Возможность применения современного метода прогнозирования отказов скважин на месторождениях АО НК «КазМунайГаз»

Обложка

Цитировать

Полный текст

Аннотация

В процессе разработки зрелых месторождений возникает ряд геологических и технологических осложнений. Для повышения бесперебойной работы скважинного насосного оборудования используются различные методы и приёмы. В данной статье представлен анализ возможности применения предсказания отказов для повышения надёжности подземного оборудования скважин на месторождениях АО НК «КазМунайГаз». Исследование фокусируется на разработке и валидации модели машинного обучения, способной с высокой точностью прогнозировать потенциальные отказы в работе скважинного оборудования. Существующие методики, подходы машинного обучения и их применение в условиях реальной эксплуатации детально проанализированы с выделением ключевых факторов успеха и ограничений. Результаты исследования демонстрируют огромный потенциал применения модели прогнозирования отказов скважин при выборе оптимального подхода машинного обучения с целью уменьшения внеплановых простоев и оптимизации процессов технического обслуживания скважин. Авторами проведена оценка возможности применения прогнозирования отказов глубинного-насосного оборудования скважин, эксплуатируемых ШГН. Применение предсказания отказов глубинно-насосного оборудования скважин позволит обеспечить бесперебойную работу скважин за счет снижения отказов скважин и сокращения времени простоя на ремонт.

Об авторах

Лаура Гибратовна Утемисова

КМГ Инжиниринг

Автор, ответственный за переписку.
Email: l.utemissova@niikmg.kz
ORCID iD: 0000-0003-4194-6727
Казахстан, Астана

Тимур Жумаканович Мерембаев

Институт информационных и вычислительных технологий КН МОН РК

Email: timur.merembayev@gmail.com
ORCID iD: 0000-0001-8185-235X

PhD

Казахстан, Алматы

Бақберген Ермекбайұлы Бекбау

КазНИТУ им. К.И. Сатпаева

Email: b.bekbau@kmge.kz
ORCID iD: 0000-0003-2410-1626

PhD

Казахстан, Алматы

Список литературы

  1. Михайлович Н.Н. Повышение эксплуатационных характеристик нефтепромыслового оборудования в территориально-производственном предприятии : дис. канд. техн. наук. Москва, 2009. Режим доступа: https://www.dissercat.com/content/povyshenie-effektivnosti-ekspluatatsii-nasosnykh-skvazhin-optimizatsiei-raboty-shtangovykh-k. Дата обращения: 12.03.2014.
  2. Khabibullin R.A., Shabonas A.R., Gurbatov N.S., Timonov A.V. Prediction of ESPs Failure Using ML at Western Siberia Oilfields with Large Number of Wells. Russian Petroleum Technology Conference; October 26–29, 2020; Virtual. Available from: https://onepetro.org/SPERPTC/proceedings-abstract/20RPTC/1-20RPTC/D013S027R001/450252.
  3. Merembayev T., Kurmangaliyev D., Bekbauov B., Amanbek Y. A Comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan // Energies. 2021. Vol. 14, N 7. doi: 10.3390/en14071896.
  4. Merembayev T., Amanbek Y. Time-series event prediction for the uranium production wells using machine learning algorithms. 56th U.S. Rock Mechanics/Geomechanics; June 26, 2022; Santa Fe, USA. Available from: https://research.nu.edu.kz/en/publications/time-series-event-prediction-for-the-uranium-production-wells-usi-2.
  5. American Petroleum Institute. API TR 11L Design Calculations for Sucker Rod Pumping Systems (Conventional Units), 5th edition. Washington : API TR 11L, 2008.
  6. Abdelaziz M., Lastra R., Xiao J.J. ESP data analytics: Predicting failures for improved production performance. Abu Dhabi International Petroleum Exhibition & Conference; November 13–16 2017; Abu Dhabi, UAE. Available from: https://www.scirp.org/reference/referencespapers?referenceid=2938839.
  7. Ивановский В.И. Скважинные насосные установки для добычи нефти. Москва, 2002.
  8. Seradilla O., Zugastu E., Rodriguez J., Zurutuza U. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect // Appl Intell. 2020. Vol. 52. P. 10934–10964. doi: 10.1007/s10489-021-03004-y.
  9. Takacs G. Sucker-Rod Pumping Handbook. Production engineering fundamentals and long-stroke rod pumping. Hungary, 2015.
  10. Rudakov V., Merembayev T., Amirgaliyev Ye., Omarova P. Time Series Analysis of Biogas Monitoring with Deep Learning Approaches. 5th International Conference on Problems of Cybernetics and Informatics; 28–30 August 2023; Baku, Azerbaijan. Available from: https://ieeexplore.ieee.org/document/10325955.
  11. Waskom M.L. Seaborn: statistical data visualization // Journal of Open Source Software. 2021. Vol. 6, N 60. doi: 10.21105/joss.03021.
  12. Ke G., Meng Q., Finley T., et al. Lightgbm: A highly efficient gradient boosting decision tree // Advances in neural information processing systems. 2017. Vol. 30.
  13. Breiman L. Random forests // Machine learning. 2001. Vol. 45. P. 5–32.
  14. Chen T., He T., Benesty M., et al. Xgboost: extreme gradient boosting // R package version 0.4-2. 2015. Vol. 1, N 4. doi: 10.32614/cran.package.xgboost.
  15. Hochreiter S., Schmidhuber J. Long Short-term Memory // Neural Computation MIT-Press. 1997. Vol. 9, N 8. P. 1735–1780. doi: 10.1162/neco.1997.9.8.1735.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рисунок 1. Действующий фонд и количество ремонтов, включая ЧРФ, в разрезе ДЗО КМГ

Скачать (147KB)
3. Рисунок 2. Основные причины отказов ГНО

Скачать (60KB)
4. Рисунок 3. Схема работы штанговой скважинной насосной установки

Скачать (48KB)
5. Рисунок 4. Эффективные инструменты для обнаружения аномалий

Скачать (69KB)
6. Рисунок 5. Распределение аварий по типам событий скважин пилотного месторождения

Скачать (41KB)
7. Рисунок 6. Карта создания модели машинного обучения

Скачать (58KB)

© Утемисова Л.Г., Мерембаев Т.Ж., Бекбау Б.Е., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».