Возможность применения современного метода прогнозирования отказов скважин на месторождениях АО НК «КазМунайГаз»
- Авторы: Утемисова Л.Г.1, Мерембаев Т.Ж.2, Бекбау Б.Е.3
-
Учреждения:
- КМГ Инжиниринг
- Институт информационных и вычислительных технологий КН МОН РК
- КазНИТУ им. К.И. Сатпаева
- Выпуск: Том 6, № 4 (2024)
- Страницы: 68-77
- Раздел: Разработка и эксплуатация нефтяных и газовых месторождений
- URL: https://journals.rcsi.science/2707-4226/article/view/277979
- DOI: https://doi.org/10.54859/kjogi108750
- ID: 277979
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.
Полный текст
Открыть статью на сайте журналаОб 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, АлматыБақберген Ермекбайұлы Бекбау
КазНИТУ им. К.И. Сатпаева
Email: b.bekbau@kmge.kz
ORCID iD: 0000-0003-2410-1626
PhD
Казахстан, АлматыСписок литературы
- 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.
- 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.
- 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.
- 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.
- American Petroleum Institute. API TR 11L Design Calculations for Sucker Rod Pumping Systems (Conventional Units), 5th edition. Washington : API TR 11L, 2008.
- 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.
- Ивановский В.И. Скважинные насосные установки для добычи нефти. Москва, 2002.
- 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.
- Takacs G. Sucker-Rod Pumping Handbook. Production engineering fundamentals and long-stroke rod pumping. Hungary, 2015.
- 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.
- Waskom M.L. Seaborn: statistical data visualization // Journal of Open Source Software. 2021. Vol. 6, N 60. doi: 10.21105/joss.03021.
- 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.
- Breiman L. Random forests // Machine learning. 2001. Vol. 45. P. 5–32.
- 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.
- 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
