Введение.

Надёжность автоматизированной системы управления (АСУ) куста скважин напрямую влияет на эффективность добычи, безопасность персонала и охрану окружающей среды.

Интеграция методов машинного обучения и искусственного интеллекта в АСУ позволяет перейти от реактивного обслуживания к превентивному и предиктивному подходу. Это означает, что многие отказы можно обнаруживать на ранних стадиях по аномалиям в данных и устранять до появления критических последствий.

В результате поломки становятся реже: своевременная диагностика и прогнозирование обеспечивают предупреждение инцидентов и планирование работ в наиболее выгодное время.

Цель работы: анализ применения метода машинного обучения для расчёта проектной надежности АСУ куста скважин с учётом специфики нефтегазового производства и определению мер по снижению технологических рисков.

АСУ куста скважин нефтегазового месторождения.

Кусты образуют общую трубопроводную сеть разработки месторождения (рис. 1), транспортируют добытую нефть для дальнейшей переработки и подготовки. Нефть попадает из скважины в трубопровод, проходит замерные устройства. Контактные термометры и датчики температуры обеспечивают высокоточную проверку температуры среды в широком диапазоне, варьирующемся от минус 50°C до плюс 150°C. Датчики давления фиксируют абсолютное давление в трубопроводах и аппаратуре с максимальной погрешностью всего около 0.5%.

Рисунок 1 – Технологическая схема 43 и 55 кустов скважины нефтегазового месторождения

Показывающие сигнализирующие манометры не только отображают данные о давлении, но также подают тревожные сигналы при выходе показателей за рамки допустимых норм. Эти нормы варьируются от минимального давления в 0.5 бар до максимального значения в 10 бар.

После добавления реагента из блока дозирования направляется на комплексное замерное устройство ИЗУ, где дренаж направляется в емкость ДЕ, а нефть проходя коррозионностойкий показывающий манометры направляется на мультифазную насосную станцию. Уровнемер типа "буёк" контролирует уровень наполненности в подземной емкости, оповещая оператора при достижении максимального уровня заполнения в 1250 мм. Газоанализаторы следят за концентрацией сероводорода и мгновенно подают сигнал тревоги, если уровень превышает установленную предельно-допустимую концентрацию (ПДК) в 10 мг/м³. Расходомеры осуществляют строгий учёт объёма добытой продукции с минимально возможной погрешностью около 0.5%.

Анализ жизненного цикла с применением машинного обучения.

Анализ данных является важной частью управления жизненным циклом продукции, так как он позволяет определить потребности потребителей, прогнозировать спрос на продукцию и повышать качество продукции.

В соответствии с ГОСТ 27.002-89 отказ — это событие, заключающееся в нарушении работоспособного состояния объекта, а причина отказа — явления, процессы, события и состояния, вызвавшие возникновение отказа объекта. [1]

За счет использования алгоритмов машинного обучения и искусственного интеллекта, компании могут автоматически обрабатывать большие объемы данных и извлекать из них ценную информацию. Технология IoT, позволяет быстро реагировать на изменения в законодательстве, спросе потребителей и других факторах, которые могут повлиять на производство. Анализ данных искусственного интеллекта помогает прогнозировать перспективы продаж, контролировать качество продукции, управлять складскими запасами, определять потребности пользователя и многое другое. Благодаря этому, компании могут оптимизировать производственные процессы, уменьшить издержки и повысить эффективность. [2]

Надежность автоматической системы может в значительной степени снизиться также под воздействием внешних помех, пере­межающихся или самовосстанавливающихся отказов и др., приво­дящих к искажению передаваемой информации. Она начинается с соблюдения установленных технических норм. Контроль входных материалов и изделий, а иногда и замена осуществляются для того, чтобы избежать возможного загрязнения и оборудования, частота рабочих мест повышает безотказность.

Данный подход является комплексным и охватывается оценку воздействия продукта, услуги или процесса на окружающую среду на всех этапах его существования: от добычи сырья до утилизации. При этом осуществляется выявление сложных зависимостей в производстве, которые помогают более точно прогнозировать работу.

Проанализировать огромный объем информации об энергопотреблении, сырье, выбросах и транспортных расходах без ошибок посредством человеческого разума просто невозможно, в то время как обученная машина интегрирует и удаляет лишние данные, снижая влияние человеческого фактора. Находя наилучший вариант конструкций и материалов, инженер избегает лишних затрат и экологических следов.

С помощью алгоритмов классификации можно выделять наиболее "критичные" этапы жизненного цикла, разделяя процессы и конструкции по уровню воздействия. Использование машинного обучения в анализе жизненного цикла открывает новые перспективы для создания экологически устойчивых проектов и эффективного управления. Обучаемые модели делают оценку более точной и информативной, позволяют гибко адаптироваться к изменяющимся условиям производства и потребления.

Сбои в работе технических систем могут иметь серьезные последствия, например, отключение электроэнергии, аварии на транспорте, нарушение работы инфраструктуры. Учет внешних угроз позволяет предусмотреть меры для предотвращения подобных событий, минимизируя потенциальный ущерб. В условиях внешних воздействий важно обеспечить непрерывность работы систем. Учет угроз позволяет разработать меры, которые позволят системе оставаться работоспособной даже в неблагоприятных условиях. [3]

Обеспечение и оценка надежности завязаны на определении самой системы и ее контекста, определении компонентов и взаимодействий. Анализ рисков, то есть выявление потенциальных опасностей, оценка вероятности и тяжести последствий и безопасности приводят к определению мер по снижению рисков. Задача оценки решается главным образом математическими методами, рассматриваются вероятностные модели или симуляционные методы, как рассмотренный ранее метод Монте-Карло. Самые распространенные математические методы:

1) анализ деревьев отказов (FTA);

2) анализ режимов отказов и их последствий (FMEA);

3) моделирование цепей Маркова;

4) метод Байесовских сетей.

Первые три метода фактически являются вариантами представления Байесовских сетей. Эти сети являют собой графические модели, которые отображают вероятностные зависимости между переменными. Состоят из вершин, ребер и условных вероятностных таблиц. Случайные переменные будут вершинами, ребра же — это связи между ними, которые обозначают условные зависимости. Таблица определяется для описания различных состояний переменных в зависимости от других родительских. Обучение начинается со сбора данных, по которым далее определяется структура и оцениваются вероятностные зависимости. Модель проверяется валидацией и производится совмещение с методами онлайн-обучения.

Применения машинного обучения для прогнозирования пластового давления нефтяных месторождений позволяет определить его в любой период эксплуатации скважин без их остановки на исследование. Используя вероятностно-статистическую модель множественной линейной регрессии и метод машинного обучения «случайный регрессионный лес» воспроизводятся исторические замеры пластового давления с целью проверки достоверности разработанных моделей. [4] После обучения модели «случайного леса» рассчитываются коэффициенты значимости факторов. За прошедший период нефтегазовая промышленность собрала большое количество разнообразной информации. Традиционные методы анализа, основанные на простых закономерностях и моделях линейной регрессии, перестали удовлетворять современным требованиям. Современные алгоритмы машинного обучения способны эффективно обрабатывать многомерные и сложные данные, что делает их гораздо более эффективными инструментами для анализа отрасли.

Использование нейронных сетей Колмогорова в геологоразведочных работах позволяет эффективно решать задачи прогнозирования параметров нефтегазоносных коллекторов. Процесс обучения нейронной сети сводится к подбору весовых коэффициентов, минимизирующих сумму квадратов разницы вычисленных и заданных значений для всех обучающихся пар. Таким образом, происходит вычисление набора весов, который при подаче входного вектора на выходе возвращает значение, приблизительно соответствующее этому входному вектору в обучающем массиве. На втором этапе происходит оценка сейсмического сигнала во всей области изучения и с помощью подобранного ранее оператора сейсмические данные преобразуются в прогнозный куб или карту. [5]

Заключение.

В данной статье рассмотрен метода расчет проектной надежности АСУ куста скважин нефтегазового месторождения. В работе показано особое внимание на автоматизированные системы управления (АСУ) обеспечивающие управление процессом бурения в режиме реального времени, сбор и обработку данных о ходе буровых операций, диагностику состояния оборудования. Инновационное направление анализа жизненного цикла с активным использованием инструментов искусственного интеллекта и машинного обучения позволяет специалистам решать вопросы по снижению технологических рисков и уверенно формировать реалистичную картину будущей надежности проектируемых систем.