В статье обобщены и проанализированы вопросы качества данных, поступающих в процессе строительства скважин. Высокое качество и полнота данных бурения в режиме реального времени стали ключевыми факторами, позволяющими повысить эффективность анализа данных для принятия решений. Создана комбинированная архитектура, которая поддерживает новейшие вычислительные технологии с высокочастотными данными для создания оповещений, а также для удаленного мониторинга состояния данных в режиме реального времени для большого количества буровых установок в центре управления бурением. Качество данных характеризуется такими метриками, как полнота, точность, объективность, своевременность предоставления, источник возникновения, уникальность, доступность, формат, ценность. Наибольший интерес для бурения представляют полнота и точность данных. Приведена классификация некачественных данных. Рассмотрены примеры некачественных данных, получаемых от станций геолого-технологических исследований. Сформулированы критерии распознавания поглощений и газонефтеводопроявлений с учетом качества данных для дальнейшего их использования в автоматизированной системе предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин на основе применения технологий искусственного интеллекта и машинного обучения. При создании высокопроизводительной автоматизированной с применением технологии искусственного интеллекта используются протокол передачи данных WITSML 2.0 и WITSML-сервер. При очень большом количестве операций на буровой установке (ежедневно каждую секунду в режиме реального времени передается до 60 тыс. записей) возникает необходимость использовать большие геоданные для прогнозирования осложнений при бурении и обнаружения скрытых закономерностей. Использование моделей искусственного интеллекта и машинного обучения требует постоянного улучшения. При использовании протокола передачи больших данных WITSML задача мониторинга производительности моделей искусственного интеллекта становится сложной из-за роста количества скважин с реально-временными данными, типов моделей искусственного интеллекта и видов хранения информации о бурении. Рассмотренные в данной статье нейросетевые методы по распознаванию ошибок в данных станций геолого-технологических измерений позволили добиться выявления некачественных данных в автоматическом режиме и повышения точности прогнозирования осложнений.
Список литературы
1. Ларионов А.С., Архипов А.И., Родионов С.Б. Информация по скважине – точка роста нефтегазового бизнеса // Вестник Ассоциации буровых подрядчиков. – 2015. – № 1. – С. 31–38.
2. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин / Н.А. Еремин, А.Д. Черников, О.Н. Сарданашвили [и др.] // Деловой журнал Neftegaz.Ru. – 2020. – № 4 (100). – С. 38–50.
3. Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин / А.Н. Дмитриевский, В.О. Дуплякин, Н.А. Еремин, В.В. Капранов // Датчики и системы. – 2019. – № 12 (243). – С. 3–10. – doi: 10.25728/datsys.2019.12.1.
4. Ивлев А.П., Еремин Н.А. Петророботика: роботизированные буровые комплексы // Бурение и нефть. – 2018. – № 2. – С. 8–13.
5. Dmitrievsky A.D., Eremin N.A., Stolyarov E.V. Digital transformation of gas production // CoTech&oGTech 2019 29-29.11.19. – Stavanger, IOP Conference Series: Materials Science and Engineering (MSE). –
https://iopscience.iop.org/article/10.1088/1757-899X/700/1/012052. – DOI: 10.1088/1757-899x/700/1/012052.
6. Абукова Л.А., Дмитриевский А.Н, Еремин Н.А. Цифровая модернизация нефтегазового комплекса России // Нефтяное хозяйство. – 2017. – № 11. – С. 54–58. – doi: 10.24887/0028-2448-2017-10-54-58.
7. Hole Quality: Gateway to Efficient drilling /D.C.-K. Chen, T. Gaynor, B. Comeaux, К. Glass //14277-MS OTC Conference Paper – 2002. -DOI: 10.4043/14277-MS.
8. Svensson I., Wooley M., Halland T. Improving Data Quality in WITSML Data // SPE-181038-MS. – 2016. – doi: 10.2118/181038-MS.
9. Nugraha B., Nair R., Muhammad K. Smart Real Time Data Transfer Surveillance with Edge Computing and Centralized Remote Monitoring System. //19588-MS IPTC Conference Paper. – 2020. – doi: 10.2523/IPTC-19588-MS.
10. Optimizing drilling Wells and increasing the operation Efficiency Using digital Twin Technology / M.G.Mayani, T. Baybolov, R. Rommetveit [et al.] //
SPE- 199566-MS. – 2020. – DOI: 10.2118/199566-MS.
11. Alotaibi B., Aman B., Nefai M. Real-Time Drilling Models Monitoring Using Artificial Intelligence // SPE-194807-MS. – 2019. – doi: 10.2118/194807-MS.
12. Real-Time Drilling Operation Activity Analysis Data Modelling with Multidimensional Approach and Column-Oriented Storage / B. Djamaluddin, P. Prabhakar, B. James [et al.] // SPE-194701-MS. – 2019. – doi: 10.2118/194701-MS.
13. Cloud-Based ROP Prediction and Optimization in Real Time Using Supervised Machine Learning / K. Singh, S.S. Yalamarty, M. Kamyab, C. Cheatham // SPE/AAPG/SEG Unconventional Resources Technology Conference, 22–24 July, Denver, Colorado, USA // URTEC-2019-343-MS. – 2019. – DOI: 10.15530/urtec-2019-343.
.
