СОЗДАНИЕ МЕТОДИКИ ПО ПРОГНОЗИРОВАНИЮ И ВЫЯВЛЕНИЮ АВАРИИ ГАЗОНЕФТЕВОДОПРОЯВЛЕНИЯ С ПОМОЩЬЮ ЦИФРОВЫХ ТЕХНОЛОГИЙ

CREATION OF A METHODOLOGY FOR PREDICTING AND DETECTING AN ACCIDENT OF GAS AND OIL PRODUCTION WITH THE HELP OF DIGITAL TECHNOLOGIES

Anastasia Sharafutdinova

master's student, Department of Automated Control Systems, Ufa state aviation technical University,

Russia, Ufa

Elena Dron

scientific supervisor, Candidate of Sciences in Technical, associate professor, Ufa state aviation technical University,

Russia, Ufa

АННОТАЦИЯ

Статья описывает разработку методики прогнозирования и выявления аварий газонефтеводопроявлений с использованием цифровых технологий, включая метод наименьших квадратов. Автор исследования представляет результаты анализа данных, полученных с помощью датчиков и других устройств, установленных на объектах нефтегазовой отрасли. Результаты исследования позволяют улучшить систему мониторинга и предотвращения аварий на объектах нефтегазовой отрасли. Статья будет полезна для специалистов в области нефтегазовой промышленности, а также для тех, кто интересуется применением цифровых технологий в промышленности.

ABSTRACT

The article describes the development of a methodology for predicting and detecting accidents of gas and oil occurrences using digital technologies, including the least squares method. The author of the study presents the results of the analysis of data obtained using sensors and other devices installed at oil and gas industry facilities. The results of the study make it possible to improve the system of monitoring and prevention of accidents at oil and gas industry facilities. The article will be useful for specialists in the oil and gas industry, as well as for those who are interested in the application of digital technologies in industry.

Ключевые слова: линейное регрессионное уравнение, газонефтеводопроявление, влияющие факторы, KPI, поглощение бурового раствора.

Keywords: linear regression equation, oil and gas occurrence, influencing factors, KPI, drilling mud absorption.

Введение

Нефтегазовая отрасль является одной из наиболее важных и перспективных отраслей промышленности. Однако, в связи с особенностями добычи и транспортировки нефти и газа, этот сектор также является одним из самых опасных и рискованных. Аварии на объектах нефтегазовой отрасли могут привести к серьезным последствиям для окружающей среды и здоровья людей. В данной статье рассматривается разработка методики прогнозирования и выявления аварий газонефтеводопроявлений с использованием цифровых технологий, которая может помочь предотвратить подобные происшествия.

Основная часть

Модель линейной множественной регрессии (Multiple Linear Regression)- это практичная статистическая модель для оценки связей между непрерывной зависимой переменной и переменными-предикторами.

Множественной называют линейную регрессию, в модели которой число независимых переменных две или более.

Уравнение множественной линейной регрессии имеет вид:

Y_{расчетн} = b₀ + b₁x₁ + b₂x₂ + … + b_nx_n                                                                           (1)

Y – исследуемый параметр;

 x₀ , x₁, x₂ – исследуемые факторы;

b₀ , b₁, b₂ – неизвестные коэффициенты.

Рассмотрим построение линейной множественной регрессии на примере аварии газонефтеводопроявления (ГНВП). Будем считать, что исследуемый параметр Y – это проявление аварии ГНВП, а параметры X₁, X₂, X₃, X_n – это влияющие факторы на проявление аварии.

Факторами X₁, X₂, X₃, X_n будем считать следующие параметры:

• Общий объем бурового раствора V_общ, л
• Расход бурового раствора Q_бур
• Давление на выходе Р_вых, атм
• Нагрузка на долото Gо, кН/мм
• Момент кручения буровой колонны, кН/м
• Механическая скорость (υ м), м/ч
• Объемное газосодержание в промывочной жидкости βг, % .

В таблице 1 приведены значения параметров по скважинам и с оценкой экспертов вероятности возникновения аварии ГНВП.

Таблица 1.

Таблица значений факторов

До того как приступить к шагам построения уравнения Y= F(..Xn), необходимо убедиться, что каждый фактор Х существенно влияет на показатель Y. Если в процессе установки зависимости окажется, что какой-то из факторов не оказывает влияния на результирующий результат, то данный фактор включаться в итоговое уравнение не будет. Необходимо провести расчет всех возможных комбинаций между Y и факторами X.

В таблице 2 приведены зависимости между Y и факторами X.

Будем считаем, что связь между параметрами есть, если коэффициент корреляции превышает |0,5|. Все рассматриваемые параметры, кроме параметра «Механическая скорость бурения» (0,46) имеют связь с возникновением аварии ГНВП. Данный параметр не будет учитываться при построении регрессионного уравнения.

Таблица 2.

Зависимости между Y и факторами X.

Некоторые факторы могут оказаться взаимосвязаны друг от друга.  В таком случае нет необходимости включать их при построении модели. Если коэффициент корреляции между факторами меньше 0,5, то при построении модели их следует учитывать оба, так как они никак не связаны между собой. Если коэффициент корреляции между факторами больше 0,5, то необходимо провести выбор в пользу какого-то одного фактора, который будет использоваться в модели. В данном случае выбор будет в пользу того фактора, у которого связь с исследуемым параметром (аварией) выше.

Например, общий объем бурового раствора имеет коэффициент корреляции с расходом бурового раствора 0,39, что означает, что параметры между собой связь не имеют и в расчет регрессионного уравнения аварии ГНВП следует использовать оба параметра. Однако общий объем бурового раствора имеет связь с параметром плотности бурового раствора (-0,61), что говорит о том, что в регрессионное уравнение включать оба параметра не имеет смысла. Один из рассматриваемых параметров, который влияет меньше на вероятность возникновения аварии ГНВП, следует исключить, в данном случае плотность бурового раствора (-0,67) имеет более высокую связь с исследуемым фактором, чем общий объем бурового раствора (0,57). Получим результирующую таблицу (таблица 3).

Таблица 3.

Результирующая таблица параметров

Произведем расчет множественной регрессии.по формуле (1). В рассматриваемом примере необходимо найти 4 неизвестных параметра b. Для этого необходимо рассчитать статистику для ряда с применением метода наименьших квадратов, чтобы вычислить прямую линию, которая наилучшим образом аппроксимирует имеющиеся данные и затем возвращает массив, который описывает полученную прямую. Массив матрицы значений, в которой количество столбцов равняется числу неизвестных коэффициентов b регрессионного уравнения:

Ниже в таблице 4 представлены неизвестные коэффициенты b:

Таблица 4.

Таблица коэффициентов исследуемых параметров

Поскольку коэффициенты, вносимые в исследуемые факторы вес найдены, получим линейное регрессионное уравнение для выявления риска ГНВП (KPI):

KPI = 0,7263 + 0,0861× Q_бур + (-0,0005) × Т + 0,0031 ×βг                                                       (2)

Q_бур - расход бурового раствора;

Т - момент кручения буровой колонны

βг - Объемное газосодержание в промывочной жидкости.

На рисунке 1 изображен график сопоставимости вероятности возникновения ГНВП с вычисленным KPI по параметрам. Для прогноза возникновения аварии система будет вычислять KPI и по этому значению выдавать прогноз возникновения аварии.

Рисунок 1. График сопоставимости вероятности возникновения ГНВП с вычисленным KPI

При достижении KPI выше 0,5 следует принимать меры по предотвращению возникновения аварии.

ГНВП часто сопровождается поглощением БР, причем в этот момент буровой раствор заменяется газом. Для минимизации эффекта поглощения бурового раствора рекомендуется использовать разнофракционную кальматирующую пачку. Для ликвидации возникновения аварии необходимо закрыть дроссельную задвижку на устье скважины. Если эта задвижка не будет закрыта, то значительное количество бурового раствора продолжит выходить, и скважина будет практически полностью заполнена газом. Поскольку газ имеет высокую степень подвижности, что влечет к возникновению опасной ситуации.

Заключение

Разработка методики прогнозирования и выявления аварий газонефтеводопроявлений с использованием цифровых технологий является важным шагом в повышении безопасности нефтегазовой отрасли. Главным преимуществом методики является необходимость отслеживать только один параметр, а не несколько. Поскольку анализ каждого параметра в отдельности может свидетельствовать о проявлении сразу нескольких возможных аварий, однако при анализе параметров в совокупности (через расчет KPI) система достаточно точно диагностирует вид аварии на начальном этапе, что является ее главным преимуществом. Расчет KPI происходит для каждой скважины индивидуально в зависимости от геолого-геофизических характеристик разбуриваемого интервала. Недостатком данной методики является необходимость в выборке значений параметров, при которых была зарегистрирована авария.

Список литературы:

1. Алали Валид. Еремин Н.А. О созданной в ИПНГ РАН интеллектуальной системе предупреждения осложнений при строительстве скважин на суше и на море // Экспозиция Нефть Газ. 2023. Том 1. С. 27-32.
2. Гончаров А.С., Савельев А.О., Саклаков В.М. Алгоритмическое обеспечение интеграции данных о состоянии бурения скважин, получаемых из распределенных гетерогенных источников // XIV Международная научно-практическая конференция, Томск, 28–30 ноября 2018 г. Томск, 2018 С. 22-26.
3. Еремин Н.А. Цифровые тренды в нефтегазовой отрасли // Нефть и газ. №12.2017
4. Мазмишвили А.И. Теория ошибок и метод наименьших квадратов: учеб. пособие. Недра, Москва: Математические методы, 1978 г. – 200 с.