tumnigИзвестия высших учебных заведений. Нефть и газOil and Gas Studies0445-01083033-8174Industrial University of Tyumen10.31660/0445-0108-2024-5-132-147tumnig-1253Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ В НЕФТЕГАЗОВОЙ ОТРАСЛИINFORMATION TECHNOLOGIES, AUTOMATION AND MANAGEMENT IN THE OIL AND GAS INDUSTRYИнтеллектуальная фильтрация промысловых данных добычиIntelligent filtering of field dataПономаревР. Ю.PonomarevR. Y.

Роман Юрьевич Пономарев, менеджер

Тюмень

Roman Y. Ponomarev, Manager

Tyumen

ryponomarev@tnnc.rosneft.ruЛещенкоА. А.LeshchenkoA. A.

Антон Александрович Лещенко, главный специалист

Тюмень

Anton A. Leshchenko, Chef Specialist

Tyumen

ЗиазевР. Р.ZiazevR. R.

Рамиль Ришатович Зиазев, заместитель начальника управления

Тюмень

Ramil R. Ziazev, Deputy Head of the Department

Tyumen

ГалиуллинМ. М.GaliullinM. M.

Марат Мугаммирович Галиуллин, директор по разработке месторождений Ханты-Мансийского автономного округа

Тюмень

Marat M. Galiullin, Director of Field Development of Khanty-Mansiysk Autonomous Okrug

Tyumen

МигмановР. Р.MigmanovR. R.

Руслан Рамилевич Мигманов, главный специалист

Тюмень

Ruslan R. Migmanov, Chef Specialist

Tyumen

ИвлевМ. И.IvlevM. I.

Михаил Игоревич Ивлев, главный специалист

Тюмень

Mikhail I. Ivlev, Chef Specialist

Tyumen

ООО «Тюменский нефтяной научный центр»РоссияTyumen Petroleum Research Center LLCRussian Federation20242010202405132147Copyright © Пономарев Р.Ю., Лещенко А.А., Зиазев Р.Р., Галиуллин М.М., Мигманов Р.Р., Ивлев М.И., 20242024Пономарев Р.Ю., Лещенко А.А., Зиазев Р.Р., Галиуллин М.М., Мигманов Р.Р., Ивлев М.И.Ponomarev R.Y., Leshchenko A.A., Ziazev R.R., Galiullin M.M., Migmanov R.R., Ivlev M.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tumnig.tyuiu.ru/jour/article/view/1253

   В нефтегазовой отрасли при добыче нефти и газа замеряемые показатели характеризуются наличием шумов, вносящих свой вклад в формирование сложной немонотонной динамики, крайне трудной для ручного анализа и интерпретации, в связи с чем целью работы является разработка алгоритма, способного определять и исключать шумы (изменения сигнала без выраженной причины) в промысловых показателях эксплуатации скважин.

   В работе рассмотрены существующие методы сглаживания данных, такие как скользящее среднее, экспоненциальное сглаживание, линейный фильтр Калмана, фильтр Винера, метод Савицкого-Голея, преобразование Фурье, вейвлет-преобразование, и выявлены их достоинства и ограничения применения. Предложен альтернативный подход, представляющий синергию методов машинного обучения и стандартных инструментов фильтрации данных. Разработанный алгоритм позволяет восстановить истинную динамику показателей работы скважин, а также отфильтровывает и сглаживает шумы, связанные с техническими неисправностями. Новизна алгоритма заключается в применении нейронной сети LSTM для выделения трендовой составляющей на зашумленной динамике в зависимости от происходящих событий на самой скважине, так и от событий, происходящих на скважинах окружения.

   In the oil and gas industry, the measured parameters during oil and gas production are often affected by noise, which contributes to complex and non-monotonic dynamics. This makes manual analysis and interpretation extremely difficult.

   Therefore, this article aims to develop an algorithm capable of identifying and removing noise (signal changes without a clear cause) in the production parameters of well operation.

   The article examines data smoothing methods, including moving average, exponential smoothing, Kalman filter, Wiener filter, Savitzky-Golay filter, Fourier transform, and wavelet transform. The authors identified advantages and limitations. An alternative approach is proposed, combining machine learning methods with standard data filtering tools. The developed algorithm restores the true dynamics of well performance metrics and filters out and smooths noise related to technical malfunctions. The novelty of the algorithm lies in using an LSTM neural network to extract the trend component from noisy dynamics, taking into account events occurring at the well itself as well as events happening at surrounding wells.

нейронные сетифильтрация промысловых данныхразработка месторожденийneural networksproduction data filteringfield developmentReferencesИванов, А. В. Математическое моделирование нестационарной работы нефтяной скважины с учетом неравновесности фазовой проницаемости / А. В. Иванов, С. В. Степанов. – Текст : непосредственный // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. – 2017. – Т. 3, № 3. – С. 70–82.Ivanov, A. V., & Stepanov, S. V. (2017). Mathematical modeling of non-stationary operation of an oil well, taking into account the imbalance of phase permeability. Bulletin of the Tyumen State University. Physical and mathematical modeling. Oil, gas, energy, 3(3), pp. 70-82. (In Russian).Степанов, С. В. Численное исследование влияния капиллярного давления и сжимаемости на динамику обводнения скважины / С. В. Степанов. – Текст : непосредственный // Нефтяное хозяйство. Разработка и эксплуатация нефтяных месторождений. – 2008. – № 8. – С. 72–74.Stepanov, S. V. (2008). Development and operation of oil fields, Numerical research of capillary pressure and compressibility effect on the drowning dynamics. Oil industry, (8), pp. 72-74. (In Russian).Копыркин, К. Динамические скользящие средние / К. Копыркин. – Текст : непосредственный // Современный трейдинг. – 2001. – № 5–6. – С. 8–12.Kopyrkin, K. (2001). Dynamic moving averages. Modern trading, (5-6), pp. 8-12. (In Russian).Kalman, R. E. A new approach to linear filtering and prediction problems / R. E. Kalman. – DOI 10.1115/1.3662552. – Direct text // Journal of Basic Engineering – 1960. – Vol. 82, Issue 1. – P. 35–45.Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), pp. 35-45. (In English). DOI: 10.1115/1.3662552Wiener, N. The extrapolation, interpolation and smoothing of stationary time series with Engineering Applications / N. Wiener. – DOI: 10.2307/2981007. – Direct text // Journal of the Royal Statistical Society. Series A (General). – 1950. – Vol. 113, Issue 3. – P. 413–414.Wiener N. (1950). The extrapolation, interpolation and smoothing of stationary time series. Journal of the Royal Statistical Society. Series A (General), 113(3), pp. 413-414. (In English). DOI: 10.2307/2981007Каламбет, Ю. А. Доверительные интервалы метода взвешенных наименьших квадратов и стратегия градуировки / Ю. А. Каламбет, С. А. Мальцев, Ю. П. Козьмин. – Текст : непосредственный // Заводская Лаборатория. Диагностика Материалов. – 2015. – Т. 81, № 1–1. – С. 69–76.Kalambet, Yu. A., Maltsev, S. A., & Kozmin, Yu. P. (2015). Confidence intervals for weighted least squares technique and calibration strategy. Industrial laboratopy. Materials diagnostics, 81(1-1), pp. 69-76. (In Russian).Enke, C. G. Signal-to-noise ratio enhancement by least-squares polynomial smoothing / C. G. Enke, T. A. Nieman. – DOI: 10.1021/ac50002a007. – Direct text // Analytical Chemistry. – 1976. – Vol. 48, Issue 8. – P. 705A–712A.Enke, C. G., & Nieman, T. A. (1976). Signal-to-noise ratio enhancement by least-squares polynomial smoothing. Analytical Chemistry, 48(8), pp. 705A-712A. (In English). DOI: 10.1021/ac50002a007Savitzky, A. Smoothing and differentiation of data by simplified least squares procedures / A. Savitzky, M. J. E. Golay. – DOI: 10.1021/ac60214a047. – Direct text // Analytical Chemistry. – 1964. – Vol. 36, Issue 8. – P. 1627–1639.Savitzky, A., & Golay, M. J. E. (1964). Smoothing and differentiation of data by simplified least squares procedures. Analytical chemistry, 36(8), pp. 1627-1639. (In English). DOI: 10.1021/ac60214a047Кондратьева, Т. Н. Прогнозирование тенденции финансовых временных рядов с помощью нейронной сети LSTM / Т. Н. Кондратьева. – Текст : электронный // Интернет-журнал «Науковедение» : электронный журнал. – 2017. – Т. 9, № 4. – URL: http://naukovedenie.ru/PDF/56TVN417.pdf.Kondratieva, T. N. (2017). Forecasting the trends in financial time series using the LSTM neural network. Naukovedenie, 9(4). (In Russian). Available at: http://naukovedenie.ru/PDF/56TVN417.pdfСамойлов, Д. Ю. Информационно-измерительная и управляющая система для интенсификации добычи нефти и определения обводненности продукции скважин : специальность 05.11.16 «Информационно-измерительные и управляющие системы (по отраслям)» : автореферат диссертации на соискание ученой степени кандидата технических наук / Самойлов Денис Юрьевич ; Уфимский государственный авиационно-технический университет. – Уфа, 2019. – 22 с. – Место защиты : Уфимский государственный авиационно-технический университет. – Текст : непосредственный.Samoilov, D. Yu. (2019). An information-measuring and control system for the intensification of oil production and the determination of the water content of well products. Avtoref. diss. … kand. techn. nauk. Ufa, 22 p. (In Russian).

The authors declare that there are no conflicts of interest present.