Прогнозирование аварий на погружном насосном оборудовании с использованием методов искусственного интеллекта

Как известно, в процессе работы электрических погружных насосов собираются и обрабатываются большие объемы данных. Для оптимизации работы операторов центра управления разработкой рекомендуется использовать автоматизированную систему предупреждения осложнений. Так операторам удастся своевременно получать информацию о возможных сбоях в работе оборудования, что, в свою очередь, позволит увеличить срок службы данного оборудования и снизить операционные затраты на ремонт. Целью представленного исследования являлась разработка модели для прогнозирования аварий на погружном насосном оборудовании с использованием методов искусственного интеллекта. Для выявления наиболее точной модели в данной работе приведено сравнение следующих методов прогнозирования: метода ближайших соседей и метода построения линейного классификатора. Представленная корреляция создана на основе 30 параметров с 272 скважин месторождения Восточной Сибири. Ее использование позволило без ошибок спрогнозировать сбои и осложнения в работе насосного оборудования в зависимости от газового фактора и частоты. Таким образом, разработанная модель может быть использована предприятиями нефтегазодобывающей отрасли для прогнозирования сбоев и аварий в работе погружного насосного оборудования. Проведенное исследование показывает, что точность прогнозирования искомого параметра в разработанной модели искусственного интеллекта превосходит результаты обычных статистических методов. Также модель может быть полезна в перспективе оптимизации процессов при планировании и разработке месторождений. Искусственный интеллект является наилучшим методом прогнозирования аварий на погружном оборудовании, благодаря высокой скорости и точности когнитивные технологии широко применяются в обработке больших данных. 

1. Черников А.Д., Еремин Н.А., Столяров В.Е., Сбоев А.Г., Семенова-Чащина О.К., Фицнер Л.К. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения // Георесурсы. 2020. Т. 22. № 3. С. 87–96. https://elibrary.ru/ornybd, https://doi.org/10.18599/grs.2020.3.87-96.

2. Дмитриевский А.Н., Дуплякин В.О., Еремин Н.А., Капранов В.В. Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин // Датчики и системы. 2019. № 12. С. 3–10. https://elibrary.ru/nkrfen, https://doi.org/10.25728/datsys.2019.12.1.

3. Hinton G.E., Osindero S., Teh Y.-W. A fast learning algorithm for deep belief nets // Neural Computation. 2006. Vol. 18. Iss. 7. P. 1527–1554. https://doi.org/10.1162/neco.2006.18.7.1527.

4. Tahmasebi P., Hezarkhani A. Hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation // Computers & Geosciences. 2012. Vol. 42. P. 18–27. https://doi.org/10.1016/j.cageo.2012.02.004.

5. Kaydani H., Mohebbi A., Baghaie A. Neural fuzzy system development for the prediction of permeability from wireline data based on fuzzy clustering // Petroleum Science and Technology. 2012. Vol. 30. Iss. 19. P. 2036– 2045. https://doi.org/10.1080/10916466.2010.531345.

6. Шакирова Э.В., Семыкин М.В., Александров А.А., Брыжеватых Н.В. Современные методы по подбору деэмульгаторов при обезвоживании нефтей Восточной Сибири // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. 2021. № 3. С. 36–44. https://elibrary.ru/ridjiu, https://doi.org/10.17122/ntj-oil-2021-3-36-44.

7. Ben-Hur A., Horn D., Siegelmann H.T., Vapnik V. Support vector clustering // Journal of Machine Learning Research. 2001. Vol. 2. P. 125–137. https://doi.org/10.4249/scholarpedia.5187.

8. Press W.H., Teukolsky S.A., Vetterling W.T., Flannery B.P. Numerical recipes: the art of scientific computing. New York: Cambridge University Press, 2007. 1235 p.

9. Шакирова Э.В., Александров А.А., Семыкин М.В. Разработка новой эмпирической корреляции для прогнозирования объемного коэффициента пластовой нефти с использованием методов искусственного интеллекта // Науки о Земле и недропользование. 2021. Т. 44. № 4. С. 408–416. https://elibrary.ru/vrenyh, https://doi.org/10.21285/2686-9993-2021-44-4-408-416.

10. Trontl K., Šmuc T., Pevec D. Support vector regression model for the estimation of γ-ray buildup factors for multi-layer shields // Annals of Nuclear Energy. 2007. Vol. 34. Iss. 12. P. 939–952. https://doi.org/10.1016/j.anucene.2007.05.001.

11. Gholami R., Shahraki A.R., Jamali Paghaleh M. Prediction of hydrocarbon reservoirs permeability using support vector machine // Mathematical Problems in Engineering. 2012. P. 670723. https://doi.org/10.1155/2012/670723.

12. Averkina E.V., Shakirova E.V. Specifics of drilling wells in the abnormally-high-pressure rock beds in the oil-and-gas fields of Eastern Siberia // IOP Conference. Series: Earth and Environmental Science. 2019. Vol. 229. P. 012032. https://doi.org/10.1088/1755-1315/229/1/012032.

13. Белозерова О.В., Коваленко В.В., Шакирова Э.В. Исследование состава и свойств нефти Ичёдинского месторождения // Известия вузов. Прикладная химия и биотехнология. 2020. Т.10. № 3. С. 522–528. https://elibrary.ru/yzjzxy, https://doi.org/10.21285/2227-2925-2020-10-3-522-528.

14. Аверкина Е.В., Шакирова Э.В., Николаева М.Б., Климова А.А. Сравнительный анализ реагентов-ингибиторов набухания глинистых отложений, применяемых на месторождениях Восточной Сибири // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331. № 12. С. 138–145. https://elibrary.ru/teeamu, https://doi.org/10.18799/24131830/2020/12/2947.

15. Lippmann R.P. An introduction to computing with neural nets // IEEE ASSP Magazine. 1987. Vol. 4. Iss. 2. P. 4–22.

16. Rammay M.H., Abdulraheem A. Automated history matching using combination of adaptive neuro fuzzy system (ANFIS) and differential evolution algorithm // SPE Large scale computing and big data challenges in Reservoir simulation conference and exhibition held. Istanbul, 2014. P. 172992. https://doi.org/10.2118/172992-MS.

17. Jeng J.-T., Chuang C.-C., Su S.-F. Support vector interval regression networks for interval re-gression analysis // Fuzzy Sets and Systems. 2003. Vol. 138. Iss. 2. P. 283–300. https://doi.org/10.1016/S0165-0114(02)00570-5.

18. Klir G.J., Yuan B. Fuzzy sets and fuzzy logic: theory and applications. Upper Saddle River: Prentice Hall PTR, 1995. 574 p.

19. Fink J. Petroleum engineers guide to oil field chemicals and fluids. Waltham: Gulf Professional Publishing; 2011. 808 p.

20. Akangbou H.N., Burby M., Nasr G. Effectively optimizing production of horizontal wells in homogeneous oil reservoirs. Journal of Petroleum Science and Engineering. 2017; 150:128-136. https://doi.org/10.1016/j.petrol.2016.12.005.