Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов

Название периодического издания
Год публикации
Номер
8
Страницы
63-67
Аннотация

В статье обобщены и проанализированы вопросы качества данных, поступающих в процессе строительства скважин. Высокое качество и полнота данных бурения в режиме реального времени стали ключевыми факторами, позволяющими повысить эффективность интеллектуального анализа данных для принятия решений. Создана комбинированная архитектура, которая поддерживает новейшие вычислительные технологии с высокочастотными данными в реальном времени для создания интеллектуальных оповещений, а также для удаленного мониторинга состояния данных в реальном времени для большого количества буровых установок в центре управления бурением. Качество данных характеризуется такими метриками, как полнота, точность, объективность, своевременность предоставления, источник возникновения, уникальность, доступность, формат, ценность. Наибольший интерес для бурения представляют такие метрики, как полнота и точность. Приведена классификация некачественных данных. Рассмотрены примеры некачественных данных станции геолого-технологических исследований. Сформулированы критерии распознавания поглощений и газонефтеводопроявлений с учетом качества данных для дальнейшего их использования в автоматизированной системе предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин на основе применения технологий искусственного интеллекта и машинного обучения. При создании высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин с применением технологии искусственного интеллекта используются протокол передачи данных WITSML 2.0 и WITSML-сервер. При очень большом количестве операций на буровой установке, ежедневно каждую секунду передающих до 60 000 записей в режиме реального времени, возникает необходимость использовать большие геоданные для прогнозирования осложнений при бурении и обнаружения скрытых закономерностей. Использование моделей искусственного интеллекта и машинного обучения требует постоянного улучшения по мере изменения данных бурения. При использовании протокола передачи больших данных WITSML задача мониторинга производительности моделей искусственного интеллекта становится сложной из-за роста количества скважин с реально-временными данными, типов моделей искусственного интеллекта и видов хранения информации по бурению. Описанные в данной статье нейросетевые методы по распознаванию ошибок в данных станций геолого-технологических измерений позволили добиться распознавания некачественных данных в автоматическом режиме и повышения точности прогнозирования осложнений.

Ключевые слова: качество данных, геолого-технологические исследования (ГТИ), поглощения, газонефтеводопроявления, нейросетевые алгоритмы, предотвращение аварий и осложнений, искусственный интеллект, автоматизированная система, строительство скважин.

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 процессестроительства 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 т.ч. на шельфовых проектах» по Соглашению с Министерством науки и высшего образования РФ о выделении субсидии в виде гранта от 22 ноября 2019 г. No 075-15-2019-1688, уникальный идентификатор проекта RFMEFI60419X0217.

Abstract

The article summarizes and analyzes the quality of data received during the construction of wells. High quality and completeness of real-time drilling data have become key factors for improving the efficiency of data mining for decision-making. A combined architecture has been created that supports the latest computing technologies with high-frequency real-time data for creating intelligent alerts, as well as for remote monitoring of real-time data status for a large number of drilling rigs in the drilling control center. The quality of data is characterized by such metrics as completeness, accuracy, objectivity, timeliness of provision, source of origin, uniqueness, availability, format, andvalue. Of greatest interest for drilling are metrics such as completeness and accuracy. The classification of low-quality data is given. Examples of low quality data from a geological and technological research station are considered. Criteria for the recognition of losses and kiks are formulated taking into account the quality of data for their further use in an automated system forpreventing troubles and emergencies during the construction of oil and gas wells based on the use of artificial intelligence technologies and machinelearning. When creating a high-performance automated system for preventing troubles and emergencies during the construction of oil and gas wells using artificial intelligence technology, the WITSML 2.0 data transfer protocol and the WITSML server are used. With a very large number of operations on the rig, transmitting up to 60,000 records in real time every second everyday, it becomes necessary to use BigGeoData to predict drilling problems and discover hidden patterns. The use of artificial intelligence and machine learning models requires continuous improvement as drilling data changes.When using the WITSML big data transfer protocol, the task of monitoring the performance of artificial intelligence models becomes difficult due to the increase in the number of wells with real-time data, types of artificial intelligence models and types of data storage for drilling. The neural network methods described in this article for recognizing errors in the data of geological and technological measurement stations made it possible to achieve recognition of low-quality data in an automatic mode and increase the accuracy of forecasting complications.

Keywords: data quality, geological and technological studies, losses, kicks, neuralnetwork algorithms, prevention of accidents and troubles, artificial intelligence, automated system, well construction.

 

Литература

1. Ларионов А.С., Архипов А.И., Родионов С.Б. Информация по скважине – точка роста нефтегазового бизнеса // Вестник Ассоциации буровых подрядчиков. – 2015. – № 1. – С. 31–38.
2. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяныхи газовых скважин / Н.А. Еремин, А.Д. Черников, О.Н. Сарданашвили [и др.] // Деловой журнал Neftegaz.Ru. – 2020. – № 4 (100). – С. 38–50.
3. Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин / А.Н. Дмитриевский, В.О. Дуплякин, Н.А. Еремин, В.В. Капранов // Датчики и системы. – 2019. – № 12 (243). – С. 3–10. – DOI: 10.25728/datsys.2019.12.1
4. Ивлев А.П., Еремин Н.А. Петророботика: роботизированные буровые комплексы // Бурение и нефть. – 2018. – № 2. – С. 8–13.
5. Dmitrievsky A.D., Eremin N.A., Stolyarov E.V. Digital transformation of gas production // CoTech&oGTech 2019 29-29.11.19. – Stavanger, IOP Conference Series: Materials Science and Engineering (MSE). –https://iopscience.iop.org/article/10.1088/1757-899X/700/1/012052. – DOI:10.1088/1757-899x/700/1/012052.
6. Абукова Л.А., Дмитриевский А.Н, Еремин Н.А. Цифровая модернизация нефтегазового комплекса России // Нефтяное хозяйство. – 2017. – № 11. – С. 54–58. – DOI: 10.24887/0028-2448-2017-10-54-58
7. Hole Quality: Gateway to Efficient drilling /D.C.-K. Chen, T. Gaynor, B. Comeaux, К. Glass //14277-MS OTC Conference Paper – 2002. -DOI: 10.4043/14277-MS.
8. Svensson I., Wooley M., Halland T. Improving Data Quality in WITSML Data // SPE-181038-MS. – 2016. – DOI: 10.2118/181038-MS.
9. Nugraha B., Nair R., Muhammad K. Smart Real Time Data Transfer Surveillance with Edge Computing and Centralized Remote Monitoring System. //19588-MS IPTC Conference Paper. – 2020. – DOI: 10.2523/IPTC-19588-MS.
10. Optimizing drilling Wells and increasing the operation Efficiency Using digital Twin Technology / M.G.Mayani, T. Baybolov, R. Rommetveit [et al.] // SPE- 199566-MS. – 2020. – DOI: 10.2118/199566-MS.
11. Alotaibi B., Aman B., Nefai M. Real-Time Drilling Models Monitoring Using Artificial Intelligence // SPE-194807-MS. – 2019. – DOI: 10.2118/194807-MS.
12. Real-Time Drilling Operation Activity Analysis Data Modelling with Multidimensional Approach and Column-Oriented Storage / B. Djamaluddin, P. Prabhakar, B. James [et al.] // SPE-194701-MS. – 2019. – DOI: 10.2118/194701-MS.
13. Cloud-Based ROP Prediction and Optimization in Real Time Using Supervised Machine Learning / K. Singh, S.S. Yalamarty, M. Kamyab, C. Cheat -ham // SPE/AAPG/SEG Unconventional Resources Technology Conference, 22–24 July, Denver, Colorado, USA // URTEC-2019-343-MS. – 2019. –DOI: 10.15530/urtec-2019-343.

References
1. Larionov A.S., Arkhipov A.I., Rodionov S.B., Well information is a growth point for the oil and gas business (In Russ.), Vestnik Assotsiatsii burovykh podryadchikov, 2015, no. 1, pp. 31–38.
2. Eremin N.A., Chernikov A.D., Sardanashvili O.N. et al., Digital technologies for well construction. Creation of a high-performance automated system for preventing complications and emergencies during the construction of oil and gas wells (In Russ.), Delovoy zhurnal Neftegaz.Ru, 2020, no. 4 (100), pp. 38–50.
3. Dmitrievskiy A.N., Duplyakin V.O., Eremin N.A., 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 (In Russ.), Datchiki i sistemy, 2019, no. 12(243), pp. 3–10, DOI: 10.25728/datsys.2019.12.1
4. Ivlev A.P., Eremin N.A., Petrobotics: robotic drilling systems (In Russ.), Burenie i neft', 2018, no. 2, pp. 8–13.
5. Dmitrievsky A.D., Eremin N.A., Stolyarov E.V., Digital transformation of gas production, IOP Conference Series: Materials Science and Engineering (MSE), 2019, V. 700, DOI: 10.1088/1757-899x/700/1/012052.
6. Abukova L.A., Dmitrievskiy A.N., Eremin N.A., Digital modernization of Russian oil and gas complex (In Russ.), Neftyanoe khozyaystvo = Oil Industry, 2017, no. 10, pp. 54–58, DOI: 10.24887/0028-2448-2017-10-54-58.
7. Chen D.C.-K., Gaynor T., Comeaux B., Glass K., Hole quality: Gateway to efficient drilling, Proceedings of Offshore Technology Conference, 2002, January 1, DOI: 10.4043/14277-MS.
8. Svensson I., Wooley M., Halland T., Improving data quality in WITSML data,SPE-181038-MS, 2016, DOI:10.2118/181038-MS.
9. Nugraha B., Nair R., Muhammad K., Smart real time data transfer surveillance with edge computing and centralized remote monitoring system, Proceedings of International Petroleum Technology Conference, 2020, January 13,DOI: 10.2523/IPTC-19588-MS.
10. Mayani M.G., Baybolov T., Rommetveit R. et al., Optimizing drilling wells and increasing the operation efficiency using digital twin technology, SPE199566-MS, 2020, DOI: 10.2118/199566-MS.
11. Alotaibi B., Aman B., Nefai M., Real-time drilling models monitoring using artificial intelligence, SPE-194807-MS, 2019, DOI: 10.2118/194807-MS.
12. Djamaluddin B., Prabhakar P., James B. et al., Real-time drilling operation activity analysis data modelling with multidimensional approach and columnoriented storage, SPE-194701-MS, 2019, DOI: 10.2118/194701-MS.
13. Singh K., Yalamarty S.S., Kamyab M., Cheatham C., Cloud-based ROP prediction and optimization in real time using supervised machine learning, Proceedings of Unconventional Resources Technology Conference, 2019, July 31,DOI: 10.15530/urtec-2019-343.