Пайдалану ұңғымаларындағы кенжар қысымының мониторингі жүйелерінде машиналық оқыту: шолу

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Соңғы жылдары мұнай-газ өнеркәсібіне жасанды интеллект технологияларының қарқынды енгізілуі байқалады, бұл үрдіс кен орындарын игеру тиімділігін арттыру және өндірістік процестерді оңтайландыру қажеттілігімен тығыз байланысты. Жасанды интеллектті қолданудың ең перспективалы бағыттарының бірі ұңғымаішілік мониторинг жүйелерінен, атап айтқанда, кенжар қысымы жүйелерінен алынған деректерді талдау болып табылады. Стационарлық қысым датчиктерінің таралуы нақты уақыт режимінде қабаттың энергетикалық күйі туралы үздіксіз ақпарат алуға мүмкіндік береді. Бұл деректер үлкен деректер ортасының бөлігі бола отырып, қазіргі заманғы сақтау, өңдеу және талдау архитектураларын қолдануды талап етеді. Машиналық оқыту алгоритмдерін, соның ішінде нейрондық желілерді және регрессиялық талдау әдістерін қолдану жасырын заңдылықтарды анықтауға, қабат параметрлерін болжауға, ұңғымаларды тоқтатпай гидродинамикалық зерттеулер жүргізуге және дамуды жедел басқарудың дәлдігін арттыруға мүмкіндік береді. Бұл мақалада қысымды бақылау жүйелерін құру принциптері, үлкен деректерді өңдеудің заманауи архитектураларын талдау (лямбда-, каппа- и unified-архитектурасын қоса алғанда), сонымен қатар нақты коммерциялық және синтетикалық мәліметтерде машиналық оқыту алгоритмдерін практикалық іске асырудың мысалдары қарастырылған. Ұңғымааралық өзара әрекеттесуді анықтау және жұмыс режимдерін болжау міндеттерінде прокси-модельдеу мен машиналық оқытуды біріктірудің тиімділігі көрсетілген. CRMP-модельдер мен ансамбльдік тәсілдердің негізінде цифрлық шешімдерді енгізуді қоса алғанда, әлемдік және қазақстандық тәжірибенің өзекті кейстеріне баса назар аударылды.

Толық мәтін

##article.viewOnOriginalSite##

Авторлар туралы

Д. К. Жеңіс

Қазақстан-Британ техникалық университеті

Хат алмасуға жауапты Автор.
Email: dimashzhenis.pe@gmail.com
ORCID iD: 0009-0003-4934-7347
Қазақстан, Алматы қаласы

А. К. Қасенов

Қазақстан-Британ техникалық университеті

Email: a.kasenov@kbtu.kz
ORCID iD: 0000-0002-1007-1481

PhD, ассоциированный профессор

Қазақстан, Алматы қаласы

А. Е. Ибраев

ҚМГ Инжиниринг

Email: ak.ibrayev@kmge.kz
ORCID iD: 0009-0005-1731-7092
Қазақстан, Астана қаласы

Қ. Н. Шаяхмет

ByteAll Energy

Email: kairgeldi.shayakhmet@byteallenergy.com
ORCID iD: 0000-0001-9269-4545
Қазақстан, Астана қаласы

Әдебиет тізімі

  1. Mohamed H., Jakeman S., Al Azawi B., et al. Engineering Aspects in the Design and Implementation of Onshore Smart Oil Fields // Oil & Gas Fac. 2013. Vol. 2, Iss 05. P. 80–84. doi: 10.2118/161083-PA.
  2. Marcuccio S., Flygare J., Konopczynski M. Application of Pressure-Monitoring Data in Land-Based Unconventionals // SPE/CSUR Unconventional Resources Conference; October 20–22, 2015; Calgary, Alberta, Canada. Available from: https://onepetro.org/SPEURCC/proceedings-abstract/15URC/15URC/D021S009R006/183658.
  3. Charalampos Ch., Jing Zh., Sorathia V., et al. Toward an Automatic Metadata Management Framework for Smart Oil Fields // SPE Econ & Mgmt. 2013. Vol. 5, Iss 01. P. 33–43. doi: 10.2118/153271-PA.
  4. Nadal S., Jovanovic P., Bilalli B., Romero O. Operationalizing and automating Data Governance // Journal of Big Data. 2022. Vol. 9. 10.1186/s40537-022-00673-5.
  5. Yang X., Bello O., Yang L., et al. Intelligent Oilfield – Cloud Based Big Data Service in Upstream Oil and Gas // The International Petroleum Technology Conference; March 26–28, 2019; Beijing, China. Available from: https://onepetro.org/IPTCONF/proceedings-abstract/19IPTC/1-19IPTC/D011S002R001/154285.
  6. Müller A.C., Guido S. Introduction to Machine Learning with Python. Sebastopol : O’Reilly Media, Inc., 2016. 392 p.
  7. Zangl G., Hannerer J. Data Mining: Applications in the Petroleum Industry. Katy, TX : Round Oak Publishing, 2003. 222 p.
  8. Zheng Sh.-Y., Li X.G. Transient pressure analysis of 4D reservoir system response from permanent down hole gauges (PDG) for reservoir monitoring, testing and management // The Asia Pacific Oil and Gas Conference and Exhibition; October 30 –November 1, 2007; Jakarta, Indonesia. Available from: https://onepetro.org/SPEAPOG/proceedings-abstract/07APOGCE/07APOGCE/SPE-109112-MS/142768.
  9. Tian Ch., Horne R.N. Applying Machine Learning Techniques to Interpret Flow Rate, Pressure and Temperature Data from Permanent Downhole Gauges // SPE Western Regional Meeting; April 27–30, 2015; Garden Grove, California, USA. Available from: https://onepetro.org/SPEWRM/proceedings-abstract/15WRM/15WRM/SPE-174034-MS/182820.
  10. Pan Yu., Ran B., Peng Zh., et al. An Effective Physics-Based Deep Learning Model for Enhancing Production Surveillance and Analysis in Unconventional Reservoirs // SPE/AAPG/SEG Unconventional Resources Technology Conference; July, 2019; Denver, Colorado, USA. Available from: https://chooser.crossref.org/?doi=10.15530%2Furtec-2019-145.
  11. Silva V.C.D. Big Data Approach for Assessing Hydraulic Interference Between Wells in Not-Controled Systems // The Offshore Technology Conference Brasil; October 29–31, 2019; Rio de Janeiro, Brazil. Available from: https://onepetro.org/OTCBRASIL/proceedings-abstract/19OTCB/1-19OTCB/D011S013R006/180771.
  12. Zhetruov Zh.T., Shayakhmet K.N., Karsybayev K.K., et al. Application of proxy models for oil reservoirs performance prediction // Kazakhstan journal for oil & gas industry. 2022. Vol. 4, N. 2. P. 47–56. doi: 10.54859/kjogi108021.
  13. Albertoni A., Lake L.W. Inferring interwell connectivity only from well-rate fluctuations in waterfloods // SPE Reserv. Eval. Eng. 2003. Vol. 6, Iss 01. P. 6–16. doi: https://doi.org/10.2118/83381-PA.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Рисунок 1. Схема погружной телеметрии

Жүктеу (140KB)
Метадеректер
3. Рисунок 2. Погружной датчик давления и температуры [2]

Жүктеу (58KB)
Метадеректер
4. Рисунок 3. Погружной датчик давления и температуры

Жүктеу (194KB)
Метадеректер
5. Рисунок 4. Примеры применения машинного обучения в нефтегазовой отрасли

Жүктеу (247KB)
Метадеректер
6. Рисунок 5. Схема применения машинного обучения с использованием систем мониторинга давления

Жүктеу (263KB)
Метадеректер
7. Рисунок 6. Сравнительные результаты фактических замеров и данных, рассчитанных нейронной сетью [8]

Жүктеу (112KB)
Метадеректер
8. Рисунок 7. Исходные данные и результаты, полученные на нейронных сетях [9]

Жүктеу (105KB)
Метадеректер
9. Рисунок 8. Результаты расчётов взаимовлияния скважин, полученных в исследовании Silva V.C.D., 2019 г. [11]

Жүктеу (84KB)
Метадеректер

© Жеңіс Д.К., Қасенов А.К., Ибраев А.Е., Шаяхмет Қ.Н., 2025

Creative Commons License
Бұл мақала лицензия бойынша қол жетімді 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».