Интеллектуальная фильтрация промысловых данных добычи
https://doi.org/10.31660/0445-0108-2024-5-132-147
Аннотация
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.
Ключевые слова
2.8.4. Разработка и эксплуатация нефтяных и газовых месторождений (технические науки)
Об авторах
Р. Ю. Пономарев
ООО «Тюменский нефтяной научный центр»
Россия
Россия
Роман Юрьевич Пономарев, менеджер
Тюмень
А. А. Лещенко
ООО «Тюменский нефтяной научный центр»
Россия
Россия
Антон Александрович Лещенко, главный специалист
Тюмень
Р. Р. Зиазев
ООО «Тюменский нефтяной научный центр»
Россия
Россия
Рамиль Ришатович Зиазев, заместитель начальника управления
Тюмень
М. М. Галиуллин
ООО «Тюменский нефтяной научный центр»
Россия
Россия
Марат Мугаммирович Галиуллин, директор по разработке месторождений Ханты-Мансийского автономного округа
Тюмень
Р. Р. Мигманов
ООО «Тюменский нефтяной научный центр»
Россия
Россия
Руслан Рамилевич Мигманов, главный специалист
Тюмень
М. И. Ивлев
ООО «Тюменский нефтяной научный центр»
Россия
Россия
Михаил Игоревич Ивлев, главный специалист
Тюмень
Список литературы
1. Иванов, 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.
2. 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.
3. Копыркин, К. Динамические скользящие средние / К. Копыркин. – Текст : непосредственный // Современный трейдинг. – 2001. – № 5–6. – С. 8–12.
4. 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.
5. Wiener, 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.
6. Каламбет, 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.
7. 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.
8. Savitzky, 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.
9. Кондратьева, 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.
10. Самойлов, 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.
Рецензия
Для цитирования:
Пономарев Р.Ю., Лещенко А.А., Зиазев Р.Р., Галиуллин М.М., Мигманов Р.Р., Ивлев М.И. Интеллектуальная фильтрация промысловых данных добычи. Известия высших учебных заведений. Нефть и газ. 2024;(5):132-147. https://doi.org/10.31660/0445-0108-2024-5-132-147
For citation:
Ponomarev R.Y., Leshchenko A.A., Ziazev R.R., Galiullin M.M., Migmanov R.R., Ivlev M.I. Intelligent filtering of field data. Oil and Gas Studies. 2024;(5):132-147. (In Russ.) https://doi.org/10.31660/0445-0108-2024-5-132-147
Просмотров:
142
Послать статью по эл. почте 
Оставить комментарий 