважин, нейросетевое моделирование.

Статья подготовлена по результатам работ, выполненных в рамках Программы государственных академий наук на 2013–2020 годы. Раздел 9 «Науки о Земле»; направление фундаментальных исследований: 132 «Комплексное освоение и сохранение недр Земли, инновационные процессы разработки месторождений полезных ископаемых и глубокой переработки минерального сырья», по теме государственного задания «Фундаментальный базис инновационных технологий нефтяной и газовой промышленности», №АААА-А 16-116031750016-3; № 0139-2019-0009 в Парусе и № АААА-А19-119013190038-2 в РОСРИДе.

Литература

• Архипов А.И., Дмитриевский А.Н., Еремин Н.А. и др. (2020). Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов. Нефтяное хозяйство, 8, с. 63-67. DOI: 10.24887/0028-2448-2020-8-63-67
• Дмитриевский А.Н., Еремин Н.А., Филиппова Д.С. и др. (2020). Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газо¬вых скважин. Socar Proceedings, 3, с. 31-37. http://dx.doi.org/10.5510/ 0GP20200300442
• Дмитриевский А.Н., Еремин Н.А., Филиппова Д.С., Сафарова Е.А. (2020). Цифровой нефтегазовый комплекс России. Георесурсы, Спецвыпуск, с. 32-35. https://doi.org/10.18599/grs.2020.SI.32-35
• Дьяконов А.Г., Головина А.М. (2017). Выявление аномалий в рабо¬те механизмов методами машинного обучения. Тр. XIX Межд. конф.: Аналитика и управление данными в областях с интенсивным использованием данных. М., с. 469-476.
• Еремин Н.А., Столяров В.Е. (2020). О цифровизации процессов газодобычи на поздних стадиях разработки месторождений. Socar Proceedings, 1, с. 59-69. DOI: 10.5510/ogp20200100424
• Еремин Н.А., Водопьян А.О., Дуплякин В.О., Черников А.Д., Космос С.А. (2020a). Программный компонент «Нефтегазовый Блокчейн». Свид. о рег. программы для ЭВМ RU 2020614626. Заявка № 2020613699 от 27.03.2020.
• Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. (2020b). Программный компонент «Адаптация обобщенных нейросетевых моделей прогнозирования осложнений и аварийных ситуаций к геофизическим параметрам при бурении кон¬кретной скважины». Свид. о рег. программы для ЭВМ RU 2020660890. Заявка № 2020660179 от 08.09.2020.
• Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. (2020c). Программный компонент «Оркестровка -интеграция модулей системы прогнозирования осложнений и аварийных ситуаций при бурении и строительстве скважин». свид. о рег. программы для ЭВМ RU 2020660891. Заявка № 2020660181 от 08.09.2020.
• Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О. К., Фицнер Л.К., Черников А.Д. (2020d). Программный компонент «Нейросетевые расчеты - построение моделей прогноза осложнений и аварийных ситу¬аций при бурении и строительстве скважин» (ПКНГ). свид. о рег. программы для ЭВМ RU 2020660892. Заявка № 2020660182 от 08.09.2020.
• Еремин Н.А., Дмитриевский А.Н., Чащина-Семенова О.К., Фицнер Л.К., Черников А.Д. (2020e). Программный компонент «Индикация про¬гноза осложнений и аварийных ситуаций при бурении и строительстве скважин» (ПК «Индикация»). свид. о рег. программы для ЭВМ RU 2020661356. Заявка № 2020660450 от 14.09.2020.
• Казначеев П.Ф., Самойлова Р.В., Курчиски Н.В. (2016). Применение методов искусственного интеллекта для повышения эффективности в нефтегазовой и других сырьевых отраслях. Экономическая политика, 11(5).
• Кодиров Ш.Ш., Шестаков А.Л. (2019). разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника, 19(3).
• Линд Ю.Б., Мулюков Р.А., Кабирова А.Р, Мурзагалин А.Р. (2013). Оперативное прогнозирование осложнений при бурении. Нефтяное Хозяйство, 2, с. 55-57.
• Пичугин О.Н., Прокофьева Ю.З., Александров Д.М. (2013). Деревья решений как эффективный метод анализа и прогнозирования. Нефтепромысловое дело, 11, с. 69-75.
• Borozdin, S., Dmitrievsky, A., Eremin, N., Arkhipov, A., Sboev, A., Chashchina-Semenova, O., Fitzner L., Safarova, E. (2020). Drilling Problems Forecast System Based on Neural Network. Society of Petroleum Engineers. https://doi.org/10.2118/202546-MS
• Chen T., Guestrin C. (2016). Xgboost: A scalable tree boosting system. Proc. 22nd ASM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. ACM, pp. 785-794. https://doi.org/10.1145/2939672.2939785 Gurina E. et al. (2020). Application of machine learning to accidents de¬tection at directional drilling. Journal of Petroleum Science and Engineering, 184, 106519. https://doi.org/10.10167j.petrol.2019.106519
• Kanfar R. et al. (2020). Real-Time Well Log Prediction From Drilling Data Using Deep Learning. arXiv preprint arXiv: 2001.10156. https://doi. org/10.2523/IPTC-19693-MS
• Kohonen T. (1990). The self-organizing map. Proc. IEEE, 78(9), pp. 1464-1480. https://doi.org/10.1109/5.58325
• Li Y. et al. (2019). Deep learning for well data history analysis. 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. 8th IEEE Int. Conf. on Data Mining, pp. 413-422. https://doi.org/10.1109/ ICDM.2008.17
• 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