Исследование использования байесовской сети и искусственного интеллекта для уменьшения вероятности возникновения проблем и аварий при разработке и эксплуатации нефтегазовых месторождений

Еремин, Н.А.; Селенгинский, Д.А.

Авторы: Еремин Н.А., Селенгинский Д.А.
Сборник: Сб. докл. 11-я Международная научно - практическая конференция "Интеллектуальное месторождение: инновационные технологии от пласта до магистральной трубы", 10.10. 2023 г. (г. Сочи). Сочи, Краснодарский край, 2023 г
Глава в коллективной монографии
Год издания: 2023
Место издания: ООО «Научно-производственная фирма «Нитпо» Краснодар: ООО «Научно-производственная фирма «Нитпо»
Первая страница: 83
Последняя страница: 86
Аннотация: Eremin N.A., Selenginsky D.A. The Study Explores the Use of Bayesian Networks and Artificial Intelligence to Reduce the Likelihood of Problems and Accidents During the Development and Operation of Oil and Gas Fields // Collection of articles. report 11th International Scientific and Practical Conference "Intellectual field: innovative technologies from stratum to header pipe", 10.10. 2023 (Sochi). Sochi, Krasnodar region, 2023 / Scientific and Production Company "Nitpo" LLC - Krasnodar: Scientific and Production Company "Nitpo" LLC, 2023. - P. 83-86 (107 pp.). ISBN 978-5-905924-43-9The review discusses the application of Bayesian networks and artificial intelligence methods to reduce the probability of complications and accidents in the extraction and operation of oil and gas fields. Oil and gas companies use an incident reporting system to manage process safety, but due to the large number of reports, they may not always obtain complete information to prevent future difficulties. In this study, machine learning and keyword analysis methods were used to classify incident reports into groups. It was found that 50% of all incidents are related to the integrity and reliability of files such as drilling logs, allowing companies to focus resources on this aspect to reduce the number of incidents. Additionally, cross-correlation analysis was conducted to help identify measures to improve the company's safety management strategy and reduce hidden causes of problems.Keywords: artificial intelligence, Bayesian networks, production organization, database analysis, machine learning, identifying process safety management, predicting complications, well drilling, geological and technological information, accident prevention, automated system, well construction, oil production.Еремин Н.А., Селенгинский Д.А. Исследование использования байесовской сети и искусственного интеллекта для уменьшения вероятности возникновения проблем и аварий при разработке и эксплуатации нефтегазовых месторождений // Сб. докл. 11-я Международная научно - практическая конференция "Интеллектуальное месторождение: инновационные технологии от пласта до магистральной трубы", 10.10. 2023 г. (г. Сочи). Сочи, Краснодарский край, 2023 г. / ООО «Научно-производственная фирма «Нитпо» – Краснодар: ООО «Научно-производственная фирма «Нитпо», 2023. – С. 83-86 (107 с.). ISBN 978-5-905924-43-9В обзоре идет речь о применении методов байесовских сетей и искусственного интеллекта для снижения вероятности возникновения осложнений и аварий при добыче и эксплуатации нефтегазовых месторождений. Для управления безопасностью процессов нефтегазовые компании используют систему отчетности об инцидентах, однако из-за большого количества отчетов они не всегда могут получить полную информацию для предотвращения будущих сложностей. В данном исследовании были использованы методы машинного обучения и анализа ключевых слов для классификации отчетов об инцидентах по группам. Было выявлено, что 50% всех инцидентов связаны с целостностью и надежностью файлов, таких как буровые журналы, что позволяет компаниям сосредоточить ресурсы на этом аспекте для сокращения количества инцидентов. Кроме того, был проведен кросскорреляционный анализ, который помог определить меры для улучшения стратегии управления безопасностью компании и сокращения скрытых причин возникновения проблем.Ключевые слова: искусственные интеллект, байесовские сети, организация производства, анализ базы данных, машинное обучение, выявление управление безопасностью процессов, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий, автоматизированная система, строительство скважин, нефтедобыча.Вывод. Для улучшения результатов возможно применение других методов машинного обучения, включая глубокое обучение. Кроме того, гибридная структура БС может быть применена в других областях, таких как медицина или экономика, и дальнейшие исследования должны быть направлены на это. Для оценки эффективности гибридной структуры БС в различных условиях и с разными размерами данных можно провести дополнительные эксперименты. Также возможна интеграция с другими методами машинного обучения, такими как градиентный бустинг [16]. В целом, дальнейшие исследования в области гибридных структур БС будут полезны для развитияновых методов машинного обучения и повышения эффективности решения реальных проблем в различных областях.Список использованных источников:1. Amin, M.T., Khan, F., Imtiaz, S. (2019). Fault detection and pathway analysis using a dynamic Bayesian network. Chem. Eng. Sci., 195, 777–790. https://doi.org/10.1016/j.ces.2018.10.024.2. Amyotte, P.R., Goraya, A.U., Hendershot, D.C., Khan, F.I. (2007). Incorporation of inherent safety principles in process safety management. Process Saf. Prog., 26(4), 333–346. https://doi.org/10.1002/prs.10217.3. Aven, T., Krohn, B.S., 2014. A new perspective on how to understand, assess and manage risk and the unforeseen. Reliab. Eng. Syst. Saf. 121, 1–10.4. Zou, C., Denby, K.J., Feng, J., 2009. Granger causality vs. dynamic Bayesian network inference: a comparative study. BMC Bioinf. 10. https://doi.org/10.1186/14712105- 10-401.5. Wu, X., Wang, Y., Zhang, L., Ding, L., Skibniewski, M.J., Zhong, J., 2015. A dynamic decision approach for risk analysis in complex projects. J. Intell. Rob. Syst. 79, 591–601. https://doi.org/10.1007/s10846-014-0153-3.6. Mazaheri, A., Montewka, J., Nisula, J.K.P., 2015. Usability of accident and incident reports for evidence-based risk modeling – A case study on ship grounding reports. Saf. Sci. 76, 202–214.7. Kurian, D., Sattari, F., Lefsrud, L., Ma, Y., 2020b. Using machine learning and keyword analysis to analyze incidents and reduce risk in oil sands operations. Saf. Sci. 130, 104873. https://doi.org/10.1016/j.ssci.2020.104873.8. Government of Alberta (2019). Reporting and investigating injuries and incidents – OHS information for employers, prime contractors and workers. Government of Alberta, Edmonton, AB, Canada.9. Friedman, N., Nachman, I., Pe’er, D., 1999. Learning Bayesian network structure from massive datasets: The «Sparse Candidate» algorithm. In: Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence, pp. 206–215.10. Berglund, J., 2020. After Fukushima: safety culture and fostering critical thinking. Saf. Sci. 124. https://doi.org/10.1016/j.ssci.2020.104613.11. Sattari, F., Tefera, D., Sivaramakrishnan, K., Mushrif, S.H., Prasad, V., 2020. Chemoinformatic investigation of the chemistry of cellulose and lignin derivatives in hydrous pyrolysis. Ind. Eng. Chem. Res. 59 (25), 11582–11595.12. Uusitalo, L., 2007. Advantages and challenges of Bayesian networks in environmental modelling. Ecol. Model. 203, 312–318.13. Ожигов, Я.А., 2021. Современные тренды в сфере функционирования и обеспечения качества процессов в области материально-технической базы нефтегазового комплекса. Оборудование и технологии для нефтегазового комплекса, https://journal.gubkin.ru/journals/equipment/2021/5-125/54-58/.14. Wold, T., Laumann, K., 2015. Safety management systems as communication in an oil and gas producing company. Saf. Sci. 72, 23–30.15. Mohammad, A., Abuashour, B., Hassan, Z.A., 2019. Conceptual framework for enhancing safety performance by impact cooperation facilitation, safety communication and work environment: Jordanian hospitals. Sains Humanika 11. https://doi.org/10. 11113/sh.v11n2-2.1659.16. N.A. Eremin, D. A. Selenginsky, 2023. On the possibilities of applying artificial intelligence methods in solving oil and gas problems. Izvestiya Tula State University. Earth Sciences. – No. 1. – pp. 201-210.
Добавил в систему: Еремин Николай Александрович

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

ИСТИНА

ИПМех РАН

Прикрепленные файлы