Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб

Шахбоз Шарифович Кодиров, Александр Леонидович Шестаков

Аннотация


Прихват колонны бурильных труб является одним из самых тяжелых видов аварий в бурении нефтяных и газовых скважин и оказывает существенное влияние на эффективность процесса бурения и стоимость скважины. Прогнозирование прихвата на стадии проектирования и в процессе бурения скважин позволяет минимизировать риск возникновения прихвата за счет выбора оптимального способа предупреждения для конкретных геолого-технических условий.

Статья посвящена разработке искусственной нейронной сети для прогнозирования прихвата колонны бурильных труб. Также приведен литературный обзор существующих методов прогнозирования прихватов. В качестве входных данных применяются важные и обобщающие факторы, влияющие на возникновение всех видов прихватов, что позволяет прогнозировать все виды прихватов колонн бурильных труб. С целью повышения восприимчивости входных данных к обучению нейронной сети производится преобразование элементов данных на субэлементы с последующей нормализацией. Экспериментальным методом выбирается тип и архитектура сети, а также ее гиперпараметры. Оценка качества работы сети производится методом кросс-валидация по k-блокам. Для нахождения оптимальной комбинации активационных функций с различными оптимизаторами проводятся экспериментальные исследования с дальнейшим анализом результатов.

Эксперименты реализованы на языке программирования Python c пакетами библиотек KERAS, TensorFlow и Matplotlib, а также в облачной платформе Colaboratory от компании Google.

Отличительной особенностью предлагаемого метода является то, что полученная модель прогнозирования легко может адаптироваться к новым данным, что часто происходит при бурении скважин на новых месторождениях.


Ключевые слова


прихват колонн бурильных труб; распознавание и прогнозирование; нейронные сети; многослойный персептрон; нормализация данных; кросс-валидация по k-блокам

Полный текст:

PDF

Литература


Самотой, А.К. Предупреждение и ликвидация прихватов труб при бурении скважин: учеб. пособие / А.К. Самотой. – М.: Недра, 1979. – 182 с.

Самотой, А.К. Анализ априорных данных о факторах, действующих при прихвате колонны труб / А.К. Самотой, О.В. Воротнюк // Борьба с осложнениями при бурении скважин: тр. ВНИИБТ. – 1973. – Вып. 7. – С. 28–37.

Аветисов, А.Г. Прогнозирование, предупреждение и ликвидация прихватов с использованием статистических методов / А.Г. Аветисов, М.М. Ахмадуллин, А.К. Самотой // Тематический научно-технический обзор. – М.: ВНИИОЭНГ, 1977. – С. 75–86.

Аветисов, А.Г. Методическое руководство по распознаванию, прогнозированию и предупреждению прихватов колонн труб методом последовательной диагностической процедуры / А.Г. Аветисов, М.М. Ахмадуллин, Н.Н. Кошелев. – Краснодар: ВНИИКРнефть, 1977. – 38 с.

Мирзаджанзаде, А.Х. Методическое руководство по применению методов распознавания образов при промывке и креплении скважин / А.Х. Мирзаджанзаде, А.И. Булатов, А.Г. Аветисов. – Краснодар, 1974. – 42 с.

Мирзаджанзаде, А.Х. Методические указания по применению статистических методов в бурении нефтяных и газовых скважин / А.Х. Мирзаджанзаде, А.Г. Аветисов, А.И. Булатов. – Краснодар, 1983. – 62 с.

Липатов, Е.Ю. Исследование и разработка технологии и технических средств для предупреждения и ликвидации прихвата бурильной колонны (на примере месторождений Среднего Приобья): моногр. / Е.Ю. Липатов. – Тюмень: ТюмГНГУ, 2015. – 128 с.

Abu-Abed, F.N. Development of Tools for the Analysis of Pre-Emergency Situations on the Drilling Rig Based on Neural Network Technologies // IIIrd International Innovative Mining Symposium. Environment Saving Mining Technologies. – 2018. – 41, 01025. – 8 p. DOI: 10.1051/e3sconf/20184101025

Абу-Абед, Ф.Н. Надежность объектов нефтегазодобывающей промышленности / Ф.Н. Абу-Абед // Газовая промышленность. – 2015. – № S720 (720). – С. 107–111.

Абу-Абед, Ф.Н. Автоматизированная система обнаружения предаварийных ситуаций на объектах нефтегазодобывающей промышленности / Ф.Н. Абу-Абед // Каротажник. – 2015. – № 5 (251). – С. 48–61.

Абу-Абед, Ф.Н. Снижение риска при строительстве газовых скважин на базе нейросетевой модели / Ф.Н. Абу-Абед // Газовая промышленность. – 2014. – № S712 (712). – С. 100–102.

Абу-Абед, Ф.Н. Обнаружение предаварийных ситуаций в процессе промышленного бурения нефтяных скважин: дис. … канд. техн. наук / Ф.Н. Абу-Абед. – Тверь, 2011. – 206 с.

Абу-Абед, Ф.Н. Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых / Ф.Н. Абу-Абед, Р.В. Допира // Программные продукты и системы. – 2010. – № 3. – С. 136–139.

Абу-Абед, Ф.Н. Разработка средств моделирования нейросетей / Ф.Н. Абу-Абед // Вестник Тверского государственного технического университета. – 2005. – № 7. – С. 125–129.

Murillo, A. Pipe sticking prediction and avoidance using adaptive fuzzy logic and neural network modeling / A. Murillo, J. Neuman, R. Samuel // Paper presented at Production and Operations Symposium held in Oklahoma City. – Oklahoma, USA, 2009. – 15 p. SPE 120128. DOI: 10.2118/120128-MS

Morteza, E.N. Prediction of drilling pipe sticking by active learning method (ALM) / E.N. Morteza, E. Peyman, J. Saeid // Academic Journals. Journal of Petroleum and Gas Engineering. – 2013. – Vol. 4 (7). – P. 173–183. DOI: 10.5897/JPGE2013.0166

Шолле, Ф. Глубокое обучение на Python: справ. пособие / Ф. Шолле. – СПб.: Питер, 2018. – 400 с.

Gulli, A. Deep Learning with Keras: hand book / A. Gulli, S. Pal. – Birmingham – Mumbai: Packt, 2017. – 310 p.

Хайкин, С. Нейронные сети: полный курс / С. Хайкин. – М.: Издат. дом «Вильямс», 2006. – 1104 с.

Рашка, С. Python и машинное обучение: справ. пособие / С. Рашка. – М.: ДМК Пресс, 2017. – 418 с.

Грас, Дж. Наука о данных с нуля: учеб. пособие / Дж. Грас. – СПб.: БХВ-Петербург, 2017. – 336 с.

Jojo, M. Learn Keras for Deep Neural Networks: hand book / M. Jojo. – Canada: Apress, 2019. – 192 p.

Ketkar, N. Deep Learning with Python: A Hands-on Introduction / N. Ketkar. – India: Apress, 2017. – 162 p. DOI: 10.1007/978-1-4842-2766-4




DOI: http://dx.doi.org/10.14529/ctcr190302

Ссылки

  • На текущий момент ссылки отсутствуют.