CC BY
75Интеллектуальные системы в бурении скважин
со см о см
о ш т
X
<
т О X X
Кульбиков Александр Дмитриевич
бакалавр УГНТУ, scoolborg@mail.ru
Кучукбаев Георгий Игоревич
бакалавр УГНТУ, gkuchukbaev2001@mail.ru
Нигматзянов Искандар Маратович
бакалавр УГНТУ, nim28@list.ru
Дьячков Александр Владимирович
бакалавр УГНТУ, zome151515@gmail.com
Галлямов Радмир Рустемович
бакалавр УГНТУ, Stardartwars@mail.ru
Статья посвящена рассмотрению технологий, применяемых в российской и зарубежной практике при бурении скважин. Рассмотрена сущность концепции геосупервайзинга, определены понятия «умная скважина» и «интеллектуальное месторождение». Выявлены перспективные направления интеллектуализации процессов бурения. Отмечается, что искусственный интеллект способен выполнять анализ множества показателей и параметров скважины как при бурении, так и после сдачи скважины в эксплуатацию; применяются, к примеру, инструменты для контроля траектории формируемого ствола скважины, которые улучшают качество формируемых стволов скважин при бурении. Искусственный интеллект способен контролировать уровень безопасности, анализировать функционирование кадров, компонентов, оборудования, узлов, состояние окружающей среды. Особенно актуальным направлением интеллектуализации бурения является дата-анализ: искусственный интеллект способен собирать данные о важнейших петрофизических параметрах - пористости, проницаемости, водонасыщенности, устойчивости ствола скважины и составлять прогноз о дальнейшей динамике этих и других параметров. Систематизация данных, кроме того, позволяет внедрять проактивный подход к управлению бурением и предугадывать сбои, простои, дефекты, аварии.
Ключевые слова: скважина, бурение, прихват, искусственный интеллект, умная скважина, нейронная сеть, прогнозирование, дата-аналитика, геосупервайзинг
Современная концепция цифровой экономики предполагает внедрение информационных технологий во все сферы жизнедеятельности человека - в государственное управление, коммерцию, в обиход, в образование, в медицину и в производство; нефтегазовая отрасль также не является исключением.
Как известно, нефтегазовый сектор уже достаточно давно выполняет функцию локомотива российской экономики и является стратегически важным направлением народного хозяйства. При этом, уровень «оцифровки» нефтегазовой отрасли в нашей стране остается относительно низким, особенно в области использования высокотехнологичных инструментов, основанных на технологиях искусственного интеллекта [4, с. 1]. С другой стороны, подобную ситуацию можно рассматривать с точки зрения резерва (потенциала) для развития отечественных нефтегазовых предприятий и их перехода на качественно новый уровень.
Процессы внедрения интеллектуальных систем в нефтегазовый сектор. Важность внедрения интеллектуальных систем в работу предприятий нефтегазовой отрасли можно проиллюстрировать множеством всевозможных примеров - от автоматизации работы с кадрами, составления смет [6], проектирования до финальной оценки качества бурения.
К примеру, интеллектуальные системы уже достаточно давно применяются HR-специалистами нефтегазовых компаний как в России, так и за рубежом. В нефтегазовом секторе России ежегодно нанимаются тысячи сотрудников, для чего специалистам по кадрам приходится просматривать сотни тысяч резюме соискателей. Для того, чтобы ускорить и облегчить найм в нефтегазовом секторе, были разработаны интеллектуальные системы анализа текста, которые ищут «подсказки», «стоп-слова» или указания на полезные компании навыки и компетенции. Подобные системы, как указывают Н. А. Еремин и Д. А. Селенгицкий, позволяют экономить временные и финансовые ресурсы отдела кадров нефтегазовой компании, а освободившиеся средства направлять на модернизацию производственных процессов [2, с. 201].
Как отмечено выше, интеллектуальные системы применяются нефтегазовыми компаниями, в том числе и для автоматизации составления смет. А. С. Кравцов с соавт. пишет о том, что применение искусственного интеллекта может существенно повлиять на рентабельность нефтегазового производства [5, с. 708]. Нефтегазовый сектор, как известно, имеет сложный бухгалтерский учет; для ведения бухгалтерской и финансовой отчетности предприятия отрасли нуждаются в высококвалифицированных бухгалтерах, экономистах, специалистах по закупкам и юристах. При этом искусственные нейронные сети, по замечанию Н. А. Еремина, способны автоматизировать большую часть рутинной работы и, кроме того, их функционал позволяет генерировать решения по сокращению затрат, времени и ресурсов [2, с. 204].
Деятельность любой компании, занятой в области бурения и обслуживания скважин, сопряжена с необходимостью учета колоссального множества бизнес- и производственных процессов, что, безусловно, достаточно сложно сделать вручную. В. В. Кульчицкий говорит о том, что внутренние проверки нефтегазовых компаний регулярно обнаруживают проблемы крайне низкой организации труда и исполнительской дисциплины персонала, недостаточную квалификацию работников, несоответствие оборудования и технологий стандартам и регламентам, ошибки в техническом обслуживании, ремонте и
модернизации оборудования и многие другие дефекты производственно-управленческой практики [7, с. 824]. Для того, чтобы эффективизировать производственные процессы и менеджмент, предприятия нефтегазовой отрасли все чаще прибегают к технологиям геосупервайзинга.
Тогда как ранее управленческие решения принимались на основе анализа конкретной системы, отдела, участка работ, но связи между ними практически не учитывались, то при внедрении геосупервайзинга предприятие устанавливает специализированный аппаратно-программный комплекс для сбора и обработки данных в режиме реального времени, который анализирует объекты бурения и нефтегазодобычи как целостную формацию и собирает все поступающие данные в единую базу данных. А. А. Шигина говорит том, что ключевым преимуществом подобных интеллектуальных систем, применяемых в нефтегазовой отрасли, выступает их способность работать с различными типами данных: наблюдаемые (к примеру, ресурс долота); ненаблюдаемые вычисляемые (производительность станка; энергоемкость процесса бурения, фактическая мощность вращательно-подающего механизма) и ненаблюдаемые прогнозируемые (вероятность наступления аварийного события, затраты на бурение одного погонного метра скважины) [11, с. 635].
Геосупервайзинг, указывает В. В. Кульчицкий, представляет собой интеллектуальный метод совершенствования производственного управления, который способен обеспечить технологический прорыв в области бурения и проведения внутрискважинных работ [7, с. 823]. Система геосупервайзинга предполагает функционирование трех компонентов: (1) телекоммуникационные системы и датчики на объектах и территориях (т.е. оборудование для геосупервайзинга), (2) интеллектуальные системы систематизации и обработки данных (программное обеспечение нового поколения), (3) кадры, обладающие как инженерными, так и управленческими компетенциями, а также навыками работы с системами дата-аналитики и нейросетями.
От «умных скважин» к «интеллектуальным месторождениям». Технологии бурения нефтяных и газовых скважин на сухопутных участках и в море находятся в постоянном развитии. Сегодня представить произведение работ по бурению скважин без помощи компьютеризированного оборудования едва ли возможно, хотя несколько десятилетий назад бурение скважин происходило исключительно в «аналоговом» формате. Решения об установлении локализации месторождения, о проведении разведки, о начале бурения ранее принимались практически «вслепую». К примеру, контроль профиля формируемого ствола скважины фактически осуществлялся после завершения бурения.
Стремительное развитие технологий в нефтегазовой сфере привело к разработке и имплементации инновационных инструментов, облегчающих процессы бурения и обслуживания скважин. Интеллектуальные инструменты существенно повышают качество буровых работ, снижают случаи травматизма на производстве и сокращают сроки бурения. Д. В. Рах-матуллин и А. Ф. Гайнуллин говорят о том, что большинство существующих интеллектуальных систем бурения производятся на территории США и Канады, тогда как отечественный опыт в этой области пока только начинается накапливаться [9, с. 39].
Полномасштабная интеллектуализация процессов бурения привела, помимо прочего, к распространению понятия «умные скважины». Конвенциональный подход к бурению скважин предполагает наличие стандартного оборудования и, как правило, исключает возможность своевременного реаги-
рования на изменение внутрискважинных параметров. В «умной» скважине процесс принятия решений и реагирования автоматизирован за счет развитой телеметрии и датчиков, что позволяет не только нивелировать последствия сбоев и аварий, но и предотвращать их [8, с. 46].
В некоторых исследованиях принято дифференцировать технологии бурения на две категории: технологии «умной скважины» (smartwell) и технологии дата-анализа (intelligent/data analysis). В русскоязычной науке термин «умная скважина» был введен профессором В. В. Кульчицким [7], который, собственно, и создал одну из подобных скважин, функционирующую на основе технологии проводки горизонтальных скважин и наклонных скважин, оснащенных бескабельными забойными телеметрическими системами со встроенным электромагнитным коммуникационным каналом.
На сегодняшний день понятие «умные скважины» является обобщающим для широкого спектра концептуальных разработок в области бурения и нефтегазодобычи в целом: (1) оптиковолоконные распределенные системы датчиков давления, температуры и вибрации; (2) исполнительные и измерительно-регистрирующие устройства наземной и/или скважин-ной локализации; (3) инновационные пакерно-якорные устройства, в том числе для технологий одновременно-раздельной эксплуатации скважин; (4) станции управления технологическими процессами добычи нефти и газа; (5) технологии диагностики и ремонта скважин; (6) технологии эффективизации производственных процессов - увеличение нефтегазоотдачи пластов.
В русскоязычной науке можно отметить наличие нескольких синонимичных категорий для обозначения тенденции к автоматизации и интеллектуализации бурения («умная скважина», «умное бурение», «интеллектуальная скважина» и проч.). Н. Ф. Лямина с соавт. определяет понятие «интеллектуальная скважина» следующим образом: «комплекс наземного и подземного оборудования, включающий станцию управления с частотным преобразователем и встроенную в погружной электродвигатель систему телеметрии для получения информации о рабочих параметрах насосной установки» [8, с. 46]. По мнению исследователей, на текущий момент более корректным является понятие «умная/интеллектуальная скважина», тогда как в будущем будет иметь место категория «интеллектуальное месторождение», так как интеллектуальные системы, по мере их развития, начнут «встраиваться» не только в системы бурения, но и во все смежные сектора и области - георазведка, подготовка, транспортировка энергосырья. Совокупность подобных систем и будет представлять собой интеллектуальное месторождение.
Перспективные направления интеллектуализации процессов бурения. Говоря о применении интеллектуальных технологий при бурении скважин, можно сказать, что они могут быть применены на любой стадии бурения, начиная от этапа георазведки. В настоящее время искусственный интеллект способен выполнять анализ множества показателей и параметров скважины как при бурении, так и после сдачи скважины в эксплуатацию; применяются, к примеру, инструменты для контроля траектории формируемого ствола скважины, которые улучшают качество формируемых стволов скважин при бурении.
В штате любого нефтегазового предприятия имеются геологи, петрофизики и геофизики, которые занимаются разведкой - анализируют геологические данные и прогнозируют местонахождение углеводородных ресурсов. Как показывает опыт российских и зарубежных компаний, искусственный ин-
X X
о
го А с.
X
го m
о
м о м
CJ
fO CN О
cs
О Ш
m
X
3
<
m о x
X
теллект позволяет более эффективно и быстро аккумулировать данные, систематизировать их и представлять прогностическое решение [2, с. 205].
В нефтегазовом секторе особую актуальность, по понятным причинам, имеет вопрос обеспечения безопасности. При бурении скважин задействовано тяжелое оборудование, транспорт; имеет место работа с токсичными и/или взрывоопасными субстанциями. Искусственный интеллект способен контролировать уровень безопасности, анализировать функционирование кадров, компонентов, оборудования, узлов, состояние окружающей среды. Круглосуточный анализ и высокоскоростное реагирование позволяют быстро идентифицировать небезопасные участки, обнаружить выход из строя или кражу оборудования.
Н. А. Еремин указывает на то, что особенно актуальным направлением интеллектуализации бурения является дата-анализ: искусственный интеллект способен собирать данные о важнейших петрофизических параметрах - пористости, проницаемости, водонасыщенности, устойчивости ствола скважины и составлять прогноз о дальнейшей динамике этих и других параметров. В этих целях применяются адаптивные нейроне-четкие системы вывода (ANFIS), искусственные нейронные сети (ANN), метод опорных векторов (SVM) и проч.; составление прогноза в данном случае не требует проведения расчетов или составления уравнений вручную [2, с. 205].
Одним из наиболее важных показателей при бурении выступает, как известно, температурная динамика внутри скважины. Ее анализ позволяет сделать выводы о состоянии ствола скважины, о возможных технологических сбоях при бурении, об ошибках в георазведке и др. В данной связи многие отечественные и зарубежные разработки сосредоточены именно на интеллектуальной обработке данных о температурах. Н. Ф. Лямина с соавт. в своей публикации предлагает технологию «термометрическая коса» (стационарная система визуализации и прецизионного измерения, состоящая из последовательно соединенных гибким кабелем цифровых преобразователей температуры - кварцевых датчиков). Термометрическая коса фактически представляет собой цепочку из последовательно соединенных датчиков, запрессованных в полиэтилен; в верхней части косы размещается устройство считывания информации и разъем, в который установлена печатная плата [8, с. 48].
Сущность процесса бурения, как известно, заключается в механическом разрушении породы долотом при заданном параметре скорости проходки. Скорость бурения, при этом, способна существенно отличаться от номинальной - на нее влияют такие факторы, как нагрузка на долото, крутящий момент на долоте, частота вращения, расход и давление бурового раствора, реологические свойства раствора, литологические характеристики породы и проч. [10, с. 21]. Вся эта информация может быть собрана и проанализирована интелектуальными системами в рамках единого интерактивного интерфейса для систематизации и анализа оперативной информации в режиме реального времени. Систематизация позволяет внедрять проактивный подход к управлению бурением, сущность которого - предугадывание сбоев, простоев, дефектов, аварий.
По данным В. Алали и Н. А. Еремина, в среднем непродуктивное время при бурении скважины составляет около 25%; помимо простоя оборудования и организационных накладок непродуктивное время также увеличивается за счет устранения осложнений и исправления последствий аварии. Осложнениями, которые существенно увеличивают количество непродуктивного времени при бурении, являются следующие: прихват бурильной колонны в результате осыпей и обрушений нестабильной породы; поглощение бурового раствора, газоне-
фтеводопроявление. В таких случаях стоимость бурения скважины существенно повышается [1, с. 28]. Вместо того, чтобы бороться с последствиями осложнений, гораздо дешевле и проще предотвращать их. В этих целях нефтегазовые компании привлекают к работе системы, основанные на методах машинного обучения (одной из таких является отечественная интеллектуальная система предупреждения осложнений при строительстве скважин (ИС ПОАС) [1, с. 28]).
Интеллектуальные системы проводят измерения внутрис-кважинных показателей в реальном времени, систематизируют данные, сличают их с данными за предыдущие периоды и составляют прогноз осложнений. Оператор-человек, при этом, не способен сопоставить столь сложные и обширные массивы гетерогенных данных и сгенерировать аналогичный прогноз.
Одним из наиболее сложных типов аварий при бурении выступает прихват бурильной или обсадной колонны; данный дефект негативно влияет как на скорость бурения и итоговую стоимость работ, так и на качество скважины. Прихват, как правило, сопряжен с проведением таких дорогостоящих мероприятий, как ловильные работы, бурение бокового ствола, ликвидацию аварийной скважины, бурение новой скважины. По некоторым оценкам, стоимость проведения мероприятий по ликвидации последствий прихвата может превышать 100 млн. дол. [12, с. 66]. Для прогнозирования и оценки вероятности прихвата применяются такие методы и инструменты, как статистический анализ многомерных временных рядов; логистическая регрессия; нейронные сети; метод опорных векторов. Сущность всех перечисленных методов заключается в анализе больших массивов данных (анализ предыдущих суточных отчетов о бурении, отчетов о строительстве существующих скважин, анализ траектории ствола скважины, свойств бурового раствора, параметров бурения и проч.) [12, с. 67].
Выводы
Таким образом, обзор и анализ существующих практик и научных публикаций по рассматриваемой нами предметной области позволяет сделать следующие выводы. На данный момент в России об полноценных интеллектуальных месторождениях (за редкими исключениями [3]) речи пока не идет; в настоящий момент происходит, скорее, точеное внедрение систем искусственного интеллекта в процессы бурения и управления предприятиями нефтегазового сектора.
Тем не менее, искусственный интеллект представляет значительные перспективы для улучшения эффективности и безопасности процесса бурения скважин. ИИ-алгоритмы могут (1) анализировать большие объемы геологических и геофизических данных для прогнозирования состава грунта, расположения и свойств пластов, а также для определения оптимальных параметров бурения. ИИ может использоваться для (2) автоматизации управления буровыми установками и мониторинга буровых параметров в реальном времени. Алгоритмы машинного обучения могут анализировать данные с датчиков и (3) предсказывать возможные проблемы, что позволяет операторам своевременно принимать меры и снижать риски аварийных ситуаций. Применение ИИ в бурении скважин может помочь в (4) оптимизации расходов на оснащение и материалы. Алгоритмы оптимизации могут анализировать различные варианты и выбирать наиболее эффективные и экономически целесообразные решения.
Литература
1. Алали, В. О созданной в ИПНГ РАН интеллектуальной системе предупреждения осложнений при строительстве скважин на суше и на море / В. Алали, Н. А. Еремин // Экспозиция Нефть Газ. - 2023. - №1. - С. 27-32.
2. Еремин, Н. А. О возможностях применения методов искусственного интеллекта в решении нефтегазовых задач / Н. А. Еремин, Д. А. Селенгинский // Известия ТулГУ. Науки о Земле. - 2023. - №1. - С. 201-211.
3. Игнатьева, А. Мессояханефтегаз внедряет искусственный интеллект в бурение скважин / А. Игнатьева // Нефтегаз. -2022 [Электронный ресурс]. - Режим доступа: https://neftegaz.ru/news/tsifrovizatsiya/755097-messoyakhaneftegaz-vnedryaet-iskusstvennyy-inteNekt-v-burenie-skvazhin/. - Дата доступа: 18.07.2023.
4. Карнаухов, А. М. Перспективы цифровизации исследовательской деятельности в геологоразведке / А. М. Карнаухов // Нефтегазовая геология. Теория и практика. - 2017. - №4. -10 с.
5. Кравцов, А. С. Автоматизация технологических процессов в нефтегазовом производстве / А. С. Кравцов, В. А. Се-дельникова, К. А. Чижов, А. Э. Князева, И. В. Волков // Московский экономический журнал. - 2021. - №9. - С. 705-711.
6. Корнева, Ю. С. Автоматизация процессов разработки смет в нефтегазовой отрасли / Ю. С. Корнева, В. Б. Романюк, Е. М. Вершкова // Информационные технологии в науке, управлении, социальной сфере и медицине : сборник научных трудов III Международной научной конференции, 23-26 мая 2016 г., Томск : в 2 ч. - Томск : Изд-во ТПУ, 2016. - Ч. 2. - С. 678680.
7. Кульчицкий, В. В. Геосупервайзинг - синергия цифровых профессий, специальностей и науки в нефтегазовом деле / В. В. Кульчицкий // Россия: тенденции и перспективы развития. - 2018. - №13-2. - С. 823-829.
8. Лямина, Н. Ф. Обоснование внедрения технологии термометрической косы в интеллектуальных скважинах / Н. Ф. Лямина, Н. В. Горбачёв, Р. Х. Касаев // Нефтегазовые технологии и экологическая безопасность. - 2023. - №2. - С. 45-48.
9. Рахматуллин, Д. В. Инновационные технические средства для бурения скважин на суше и на море / Д. В. Рахматуллин, А. Ф. Гайнуллин // Символ науки. - 2020. - №4. - С. 39-40.
10. Цуприков, А. А. Математическая модель механической скорости проходки с тремя параметрами для оптимизации бурения нефтегазовых скважин / А. А. Цупиков // Проблемы управления. - 2022. - №4. - С. 21-28.
11. Шигина, А. А. Управление технологическими режимными параметрами с помощью автоматизированной интеллектуальной системы / А. А. Шигина // Science Time. - 2016. - №2 (26). - С. 633-639.
12. Щербаков, Р. Э. Использование методов машинного обучения «без учителя» для предупреждения прихватов бурильной и обсадной колонн / Р. Э. Щербаков, А. В. Ковалев // Известия ТПУ. - 2022. - №4. - С. 66-78.
Intelligent systems in well drilling
Kulbikov A.D., Kuchukbaev G.I., Nigmatzyanov I.M., Dyachkov A.V., Gallyamov R.R.
UGNTU
JEL classification: C10, C50, C60, C61, C80, C87, C90_
The article considers the technologies used in Russian and foreign practice in the sector of well drilling. The essence of the concept of geosupervising is considered, the concepts of a smart well and an intelligent field are defined. Promising directions of intellectualization of drilling processes are presented. It is noted that artificial intelligence can provide an analysis of many indicators and parameters of a well both during drilling and after a well is put into operation; for example, tools are used to control the trajectory of the formed wellbore, which improve the quality of the formed wellbores during drilling. Artificial intelligence can control the level of security, analyze the functioning of personnel, components, equipment, nodes, and the state of the environment. A particularly relevant area of intellectualization of drilling is data analysis: artificial intelligence collects data on the most important petrophysical parameters - porosity, permeability, water saturation, wellbore stability and make a forecast about the further dynamics of these and other parameters. This systematization, in addition, allows to implement a proactive approach to drilling management, the essence of which is the prediction of failures, downtime, defects, accidents. Keywords: well, drilling, stacking, artificial intelligence, smart well, neural network,
forecasting, data-analytics, geosupervising References
1. Alali, V. On the intellectual system for preventing complications in the construction
of wells on land and at sea, created at IPOG RAS / V. Alali, N. A. Eremin // Oil Gas Exposition. - 2023. - No. 1. - S. 27-32.
2. Eremin, N. A. On the possibilities of using artificial intelligence methods in solving
oil and gas problems / N. A. Eremin, D. A. Selenginsky // Izvestiya TulGU. Earth Sciences. - 2023. - No. 1. - S. 201-211.
3. Ignatieva, A. Messoyakhaneftegaz introduces artificial intelligence in well drilling /
A. Ignatieva // Neftegaz. - 2022 [Electronic resource]. - Access mode: https://neftegaz.ru/news/tsifrovizatsiya/755097-messoyakhaneftegaz-vnedryaet-iskusstvennyy-intellekt-v-burenie-skvazhin/. - Access date: 07/18/2023.
4. Karnaukhov, A. M. Prospects for the digitalization of research activities in geological
exploration / A. M. Karnaukhov // Oil and gas geology. Theory and practice. -2017. - No. 4. - 10 s.
5. Kravtsov A. S., Sedelnikova V. A., Chizhov K. A., Knyazeva A. E., Volkov I. V.
Automation of technological processes in oil and gas production // Moscow Economic Journal. - 2021. - No. 9. - S. 705-711.
6. Korneva, Yu. S. Automation of the development of estimates in the oil and gas
industry / Yu. S. Korneva, V. B. Romanyuk, E. M. Vershkova // Information technologies in science, management, social sphere and medicine: collection of scientific papers III International Scientific Conference, May 23-26, 2016, Tomsk: at 2 o'clock - Tomsk: TPU Publishing House, 2016. - Part 2. - P. 678-680.
7. Kulchitsky, V. V. Geosupervising - synergy of digital professions, specialties and
science in the oil and gas business / V. V. Kulchitsky // Russia: trends and development prospects. - 2018. - No. 13-2. - S. 823-829.
8. Lyamina, N. F. Justification for the introduction of thermometric spit technology in
smart wells / N. F. Lyamina, N. V. Gorbachev, R. Kh. Kasaev // Oil and gas technologies and environmental safety. - 2023. - No. 2. - P. 45-48.
9. Rakhmatullin, D. V. Innovative technical means for drilling wells on land and at sea
/ D. V. Rakhmatullin, A. F. Gainullin // Symbol of science. - 2020. - No. 4. - S. 3940.
10. Tsuprikov, A. A. Mathematical model of mechanical penetration rate with three
parameters for optimizing drilling of oil and gas wells / A. A. Tsupikov // Control problems. - 2022. - No. 4. - S. 21-28.
11. Shigina, A. A. Control of technological regime parameters using an automated
intelligent system / A. A. Shigina // Science Time. - 2016. - No. 2 (26). - S. 633639.
12. Shcherbakov, R. E. Using machine learning methods "without a teacher" to prevent
sticking of drill and casing strings / R. E. Shcherbakov, A. V. Kovalev // Izvestiya TPU. - 2022. - No. 4. - S. 66-78.
X X О го А С.
X
го m
о
to о м
CJ
