Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин

Название периодического издания
Год публикации
Номер
12
Страницы
3-10
Аннотация

Рассмотрен алгоритм построения нейросетевой модели для повышения эффективности процесса строительства нефтяных и газовых скважин. Использованы данные, получаемые в режиме реального времени при бурении, на основе которых построена нейросетевая модель для предотвращения осложнений и аварийных ситуаций. Приведена классификация осложнений; описан метод их прогноза, обоснован выбор оперативных и эффективных методов их предупреждения с применением нейросетевого моделирования. Значительная часть работы посвящена предварительной обработке данных, выбору системы признаков для каждого осложнения, нормировке входных данных. Приведен список значимых параметров из рассматриваемого набора данных для каждого из осложнений, а также приведены временные зависимости изменения некоторых из них в ходе возникновения осложнения типа “прихват”.
Ключевые слова: Бурение нефтяных и газовых скважин, геолого-технологическая информация, большие данные, предотвращение аварий и осложнений, нейронные сети, искусственный интеллект, доверенность данных, автоматизированная система, строительство скважин, нейросетевое моделирование.

Статья подготовлена в рамках выполнения работ ФЦП “Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014 - 2020 годы” по теме: “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 технологи 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.

Abstract

The article is devoted to the algorithm for constructing a neural network model to increase the efficiency of the process of construction of oil and gas wells. The work used data obtained in real time during drilling. Based on these data, a neural network model is proposed to prevent complications and emergencies. The article presents the classification of complications; describes the method of their prediction, justifies the choice of operational and effective methods of their prevention using neural network modeling. A significant part of the work was devoted to preliminary data processing, the selection of a system of features for each complication, and the normalization of input data. The article provides a list of significant parameters from the considered data set for each of the complications, as well as the time dependences of the changes in some of them during the occurrence of a complication of the “stick” type .
Keywords: Drilling of oil and gas wells, geological and technological information, big data, prevention of accidents and complications, neural networks, artificial intelligence, data power of attorney, automated system, well construction, neural network modeling

The article was prepared as part of the work of the Federal Target Program “Research and Development in Priority Directions for the Development of the Russian Science and Technology Complex for 2014 - 2020” on the topic: “Development of a high-performance automated system to prevent complications and accidents during the construction of oil and gas wells based on constantly operating geological and technological models of fields using artificial intelligence and industrial blockchain to reduce the risks of geological exploration, including on offshore projects” under the Agreement with the Ministry of Science and Higher Education of the Russian Federation on the allocation of subsidies in the form of a grant dated November 22, 2019 No. 075-15-2019-1688, a unique project identifier RFMEFI60419X0217.

Литература\References

 1. 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;
2. Еремин Н.А. Моделирование месторождений углеводородов методами нечеткой логики. [Eremin N.A. Hydrocarbon field simulation by fuzzy logic methods. - Moscow: Nauka, 1994. - 462 p. ISBN 5-02-001846-5. In Russian.]
3. Okpo, E. E., Dosunmu, A., & Odagme, B. S. (2016, August 2). Artificial Neural Network Model for Predicting Wellbore Instability. Society of Petroleum Engineers. doi:10.2118/184371-MS;
4. Абукова Л.А., Дмитриевский А.Н., Еремин Н.А. Цифровая модернизация нефтегазового комплекса России. // Нефтяное хозяйство. - 2017. - № 10. - С. 54-58. [L.A. Abukova, A.N. Dmitrievsky, N.A. Eremin Digital modernization of Russian oil and gas complex // Neftyanoe Khozyaystvo. Issue 1128. 2017, №11, p. 54-58. DOI: 10.24887/0028-2448-2017-10-54-58. In Russian.]
5. Abusurra, Mousa S. Mohamed, Using Artificial Neural Networks to Predict Formation Stresses for Marcellus Shale with Data from Drilling Operations (2017). Graduate Theses, Dissertations, and Problem Reports. 5023. https://researchrepository.wvu.edu/etd/5023;
6. Абукова Л.А., Дмитриевский А.Н., Еремин Н.А., Черников А.Д. Цифровая модернизация нефтегазовой отрасли: состояние и тренды // Датчики и системы. 2017. №11. с.2-7. [Abukova L.A., Dmitrievsky A.N., Eremin N.A., Chernikov A.D. Digital modernization of oil and gas industry: state and trends // Datchiki & Systemi (Sensors & Systems). 2017. № 11. p.13-19. In Russian.]
7. Dursun, S., Tuna, T., Duman, K. 2015. Real-Time Risk Prediction During Drilling Operations. https://www.google.com/patents/WO2015060865A1?cl=en Google Patents.;
8. Дмитриевский А.Н., Еремин Н.А. Цифровая модернизация нефтегазовой экосистемы – 2018. // Актуальные проблемы нефти и газа, 2018, №2 (21), с.1-12. DOI 10.29222/ipng.2078-5712.2018-21.art2 [Dmitrievsky A.N., Eremin N.A. Digital modernization of oil and gas ecosystems – 2018 // Actual problems of oil and gas, 2018, №2 (21), pp.1-12. In Russian.]
9. Еремин Н.А. Горизонтальные технологии. // Управление качеством в нефтегазовом комплексе, 2009, №3, с52-56. [Eremin N. A. Horizontal technologies. // Journal Quality Management in Oil and Gas Industry (UKANG), 2009, №3, p.52-56. In Russian.]
10. 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]
11. Ивлев А.П., Еремин Н.А. Петророботика: роботизированные буровые комплексы. // Бурение и нефть, 2018, № 2, с.8-13. [A. Ivlev, N. Eremin. Petrobotics: robotic drilling systems. // Drilling and oil. 2018, № 2, pp. 8-13. In Russian.]
12. Eskandarian, S., Bahrami, P., and Kazemi, P., 2017. A comprehensive data mining approach to estimate the rate of penetration: Application of neural network, rule-based models and feature ranking. Journal of Petroleum Science and Engineering, 156, 605–615. https://doi.org/10.1016/j.petrol.2017.06.039;
13. Богаткина Ю.Г., Еремин Н.А. Методика экономической оценки нефтегазовых инвестиционных проектов Казахстана. // Нефтяное хозяйство. 2020, №01, с.38-43. [Ju. G. Bogatkina, N.A. Eremin. The methodology for economic evaluation of oil and gas investment projects in Kazakhstan // Neftyanoe Khozyaystvo. 2020, № 01, p. 38-43. ISSN: 0028-2448 eISSN: 0028-2448 In Russian. DOI: 10.24887/0028-2448-2020-1-38-43].
14. Abbas, A. K., Bashikh, A. A., Abbas, H., and Mohammed, H. Q., 2019. Intelligent decisions to stop or mitigate lost circulation based on machine learning. Energy, 183, 1104–1113. https://doi.org/10.1016/j.energy.2019.07.020.
15. Zhang, F., Islam, A., Zeng, H., Chen, Z., Zeng, Y., Wang, X., & Li, S. (2019, November 11). Real Time Stuck Pipe Prediction by Using a Combination of Physics-Based Model and Data Analytics Approach. Society of Petroleum Engineers. doi:10.2118/197167-MS
16. 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
17. Abbas, A. K., Assi, A. H., Abbas, H., Almubarak, H., & Al Saba, M. (2019, November 11). Drill Bit Selection Optimization Based on Rate of Penetration: Application of Artificial Neural Networks and Genetic Algorithms. Society of Petroleum Engineers. doi:10.2118/197241-MS
18. Sule, I., Khan, F., Butt, S. 2018. Kick Control Reliability Analysis of Managed Pressure Drilling Operation. Journal of Loss Prevention in the Process Industry 52: 7–20. https://doi.org/10.1016/j.jlp.2018.01.007
19. Ahmadi, M. A. Towards Reliable Model for Prediction Drilling Fluid Density at Wellbore Conditions: A LSSVM Model. Neurocomputing 211: 143–149. https://doi.org/10.1016/j.neucom.2016.01.106
20. Egorov D. V. et al. Incorporation of experts’ experience into machine learning models using well logs analysis for Priobskoye and Muravlenkovskoye brownfields (Russian) //Oil Industry Journal. – 2017. – Т. 2017. – №. 12. – С. 28-31.
21. Belozerov B. et al. Automatic Well Log Analysis Across Priobskoe Field Using Machine Learning Methods //SPE Russian Petroleum Technology Conference. – Society of Petroleum Engineers, 2018.
22. Egorov D. V. et al. Applying Machine Learning Methods to Search for Missing Net Pay Zones in Mature Oilfields Wells //SPE Russian Petroleum Technology Conference. – Society of Petroleum Engineers, 2019.
23. Shahab D. Mohaghegh Comparison Between Machine Learning and Traditional Business Intelligence. (2018). Artificial Intelligence and Big Data, 101–102. doi:10.1002/9781119426653.app5
24. Keogh, E.; Lonardi, S.; Chiu, B.C. Finding surprising patterns in a time series database inlinear time and space. In Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Edmonton, AB, Canada, 23–26 July 2002; pp. 550–556.
25. Jiang, M.F.; Tseng, S.S.; Su, C.M.Two-phase clustering process for outliers detection.Pattern Recognit. Lett. 2001, 22, 691–700.
26. Roth, V. Outlier Detection with One-class Kernel Fisher Discriminants; NIPS: Vancouver, BC, Canada, 2004.
27. Luis Martí, Nayat Sanchez-Pi, José Manuel Molina, Ana Cristina Bicharra Garcia. Anomaly Detection Based on Sensor Data in Petroleum Industry Applications // Sensors 2015, 15, 2774-2797; doi: 10.3390/s150202774.
28. Anno, P.D., Pham, S., Ramsay, S.C. 2016. Big Drilling Data Analytics Engine https://patents.google.com/patent/US20160333673A1/en?oq=US20160333673, Google Patents 29. Zhao, J., Shen, Y., Chen, W. 2017. Machine Learning–Based Trigger Detection of Drilling Events Based on Drilling Data. Presented at the SPE Eastern Regional Meeting, Lexington, Kentucky, USA, 4–6 October. SPE-187512-MS. https://doi.org/10.2118/187512-MS.