Аннотации:
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. Stuck piping is a common problem with tremendous impact on drilling efficiency and costs in oil industry. Prediction of stuck at the stage of designing and in the process of drilling wells, minimizes
the risk of the occurrence of sticking, due to the choice of the optimal method of prevention for specific geological and technical conditions.
The article is devoted to the development of an artificial neural network for prediction of sticking of drill pipe columns. The paper provides a literature review of existing methods of prediction of
30 Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control, Radio Electronics.
2019, vol. 19, no. 3, pp. 20-32
Кодиров Ш.Ш., Шестаков А.Л. Разработка искусственной нейронной сети
для прогнозирования прихватов колонн бурильных труб
sticks. As input data elements are used important and generalizing factors influencing the emergence of all types of sticks, which allows predicting all types of sticks of drill pipe columns. In order to increase
the susceptibility of the input data to the neural network, the data elements are transformed and normalized. The type and architecture of the network, as well as its hyperparameters, are chosen by the experimental method. Assessment of the quality of the network is made by the method of k-fold cross-validation. In order to find the optimal combination of activation function with various optimizers, experimental research is carried out with the analysis of their results.
The experiments were implemented in the Python programming language with KERAS, TensorFlow and Matplotlib library packages, as well as in the cloud platform Colaboratory from Google.
A distinctive feature of the proposed method is that the resulting forecasting model can be easily adapted to new data, which often occurs when drilling wells in new fields.
Описание:
Кодиров Шахбоз Шарифович, аспирант, младший научный сотрудник кафедры информационно-
измерительной техники, Южно-Уральский государственный университет, г. Челябинск; asp 18kss327@susu.ru.
Шестаков Александр Леонидович, д-р техн. наук, профессор, ректор, Южно-Уральский государственный
университет, г. Челябинск; admin@susu.ac.ru. Sh.Sh. Qodirov, asp18kss327@susu.ru,
A.L. Shestakov, admin@susu.ac.ru
South Ural State University, Chelyabinsk, Russian Federation