ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЕКТА ПРИ БУРЕНИИ СКВАЖИН, ПРОГНОЗИРОВАНИЕ АВАРИЙ ПРИ БУРЕНИИ

APPLICATION OF ARTIFICIAL INTELLIGENCE IN WELL DRILLING FOR ACCIDENT PREDICTION

Yaroslav Ruslanovich Likhoshersky

Student, Mining and Oil Faculty, Perm National Research Polytechnic University,

Russia, Kogalym

Nigmatov Lenar Gamirovich

Scientific supervisor, candidate of Technical Sciences, associate Professor, Perm National Research Polytechnic University,

Russia, Kogalym

АННОТАЦИЯ

В статье рассматривается проблема высокого уровня потерь времени при бурении скважин, связанных с авариями и осложнениями. Проведен анализ ограничений существующих систем геолого-технических исследований (ГТИ) и систем контроля промыслово-буровой информации (СКПБ), таких как скорость, зависимость от человеческого фактора и неспособность к комплексному анализу больших данных. В качестве решения предложена концепция внедрения технологий искусственного интеллекта, в частности рекуррентных нейронных сетей и методов машинного обучения, для перехода от диагностики к прагматичному прогнозированию аварийных ситуаций. Обоснована экономическая и технологическая эффективность предлагаемого подхода.

ABSTRACT

The article addresses the problem of high non-productive time (NPT) in well drilling caused by accidents and complications. An analysis is conducted of the limitations inherent in existing monitoring systems, such as geotechnical surveys (LWD/MWD) and drilling data acquisition systems, including their reactivity, dependence on the human factor, and inability to perform comprehensive analysis of big data. As a solution, the concept of implementing artificial intelligence technologies, specifically recurrent neural networks and machine learning methods, is proposed to shift from post-factum diagnostics to proactive prediction of critical situations. The economic and technological efficiency of the proposed approach is substantiated.

Ключевые слова: Искусственный интеллект, прогнозирование аварий, бурение скважин, геолого-технические исследования (ГТИ), система контроля и промыслово-буровой информации (СКПБ), машинное обучение, рекуррентные нейронные сети.

Key words: artificial intelligence, accident prediction, well drilling, geotechnical monitoring, drilling data acquisition system, machine learning, recurrent neural networks.

Введение

На сегодняшний день наблюдается высокий процент осложнений и аварий в процессе строительства скважин, основные причины их возникновения носят технологический и технический характер. По данным отраслевых исследований, на ликвидацию их последствий может затрачиваться до 15-20% от общего времени цикла, что существенно снижает экономическую эффективность проектов [1]. Существующие системы оперативного предупреждения осложнений, основанные на мониторинге ограниченного числа параметров, зачастую не обеспечивают требуемой достоверности и оперативности, не позволяя достичь цели безаварийной проводки. В связи с этим, повышение эффективности прогнозирования аварийных ситуаций за счет искусственного интеллекта является неотъемлемой задачей.

Рисунок 1. Классификация аварий

Актуальность

Развитие нефтегазовой отрасли характеризуется переходом к освоению месторождений со сложными геолого-техническими условиями, где риски возникновения аварийных ситуаций при бурении многократно возрастают. Существующие методы контроля, основанные на системах ГТИ и СКПБ, демонстрируют свою недостаточную эффективность, выступая скорее инструментами констатации факта уже произошедшего осложнения, чем его прогнозирования.

Ежегодно компании несут многомиллионные убытки, связанные с простоем оборудования, затратами на ликвидацию аварий и потерями бурового раствора. В условиях высокой волатильности цен на энергоресурсы и возрастающих требований к экономической эффективности проектов, задача снижения непродуктивного времени становится стратегической.

В связи с этим, актуальность данного исследования заключается в поиске и обосновании принципиально новых подходов к мониторингу процесса бурения. Технологии искусственного интеллекта, обладающие способностью к анализу больших данных, самообучению и выявлению скрытых паттернов, открывают путь к созданию интеллектуальных систем адаптивного прогнозирования, способных кардинально снизить аварийность и повысить рентабельность буровых работ.

Цель

Целью работы является анализ ограничений традиционных систем мониторинга процесса бурения и обоснование концепции применения технологий искусственного интеллекта для создания системы прогнозирования аварий и осложнений.

Для достижения поставленной цели необходимо решить следующие задачи:

• Выявить и систематизировать ключевые недостатки существующих систем ГТИ и СКПБ.
• Определить потенциал различных методов ИИ для устранения выявленных недостатков.
• Разработать концептуальную модель интеграции ИИ-моделей в существующую инфраструктуру сбора данных с обеспечением безопасности и минимального вмешательства в работу штатных систем.

Описание работы

Существующая схема обнаружения представлена методами физического наблюдения за технологией бурения, которые напрямую зависят от исполнителя работ, а также службами мониторинга ГТИ (геолого-технические исследования), которые по сути являются усовершенствованными методами физического наблюдения и прогнозирования осложнений. Основой системы ГТИ является сеть датчиков, установленных на буровом оборудовании. Эти датчики в режиме реального времени непрерывно измеряют ключевые технологические параметры, такие как:

• механическая скорость проходки;
• крутящий момент на роторе;
• расход бурового раствора;
• давление в бурильных трубах и в затрубном пространстве;
• груз на долоте;
• геохимические и газовые показатели раствора.

Получаемые данные стекаются в Систему Контроля и Промыслово-Буровой Информации (СКПБ) — специализированный программно-аппаратный комплекс. СКПБ выполняет функции сбора, первичной обработки, визуализации и архивирования всей поступающей информации. В рамках ГТ-менеджмента специалисты анализируют данные в СКПБ, выявляя аномалии в поведении параметров.

Вышеуказанный подход имеет множество недочетов, которые в той или иной мере может решить использование ИИ в промысловой деятельности. Рассмотрим каждую проблему в отдельности:

1. Реактивность вместо прогнозирования

ГТИ и СКПБ фиксируют отклонение параметров в момент, когда осложнение уже началось. Алгоритмы машинного обучения, анализируя исторические данные, выявляют скрытые паттерны и медленно развивающиеся тренды, которые не видны человеческому глазу.

2. Ограничения из-за большого объема данных

Современные буровые установки генерируют терабайты данных с тысяч датчиков. Оператор ГТИ физически не способен одновременно отслеживать все параметры в реальном времени и видеть сложные взаимосвязи между ними. Искусственный интеллект может обрабатывать и анализировать все потоки данных одновременно. Он не устает и не теряет концентрации, выявляя аномалии в многомерном пространстве параметров, что просто недоступно человеку.

3. Зависимость от человеческого опыта и субъективизм

Эффективность ГТИ напрямую зависит от квалификации и опыта геолога и бурового мастера. ИИ создает стандартизированную и объективную модель принятия решений. Он опирается не на интуицию одного специалиста, а на статистический анализ тысяч часов бурения, выявляя объективные причинно-следственные связи.

4. Неспособность к адаптации и обучению

Традиционные системы СКПБ работают по заложенным в них алгоритмам и порогам срабатывания. Они не умеют "учиться" на новых данных. Если начинается новый, ранее не встречавшийся тип осложнения, система его, скорее всего, пропустит.

Алгоритмы машинного обучения по своей природе являются самообучающимися. Чем больше данных они обрабатывают (в т.ч. с новых скважин), тем точнее становятся их прогнозы. Они адаптируются к изменяющимся геологическим условиям.

5. Слабая интеграция разнородных данных

СКПБ хорошо работает с данными механики бурения, но слабо интегрирует их с данными сейсморазведки, каротажа, геохимии и бурового раствора в единую прогнозную модель. Анализ этих данных часто ведется разными службами разрозненно.

ИИ-модели могут строить комплексные цифровые двойники скважины и процесса бурения. Они объединяют данные всех типов — от 3D сейсмики в реальном времени до данных о вибрации долота, — чтобы дать целостную картину и прогноз.

Заключение

Традиционные системы мониторинга ГТИ и СКПБ, являясь основным источником данных, достигли своего концептуального предела в части прогнозирования аварий в силу присущих им системе реагирования, зависимости от человеческого фактора и неспособности к комплексному анализу разнородных данных в реальном времени.

Технологии искусственного интеллекта предлагают принципиальное решение указанных проблем. Алгоритмы машинного обучения, и в особенности рекуррентные нейронные сети, способны выявлять скрытые факторы аварий, анализируя временные ряды и многопараметрические зависимости, не доступные для восприятия оператором.

Внедрение ИИ способствует смене парадигмы: от управления последствиями аварий к управлению рисками их возникновения, что кардинально снижает уровень непроизводительного времени.

Предлагаемая концепция построения самообучающейся системы на основе «цифрового двойника» процесса бурения не подменяет собой опыт персонала, а значительно усиливает его, предоставляя объективную, аналитически обоснованную рекомендацию для принятия решения.

Таким образом, интеграция искусственного интеллекта в процесс бурения скважин является необходимым условием для повышения безопасности, экономической эффективности и технологической состоятельности современных нефтегазовых проектов. Дальнейшие исследования в данной области должны быть сосредоточены на разработке конкретных архитектурных решений и апробации моделей на реальных промысловых данных.

Список литературы:

1. А. Д. Черников, Н. А. Еремин, В. Е. Столяров, А. Г. Сбоев, О. К. Семенова-Чащина, Л. К. Фицнер // Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения. – 2022. – № 5. – С. 45-52.
2. Н. А. Еремин, Д. А. Селенгинский // О возможностях применения методов искусственного интеллекта в решении нефтегазовых задач. – 2021. – № 3. – С. 5-20.
3. Ш. Ш. Кодиров, А. Л. Шестаков // Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб. – 2020. – № 4 (44). – С. 62-69.
4. А. И. Варламов, Г. Н. Гогоненков, П. Н. Мельников, Е. Н. Черемисина // Состояние и перспективы развития цифровых технологий в нефтегазовой геологии и недропользовании россии - Министерство энергетики Российской Федерации. – Москва : ВНИИОЭНГ, 2021. – №3 – 45 с.