Учет геолого-геофизических факторов при построении нейросетевых моделей выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин

Цифровая модернизация на базе внедрения методов искусственного интеллекта, основанных на машинном обучении и искусственных нейронных сетях, является мощным инструментом повышения эффективности разработки нефтегазовых месторождений, инновационным драйвером развития нефтегазовой отрасли. Основное преимущество применения ИНС для решения задач выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин заключается в том, что в ходе их построения и обучения в неявном, с точки зрения физики, виде с заданной точностью моделируются закономерности,присущие данным процессам, выявляющие взаимосвязи, в том числе скрытые, между геолого-геофизическими, техническими и технологическими параметрами. При этом внедрение технологий искусственного интеллекта, в частности искусственных нейронных сетей, требует применения комплекса все более детальных, адаптированных к различным целевым задачам классификаторов, что предъявляет повышенные требования к проведению геолого-разведочных работ, геолого-технологических исследований и различных видов каротажей и может быть в полной мере реализовано на базе построения и поддержания в актуальном состоянии постоянно действующей геолого-технологической модели месторождения.
Ключевые слова: геология; геолого-геофизические параметры; постоянно действующая геолого-технологическая модель месторождения; искусственный интеллект; искусственная нейронная сеть; целевая нейросетевая модель; строительство нефтяных и газовых скважин; выявление и прогнозирование осложнений; предупреждение аварийных ситуаций.

Статья подготовлена в рамках выполнения государственного задания (тема Фундаментальный базис инновационных технологий нефтяной и газовой промышленности (фундаментальные, поисковые и прикладные исследования).

Abstract

The main advantage of using ANN to solve problems of identifying and predicting complications during oil and gas wells construction lies in the fact that during their construction and training, implicit, from the point of view of physics, models with a given accuracy simulate the patterns inherent in these processes that identify relationships including hidden ones, between geological-geophysical, technical and technological parameters. At the same time, the introduction of artificial intelligence technologies, in particular artificial neural networks, requires the use of a complexof increasingly detailed classifiers that are adapted to various targets, which places high demands to geological exploration, geologicalresearch and various types of logging and can be fully implemented on the basis of building and keeping up to date a permanent geological and technological model of a field.

Keywords: geology; geological-geophysical parameters; permanent geological and technological model of a fi eld; artificial intelligence;artificial neural network; target neural network model; construction of oil and gas wells; identification and prediction of complications;prevention of emergency situations.

Литература

1. РД 153-39.0-047-00. Регламент по созданию постоянно-действующих геолого-технологических моделей нефтяных и газонефтяных месторождений. Утвержден и введен в действие Минтопэнерго России приказом № 67 от 10.03.2000 г.
2. Шрейнер Л.А. Физические основы механики горных пород. Механические свойства и процессы разрушения при бурении. – М.: Гостоптехиздат, 1950. – 212 с.
3. Суханов А.Ф. Единая классификация горных пород по буримости и взрываемости. – М.: Гостоптехиздат, 1944. – 20 с.
4. Чеботарева И.Я. Эмиссионная сейсмическая томография – инструмент для изучения трещиноватости и флюидодинамики земной коры // Георесурсы. – 2018. – Т. 20. –№ 3. – Ч. 2. – С. 238–245.
5. Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин / А.Н. Дмитриевский, А.Н. Еремин, В.О. Дуплякин, В.В. Капранов // Датчики и системы. – 2019. – № 12(243). – С. 3–11. – DOI: 10.25728/datsys.2019.12.1
6. Богаткина Ю.Г., Еремин Н.А. Методика экономической оценки нефтегазовых инвестиционных проектов Казахстана // Нефт. хоз-во. – 2020. – № 1(1155). – С. 15–19. – DOI: 10.24887/0028-2448-2020-1-15-197
7. Дмитриевский А.Н., Еремин Н.А., Шабалин Н.А. Сейсмологическая характеристика разреза осадочного чехла арктической зоны Сибирской платформы // Геология нефти и газа. – 2018. — № 1. – С. 29–47.
8. Система для прогнозирования осложнений в бурении на основе искусственного интеллекта / С.О. Бороздин, А.Н. Дмитриевский, Н.А. Еремин [и др.] // SPE-202546-MS. – 2020. – DOI: 10.2118/202546-MS9
9. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов / А.И. Архипов, А.Н. Дмитриевский, Н.А. Ерёмин [и др.] // Нефт. хоз-во. – 2020. – № 8. – С. 63–67. – DOI: 10.24887/0028-2448-2020-8-63-67
10. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин / А.Н. Дмитриевский, Н.А. Ерёмин, Е.А. Сафарова [и др.] // Научные труды НИПИ Нефтегаз ГНКАР. – 2020. – № 3. – C. 31–37. – DOI: 10.5510/ogp2020030044211
11. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения / А.Н. Дмитриевский, А.Г. Сбоев, Н.А. Ерёмин [и др.] // Георесурсы. – 2020. – № 22(4). – С. 79–85. – DOI: https://doi.org/10.18599/grs.2020.4.79-8512
12. 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 [и др.] // Георесурсы. – 2020. – № 22(3). – С. 87–96. – DOI: https://doi.org/10.18599/grs.2020.3.87-96
13. Автоматизированная система предотвращения аварий при строительстве скважин / А.Н. Дмитриевский, Н.А. Еремин, А.Д. Черников, А.Г. Сбоев, О.К. Чащина-Семенова, Л.К. Фицнер, М.Я. Гельфгат, А.А. Назаретова // Нефт. хоз-во. – 2021. – № 1(1167). – C. 72–76. – DOI: 10.24887/0028-2448-2021-1-72-76