Целью статьи является системный анализ буровых данных, получаемых со станций геолого-технологических измерений в режиме реального времени, с учетом геологических особенностей разбуриваемой площади для дальнейшего прогноза возможности возникновения осложнений и аварийных ситуаций при бурении и строительстве нефтяных и газовых скважин. Комплексный анализ показал отсутствие базового программного обеспечения для распознавания и предупреждения осложнений и аварийных ситуаций на основе данных, получаемых в режиме реального времени. Не менее важной проблемой является отсутствие достоверной литолого-стратиграфической информации по описанию шламу при проведении геолого-технологического измерений. Определен перечень геолого-геофизических данных, необходимый для решения задачи предупреждения осложнений и аварийности при бурении и строительстве нефтяных и газовых скважин. Геолого-технологические параметры по глубине ствола скважины, получаемые в режиме реального времени, были классифицированы по степени их применимости в методах машинного обучения.
Ключевые слова: качество данных; геологические особенности; геолого-технологические исследования; прихват; желобообразование; предотвращение аварий и осложнений; искусственный интеллект; автоматизированная система; строительство скважин; вертикальная глубина забоя скважины.
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 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. № 075-15-2019-1688, уникальный идентификатор проекта RFMEFI60419X0217.
Abstract
The purpose of the article is a systematic analysis of drilling data obtained from geological and technological measurement stations in real time, taking into account the geological characteristics of the area being drilled for further forecasting the possibility of complications and accidents during drilling and construction of oil and gas wells. Comprehensive analysis showed the lack of basic software for the recognition and prevention of complications and emergencies based on dataobtained in real time. An equally important problem is the lack of reliable lithological and stratigraphic information on the description of sludge during geological and technological measurements. The list of geological and geophysical data required to solve the problem of preventing complications and accidents during the drilling of oil and gas wells has been determined. Geological and technological parameters along thewellbore depth obtained in real time were classified according to the degree of theirapplicability in machine learning methods.
Keywords: Geological and technological research;Prevention of accidents and troubles;The formation of grooves in rocks;Geological features; Sticking;Artificial intelligence;Automated system;True vertical depth;Well construction;Data quality.
Литература
1. Aldred, W., Plumb, D., Bradford, I., et al. (1999). Managing drilling risk // Oilfield Review, 11(2), 2-19.
2. Еремин, Н.А., Черников, А.Д., Сарданашвили, О.Н.и др. (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), 38-50.
3. 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), 3-10.
4. РД 39-0148369-519-88Р. (1988). Инструкция потехнологии бурения наклонно-направленных скважин на нефтяных месторождениях Пермского Прикамья. Пермь: ПермНИПИнефть.
5. Ивлев, А.П., Еремин, Н.А. (2018). Петророботика: роботизированные буровые комплексы // Бурение и нефть, 2, 8-13.
6. Dmitrievsky, A.N., Eremin, N.A., Stolyarov, V.E.(2019). Digital transformation of gas production // IOP Conference Series: Materials Science and Engineering, Vol. 700, 012052.
7. Абукова, Л.А., Дмитриевский, А.Н, Еремин, Н.А. (2017). Цифровая модернизация нефтегазового комплекса России // Нефтяное хозяйство, 11, 54-58.
8. Еремин, Н.А., Столяров, В.Е. (2020). О цифровизации процессов газодобычи на поздних стадиях разработки месторождений // SOCAR Proceedings, 1, 059-069.
9. Лоерманс, Т. (2017). Расширенные геолого-технические исследования скважин: первые среди равных // Георесурсы, 19(3), 1, 216-221.
10. Линд, Ю.Б., Мулюков, Р.А., Кабирова, А.Р.,Мурзагалин, А.Р. (2013). Оперативное прогнозирование осложнений при бурении // Нефтяное хозяйство, 2, 55-57.
11. Alotaibi, B., Aman, B., Nefai, M. (2019, March). Real-time drilling models monitoring using artificial intelligence. SPE-194807-MS // SPE Middle East Oil and Gas Show and Conference. Society of Petroleum Engineers.
12. Brown, D.F., Cuddy, S.J., Garmendia-Doval,A.B., MC Call, J.A.W. (2000, July). The prediction of permeability in oil-bearing strata using geneticalgorithms // Third IASTED International Conference Artificial Intelligence and Soft Computing.
13. Efendiyev, G., Mammadov, P., Piriverdiyev, I.,Mammadov, V. (2018). Estimation of the lost circulation rate using fuzzy clustering of geological objects by petrophysical properties // Visnyk of Taras Shevchenko National University of Kyiv. Geology, 2(81), 28–33.
14. Efendiyev, G.M., Mammadov, P.Z., Piriverdiyev,I.A. (2019, August). Modeling and evaluation of rock properties based on integrated logging while drilling with the use of statistical methods and fuzzy logic // 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions, ICSCCW-2019. Vol. 1095, 503-511.
15. Gurina, E., Klyuchnikov, N., Zaytsev, A., et al. (2020). Application of machine learning to accidents detection at directional drilling // Journal of Petroleum Science and Engineering, 184, 106519.
16. Kanfar, R., Shaikh, O., Yousefzadeh, M., Mukerji, T. (2020, January). Real-time well log prediction from drilling data using deep learning. IPTC-19693-MS // International Petroleum Technology Conference.
17. Mayani, M.G., Baybolov, T., Rommetveit, R., et al. (2020, February). Optimizing drilling wells and increasing the operation efficiency using digital twin technology. SPE- 199566-MS // IADC/SPE International Drilling Conference and Exhibition. Society of Petroleum Engineers.
18. Noshi, C.I., Schubert, J.J. (2018, October). The role of machine learning in drilling operations. A review. SPE- 191823-18ERM-MS // SPE/AAPG Eastern Regional Meeting. Society of Petroleum Engineers.
19. Дмитриевский, А.Н., Еремин, Н.А., Филиппова,Д.С., Сафарова, Е.А. (2020). Цифровой нефтегазовый комплекс России // Георесурсы, Спецвыпуск, 32–35.
20. 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, 63-67.
21. Chernikov, A.D., Eremin, N.A., Stolyarov, V.E., et al. (2020). Application of artificial intelligence methods for detecting and predicting complications in the construction of oil and gas wells, problems and main solutions // Georesources, 22(3), 90-99.