Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб
Автор: Кодиров Шахбоз Шарифович, Шестаков Александр Леонидович
Рубрика: Информатика и вычислительная техника
Статья в выпуске: 3 т.19, 2019 года.
Бесплатный доступ
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.
Прихват колонн бурильных труб, распознавание и прогнозирование, нейронные сети, многослойный персептрон, нормализация данных, кросс-валидация по k-блокам
Короткий адрес: https://sciup.org/147232265
IDR: 147232265 | УДК: 004.032.26 | DOI: 10.14529/ctcr190302
Development of artificial neural network for predicting drill pipe sticking
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 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.
Список литературы Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб
- 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
