Intelligent Complication Prevention Systems for Safe Well Construction

Dmitrievsky, A.N.; Eremin, N.A.; Chernikov, A.D.; Borozdin, S.B.

Авторы: Dmitrievsky A.N., Eremin N.A., Chernikov A.D., Borozdin S.B.
Журнал: Безопасность труда в промышленности
Том: 786
Номер: 6
Год издания: 2022
Первая страница: 7
Последняя страница: 13
DOI: 10.24000/0409-2961-2022-6-7-13
Аннотация: UDC: 622.24:681.518«Bezopasnost Truda v Promyshlennosti»/ «Occupational Safety in Industry», 2022, № 6, pp. 7–13.DOI: 10.24000/0409-2961-2022-6-7-13Intelligent Complication Prevention Systems for Safe Well ConstructionA.N. Dmitrievsky, N.A. Eremin, A.D. Chernikov, S.O. BorozdinAbstractThe results of many years of research on the prevention of complications in the construction of oil and gas wells using machine learning methods are presented in the article. The issues of creating prototypes of intelligent systems to prevent complications when drilling wells on land and offshore are considered. The purpose of the intelligent systems to prevent complications during well drilling is to warn the driller in advance about the possibility of a violation of the regular drilling regime. Intelligent systems for preventing complications during well construction help to increase the economic efficiency of drilling oil and gas wells. Large volumes of geodata from the stations of geological and technological measurements during drilling vary from units to hundreds of terabytes. Creation of the neural network modeling software components is aimed at revealing hidden and non-obvious patterns in the datasets, i.e. in the processed, labeled and structured information from the stations of geological and technological measurements in the tabular form. Hierarchical distributed data warehouse was formed containing real-time drilling data in WITSML format using a SQL server (Microsoft). The geodata preprocessing and loading module for the WITSML repository uses the Energistics Standards DevKit API and Energistic data objects to work with the geodata in the WITSML format. The accuracy of predicting drilling problems achieved with the help of the developed intelligent systems can significantly reduce unproductive time spent on eliminating stuck pipes, mud losses and gas, oil and water shows. Large-scale implementation of the intelligent systems to prevent complications in well drilling will ensure the achievement of a zero-carbon footprint in the environmentally friendly drilling of wells on the land and offshore.Key words: artificial intelligence methods, artificial neural networks, well drilling, safe well construction, prevention of complications, geological and technological information, Big geodata, intelligent system.References1. Simon C., V zquez G. Use of Big Data and MachineLearning to Optimise Operational Performance and Drill Bit Design. SPE Asia Pacific Oil & Gas Conference and Exhibition. 2020. DOI: 10.2118/202243-MS2. Dmitrievsky A.N., Eremin N.A., Safarova E.A., Filippova D.S., Borozdin S.O. Qualitative Analysis of Time Series GeoData to Prevent Complications and Emergencies During Drilling of Oil and Gas Wells. SOCAR Proceedings. 2020. № 3. pp. 31–37. (In Russ.). DOI: 10.5510/OGP202003004423. Bimastianto P.A., Khambete S.P., Alsaadi H.M., Al Ameri S.M., Couzigou E., Al-Marzouqi A.A.R., Al Ameri F.S., Aboulaban S., Khater H., Herve Ph. Application of Artificial Intelligence and Machine Learning to Detect Drilling Anomalies Leading to Stuck Pipe Incidents. Abu Dhabi International Petroleum Exhibition & Conference. Abu Dhabi, 2021. DOI: 10.2118/207987-MS4. Dmitrievsky A.N., Sboev A.G., Eremin N.A.,Chernikov A.D., Naumov A.V., Gryaznov A.V., Moloshnikov I.A., Borozdin S.O., Safarova E.A. On increasing the productive time of drilling oil and gas wells using machine learning methods. Georesursy = Georesources. 2020. Vol. 22. № 4, pp. 79–85. (In Russ.). DOI: 10.18599/grs.2020.4.79-855. Big Data and Machine Learning Optimize Operational Performance and Drill-Bit Design. Journal of Petroleum Technology. December 2021. Available at: https://jpt.spe.org/ big-data-and-machine-learning-optimize-operational-performance-and-drill-bit-design (accessed: May 29, 2022).6. Chernikov A.D., Eremin N.A., Stolyarov V.E., Sboev A.G., Semenova-Chashchina O.K., Fitsner L.K. Application of artificial intelligence methods for identifying and predicting complications in the construction of oil and gas wells: problems and solutions. Georesursy = Georesources. 2020. Vol. 22. № 3. pp. 87–96. (In Russ.). DOI: 10.18599/grs.2020.3.87-967. Rakhimov R.R., Zhdaneev O.V., Frolov K.N., Babich M.P. Stuck Pipe Early Detection on Extended Reach Wells Using Ensemble Method of Machine Learning. SPE Russian Petroleum Technology Conference. 2021. DOI: 10.2118/206516-MS8. Arkhipov A.I., Dmitrievskiy A.N., Eremin N.A., Chernikov A.D., Borozdin S.O., Safarova E.A., Seynaroev M.R. 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. Neftyanoe Khozyaystvo = Oil Industry. 2020. № 8. pp. 63–67. (In Russ.). DOI: 10.24887/0028-2448-2020-8-63-679. Othman E.B., Gomes D., Tengku B., Tengku E.B., Meor H., Meor M.H., Yusoff M.H., Arriffin M.F., Ghazali R. Application of Machine Learning to Augment Wellbore Geometry-Related Stuck Pipe Risk Identification in Real Time. Offshore Technology Conference Asia. Kuala Lumpur, 2022. DOI: 10.4043/31695-MS10. Borozdin S., Dmitrievsky A., Eremin N., Arkhipov A., Sboev A., Chashchina-Semenova O., Fitzner L., Safarova E. Drilling Problems Forecast System Based on Neural Network. SPE Annual Caspian Technical Conference. 2020. DOI: 10.2118/202546-MS11. Zhu Qi. Treatment and Prevention of Stuck Pipe Based on Artificial Neural Networks Analysis. Offshore Technology Conference Asia. Kuala Lumpur, 2022. DOI: 10.4043/31693-MS12. Bahlany S., Maharbi M., Zakwani S., Busaidi F., Benvenuti F. STEP Change in Preventing Stuck Pipe and Tight Hole Events Using Machine Learning. Abu Dhabi International Petroleum Exhibition & Conference. Abu Dhabi, 2021. DOI: 10.2118/207823-MS13. Romberg E., Fisher A., Mazza J., Niedz C., Wehner B., Zhou A. Predicting Trouble Stages with Geomechanical Measurements and Machine Learning: A Case Study on Southern Midland Basin Horizontal Completions. SPE Annual Technical Conference and Exhibition. 2020. DOI: 10.2118/201699-MS14. Iversen F.P., Thorogood J.L., Macpherson J.D., Macmillan R.A. Business Models and KPIs as Drivers for Drilling Automation. SPE Intelligent Energy International Conference and Exhibition. Aberdeen, 2016. DOI: 10.2118/181047-MSReceived April 9, 2022In final form —May 30, 2022УДК: 622.24:681.518АННОТАЦИЯ: В статье рассматриваются вопросы создания прототипов интеллектуальных систем предотвращения осложнений при бурении скважин на суше и на море. Предназначение интеллектуальных систем состоит в заблаговременном предупреждении бурильщика о возможности нарушения штатного режима бурения, что способствует повышению экономической эффективности бурения нефтяных и газовых скважин. Создание программных компонентов нейросетевого моделирования нацелено на выявление скрытых и неочевидных закономерностей в обработанной, размеченной и структурированной информации, получаемой со станций геолого-технологических измерений в табличном виде. Масштабное внедрение интеллектуальных систем позволит значительно сократить непроизводительные затраты времени на ликвидацию прихватов труб, поглощений бурового раствора и газонефтеводопроявлений, а также обеспечить достижение нулевого углеродного следа при экологически чистом бурении скважин.КЛЮЧЕВЫЕ СЛОВА: МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ, БУРЕНИЕ СКВАЖИН, БЕЗОПАСНОЕ СТРОИТЕЛЬСТВО СКВАЖИН, ПРЕДУПРЕЖДЕНИЕ ОСЛОЖНЕНИЙ, ГЕОЛОГО-ТЕХНОЛОГИЧЕСКАЯ ИНФОРМАЦИЯ, БОЛЬШИЕ ГЕОДАННЫЕ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМАДля цитирования: Дмитриевский А.Н., Еремин Н.А., Черников А.Д., Бороздин С.О. Интеллектуальные системы предупреждения осложнений для безопасного строительства скважин// Безопасность труда в промышленности. — 2022. — № 6. — С. 7–13. DOI: 10.24000/0409-2961-2022-6-7-13ЗаключениеНа основе открытых данных с морского месторождения Volve в Северном море проведены исследовательские испытания разработанного программного обеспечения на стандартном оборудовании и вычислительном кластере. На стандартном оборудовании продемонстрирована работа в режиме реального времени для прогнозирования осложнений «прихват» и «поглощение». Для скважины 9-F-15S показано, что использование интеллектуальной системы предупреждения осложнений позволяет получить прогноз осложнения «поглощение» с упреждением в 15 мин до момента наступления нештатной ситуации. На вычислительном кластере показано, что с вероятностью более 90 % в отмеченных данных параметров бурения обнаруживаются осложнения «прихват» и «поглощение». Это подтверждает возможность и целесообразность использования разработанной интеллектуальной системы для прогнозирования осложнений при бурении нефтяных и газовых скважин. Тестирование прототипа интеллектуальной системы обнаружения и прогнозирования осложнений при бурении нефтяных и газовых скважин на основе использования искусственной нейронной сети с поэтапной адаптацией к конкретным геолого-геофизическим условиям на тестовых и реальных данных показало совпадение на 89 % прогнозируемых и реальных данных по осложнениям типа «прихват» и «поглощение».Интеллектуальная система предупреждения осложнений типа «прихват», «поглощение» при строительстве скважин позволяет выявлять возможные нештатные ситуации заблаговременно, чтобы буровая бригада смогла в режиме реального времени совершить своевременные действия по их предотвращениюили же минимизации возможных последствий. Дляосуществления таких прогнозов используются боль-шие геоданные со станций геолого-технологическихисследований буровых станков, получаемые в режимереального времени, а также другие геолого-геофизические данные, полученные в ходе проведения геоло-горазведочных работ. Модульное построение системы позволяет гибко наращивать программные компоненты, настроенные на выявление других видов осложнений и отклонений от штатных режимов в работеоборудования, что позволяет наращивать и расширятьфункционал системы. Для прогнозирования наступления нештатных ситуаций в процессе строительстванефтяных и газовых скважин на суше и на море используются как размеченные, так и неразмеченные,а также симуляционные наборы больших геоданных.Применение интеллектуальных систем предупреждения осложнений при бурении на основе созданного входе проведения поисковых исследований базовогопрототипа нацелено на повышение безопасности иэффективности производственных процессов пристроительстве нефтяных и газовых скважин.Статья подготовлена в рамках выполнения государственного задания (тема «Фундаментальныйбазис инновационных технологий нефтяной и газовойпромышленности (фундаментальные, поисковые и прикладные исследования)», № ААААА19-119013190038-2).Список литературы1. Simon C., V zquez G. Use of Big Data and Machine Learning to Optimise Operational Performance and Drill Bit Design // SPE Asia Pacific Oil & Gas Conference and Exhibition. — 2020. DOI: 10.2118/202243-MS2. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин/ А.Н. Дмитриевский, Н.А. Еремин, Е.А. Сафарова и др.// SOCAR Proceedings. — 2020. — № 3. — С. 31–37. DOI: 10.5510/OGP202003004423. Application of Artificial Intelligence and Machine Learning to Detect Drilling Anomalies Leading to Stuck Pipe Incidents/ P.A. Bimastianto, Sh.P. Khambete, H.M. Alsaadi et al.// Abu Dhabi International Petroleum Exhibition & Conference. — Abu Dhabi, 2021. DOI: 10.2118/207987-MS4. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения/ А.Н. Дмитриевский, А.Г. Сбоев, Н.А. Еремин и др.// Георесурсы. — 2020. — Т. 22. — № 4. — С. 79–85. DOI: 10.18599/grs.2020.4.79-855. Big Data and Machine Learning Optimize Operational Performance and Drill-Bit Design// Journal of Petroleum Technology. — December 2021. URL: https://jpt.spe.org/big-data-and-machine-learning-optimize-operational-performance-and-drill-bit-design (дата обращения: 29.05.2022).6. Применение методов искусственного интеллекта длявыявления и прогнозирования осложнений при строи-тельстве нефтяных и газовых скважин: проблемы и основные направления решения/ А.Д. Черников, Н.А. Еремин, В.Е. Столяров и др.// Георесурсы. — 2020. — Т. 22. — № 3. — С. 87–96. DOI: 10.18599/grs.2020.3.87-967. Stuck Pipe Early Detection on Extended Reach Wells Using Ensemble Method of Machine Learning/ R.R. Rakhimov, O.V. Zhdaneev, K.N. Frolov, M.P. Babich// SPE Russian Petroleum Technology Conference. — 2021. DOI: 10.2118/206516-MS8. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов/ А.И. Архипов, А.Н. Дмитриевский, Н.А. Еремин и др.// Нефтяное хозяйство. — 2020. — № 8. — С. 63–67. DOI: 10.24887/0028-2448-2020-8-63-679. Application of Machine Learning to Augment Wellbore Geometry-Related Stuck Pipe Risk Identification in Real Time/ E.B. Othman, D. Gomes, B. Tengku et al.// Offshore Technology Conference Asia. — Kuala Lumpur, 2022. DOI: 10.4043/ 31695-MS10. Drilling Problems Forecast System Based on Neural Network/ S. Borozdin, A. Dmitrievsky, N. Eremin et al.// SPE Annual Caspian Technical Conference. — 2020. DOI: 10.2118/202546-MS11. Zhu Qi. Treatment and Prevention of Stuck Pipe Based on Artificial Neural Networks Analysis// Offshore Technology Conference Asia. — Kuala Lumpur, 2022. DOI: 10.4043/31693-MS12. STEP Change in Preventing Stuck Pipe and Tight Hole Events Using Machine Learning/ S. Bahlany, M. Maharbi, S. Zakwani et al.// Abu Dhabi International Petroleum Exhibition & Conference. — Abu Dhabi, 2021. DOI: 10.2118/207823-MS13. Predicting Trouble Stages with Geomechanical Measurements and Machine Learning: A Case Study on Southern Midland Basin Horizontal Completions/ E. Romberg, A. Fisher, J. Mazza et al.// SPE Annual Technical Conference and Exhibition. — 2020. DOI: 10.2118/201699-MS14. Business Models and KPIs as Drivers for Drilling Automation/ F.P. Iversen, J.L. Thorogood, J.D. Macpherson, R.A. Macmillan// SPE Intelligent Energy International Conference and Exhibition. — Aberdeen, 2016. DOI: 10.2118/181047-MS
Добавил в систему: Еремин Николай Александрович

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

ИСТИНА

ИПМех РАН

Intelligent Complication Prevention Systems for Safe Well Constructionстатья

Прикрепленные файлы