RU2745136C1 - Automated system for identification and prediction of complications in the process of construction of oil and gas wells - Google Patents
Automated system for identification and prediction of complications in the process of construction of oil and gas wells Download PDFInfo
- Publication number
- RU2745136C1 RU2745136C1 RU2020129671A RU2020129671A RU2745136C1 RU 2745136 C1 RU2745136 C1 RU 2745136C1 RU 2020129671 A RU2020129671 A RU 2020129671A RU 2020129671 A RU2020129671 A RU 2020129671A RU 2745136 C1 RU2745136 C1 RU 2745136C1
- Authority
- RU
- Russia
- Prior art keywords
- module
- neural network
- geological
- network models
- data
- Prior art date
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
Description
Изобретение относится к области нефтяной и газовой промышленности, а именно к системам мониторинга строительства нефтегазовых скважин и управления буровыми операциями, и предназначено для выявления и прогнозирования осложнений основных типов, таких как, поглощение буровой промывочной жидкости, прихваты (затяжки) бурового инструмента, газонефтеводопроявления при строительстве нефтяных и газовых скважин.The invention relates to the field of the oil and gas industry, namely to systems for monitoring the construction of oil and gas wells and management of drilling operations, and is intended to identify and predict complications of the main types, such as absorption of drilling fluid, sticking (tightening) of drilling tools, gas and oil production during construction oil and gas wells.
Известна система построения моделей и прогнозирования операционных результатов в процессе бурения, содержащая модуль сбора данных с датчиков скважины и архивных данных с соседних скважин, блок хранения данных, блок анализа данных и построения модели, модуль прогнозирующей аналитики для выбора модели из общего набора моделей кандидатов и прогнозирования операционных результатов до (на этапе проектирования ствола скважины) или во время операции бурения (RU 2600497, 2016).A known system for building models and predicting operational results during drilling, containing a module for collecting data from well sensors and archived data from adjacent wells, a data storage unit, a data analysis and model building unit, a predictive analytics module for selecting a model from a general set of candidate models and forecasting operational results before (at the wellbore design stage) or during the drilling operation (RU 2600497, 2016).
Указанная система направлена на формирование общего подхода к прогнозированию операционных результатов операции бурения, которые образуют операционную среду в соответствии с различными вариантами осуществления процесса бурения, но она не обеспечивает формирование и оценку влияния конкретных геолого-геофизических условий при строительстве новых скважин.The specified system is aimed at forming a general approach to predicting the operational results of a drilling operation, which form an operating environment in accordance with various options for implementing the drilling process, but it does not provide the formation and assessment of the impact of specific geological and geophysical conditions during the construction of new wells.
Известна система прогнозирования события прихвата бурильной колонны в скважине, структурная схема которой включает:There is a known system for predicting the event of a stuck drill string in a well, the structural diagram of which includes:
- различные типы датчиков (поверхностные и скважинные), измеряющие технологические параметры при бурении;- various types of sensors (surface and downhole) that measure technological parameters while drilling;
- компьютерную систему, включающую базы данных реально-временной и архивной информации параметров бурения, а также статических данных (диаметр скважины, наружный диаметр и длина бурильной колонны и др.);- a computer system that includes databases of real-time and archived information of drilling parameters, as well as static data (borehole diameter, outer diameter and length of the drill string, etc.);
- модуль программного обеспечения для прогнозирования возникновения осложнений типа "прихват", который может выполняться полностью или частично на локальной компьютерной системе и/или на удаленной компьютерных системах (US 8752648, 2014).- a software module for predicting the occurrence of complications of the "sticking" type, which can be performed in whole or in part on a local computer system and / or on remote computer systems (US 8752648, 2014).
В рассматриваемом решении применяется ансамблевая модель прогнозирования, содержащая, по меньшей мере, три алгоритма машинного обучения, работающих параллельно, каждый алгоритм машинного обучения предсказывает вероятность возникновения осложнения типа "прихват" на основе, по меньшей мере, одного из множества параметров бурения. При этом ансамблевая модель прогнозирования определяет комбинированную вероятность, основанную на вероятностях возникновения осложнения типа "прихват" по каждому алгоритму машинного обучения, и предоставляет оператору-бурильщику прогноз, основанный на комбинированной вероятности, т.е. предупреждает о наступлении в будущем события типа "прихват", исходя из набора обучающих данных и последующей проверке на реально-временных данных.This solution employs an ensemble prediction model containing at least three machine learning algorithms operating in parallel, each machine learning algorithm predicting the likelihood of a sticking complication based on at least one of a plurality of drilling parameters. In this case, the ensemble forecasting model determines the combined probability based on the probabilities of the "stick" type complication for each machine learning algorithm, and provides the driller operator with a forecast based on the combined probability, i.e. warns about the occurrence of a "stuck" event in the future, based on a set of training data and subsequent verification on real-time data.
Недостатками данного решения являются:The disadvantages of this solution are:
- узкая направленность, а именно выявление и прогнозирование осложнений только одного типа "прихват";- narrow focus, namely the identification and prediction of complications of only one type of "stick";
- неопределенность, связанная с необходимостью определения экспертным путем весовых коэффициентов прогнозных вероятностей применяемых методов машинного обучения для расчета комбинированной вероятности возникновения осложнений типа "прихват";- uncertainty associated with the need to determine expertly the weighting coefficients of the predicted probabilities of the applied machine learning methods to calculate the combined probability of complications such as "sticking";
- использование общего подхода к решению проблемы прогнозирования осложнений типа "прихват" без приведения конкретной реализации и результатов на реальных массивах данных параметров бурения.- the use of a general approach to solving the problem of predicting complications of the "sticking" type without citing a specific implementation and results on real data sets of drilling parameters.
Известна система диагностики осложнений типа "поглощение" на основе технологии объединения нейронных сетей, описанная в патенте CN 104121014, 2017.A known system for the diagnosis of complications of the "absorption" type based on the technology of combining neural networks, described in patent CN 104121014, 2017.
Система включает сеть с обратным распространением ошибки, сеть радиально-базисных функций, самоорганизующуюся карту Кохонена, нейронную сеть адаптивного резонанса.The system includes a backpropagation network, a network of radial-basis functions, a self-organizing Kohonen map, and an adaptive resonance neural network.
В качестве методов объединения нейросетевых предсказаний и получения итогового прогноза рассматриваются методы: наименьших квадратов, мажоритарного голосования, нечетких интегралов, Байесовский, теории доказательств Демпстера-Шафера. В качестве основного метода объединения нейронных сетей используется теория доказательств Демпстера-Шафера, которая может быть объединена с преимуществами других методов.The following methods are considered as methods for combining neural network predictions and obtaining a final forecast: least squares, majority voting, fuzzy integrals, Bayesian, Dempster-Schafer proof theory. Dempster-Schafer theory of evidence is used as the main method for combining neural networks, which can be combined with the advantages of other methods.
Конфигурация многокомпонентной модели диагностики осложнений типа "поглощение" включает в себя следующие модули:The configuration of the multicomponent model for diagnosing complications of the "absorption" type includes the following modules:
- подготовки и кластеризации данных;- preparation and clustering of data;
- разметки данных, формирования обучающих и тестовых последовательностей;- data markup, formation of training and test sequences;
- формирования, обучения и валидации нейросетевых моделей для различных сценариев возникновения осложнений типа «поглощение»;- formation, training and validation of neural network models for various scenarios of complications such as "absorption";
- объединения выходов нейросетевых моделей и прогнозирования возникновения осложнений типа "поглощение".- combining the outputs of neural network models and predicting the occurrence of complications of the "absorption" type.
Выходом модели является итоговые классификация и вероятности возникновения осложнений типа "поглощение".The output of the model is the final classification and the likelihood of complications of the "absorption" type.
Описания электронного оборудования для инсталляции и обеспечения функционирования модулей в изобретении не приводится.The description of the electronic equipment for the installation and operation of the modules is not given in the invention.
Основными особенностями данного изобретения является возможность параллельного использования различных методов обработки (моделей) нейронных сетей для выявления и прогнозирования осложнений типа "поглощение", а также использование алгоритма анастомозирования (объединения) выходов нейросетевых моделей для повышения надежности и достоверности прогнозов. При этом для построения и обучения нейросетевых моделей используется метод обучения на предварительно сегментированных и размеченных массивах данных (обучение с учителем).The main features of this invention are the possibility of parallel use of various processing methods (models) of neural networks to identify and predict complications of the "absorption" type, as well as the use of an anastomosis (combining) algorithm of outputs of neural network models to improve the reliability and reliability of forecasts. At the same time, for the construction and training of neural network models, the training method is used on pre-segmented and labeled data sets (training with a teacher).
Функционирование рассматриваемой системы основано на следующих положениях:The functioning of the system under consideration is based on the following provisions:
1. Определяется пространство входных данных (подготовка, разметка и формирование обучающих и тестовых массивов данных по каждому из сценариев возникновения осложнений типа "поглощение".1. The space of the input data is determined (preparation, marking and formation of training and test data sets for each of the scenarios for the occurrence of complications of the "absorption" type.
2. Исходя из состава размеченных данных, рассчитанных на выявление различных сценариев возникновения осложнений типа "поглощение" определяются типы нейронных сетей для их выявления и прогнозирования.2. Based on the composition of the labeled data, designed to identify various scenarios for the occurrence of complications of the "absorption" type, the types of neural networks are determined for their identification and prediction.
3. Производится обучение нейронных сетей и определение их топологии.3. Training of neural networks and determination of their topology is carried out.
4. Проводится проверка работоспособности (тестирование) нейронных сетей для диагностики осложнений типа "поглощение".4. The performance check (testing) of neural networks is carried out to diagnose complications of the "absorption" type.
5. Реально-временные данные, поступающие в ходе бурения скважины, после нормализации, вводятся параллельно в каждую нейронную сеть, на выходах которых формируются прогнозные вероятностные оценки возникновения осложнений типа "поглощение".5. Real-time data received during well drilling, after normalization, are entered in parallel into each neural network, at the outputs of which predictive probabilistic estimates of the occurrence of "absorption" complications are formed.
6. Выход каждой нейтральной сети объединяется с использованием алгоритмов слияния нейронных сетей и выводится окончательный результат диагностики осложнения типа "поглощение".6. The output of each neutral network is combined using neural network fusion algorithms and the final diagnostic result of a “absorption” complication is displayed.
Структурная схема указанной системы обеспечивает возможность параллельного использования различных методов обработки (моделей) нейронных сетей для выявления и прогнозирования осложнений типа "поглощение", а также использование алгоритма анастомозирования (объединения) выходов нейросетевых моделей для повышения надежности и достоверности прогнозов. При этом для построения и обучения нейросетевых моделей используется метод "обучения с учителем" и финальное решение о диагностировании ситуации возникновения осложнения типа "поглощение" выносится на основе объединения предсказаний отдельных нейронных сетей, входящих в общую систему.The structural diagram of this system provides the possibility of parallel use of various processing methods (models) of neural networks to identify and predict complications of the "absorption" type, as well as the use of an anastomosis (combining) algorithm of outputs of neural network models to improve the reliability and reliability of forecasts. At the same time, the "supervised learning" method is used to construct and train neural network models, and the final decision on diagnosing a situation of occurrence of a complication of the "absorption" type is made on the basis of combining the predictions of individual neural networks included in the overall system.
Недостатками данного изобретения является его узкая специализация на прогнозирование возникновения осложнений типа "поглощение", для обучения нейросетевых моделей требуется наличие больших массивов размеченных экспертами данных по каждому из сценариев возникновения осложнений типа «поглощение» (метод обучения с учителем).The disadvantages of this invention is its narrow specialization in predicting the occurrence of complications of the "absorption" type; training neural network models requires the presence of large arrays of data marked by experts for each of the scenarios of the occurrence of complications of the "absorption" type (teaching method).
Также известна система выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин, а именно, распознавания опасности разлива при бурении скважин на основе комплексного применения сверточной нейронной сети и методов машинного обучения (CN 110443488, 2019).Also known is a system for detecting and predicting complications in the construction of oil and gas wells, namely, recognizing the danger of spills while drilling wells based on the integrated application of a convolutional neural network and machine learning methods (CN 110443488, 2019).
Система идентификации опасности разлива буровой скважины на основе сверточных нейронных сетей включает:Convolutional neural networks-based borehole spill hazard identification system includes:
- модуль приема данных в реальном времени от комплексного каротажного прибора;- module for receiving data in real time from a complex logging tool;
- модуль расширения данных от призабойной аппаратуры в режиме реального времени данными от комплексного каротажного прибора с использованием скользящего перекрытия;- a module for expanding data from bottomhole equipment in real time with data from an integrated logging tool using a sliding overlap;
- модуль предварительной обработки, предназначенный для предварительной подготовки и нормализации расширенных данных о рабочем состоянии скважины в режиме реального времени;- a preprocessing module designed for preliminary preparation and normalization of extended data on the operating state of the well in real time;
- модуль идентификации, предназначенный для ввода и обработки в реальном времени нормализованных данных о рабочем состоянии скважины в обученную сверточную нейронную сеть. На выходе модуля экспортируется результат распознавания опасности разлива буровой скважины.- an identification module designed for real-time input and processing of normalized data on the operating state of a well into a trained convolutional neural network. At the output of the module, the result of recognizing the danger of a borehole spill is exported.
Особенностью известной системы является использование модуля, предназначенного для получения и обработки в реальном масштабе времени данных от комплексного каротажного прибора. Для обработки получаемых реально-временных данных используется метод скользящего окна с перекрытием, обеспечивающий автоматическое выявление аномальных отклонений параметров от рабочего режима, не требующий никакой дополнительной обработки или экспертизы (метод обучения без учителя).A feature of the known system is the use of a module designed to receive and process data in real time from an integrated logging tool. To process the obtained real-time data, a sliding window method with overlapping is used, which provides automatic detection of abnormal deviations of parameters from the operating mode, which does not require any additional processing or expertise (unsupervised learning method).
Обработанные таким образом данные совместно с реально-временными данными от призабойной аппаратуры направляются на вход сверточной нейросетевой модели выявления и прогнозирования возникновения разливов буровых скважин и идентификации возникающих рисков.The data processed in this way, together with real-time data from the bottomhole equipment, are sent to the input of a convolutional neural network model for detecting and predicting the occurrence of borehole spills and identifying emerging risks.
При этом для расширения пространства входных данных классификационной сверточной нейронной сети используется метод скользящего окна для выявления аномалий в реально-временных данных от комплексного каротажного прибора. Такая конфигурация известной системы приводит к существенным ограничениям на типы выявляемых и прогнозируемых осложнений, а именно, функционально система ограничена только выявлением и распознаванием угроз разливов в буровых скважинах. Кроме того, необходимость применения комплексного каротажного прибора приводит к ограничениям в использовании известного решения операцией бурения сложных горизонтальных скважин и нецелесообразностью или невозможностью его использования при проведении других операций, связанных со строительством скважин.At the same time, to expand the space of the input data of the classification convolutional neural network, the sliding window method is used to identify anomalies in real-time data from a complex logging tool. This configuration of the known system leads to significant restrictions on the types of detected and predicted complications, namely, the system is functionally limited only to the detection and recognition of threats of spills in boreholes. In addition, the need to use an integrated logging tool leads to limitations in the use of the known solution for the operation of drilling complex horizontal wells and the inappropriateness or impossibility of using it in other operations related to the construction of wells.
Таким образом, известная система может найти применение только в одной из операций строительства скважин - бурении сложных горизонтальных скважин, при этом использование комплексного каротажного прибора значительно усложняет процесс бурения и приводит к дополнительным временным и финансовым затратам.Thus, the known system can be used only in one of the well construction operations - drilling complex horizontal wells, while the use of an integrated logging tool significantly complicates the drilling process and leads to additional time and financial costs.
Сравнение производственных и экономических показателей показывает, что использование традиционного каротажа на кабеле (КНК) предпочтительно для скважин с отклонением до 50 градусов, в то время, как для скважин с большим уклоном применение каротажа во время бурения (КВБ) становится целесообразным. При этом, несмотря на целесообразность применения КВБ, некоторые специализированные измерения КНК остаются по-прежнему необходимыми (например, отбор бокового керна). Из-за более высокой стоимости простоя буровой, часто можно столкнуться с рекомендациями по использованию КВБ на скважинах в море.Comparison of production and economic indicators shows that the use of traditional wireline logging (LWC) is preferable for wells with deviations up to 50 degrees, while for wells with a large slope the use of logging while drilling (LWD) becomes reasonable. At the same time, despite the feasibility of using CWB, some specialized CCC measurements are still necessary (for example, sidewall core sampling). Due to the higher cost of rig downtime, it is often possible to encounter recommendations for the use of RVC in offshore wells.
Однако для большинства морских месторождений, находящихся в стадии текущей разработки и эксплуатации, это утверждение не подходит, и использование стандартного каротажа (КНК) является более выгодным.However, for most offshore fields in the current stage of development and operation, this statement does not apply, and the use of standard logging (STL) is more profitable.
Вышеприведенные обстоятельства обуславливают достаточно ограниченное применение технологий КВБ в практике строительства скважин, что делает актуальными задачи расширения параметрического пространства, разработки и совершенствования интеллектуальных методов выявления и предупреждения осложнений на всех этапах и технологических операциях при строительстве нефтяных и газовых скважин.The above circumstances determine the rather limited use of KBB technologies in the practice of well construction, which makes the tasks of expanding the parametric space, development and improvement of intelligent methods for identifying and preventing complications at all stages and technological operations during the construction of oil and gas wells urgent.
Из известных технических решений наиболее близким к предлагаемому по технической сущности и достигаемому результату является система выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин, а именно, раннего предупреждения об отказе при бурении на основе применения рекуррентной нейронной сети, описанная в патенте на изобретение CN109508827, 2019.Of the known technical solutions, the closest to the proposed one in terms of technical essence and the achieved result is a system for detecting and predicting complications in the construction of oil and gas wells, namely, early warning of failure during drilling based on the use of a recurrent neural network, described in patent for invention CN109508827, 2019.
Указанная система выполнена на базе следующих модулей:The specified system is based on the following modules:
- подготовки данных, включая выявление аномальных значений параметров на основе авторегресссионной модели;- data preparation, including the identification of anomalous parameter values based on an autoregressive model;
- экспертной разметки данных, формирования обучающих и тестовых последовательностей;- expert data markup, formation of training and test sequences;
- формирования, обучения и валидации рекуррентной нейронной сети прогнозирования осложнений;- formation, training and validation of a recurrent neural network for predicting complications;
- обработки реально-временных данных и прогнозирования возникновения осложнений заданных типов: заклинивание долота, прихваты бурильной колонны, газонефтеводопроявления.- processing of real-time data and predicting the occurrence of complications of specified types: bit jamming, sticking of the drill string, gas-oil-water showings.
Выход рекуррентной нейросетевой модели имеет три типа сообщения о событиях, которым соответствуют осложнениям: заклинивание долота, прихваты бурильной колонны и аномальные выбросы (газонефтеводопроявления) с выводом прогноза за одну минуту до возникновения осложнения.The output of the recurrent neural network model has three types of event messages that correspond to complications: bit jamming, sticking of the drill string and abnormal outbursts (gas and oil water seepage) with a forecast one minute before the occurrence of a complication.
Описания электронного оборудования для инсталляции и обеспечения функционирования модулей в изобретении не приводится.The description of the electronic equipment for the installation and operation of the modules is not given in the invention.
Обобщенный алгоритм функционирования модели включает в себя следующие этапы:The generalized algorithm for the functioning of the model includes the following stages:
1. Формируется массив архивных данных временных рядов параметров, получаемых при бурении нефтяных и газовых скважин.1. An array of archived data of time series of parameters obtained during drilling of oil and gas wells is formed.
2. Прогнозируется значение признака бурения в определенный момент времени на основе применения авторегрессионной модели и измеряется разность между полученным характеристическим значением прогноза и реальным значением, полученным при бурении скважины, что позволяет получить набор претендентов на наличие аварийных ситуаций (осложнений).2. The value of the drilling sign is predicted at a certain point in time based on the application of the autoregressive model and the difference between the obtained characteristic value of the forecast and the real value obtained when drilling a well is measured, which allows obtaining a set of candidates for the presence of emergency situations (complications).
3. Проводится экспертиза отобранных претендентов, по результатам которой отбрасываются ложные суждения и отбираются истинные, соответствующие наличию аварийных ситуаций (осложнений), которые подразделяются по типам.3. An examination of the selected applicants is carried out, according to the results of which false judgments are discarded and the true ones are selected, corresponding to the presence of emergency situations (complications), which are divided by type.
4. Производится разметка достоверных маркированных событий и формирование массива обучающих и тестовых данных.4. The marking of reliable marked events and the formation of an array of training and test data is performed.
5. Проводится построение и обучение глубокой нейросетевой рекуррентной модели на основе сформированного обучающего массива данных, представляющих собой размеченные временные ряды со случайным расположением отмаркированных событий (осложнений).5. The construction and training of a deep neural network recurrent model is carried out on the basis of the formed training data array, which are marked time series with a random arrangement of marked events (complications).
Производится выбор временного окна для каждой из функций, соответствующих каждому из типов аварийных ситуаций (осложнений). Определяются гиперпараметры нейросетевой модели, которая обучается так, что вероятность возникновения непредвиденной ситуации (отказа) достоверно прогнозируется за одну минуту до аварии.A time window is selected for each of the functions corresponding to each of the types of emergency situations (complications). The hyperparameters of the neural network model are determined, which is trained in such a way that the probability of an unforeseen situation (failure) is reliably predicted one minute before the accident.
6. Проводится тестирование нейросети на данных временных рядов со случайным выбором разметки, при этом входные данные являются комбинацией параметров по каждой характерной особенности, для которой осуществляется выбор временного окна анализа. Определяются гиперпараметры нейросетевой модели, которая обучается так, что вероятность возникновения непредвиденной ситуации (отказа) достоверно прогнозируется за одну минуту до аварии.6. The neural network is tested on time series data with a random choice of markup, with the input data being a combination of parameters for each characteristic feature, for which the analysis time window is selected. The hyperparameters of the neural network model are determined, which is trained in such a way that the probability of an unforeseen situation (failure) is reliably predicted one minute before the accident.
7. Обученная модель рекуррентной нейронной сети применяется для прогноза вероятности возникновения выбранных типов осложнений с обеспечением окончательного экспорта прогноза за одну минуту до возникновения аварии (осложнения).7. The trained model of the recurrent neural network is used to predict the probability of occurrence of the selected types of complications with the provision of the final export of the forecast one minute before the occurrence of the accident (complication).
Данное решение основано на построении рекуррентной нейронной сети. Для ее реализации предложен подход предварительного выявления аномальных значений параметров, как признаков возможного возникновения осложнений при помощи модели авторегрессии. При отборе претендентов используется значение разности между предсказанными моделью значениями и полученными реальными значениями в заданный момент времени. После отбора возможных претендентов на возникновение осложнений они размечаются экспертами на ложные и верные в ручном режиме.This solution is based on the construction of a recurrent neural network. For its implementation, an approach is proposed for preliminary detection of abnormal values of parameters as signs of possible complications using an autoregressive model. When selecting applicants, the value of the difference between the predicted values by the model and the obtained real values at a given moment of time is used. After the selection of possible applicants for the occurrence of complications, experts mark them as false and true in manual mode.
Недостатком данного изобретения является то, что реализованная в авторегрессионная модель используется только на этапе предварительного отбора данных для последующей их разметки экспертами, т.е. только на этапе подготовки данных для рекуррентной нейронной сети (метод обучения с учителем) и не используется при обработке реально временных данных.The disadvantage of this invention is that the autoregressive model implemented in the autoregressive model is used only at the stage of preliminary data selection for subsequent marking by experts, i.e. only at the stage of preparing data for a recurrent neural network (supervised learning method) and is not used when processing real-time data.
Кроме того, известная система не учитывает конкретные геолого-геофизические условия при бурении новых скважин и даже при вводе априорной оценки геологических характеристик в состав обучающих данных для рекуррентной нейронной сети будет иметь место значительная неопределенность, связанная с неточностью их определения и, следовательно, низкой достоверностью получаемых прогнозных данных, которая может привести к ошибкам в прогнозировании осложнений при бурении новых скважин. Также к числу недостатков следует отнести малое полученное значение временного интервала прогноза возникновения аварийной ситуации, составляющего 1 минуту.In addition, the known system does not take into account specific geological and geophysical conditions when drilling new wells, and even when entering an a priori estimate of geological characteristics into the training data for a recurrent neural network, there will be significant uncertainty associated with the inaccuracy of their determination and, consequently, low reliability of the obtained data. predictive data, which can lead to errors in predicting complications when drilling new wells. Also, the number of shortcomings should include the small obtained value of the time interval for predicting the occurrence of an emergency, which is 1 minute.
Таким образом, суть данного решения заключается в совершенствовании процесса экспертной разметки данных для обучения нейронной сети и не касается непосредственно вопросов расширения признакового пространства для повышения достоверности прогнозирования осложнений при обработке реально-временной информации при строительстве нефтяных и газовых скважин.Thus, the essence of this solution is to improve the process of expert marking of data for training a neural network and does not directly address the issues of expanding the feature space to increase the reliability of predicting complications in the processing of real-time information during the construction of oil and gas wells.
Общим недостатком рассмотренных выше известных систем выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин с использованием нейронных сетей являются отсутствие учета конкретных геолого-геофизических условий при строительстве новых нефтяных и газовых скважин. Указанный недостаток снижают точность и достоверность прогнозируемых рисков и повышает вероятность возникновения аварийных ситуаций при строительстве новых нефтяных и газовых скважин.A common disadvantage of the above known systems for identifying and predicting complications during the construction of oil and gas wells using neural networks is the lack of taking into account specific geological and geophysical conditions during the construction of new oil and gas wells. This disadvantage reduces the accuracy and reliability of predicted risks and increases the likelihood of emergencies during the construction of new oil and gas wells.
Технической проблемой, на решение которой направлено предлагаемое изобретение является снижение аварийности при строительстве нефтяных и газовых скважин путем повышения точности и достоверности выявления и прогнозирования возникновения осложнений при строительстве новых нефтяных и газовых скважин в условиях априорной неопределенности, связанной с неполным и/или неточным знанием геолого-геофизических условий.The technical problem to be solved by the proposed invention is to reduce the accident rate during the construction of oil and gas wells by increasing the accuracy and reliability of identifying and predicting the occurrence of complications during the construction of new oil and gas wells in conditions of a priori uncertainty associated with incomplete and / or inaccurate knowledge of geological geophysical conditions.
Указанная проблема решается тем, что автоматизированная система выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин содержит модуль сбора реально-временных данных геолого-технологических исследований с объекта строительства с подсоединенной к ней архивной базой данных геолого-технологических исследований, модуль предварительной обработки данных геолого-технологических исследований, модуль разметки данных геолого-технологических исследований, размеченную базу данных геолого-технологических исследований, модуль формирования, обучения и валидации обобщенных нейросетевых моделей, модуль прогнозирования параметров геолого-технологических исследований, модуль распознавания технологических операций, модуль оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным, модуль оценки рассогласования выходных значений нейросетевых моделей по прогнозным и реально-временным данным, модуль формирования данных для адаптации нейросетевых моделей, модуль оперативной разметки данных для адаптации нейросетевых моделей, модуль адаптации нейросетевых моделей, модуль проверки и замены обобщенных нейросетевых моделей, при этом выходы модуля сбора реально-временных данных геолого-технологических исследований с объекта строительства и архивной базы данных геолого-технологических исследований подсоединены к входам модуля предварительной обработки данных геолого-технологических исследований, выходы которого подключены к входам модуля разметки данных геолого-технологических исследований, модуля прогнозирования параметров геолого-технологических исследований, модуля распознавания технологических операций и к первому входу модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным, выход модуля разметки данных геолого-технологических исследований подсоединен к размеченной базе данных геолого-технологических исследований, выход которой подключен к первому входу модуля формирования, обучения и валидации обобщенных нейросетевых моделей, выход модуля прогнозирования параметров геолого-технологических исследований подсоединен ко второму входу модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным, выход модуля распознавания технологических операций подсоединен к входу модуля формирования данных для адаптации нейросетевых моделей и к третьему входу модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным, к четвертому входу которого подключен выход модуля формирования, обучения и валидации обобщенных нейросетевых моделей, выходы модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным подсоединены к входам модуля оценки рассогласования выходных значений нейросетевых моделей по прогнозным и реально-временным данным и модуля анализа и формирования предупреждений о возникновении осложнений, выход которого является выходом системы, один из выходов модуля оценки рассогласования выходных значений нейросетевых моделей по прогнозным и реально-временным данным подключен к пятому входу модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным, а его другой выход - к первому входу модуля оперативной разметки данных для адаптации нейросетевых моделей, ко второму входу которого подсоединен выход модуля формирования данных для адаптации нейросетевых моделей, выход модуля оперативной разметки данных для адаптации нейросетевых моделей подключен к модулю адаптации нейросетевых моделей, подсоединенному к модулю проверки и замены обобщенных нейросетевых моделей, выход которого подключен ко второму входу модуля формирования, обучения и валидации обобщенных нейросетевых моделей.This problem is solved by the fact that the automated system for identifying and predicting complications during the construction of oil and gas wells contains a module for collecting real-time data of geological and technological research from the construction site with an archived database of geological and technological research connected to it, a module for preliminary processing of geological and technological data. technological research, a module for marking up geological and technological research data, a marked-up database of geological and technological research, a module for the formation, training and validation of generalized neural network models, a module for predicting the parameters of geological and technological research, a module for recognizing technological operations, a module for assessing the likelihood of complications by predictive and real-time data, a module for evaluating the mismatch of the output values of neural network models based on predicted and real-time data, a data generation module for adapting neural network models , a module for operational data markup for adaptation of neural network models, a module for adaptation of neural network models, a module for checking and replacing generalized neural network models, while the outputs of the module for collecting real-time data of geological and technological research from a construction object and an archive database of geological and technological research are connected to the inputs the module for preliminary processing of geological and technological research data, the outputs of which are connected to the inputs of the module for marking up the data of geological and technological research, the module for predicting the parameters of geological and technological research, the module for recognizing technological operations and to the first input of the module for assessing the likelihood of complications based on predicted and real-time data , the output of the geological and technological research data markup module is connected to the marked-up database of geological and technological research, the output of which is connected to the first input of the module for the formation, training and validation of the sample neural network models, the output of the module for predicting the parameters of geological and technological research is connected to the second input of the module for assessing the likelihood of complications based on predicted and real-time data, the output of the recognition module for technological operations is connected to the input of the data generation module for adapting neural network models and to the third input of the evaluation module the probabilities of complications from predicted and real-time data, to the fourth input of which the output of the module for the formation, training and validation of generalized neural network models is connected, the outputs of the module for assessing the probabilities of complications from predicted and real-time data are connected to the inputs of the module for evaluating the mismatch of the output values of neural network models according to the predicted and real-time data and the module for analyzing and generating warnings about the occurrence of complications, the output of which is the output of the system, one of the outputs of the module for evaluating the mismatch of the output values of neural network models for predictive and real-time data is connected to the fifth input of the module for assessing the probabilities of complications from predicted and real-time data, and its other output is connected to the first input of the operational data labeling module for adapting neural network models, to the second input of which the output is connected the module for generating data for adapting neural network models, the output of the module of operational data markup for adapting neural network models is connected to the module for adapting neural network models connected to the module for checking and replacing generalized neural network models, the output of which is connected to the second input of the module for generating, training and validating generalized neural network models.
Достигаемый технический результат заключается в обеспечении обратной связи на основе оценки рассогласования выходов нейросетевых моделей по прогнозным и реально-временным данным, адаптации (пересчета), проверки и замены текущих обобщенных нейросетевых моделей, и, таким образом, реализации пошаговой адаптации к конкретным геолого-геофизическим условиям.The achieved technical result is to provide feedback based on the assessment of the mismatch of the outputs of neural network models according to predicted and real-time data, adaptation (recalculation), verification and replacement of current generalized neural network models, and, thus, the implementation of step-by-step adaptation to specific geological and geophysical conditions ...
Структурная схема автоматизированной системы выявления и прогнозирования осложнений при бурении скважин на основе применения искусственной нейронной сети (ИНС) с пошаговой адаптацией к конкретным геолого-геофизическим условиям приведена на фиг.1.The block diagram of an automated system for identifying and predicting complications during well drilling based on the use of an artificial neural network (ANN) with step-by-step adaptation to specific geological and geophysical conditions is shown in Fig. 1.
Предлагаемая система автоматизированной система выявления и прогнозирования осложнений при строительстве скважин содержит модуль сбора реально-временных данных геолого-технологических исследований с объекта строительства 1 с подсоединенной к ней архивной базой данных геолого-технологических исследований 2, модуль предварительной обработки данных геолого-технологических исследований 3, модуль разметки данных геолого-технологических исследований 4, размеченную базу данных геолого-технологических исследований 5, модуль формирования, обучения и валидации обобщенных нейросетевых моделей 6, модуль прогнозирования параметров геолого-технологических исследований 7, модуль распознавания технологических операций 8, модуль оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9, модуль оценки рассогласования выходных значений нейросетевых моделей по прогнозным и реально-временным данным 10, модуль формирования данных для адаптации нейросетевых моделей 11, модуль оперативной разметки данных для адаптации нейросетевых моделей 12, модуль адаптации нейросетевых моделей 13, модуль проверки и замены обобщенных нейросетевых моделей 14, модуль анализа и формирования предупреждений о возникновении осложнений 15.The proposed system for an automated system for identifying and predicting complications during well construction contains a module for collecting real-time data of geological and technological research from a
Функциональные связи между структурными элементами системы будут отражены в ходе описания ее работы.Functional connections between the structural elements of the system will be reflected in the description of its work.
Исходными данными для формирования обобщенных моделей выявления и прогнозирования осложнений при бурении нефтяных и газовых скважин являются архивные данные геолого-технологических исследований (ГТИ), полученные при бурении скважин на освоенных месторождениям, которые используются для формирования обучающих выборок и формирования обобщенной нейросетевой модели оценки возможностей возникновения осложнений в процессе строительства скважин. Данные, используемые для адаптации обобщенных нейросетевых моделей к конкретным геолого-геофизическим условиям при строительстве новых скважин - это реально-временная информация геолого-технологических исследований, получаемая в процессе бурения новых скважин.The initial data for the formation of generalized models for identifying and predicting complications during drilling of oil and gas wells are archived geological and technological research (GTI) data obtained during drilling of wells in developed fields, which are used to form training samples and form a generalized neural network model for assessing the possibility of complications. in the process of well construction. The data used to adapt generalized neural network models to specific geological and geophysical conditions during the construction of new wells is real-time information from geological and technological research obtained during the drilling of new wells.
Функционирование предлагаемой автоматизированной системы выявления и прогнозирования осложнений при строительстве скважин осуществляется следующим образом.The functioning of the proposed automated system for identifying and predicting complications during well construction is carried out as follows.
Модуль сбора реально-временных данных ГТИ 1 принимает информацию геолого-технологических исследований от призабойной аппаратуры скважины и передает ее в архивную базу данных ГТИ 2 и в модуль предварительной обработки данных 3. На вход модуля предварительной обработки данных 3 передаются реально-временные данные геолого-технологических исследований(ГТИ), а на вход модуля 2 архивные данные ГТИ и связанная с ними контекстная информация.The module for collecting real-time data of
В модуле предварительной обработки данных ГТИ 3 осуществляется обработка, как архивных, поступающих из архивной базы данных геолого-технологических исследований 2, так и реально-временных данных ГТИ, поступающих от модуля сбора реально-временных данных с объекта строительства 1.In the module for preliminary processing of
В модуле предварительной обработки данных ГТИ 3 производится:In the
- очистка данных от выбросов и сбойных значений датчиков;- data cleaning from outliers and faulty sensor values;
- интерполяция значений параметров для пропущенных временных моментов и выравнивание частоты снятия показаний различных датчиков;- interpolation of parameter values for missing time moments and alignment of the frequency of taking readings of various sensors;
- нормировка данных, предназначенная для введения производных параметров, получаемых из показаний датчиков в процессе бурения, а также для ухода от размерностей входных данных и приведения их к нормированному виду перед подачей в модель нейронной сети и методов машинного обучения;- data normalization, intended for the introduction of derived parameters obtained from the readings of sensors during drilling, as well as for moving away from the dimensions of the input data and bringing them to a normalized form before being fed into the neural network model and machine learning methods;
- разбивка параметрических данных на кадры.- breakdown of parametric data into frames.
Прошедшие первичную обработку архивные данные передаются в модуль разметки данных геолого-технологических исследований 4, в котором эксперты с использованием контекстной информации в автоматизированном режиме производят их кластеризацию по типам прогнозируемых осложнений, формирование обучающих и тестовых массивов данных, которые поступают в размеченную базу данных ГТИ 5.The archived data that have undergone primary processing is transferred to the geological and technological research
Из размеченной базы данных ГТИ 5 информация поступает на первый вход модуля формирования, обучения и валидации обобщенных нейросетевых моделей 6. По результатам обработки размеченных архивных данных с реальных месторождений для выявления осложнений при строительстве скважин формируется обобщенная нейросетевая модель типа многослойный персептрон с бинарной классификацией, проводится ее тестирование и проверка точностных характеристик. С выхода модуля формирования, обучения и валидации обобщенных нейросетевых моделей 6 построенные модели ИНС поступают на первый вход модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9.From the labeled
Реально-временная информация ГТИ от призабойной аппаратуры при строительстве скважины, прошедшая предварительную подготовку, поступает на второй вход модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9, на вход модуля прогнозирования параметров ГТИ 7, где на основе регрессионной модели производится расчет прогнозных значений параметров на заданный временной интервал АТп, а также в модуль распознавания технологических операций 8 при строительстве скважин, в котором в автоматическом режиме производится идентификация типа текущей операции при проведении работ на скважине. Выходные данные с этих модулей поступают, соответственно, на третий и четвертый входы модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9.The real-time information of the GTI from the bottomhole equipment during the construction of the well, which has undergone preliminary preparation, is sent to the second input of the module for assessing the probabilities of complications based on the predicted and real-
Параллельно подготовленная реально-временная информация ГТИ, привязанная к типу технологической операции, поступает из модуля 8 в модуль формирования данных для адаптации нейросетевых моделей 11. Эта информация накапливается в хранилище данных в виде отдельных информационных массивов для каждой модели и скважины и поступает на второй вход модуля оперативной разметки данных для адаптации нейросетевых моделей 12.Parallel prepared real-time GTI information, tied to the type of technological operation, comes from
С выхода модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9 рассчитанные значения вероятностей поступают на вход модуля оценки рассогласования выходных значений нейросетевых моделей по прогнозным и реально-временным данным 10, в котором в котором по заданным метрикам на каждом интервале прогноза производится расчет критериев рассогласования для задачи регрессии: корень из среднеквадратической ошибки RMSE и коэффициент детерминации и для задачи классификации для каждого типа осложнений рассчитывается количество верно отнесенных (TP) к нему точек, неверно отнесенных (FP), и неверно не отнесенных (FN). После этого рассчитывается общее значение точности равное: TP/(TP+FP) и полноты = TP/(TP+FN).From the output of the module for assessing the probabilities of complications from predicted and real-
Временной интервал прогноза осложнений -N кадров данных ГТИ, минимальное значение по умолчанию принимается N=150.The time interval for forecasting complications is N GTI data frames, the default minimum value is N = 150.
При значениях критериев, рассчитанных на заданном количестве временных интервалов прогноза, меньше установленных пороговых значений делается вывод о допустимости использования текущей обобщенной нейросетевой модели для прогнозирования возникновения осложнений при строительстве новой скважины и прогнозные оценки с выхода модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9 поступают на вход модуля анализа и формирования предупреждений о возникновении осложнений 15, который является выходом системы по прогнозу возникновения осложнений заданных типов.When the values of the criteria calculated for a given number of forecast time intervals are less than the established threshold values, it is concluded that it is acceptable to use the current generalized neural network model to predict the occurrence of complications during the construction of a new well and predictive estimates from the output of the module for assessing the probabilities of complications from predicted and real-
При превышении критериев пороговых значений делается вывод о наличии рассогласования выхода текущей обобщенной нейросетевой модели с реальными геолого-геофизическими условиями при строительстве новой скважины, информация о возникновении рассогласования поступает на первый вход модуля оперативной разметки данных для адаптации нейросетевых моделей 12, в котором оператор автоматизированной системы размечает данные с учетом типа выполняемой технологической операции, выходных данных нейросетевой модели и действий оператора буровой установки.If the threshold values are exceeded, it is concluded that there is a mismatch between the output of the current generalized neural network model and real geological and geophysical conditions during the construction of a new well, information about the occurrence of the mismatch is received at the first input of the operational data labeling module for adapting neural network models 12, in which the operator of the automated system marks data taking into account the type of technological operation performed, the output of the neural network model and the actions of the operator of the drilling rig.
При этом принципиальным отличием модуля оперативной разметки данных для адаптации нейросетевых моделей 12 от модуля разметки данных ГТИ 4 является то, что разметка в нем осуществляется не экспертом в режиме постобработки, а оператором автоматизированной системы выявления и прогнозирования осложнений в реальном масштабе времени.At the same time, the fundamental difference between the operational data markup module for adapting neural network models 12 from the
Таким образом, в зависимости от величины рассогласования выходных значений нейросетевых моделей по прогнозным и реально-временным данным формируются выходы модуля 10:Thus, depending on the magnitude of the mismatch of the output values of neural network models according to the predicted and real-time data, the outputs of module 10 are formed:
- при величине рассогласования меньше заданного порогового значения формируется сообщение о корректности применения нейросетевой модели для прогнозирования осложнений на текущем временном интервале ΔTn и выдается на пятый вход модуля оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9;- when the value of the mismatch is less than a predetermined threshold value, a message is generated about the correctness of the neural network model application to predict complications in the current time interval ΔTn and is issued to the fifth input of the module for assessing the probabilities of complications from predicted and real-
- при величине рассогласования больше заданного порогового значения формируется сообщение о необходимости проведения адаптации, обобщенной нейросетевой модели, а также выдается на первый вход модуля оперативной разметки данных для адаптации нейросетевых моделей 12 команда на запуск контура обратной связи адаптации модели.- when the value of the mismatch is greater than a predetermined threshold value, a message is generated about the need for adaptation, a generalized neural network model, and a command is issued to the first input of the operational data labeling module for adapting neural network models 12 to start the model adaptation feedback loop.
Размеченные данные поступают на вход модуля адаптации (пересчета весовых коэффициентов) нейросетевых моделей 13. Адаптированные модели поступают на вход модуля проверки и замены обобщенных нейросетевых моделей 14, где производится их проверка на точность. Прошедшие проверку адаптированные модели поступают на второй вход модуля формирования, обучения и валидации обобщенных нейросетевых моделей 6, где производится замена текущих обобщенных нейросетевых моделей, и вероятностные оценки теперь рассчитываются в модуле оценки вероятностей возникновения осложнений по прогнозным и реально-временным данным 9 в соответствии с новыми моделями и выдаются на вход модуля анализа и формирования предупреждений о возникновении осложнений 15. На выход системы экспортируется прогноз возникновения осложнений, заданных типов с оценкой корректности применения нейросетевой модели на заданном временном интервале прогноза.The labeled data is fed to the input of the adaptation module (recalculation of the weight coefficients) of
Цикл адаптации, обобщенной нейросетевой модели для обеспечения адаптации к конкретным геолого-геофизическим условиям при проведении работ на новой скважине завершается и начинается накопление данных для выполнения следующего цикла адаптации.The adaptation cycle of a generalized neural network model to ensure adaptation to specific geological and geophysical conditions when working on a new well is completed and data accumulation begins to perform the next adaptation cycle.
Электронное оборудование автоматизированной системы выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин на основе применения искусственной нейронной сети с пошаговой адаптацией к конкретным геолого-геофизическим условиям включает в свой состав:The electronic equipment of an automated system for identifying and predicting complications during the construction of oil and gas wells based on the use of an artificial neural network with step-by-step adaptation to specific geological and geophysical conditions includes:
- серверную компоненту на базе высокопроизводительных ЭВМ с GPU, включающую: хранилища размеченных данных ГТИ; хранилище (библиотека) классификационных обобщенных нейросетевых моделей по заданным типам осложнений; программные компоненты модулей: 1, 3-6, 9, 15, см. фиг. 1;- a server component based on high-performance computers with a GPU, including: storage of marked GTI data; storage (library) of classification generalized neural network models for given types of complications; software components of modules: 1, 3-6, 9, 15, see Fig. one;
- клиентскую (мобильную) компоненту на базе ПЭВМ или ноутбука с высокопроизводительным GPU, включающую программные компоненты модулей: 1, 3, 7-15, см. фиг. 1;- a client (mobile) component based on a PC or laptop with a high-performance GPU, including software components of modules: 1, 3, 7-15, see Fig. one;
- оборудование телекоммуникационного и сетевого взаимодействия;- equipment for telecommunication and network interaction;
- комплекты инсталляционного программного обеспечения модулей 1,3-15 (см. фиг. 1.) в формате Docker.- sets of
Серверная компонента располагается в центре управления бурением (центре компетенций) нефтегазовой компании. Клиентская компонента располагается на буровой площадке и сопрягается с геолого-технологической аппаратурой непосредственно или через вычислительный узел, а также с серверной компонентой по выделенным телекоммуникационным каналам связи.The server component is located in the drilling control center (competence center) of the oil and gas company. The client component is located at the drilling site and interfaced with the geological and technological equipment directly or through a computing node, as well as with the server component via dedicated telecommunication channels.
Отличительной особенностью и достоинством предлагаемого технического решения является реализация контура обратной связи на основе организации применения регрессионной модели прогнозирования параметров геолого-технологических исследований и их сравнительного анализа с оценками, полученными по реальным данным, что позволяет автоматически выделять отклонения от штатных режимов функционирования системы, проводить оперативную разметку реально-временных данных и адаптацию (пересчет весовых коэффициентов) нейросетевых моделей в реальном масштабе времени.A distinctive feature and advantage of the proposed technical solution is the implementation of a feedback loop based on the organization of the application of a regression model for predicting the parameters of geological and technological research and their comparative analysis with estimates obtained from real data, which makes it possible to automatically distinguish deviations from the standard operating modes of the system, to carry out operational marking real-time data and adaptation (recalculation of weights) of neural network models in real time.
Основными преимуществами разработанной автоматизированной системы выявления и прогнозирования осложнений при строительстве скважин, по сравнению с рассмотренными выше известными решениями, является предоставление оператору инструмента непрерывного контроля корректности работы используемых обобщенных нейросетевых моделей, а также повышение точности и достоверности прогнозирования осложнений, путем их пошаговой адаптации к конкретным геолого-геофизическим условиям при строительстве новых нефтяных и газовых скважин (месторождений).The main advantages of the developed automated system for identifying and predicting complications during well construction, in comparison with the known solutions discussed above, is to provide the operator with a tool for continuous monitoring of the correct operation of the generalized neural network models used, as well as to improve the accuracy and reliability of predicting complications by step-by-step adaptation to specific geological -geophysical conditions during the construction of new oil and gas wells (fields).
Апробация автоматизированной системы выявления и прогнозирования осложнений при бурении нефтяных и газовых скважин на основе применения искусственной нейронной сети с пошаговой адаптацией к конкретным геолого-геофизическим условиям на тестовых и реальных данных показала сходимость прогнозируемых и реальных данных (корреляция) для осложнений типа "прихват", не связанных с обвальным шламом от верхнерасположенных горизонтов относительно горизонта бурения и "поглощение" - 89%, для осложнений типа "прихват", связанных с обвальным шламом от верхнерасположенных горизонтов относительно горизонта бурения - не менее 77%.Approbation of an automated system for identifying and predicting complications during drilling of oil and gas wells based on the use of an artificial neural network with step-by-step adaptation to specific geological and geophysical conditions on test and real data showed the convergence of predicted and real data (correlation) for complications of the "stuck" type, not associated with caving cuttings from the upper horizons relative to the drilling horizon and "absorption" - 89%, for complications such as "stuck" associated with caving cuttings from the upper horizons relative to the drilling horizon - at least 77%.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020129671A RU2745136C1 (en) | 2020-09-08 | 2020-09-08 | Automated system for identification and prediction of complications in the process of construction of oil and gas wells |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020129671A RU2745136C1 (en) | 2020-09-08 | 2020-09-08 | Automated system for identification and prediction of complications in the process of construction of oil and gas wells |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2745136C1 true RU2745136C1 (en) | 2021-03-22 |
Family
ID=75159107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020129671A RU2745136C1 (en) | 2020-09-08 | 2020-09-08 | Automated system for identification and prediction of complications in the process of construction of oil and gas wells |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2745136C1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113137221A (en) * | 2021-04-22 | 2021-07-20 | 西安科技大学 | Three-level gas leakage evaluation system and evaluation method for whole gas extraction system |
| CN114482885A (en) * | 2022-01-25 | 2022-05-13 | 西南石油大学 | Pressure-controlled drilling intelligent control system |
| CN114997485A (en) * | 2022-05-26 | 2022-09-02 | 中国石油天然气集团有限公司 | Overflow condition prediction model training method and device and overflow condition prediction method |
| RU2815013C1 (en) * | 2023-05-18 | 2024-03-11 | Публичное акционерное общество "Газпром нефть" (ПАО "Газпром нефть") | Method for checking reliability of values of technological parameters of well construction processes |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104121014A (en) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | Method for diagnosing type of leakage of drilled well based on neural network fusion technique |
| RU2602779C2 (en) * | 2014-12-03 | 2016-11-20 | Общество с ограниченной ответственностью "ТатАСУ" | Method of controlling conditions telemechanised oil-field facilities using neural network analysis |
| CN109508827A (en) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | A kind of drilling failure Early-warning Model based on time recurrent neural network |
| CN110443488A (en) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | The recognition methods of drilling well spill hazard, system and equipment based on convolutional neural networks |
| RU2723805C9 (en) * | 2019-08-20 | 2020-07-27 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Method and computer system for control of drilling of the wells |
-
2020
- 2020-09-08 RU RU2020129671A patent/RU2745136C1/en active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104121014A (en) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | Method for diagnosing type of leakage of drilled well based on neural network fusion technique |
| RU2602779C2 (en) * | 2014-12-03 | 2016-11-20 | Общество с ограниченной ответственностью "ТатАСУ" | Method of controlling conditions telemechanised oil-field facilities using neural network analysis |
| CN109508827A (en) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | A kind of drilling failure Early-warning Model based on time recurrent neural network |
| CN110443488A (en) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | The recognition methods of drilling well spill hazard, system and equipment based on convolutional neural networks |
| RU2723805C9 (en) * | 2019-08-20 | 2020-07-27 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Method and computer system for control of drilling of the wells |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113137221A (en) * | 2021-04-22 | 2021-07-20 | 西安科技大学 | Three-level gas leakage evaluation system and evaluation method for whole gas extraction system |
| CN113137221B (en) * | 2021-04-22 | 2024-03-22 | 西安科技大学 | Three-level gas leakage evaluation system and evaluation method for gas extraction full system |
| CN114482885A (en) * | 2022-01-25 | 2022-05-13 | 西南石油大学 | Pressure-controlled drilling intelligent control system |
| CN114482885B (en) * | 2022-01-25 | 2024-03-29 | 西南石油大学 | Intelligent control system for pressure-controlled drilling |
| CN114997485A (en) * | 2022-05-26 | 2022-09-02 | 中国石油天然气集团有限公司 | Overflow condition prediction model training method and device and overflow condition prediction method |
| CN114997485B (en) * | 2022-05-26 | 2023-10-03 | 中国石油天然气集团有限公司 | Overflow condition prediction model training method and device and overflow condition prediction method |
| RU2815013C1 (en) * | 2023-05-18 | 2024-03-11 | Публичное акционерное общество "Газпром нефть" (ПАО "Газпром нефть") | Method for checking reliability of values of technological parameters of well construction processes |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2745136C1 (en) | Automated system for identification and prediction of complications in the process of construction of oil and gas wells | |
| Gurina et al. | Application of machine learning to accidents detection at directional drilling | |
| CN109508827B (en) | Drilling accident early warning method based on time recursion neural network | |
| RU2723805C9 (en) | Method and computer system for control of drilling of the wells | |
| Li et al. | Diagnosis of downhole incidents for geological drilling processes using multi-time scale feature extraction and probabilistic neural networks | |
| US20220214474A1 (en) | System and method for real-time monitoring and optimizing operation of connected oil and gas wells | |
| WO2010019798A2 (en) | Bottom hole assembly configuration management | |
| CN105900022A (en) | Method and system for artificially intelligent model-based control of dynamic processes using probabilistic agents | |
| Li et al. | Abnormality detection for drilling processes based on Jensen–Shannon divergence and adaptive alarm limits | |
| Dmitrievsky et al. | On increasing the productive time of drilling oil and gas wells using machine learning methods | |
| Chernikov et al. | Application of artificial intelligence methods for identifying and predicting complications in the construction of oil and gas wells: problems and solutions | |
| Li et al. | Detection of downhole incidents for complex geological drilling processes using amplitude change detection and dynamic time warping | |
| Wu et al. | Real-time risk analysis method for diagnosis and warning of offshore downhole drilling incident | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| Gurina et al. | Forecasting the abnormal events at well drilling with machine learning | |
| Wang et al. | Time Series Data Analysis with Recurrent Neural Network for Early Kick Detection | |
| US11698473B2 (en) | Systems and methods for workflow to perform well logging operations tracking and efficiency assessment | |
| RU2745137C1 (en) | Automated system for identification and prediction of complications in the process of construction of oil and gas wells | |
| RU2753289C1 (en) | Method for predicting sticking of drilling pipes in process of drilling borehole in real time | |
| Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
| CN113312696B (en) | Bridge health condition dynamic prediction alarm method based on ARIMA algorithm | |
| WO2023009027A1 (en) | Method and system for warning of upcoming anomalies in a drilling process | |
| Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
| Antipova et al. | Data-driven model for the drilling accidents prediction | |
| Skalle et al. | Experience transfer for process improvement |