Тематический рубрикатор статей

Георесурсы Т.22.№3.2020
Стр.
Скачать статью

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, А.Г. Сбоев, О.К. Семенова-Чащина, Л.К. Фицнер

Оригинальная статья

DOI https://doi.org/10.18599/grs.2020.3.87-96

87-96
rus.
eng.

open access

Under a Creative Commons license
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.
 

искусственный интеллект, методы машинного обучения, геолого-технологические исследования, нейросетевая модель, регрессионная модель, строительство нефтяных и газовых скважин, выявление и прогнозирование осложнений, предупреждение аварийных ситуаций

 

  • 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
  • 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.
  • 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.
  • 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
  • Дмитриевский А.Н., Дуплякин В.О., Еремин Н.А., Капранов В.В. (2019). Алгоритм создания нейросетевой модели для классификации в системах 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
  • 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
  • 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.
  • 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: труды XIX Межд. конф. DAMDID/RCDL, с. 469–476.
  • Еремин Н.А. (1994). Моделирование месторождений углеводородов методами нечеткой логики. М: Наука, 462 с.
  • Еремин Н.А., Черников А.Д., Сарданашвили О.Н., Столяров В.Е., Архипов А.И. (2020). Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин. Деловой журнал Neftegaz.Ru, 4(100), с. 38–50.
  • Ивлев А.П., Еремин Н.А. (2018). Петророботика: роботизированные буровые комплексы. Бурение и нефть, 2, с. 8–13.
  • 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
  • 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), с. 188–197. DOI: 10.18288/1994-5124-2016-5-09
  • 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
  • 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
  • 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 строительства 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.
  • Ракичинский В.Н., Следков В.В. (2014). Снижение рисков при строительстве скважин опыт Лукойла. Rogtec, 10.09, c. 62–72.
  • Юрченко И. Г., 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.
  • Alotaibi B., Aman B., & Nefai M. (2019, March 15). Real-Time Drilling Models Monitoring Using Artificial Intelligence. Society of Petroleum Engineers. https://doi.org/10.2118/194807-MS
  • Chen 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.
  • Djamaluddin B., Prabhakar P., James, B., Muzakir A., & AlMayad H. (2019). Real-Time Drilling Operation Activity Analysis Data Modelling with Multidimensional Approach and Column-Oriented Storage. Society of Petroleum Engineers. https://doi.org/10.2118/194701-MS
  • Dmitrievsky A.N., Eremin N.A., Stolyarov V.E. (2019). Digital transformation of gas production. IOP Conference Series: Materials Science and Engineering. https://doi.org/10.1088/1757-899X/700/1/012052
  • 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
  • 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-MS
  • Kohonen T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9), pp. 1464–1480.
  • 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.
  • Mayani M.G., Baybolov T., Rommetveit R., Ødegaard S. I., Koryabkin V. & Lakhtionov S. (2020). Optimizing Drilling Wells and Increasing the Operation Efficiency Using Digital Twin Technology. Society of Petroleum Engineers. https://doi.org/10.2118/199566-MS
  • 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
  • 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
  •  
Александр Дмитриевич Черников
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, 3
 
Николай Александрович Еремин
Институт проблем нефти и газа РАН; Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина
Россия, 119333, Москва, ул. Губкина, 3

Владимир Евгеньевич Столяров
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, 3
 
Александр Георгиевич Сбоев
Национальный исследовательский центр «Курчатовский институт»
Россия, 123098, Москва, пл. Академика Курчатова, 1
 
Ольга Кимовна Семенова-Чащина
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, 3
 
Леонид Константинович Фицнер
Институт проблем нефти и газа РАН
Россия, 119333, Москва, ул. Губкина, 3
 

Для цитирования:

Черников А.Д., Еремин Н.А., Столяров В.Е., Сбоев А.Г., Семенова-Чащина О.К., Фицнер Л.К. (2020). Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения. Георесурсы, 22(3), c. 87–96. DOI: https://doi.org/10.18599/grs.2020.3.87-96

For citation:

Chernikov A.D., Eremin N.A., Stolyarov V.E., Sboev A.G., Semenova-Chashchina O.K., Fitsner L.K. (2020). Application of artificial intelligence methods for identifying and predicting complications in the construction of oil and gas wells: problems and solutions. Georesursy = Georesources, 22(3), pp. 87–96. DOI: https://doi.org/10.18599/grs.2020.3.87-96

© 2024 Коллектив авторов