Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин

Дмитриевский, А.Н.; Еремин, Н.А.; Филиппова, Д.С.; Сафарова, Е.А.; Бороздин, С.О.

Авторы: Дмитриевский А.Н., Еремин Н.А., Филиппова Д.С., Сафарова Е.А., Бороздин С.О.
Журнал: Socar Proceedings
Номер: 3
Год издания: 2020
Первая страница: 31
Последняя страница: 37
DOI: 10.5510/OGP20200300442
Аннотация: Qualitative Analysis of Time Series GeoData to Prevent Complications and Emergencies During Drilling of Oil and Gas WellsA.N.Dmitrievsky1,2, N.A.Eremin*1,2, E.A.Safarova2, D.S.Filippova2, S.O.Borozdin11 Gubkin Russian State University of Oil and Gas (National Research University), Moscow, Russia;2 Oil and Gas Research Institute of Russian Academy of Sciences, Moscow, Russiahttp://dx.doi.org/10.5510/OGP20200300442A b s t r a c tThe purpose of the article is a systematic analysis of drilling data obtained from geological and technological measurement stations in real time, taking into account the geological characteristics of the area being drilled for further forecasting the possibility of complications and accidents during drilling and construction of oil and gas wells. Comprehensive analysis showed the lack of basic software for the recognition and prevention of complications and emergencies based on dataobtained in real time. An equally important problem is the lack of reliable lithological and stratigraphic information on the description of sludge during geological and technological measurements. The list of geological and geophysical data required to solve the problem of preventing complications and accidents during the drilling of oil and gas wells has been determined. Geological and technological parameters along thewellbore depth obtained in real time were classified according to the degree of theirapplicability in machine learning methods.Keywords:Geological and technological research;Prevention of accidents and troubles;The formation of grooves in rocks;Geological features; Sticking;Artificial intelligence;Automated system;True vertical depth;Well construction;Data quality.References1. Aldred, W., Plumb, D., Bradford, I., et al. (1999). Managing drilling risk. Oilfield Review, 11(2), 2-19.2. Eremin, N.A., Chernikov, A.D., Sardanashvili, O.N. i dr. (2020). Cifrovye tekhnologii stroitel'stva skvazhin. Sozdanie vysokoproizvoditel'noj avtomatizirovannojsistemy predotvrashcheniya oslozhnenij i avarijnyhsituacij v processe stroitel'stva neftyanyh i gazovyh skvazhin. Delovoj zhurnal «Neftegaz.Ru», 4(100), 38-50.3. Dmitrievsky, A.N., Duplyakin, V.O., Eremin,N.A., Kapranov, V.V. (2019). Algorithm for creatinga neural network model for classification in systems for preventing complications and emergencies in construction of oil and gas wells. Sensors & Systems, 12(243), 3-10.4. RD 39-0148369-519-88R. (1988). Instrukciya potekhnologii bureniya naklonno-napravlennyh skvazhinna neftyanyh mestorozhdeniyah Permskogo Prikam'ya.Perm: PermNIPIneft'.5. Ivlev, A., Eremin, N., (2018). Petrobotics: robotic drilling systems. Drilling and Oil, 2, 8-13.6. Dmitrievsky, A.N., Eremin, N.A., Stolyarov, V.E.(2019). Digital transformation of gas production. In: IOP Conference Series: Materials Science and Engineering, Vol. 700, 012052.7. Abukova, L.A., Dmitrievsky, A.N., Eremin, N.A.(2017). Digital modernization of Russian oil and gas complex. Oil Industry, 11, 54-58.8. Eremin, N.A., Stolyarov, V.S. (2020). On thedigitalization of gas production in the late stages of field development. SOCAR Proceedings, 1, 059-069.9. Loermans, T. (2017). AML (advanced mud logging): first among equals. Georesources, 19(3), 1, 216-221.10. Lind, Yu.B., Mulyukov, R.A., Kabirova, A.R.,Murzagalin, A.R. (2013). Online prediction of troubles in drilling process. Oil Industry, 2, 55-57.11. Alotaibi, B., Aman, B., Nefai, M. (2019, March). Real-time drilling models monitoring using artificial intelligence. SPE-194807-MS. In SPE Middle East Oil and Gas Show and Conference. Society of Petroleum Engineers.12. Brown, D.F., Cuddy, S.J., Garmendia-Doval,A.B., MC Call, J.A.W. (2000, July). The predictionof permeability in oil-bearing strata using geneticalgorithms. In Third IASTED International Conference Artificial Intelligence and Soft Computing.13. Efendiyev, G., Mammadov, P., Piriverdiyev, I.,Mammadov, V. (2018). Estimation of the lost circulation rate using fuzzy clustering of geological objects by petrophysical properties. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 2(81), 28–33.14. Efendiyev, G.M., Mammadov, P.Z., Piriverdiyev,I.A. (2019, August). Modeling and evaluation of rock properties based on integrated logging while drilling with the use of statistical methods and fuzzy logic. In 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions, ICSCCW-2019. Vol. 1095, 503-511.15. Gurina, E., Klyuchnikov, N., Zaytsev, A., et al. (2020). Application of machine learning to accidents detection at directional drilling. Journal of Petroleum Science and Engineering, 184, 106519.16. Kanfar, R., Shaikh, O., Yousefzadeh, M., Mukerji, T. (2020, January). Real-time well log prediction from drilling data using deep learning. IPTC-19693-MS. In International Petroleum Technology Conference.17. Mayani, M.G., Baybolov, T., Rommetveit, R., et al. (2020, February). Optimizing drilling wells and increasing the operation efficiency using digital twin technology. SPE- 199566-MS. In IADC/SPE International Drilling Conference and Exhibition. Society of Petroleum Engineers.18. Noshi, C.I., Schubert, J.J. (2018, October). The role of machine learning in drilling operations. A review. SPE- 191823-18ERM-MS. In SPE/AAPG Eastern Regional Meeting. Society of Petroleum Engineers.19. Dmitrievsky, A.N., Eremin, N.A., Filippova, D.S., Safarova, E.A. (2020). Digital oil and gas complex of Russia. Georesources, Special Issue, 32–35.20. Arkhipov, A.I., Dmitrievsky, A.N., Eremin, N.A., et al. (2020). Data quality analysis of the station of geological and technological researches in recognizing losses and kicks to improve the prediction accuracy of neural network algorithms. Oil Industry, 8, 63-67.21. Chernikov, A.D., Eremin, N.A., Stolyarov, V.E., et al. (2020). Application of artificial intelligence methods for detecting and predicting complications in the construction of oil and gas wells, problems and main solutions. Georesources, 22(3), 90-99.Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважинА.Н.Дмитриевский1,2, Н.А.Еремин1,2, Е.А.Сафарова2,Д.С.Филиппова2, С.О.Бороздин11 Российский государственный университет нефти и газа (НИУ) имени И.М.Губкина, Москва, Россия; 2 Институт проблем нефти и газа Российской Академии Наук (ИПНГ РАН), Москва, Россияhttp://dx.doi.org/10.5510/OGP20200300442РефератЦелью статьи является системный анализ буровых данных, получаемых со станций геолого-технологических измерений в режиме реального времени, с учетом геологических особенностей разбуриваемой площади для дальнейшего прогноза возможности возникновения осложнений и аварийных ситуаций при бурении и строительстве нефтяных и газовых скважин. Комплексный анализ показал отсутствие базового программного обеспечения для распознавания и предупреждения осложнений и аварий-ных ситуаций на основе данных, получаемых в режиме реального времени. Не менее важной проблемой является отсутствие достоверной литолого-стратиграфической информации по описанию шламу при проведении геолого-технологического измерений. Определен перечень геолого-геофизических данных, необходимый для решения задачи предупреждения осложнений и аварийности при бурении и строительстве нефтяных и газовых скважин. Геолого-технологические параметры по глубине стволаскважины, получаемые в режиме реального времени, были классифицированы по степени их применимости в методах машинного обучения.Ключевые слова: качество данных; геологические особенности; геолого-технологические исследования; прихват; желобообразование; предотвращение аварий иосложнений; искусственный интеллект; автоматизированная система; строительство скважин; вертикальная глубина забоя скважины.ВыводыСозданная автоматизированная система позволит осуществлять прогнозирование и ранее выявление опасных ситуаций в реальном времени и повысит эффективность работы оператора ГТИ и бурильщика. Описанные в данной статье подходы к качественному анализу геоданных позволяют добиться следующих ключевых результатов:1. Улучшенное предсказание проявления осложнений, что дает буровой бригаде возможность для более раннего принятие ответственных решений.2. Ускоренный доступ к большому объему данных за счет разметки и систематизации накопленной информации.3. Уточнение предоставляемых буровых данных для повышения достоверности и точности расчетов.Дальнейшая работа будет направлена на расширение наборов данных со станций геолого-технологических измерений, соответственно оценку на них точности предлагаемых моделей и их уточнение. Результаты проведенных исследований планируются к использованию по дальнейшему развитию созданной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства высоко-технологичных нефтяных и газовых скважин на основе постоянно действующих геолого-технологических моделей цифровых месторождений.Статья подготовлена в рамках выполнения работ ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014 – 2020 годы» по теме: «Разработка высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин на основе постоянно действующих геолого-технологических моделей месторождений с применением технологии искусственного интеллекта и индустриальногоблокчейна для снижения рисков проведения геолого-разведочных работ, в т.ч. на шельфовых проектах» по Соглашению с Министерством науки и высшего образования РФ о выделении субсидии в виде гранта от 22 ноября 2019 г. № 075-15-2019-1688, уникальный идентификатор проекта RFMEFI60419X0217.Литература1. Aldred, W., Plumb, D., Bradford, I., et al. (1999). Managing drilling risk. Oilfield Review, 11(2), 2-19.2. Еремин, Н.А., Черников, А.Д., Сарданашвили, О.Н.и др. (2020). Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин. Деловой журнал «Neftegaz.Ru», 4(100), 38-50.3. Дмитриевский, А.Н., Дуплякин, В.О., Еремин,Н.А., Капранов, В.В. (2019). Алгоритм создания нейросетевой модели для классификации в системахпредупреждения осложнений и аварийных ситуацийпри строительстве нефтяных и газовых скважин.Датчики и системы, 12(243), 3-10.4. РД 39-0148369-519-88Р. (1988). Инструкция потехнологии бурения наклонно-направленных скважин на нефтяных месторождениях Пермского Прикамья. Пермь: ПермНИПИнефть.5. Ивлев, А.П., Еремин, Н.А. (2018). Петророботика: роботизированные буровые комплексы. Бурение и нефть, 2, 8-13.6. Dmitrievsky, A.N., Eremin, N.A., Stolyarov, V.E.(2019). Digital transformation of gas production. In IOP Conference Series: Materials Science and Engineering, Vol. 700, 012052.7. Абукова, Л.А., Дмитриевский, А.Н, Еремин, Н.А. (2017). Цифровая модернизация нефтегазовогокомплекса России. Нефтяное хозяйство, 11, 54-58.8. Еремин, Н.А., Столяров, В.Е. (2020). О цифровизации процессов газодобычи на поздних стадиях разработки месторождений. SOCAR Proceedings, 1, 059-069.9. Лоерманс, Т. (2017). Расширенные геолого-технические исследования скважин: первые среди равных. Георесурсы, 19(3), 1, 216-221.10. Линд, Ю.Б., Мулюков, Р.А., Кабирова, А.Р.,Мурзагалин, А.Р. (2013). Оперативное прогнозирование осложнений при бурении. Нефтяное хозяйство, 2, 55-57.11. Alotaibi, B., Aman, B., Nefai, M. (2019, March). Real-time drilling models monitoring using artificial intelligence. SPE-194807-MS. In SPE Middle East Oil and Gas Show and Conference. Society of Petroleum Engineers.12. Brown, D.F., Cuddy, S.J., Garmendia-Doval,A.B., MC Call, J.A.W. (2000, July). The prediction of permeability in oil-bearing strata using geneticalgorithms. In Third IASTED International Conference Artificial Intelligence and Soft Computing.13. Efendiyev, G., Mammadov, P., Piriverdiyev, I.,Mammadov, V. (2018). Estimation of the lost circulation rate using fuzzy clustering of geological objects by petrophysical properties. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 2(81), 28–33.14. Efendiyev, G.M., Mammadov, P.Z., Piriverdiyev,I.A. (2019, August). Modeling and evaluation of rock properties based on integrated logging while drilling with the use of statistical methods and fuzzy logic. In 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions, ICSCCW-2019. Vol. 1095, 503-511.15. Gurina, E., Klyuchnikov, N., Zaytsev, A., et al. (2020). Application of machine learning to accidents detection at directional drilling. Journal of Petroleum Science and Engineering, 184, 106519.16. Kanfar, R., Shaikh, O., Yousefzadeh, M., Mukerji, T. (2020, January). Real-time well log prediction from drilling data using deep learning. IPTC-19693-MS. In International Petroleum Technology Conference.17. Mayani, M.G., Baybolov, T., Rommetveit, R., et al. (2020, February). Optimizing drilling wells and increasing the operation efficiency using digital twin technology. SPE- 199566-MS. In IADC/SPE International Drilling Conference and Exhibition. Society of Petroleum Engineers.18. Noshi, C.I., Schubert, J.J. (2018, October). The role of machine learning in drilling operations. A review. SPE- 191823-18ERM-MS. In SPE/AAPG Eastern Regional Meeting. Society of Petroleum Engineers.19. Дмитриевский, А.Н., Еремин, Н.А., Филиппова,Д.С., Сафарова, Е.А. (2020). Цифровой нефтегазовыйкомплекс России. Георесурсы, Спецвыпуск, 32–35.20. Архипов, А.И., Дмитриевский, А.Н., Еремин, Н.А. и др. (2020). Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов. Нефтяное хозяйство, 8, 63-67.21. Chernikov, A.D., Eremin, N.A., Stolyarov, V.E., et al. (2020). Application of artificial intelligence methods for detecting and predicting complications in the construction of oil and gas wells, problems and main solutions. Georesources, 22(3), 90-99.Neft və qaz quyularının qazılması zamanı mürəkkəbləşmə və qəza vəziyyətlərinin qarşısının alınması üçün zaman sırası üzrə geoloji məlumatların keyfiyyətli təhliliА.N.Dmitriyevskiy1,2, N.A.Eremin1,2, Е.А.Safarova2,D.S.Filippova2, S.О.Borozdin11İ.M. Qubkin adına Rusiya Dövlət Neft və Qaz Universiteti (ETU), Moskva, Rusiya;2REA-nın Neft və Qaz Problemləri İnstitutu, Moskva, Rusiyahttp://dx.doi.org/10.5510/OGP20200300442XülasəMəqalənin məqsədi neft və qaz quyularının qazılması və tikintisi zamanı nürəkkəbləşmə və qəza vəziyyətlərinin baş vermə ehtimallarının proqnozlaşdırılması üçün qazılan əraziningeoloji xüsusiyyətlərinin nəzərə alınması ilə geoloji-texnoloji ölçmə stansiyalarından real vaxt rejimində alınan qazma məlumatlarının sistemli şəkildə təhlilindən ibarətdir. Aparılan kompleks təhlil nəticəsində real vaxt rejimində alınan məlumatlar əsasında mürəkkəbləşmə və qəza vəziyyətlərinin müəyyənləşdirilməsi və qarşısının alınması üçün baza proqram təminatının olmadığı müəyyən edilmişdir. Geoloji-texnoloji ölçmələrin aparılması zamanı şlamların təsvirinə əsasən etibarlı litoloji-stratiqrafik məlumatların olmaması da eyni dərəcədə vacib problemlərdəndır. Neft və qaz quyularının qazılması və tikintisi zamanı mürəkkəbləşmə və qəzaların qarşısının alınması məsələlərinin həlli üçün zəruri geolojigeofiziki məlumatların siyahısı müəyyən edilmişdir. Quyu lüləsinin dərinliyi üzrə real vaxt rejimində alınan geoloji-texnoloji parametrlər maşın öyrənmə üsulları vasitəsilə tətbiq dərəcələrinə görə təsnif edilmişdir.Açar sözlər: məlumatların keyfiyyəti; geoloji xüsusiyyətlər; geoloji-texnoloji tədqiqatlar; tutulma; novəmələgəlmə; mürəkkəbləşmə və qəzaların qarşısının alınması; süni intellekt; avtomatlaşdırılmış sistem; quyu tikintisi; quyudibinin şaquli dərinliyi.
Добавил в систему: Еремин Николай Александрович

	ИСТИНА	Войти в систему Регистрация
	ИПМех РАН
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ИПМех РАН

Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважинстатья

Прикрепленные файлы