CC BY
220
9. Intelligent complication prevention systems for safe well construction / A. N. Dmitrievsky, N. A. Eremin, A.D. Chernikov, S. O. Borozdin // Occupational safety in industry. 2022. No. 6. pp. 7-13. DOI 10.24000/0409-2961-2022-6-7-13. EDN WSKHDO.
10. Ensuring the safety of well construction based on the use of intelligent systems for early warning of complications / A. N. Dmitrievsky, N. A. Eremin, M. Ya. Gelfgat, A. I. Arkhipov // Proceedings of the Gubkin Russian State University of Oil and Gas. 2022. No. 1(306). pp. 40-51. DOI 10.33285/2073-9028-2022-1(306)-40-51. EDN UTEIWF.
11. Innovative technologies for preventing the absorption of drilling mud during the construction of wells / A.D. Chernikov, N. A. Eremin, A.V. Zamri, S. P. Chernykh // Izvesti-ya Tula State University. Earth sciences. 2022. Issue. 2. pp. 399-414. DOI 10.46689/22185194-2022-2-1-399-414. EDN QEGVHN.
УДК: 622.276
О ВОЗМОЖНОСТЯХ ПРИМЕНЕНИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РЕШЕНИИ НЕФТЕГАЗОВЫХ ЗАДАЧ
Н. А. Еремин, Д. А. Селенгинский
Рассматривается применение методов искусственного интеллекта в нефтегазовом производстве. В нефтегазовой отрасли внедрение методов искусственного интеллекта повышает показатели эффективности и производительности применяемых технологий. Это обеспечивает лучшие результаты, что делает инструменты ИИ важной технологией в работе отрасли. В данной статье рассматривается внедрение методов искусственного интеллекта для эффективного планирования, предупреждения осложнений и аварийных ситуаций, определения свойств породы-коллектора, оптимизации бурения и производственных мощностей. Обладая точным знанием проницаемости и пористости, инженеры могут разработать план разработки пласта и эффективно управлять извлечением углеводородов. Для прогнозирования пористости в моделях, основанных на искусственном интеллекте, используются данные каротажа и сейсмические характеристики. Прогноз проницаемости выводится путем рассмотрения различных типов данных каротажа скважин при моделировании методом искусственного интеллекта для прогнозирования. Методы искусственного интеллекта, которые могут быть обучены накопленной базой данных из реальных экспериментов, компьютерного моделирования и журналов с действующих месторождений, имеют возможность предсказывать возникновение осложнений и аварийных ситуаций. Инструменты искусственного интеллекта могут помочь в оптимизации производства, повышении эффективности добычи и извлечении углеводородов.
Ключевые слова: искусственные интеллект, нейронные сети, организация производства, выбор кадров, контроль рабочей техники, выявление аномалий, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий, автоматизированная система, строительство скважин, нефтедобыча.
Введение
При формировании современной модели национальной экономики цифровое развитие рассматривается как ключевой элемент расширения компетенций на основе внедрения интеллектуальных технологий, где базой снижения себестоимости и принятия решений становятся большие геоданные и возможность их оперативного получения и обработки для усовершенствования технологических процессов нефтегазодобычи. Технологии нефтегазодобычи формируются за счет эволюционного развития производств и инфраструктуры, с учетом сроков эксплуатации и состояние оборудования, а также обеспечивают создание эффективных бизнес-процессов и решений на основе интеллектуального и роботизированного управления, нефтегазового интернета вещей, внедрения алгоритмов машинного обучения для обработки больших массивов геоданных. Важным при этом является этапность проведения работ: сбор исходных данных - формирование задания на проектирование - локальная автоматизация объектов -интеграция объектов в единую систему управления с дистанционным управлением по критериям - формирование интеллектуального управления объектами со снижением роли персонала (роботизация) - стандартизация принятых решений - масштабирование в объеме предприятия. Без достаточного опыта комплексной автоматизации невозможно перейти к стадии интеллектуального управления нефтегазовыми объектами в безлюдном режиме. План-график цифрового нефтегазового производства включает в себя, как правило, мероприятия по количественной и геолого-экономической оценке и мониторингу ресурсов, запасов углеводородного сырья; оснащению нефтегазовых промыслов мультисенсорными волоконно-оптическими технологиями; сбору и передаче больших геоданных с подземного и наземного оборудования; стандартизации информационных технологий; мониторингу сходимости моделей добычи и ресурсов; планирование последовательности и мер государственного регулирования недропользования, а также прогноз потребности в подготовке высококвалифицированных работников с учетом внедрения новых наилучших технологий и организационных структур для эксплуатации объектов.
Цифровой цикл нефтегазового производства включает в себя: геологические/техногенные и инфраструктурные объекты - мулътисенсор-ные измерения - передачу больших данных (геоданные и информация по процессам) - обработку и систематизацию - формирование научных знаний - цифровые двойники и модели - облачные технологии и массивы информации. Технологичный цикл состоит из производственных блоков: поиск и разведка углеводородов - бурение - разработка - добыча -транспорт - хранение - переработка - нефтегазохимия - логистика сырья и продукции. Инновационный цикл объединяет в себе: формирование ряда требований по созданию новых образцов технологий и оборудования: формирование требований - источники разработки - опытный образец -
опытно-промышленную эксплуатацию - серийное производство - сертификацию - вывод на рынок - масштабную реализацию созданных в процессе инвестиций образцов продукции и средств управления. Технологии искусственного интеллекта» способствуют раннему обнаружению осложнений, отклонений от технологического режима, утечек. Научно-технологическая революция в оптоволоконной сенсорике обеспечили возможность сбора, передачи, хранения и обработки гигантских массивов слабоструктурированных геоданных.
Применение искусственного интеллекта является открытым вопросом, так как он затрагивает такие темы, как архитектура мозга и человеческий интеллект, о которых пока неизвестно в полном объеме. Нейронные сети обычно используется в компьютерных системах с использованием программ с соответствующим вычислительным оборудованием. Поэтому со стороны дилетантов это обычно выглядит как научная иллюзия.
Исследования искусственного интеллекта делят на две основные категории: нейронные сети и классический искусственный интеллект [1]. Искусственный интеллект — это один из типов систем, который заставляет компьютер и машину реагировать так же, как человеческий интеллект [2]. Методы ИИ следуют человеческим способностям, например: рассуждению и обучению. Рассуждения очень практичны, поскольку повторяемость и сложность данных увеличиваются. Таким образом, это сложная тема, которая включает в себя человеческий интеллект и элементы, которые люди не осознают.
У искусственного интеллекта много определений, однако его можно описать как способность анализировать и сохранять информацию в окружающей среде. Искусственный интеллект имитирует человеческий интеллект с помощью машин и компьютерных систем [3-5].
Искусственный интеллект можно разделить на слабый и сильный. Слабая система искусственного интеллекта - это система, которая обучена и предназначена для конкретной задачи. Сильный искусственный интеллект — это система с обобщенным человеческим сознанием, способная при представлении незнакомой задачи, решать её без вмешательства человека. Процесс искусственного интеллекта идет в определенном направлении; один — чистая наука, связанная с пониманием и развитием истинных механизмов естественного разума. Эта интерпретация дает информацию о машине, которая может подражать действиям людей, которые люди считают признаками интеллекта.
Методы искусственного интеллекта подразделяются на четыре основные категории: оптимизация большого потока частиц, алгоритмы эволюционного интеллекта, нечеткая логика и искусственные нейронные сети [6]. Искусственные нейронные сети, нечеткая логика - это новые методы искусственного интеллекта, которые полезны при анализе данных и при-
меняются в процессе прогнозирования, диагностики и нелинейных сложных преобразований с высокой степенью точности [7].
Недавние разработки и исследования доказывают, что искусственный интеллект может повысить производительность и полезен на всех этапах нефтедобычи. В последние годы искусственная нейронная сеть развивалась очень быстро. Её принцип основан на биологической системе человека. Искусственные нейронные сети применяются как инструмент определения вероятности возникновения осложнений, например, «прихвата» и аварий. Нечеткая логика использовалась в нескольких приложениях, связанных с нефтяной инженерией. К ним относится определение характеристик коллектора, повышение нефтеотдачи пластов, бурение, возбуждение скважин и т. д.
Применение инструментов искусственного интеллекта, таких как нечеткая логика и нейронные сети, развивается по мере развития технологий нефтедобычи. Одной из целей использования искусственного интеллекта в процессах добычи является оптимизация кадровой стратегии для минимизации рисков. Искусственный интеллект тем самым может положительно повлиять на оптимизацию. Также существует много других преимуществ искусственного интеллекта в нефтяной промышленности.
Влияние ИИ на нефтяную промышленность
Ежегодно в нефтегазовом секторе нанимаются тысячи сотрудников. Для этого разработали технику ИИ для анализа резюме кандидата. Это позволит найти в резюме подсказки, какой отдел лучше всего подходит для него в соответствии с требованиями компании, что экономит время и деньги отдела кадров компании. Нефтегазовый сектор имеет сложный бухгалтерский учет, для которого требуются высококвалифицированные бухгалтеры и специалисты по закупкам. Кроме того, распределение денежных средств строго регламентировано. Для выполнения всей работы ИИ обучен тому, что дает более необходимую в данный момент времени информацию и перераспределяет задачи по кадрам. Таким образом, нефтяная промышленность запустила исследовательский и опытно-конструкторский потенциал использования методов искусственного интеллекта, таких как искусственные нейронные сети, которые помогают принимать решения для сокращения затрат, времени и экономии денежных средств. Например, компании тратят огромные суммы на техническое обслуживание, однако ИИ снижает затраты на повышение производительности.
В штате нефтегазовых компаний есть опытные геологи, петрофизи-ки и геофизики, которые анализируют геологические данные и прогнозируют местонахождение углеводородов. Используя ИИ, возможно, обрабатывать данные более эффективными способами, чтобы вырабатывать рекомендации о том, следует ли исследовать и разрабатывать или отказаться.
В нефтяной отрасли всегда была особо актуальна тема безопасности. Среди оборудования имеется тяжелое оборудование, платформа и транспортировка с помощью вертолетов. Имеет место работа с токсичными газами. А безопасность - залог успеха в повседневной жизни. Данные о работе всего оборудования фиксируются в постоянном режиме. ИИ в таких условиях работы способен анализировать не только сами единицы оборудования, но и их узлы. Благодаря беспрерывному анализу ИИ может быстро найти компоненты и детали оборудования в случае выхода из строя, кражи и т.д. Тем самым обусловлена ещё одна причина пользы внедрения ИИ в эксплуатацию нефтяных месторождений и оптимизацию добычи [8].
В нефтяной промышленности исторически использовались большие склады, хранение материалов и оборудования «под рукой» для нужд технического обслуживания, что образует потенциал для стратегического прогнозирования спроса, что в свою очередь делает типы и уровни запасов объектом важной информации. Достижения в этом направлении могут помочь сократить оборотный капитал и обеспечить более полное удовлетворение потребностей клиентов.
Пористость, проницаемость, водонасыщенность, устойчивость ствола скважины прогнозируются с помощью методов искусственного интеллекта. Пористость и проницаемость являются двумя важными петрофи-зическими свойствами, которые можно прогнозировать с помощью адаптивной нейронечеткой системы вывода (ANFIS), искусственной нейронной сети (ANN), метода опорных векторов (SVM) и т. д. Прогноз пористости и проницаемости с использованием ИИ не требует никаких математических уравнений для решения вручную. ИНС является одним из быстрых и эффективных методов прогнозирования свойств и характеристик коллектора. Искусственный интеллект используется нефтегазовой промышленностью, чтобы собирать и систематизировать большие данные, используемые для разведки и добычи нефти и газа. Такая работа сделает их более доступными, поэтому компании открывают новые возможности разведки, чтобы более эффективно использовать существующую инфраструктуру.
Новый подход, нейронные сети в бурении
Во время бурения, как во время любого сложного технологического процесса с использованием большого количества машин и механизмов присутствует вероятность возникновения осложнений и аварий, таких как: поломки и оставление в скважине частей колонн бурильных и обсадных труб, долот, забойных двигателей, потерю подвижности (прихват) колонны труб, спущенной в скважину, падение в скважину посторонних металлических предметов. Они, как правило, вызваны несоблюдением утвержденного режима бурения, неисправностью бурового оборудования и бурильного инструмента и недостаточной квалификацией или халатностью рабочего персонала.
Сегодня сложно представить нефтегазовое производство без цифровой модернизации. Современные исследования раскрывают возможности искусственного интеллекта по снижению риска возникновения осложнений и как следствие, аварий. Основой нового взгляда является создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций. На сегодняшний день уже описана созданная автоматизированная система предотвращения аварийных ситуаций при строительстве скважин с применением технологий искусственного интеллекта [9]. Авторы исследования раскрывают структуру автоматизированной системы и состав основных программных компонентов. Непрерывная система передачи, сбора, распределения, хранения и валидации больших объемов геолого-геофизических данных (Big GeoData) с элементами технологии блокчейна обеспечивают эффективную работу программного комплекса. Для выявления скрытых закономерностей между геолого-геофизическими, техническими и технологическими параметрами для решения задач выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин заключается, применяется нейросетевое моделирование. Такой инструмент, возможно, интегрировать в существующие системы управления и контроля на производстве. Преимуществом созданной автоматизированной системы предотвращения аварийных ситуаций является способность «запоминания» выявленных закономерностей в памяти на долгосрочный период и непрерывное дообучения в процессе работы. В программный комплекс предотвращения аварий при строительстве скважин входят пять программных компонентов. Программный компонент «Нефтегазовый блокчейн» функционирует в целях передачи, распределения и сохранения технических и геолого-технологических данных. Программный компонент «Нейросетевые расчеты - построение моделей прогноза осложнений и аварийных ситуаций при бурении и строительстве скважин» служит для своевременного принятия мер по предотвращению осложнений при бурении. Путем визуального наблюдения за большим массивом данных велика вероятность не распознавания приближения к опасной ситуации. В настоящий момент возможно использовать бинарную классификацию для решения задачи прогнозирования осложнений. Применяются алгоритмы: нейросеть (персептрон), Tensor-Flow (Keras). Технология работает следующим образом, собираются данные со станций геолого-технологических измерений, других пробуренных скважин, близких по геологическим условиям, а затем в процессе бурения скважины формируются обобщенные модели прогнозирования осложнений и аварийных ситуаций типа «прихват», «поглощение» и ГНВП, «газо-нефтеводопроявление». Программный компонент «Адаптация обобщенных нейросетевых моделей прогнозирования осложнений и аварийных ситуаций к геофизическим параметрам при бурении конкретной скважины» позволяет повысить точность прогноза возможных отклонений за счет
адаптации обобщенных моделей прогнозирования для конкретных скважин. Обобщенная модель учитывает всю имеющуюся информацию по каждому типу осложнений по конкретному месторождению или по сумме месторождений с учетом их геологических данных, что расширяет ее общность и возможность адаптации к условиям конкретной скважины. Программный компонент «Индикация прогноза осложнений и аварийных ситуаций при бурении и строительстве скважин» (ПК «Индикация») предназначен, формирует предупреждающие сигналы о возможных осложнениях и выдачи рекомендаций для бурильщика по предотвращению последствий прогнозируемых осложнений. Разработанный программный компонент «Оркестровка» организует взаимодействие программных компонентов и модулей, входящих в автоматизированную систему предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин. Основным результатом работы данного программного компонента является предупреждение об аварии или осложнении в процессе строительства скважин. Созданный программный компонент «Обратная связь» выдает рекомендации инженеру-бурильщику в случае возникновения аварии или осложнения. При вероятности прогноза осложнения более 0,5 формируется рекомендация, соответствующая данной аварии или осложнению. Для формирования рекомендаций разработан алгоритм выбора рекомендаций из базы знаний, содержащейся в основном хранилище данных. Масштабное внедрение автоматизированной системы предотвращения аварийных ситуаций при строительстве скважин позволит сократить сроки бурения более чем на 10... 25 % и стоимость скважин на 5...25 % [9-12]. Ведущие нефтегазовые компании России сегодня всё больше внедряют цифровые технологии бурения и добычи на основе применения методов машинного обучения и нейросетевых моделей. Так как нефтегазовая скважина является основным технологическим объектом, определяющим эффективность добычи углеводородов на всех стадиях жизненного цикла месторождения, главными объектами исследования являются осложнения и аварийные ситуации в процессе строительства нефтяных и газовых скважин. Эффективность разработки месторождений не сможет соответствовать требованиям диктуемыми рынком без соответствующего современного программного обеспечения.
Заключение
Построение новой бизнес-модели нефтегазодобычи за счет перехода к интеллектуальным технологиям обеспечит конкурентоспособность и снижение капитальных затрат на всех этапах жизненного цикла нефтегазового производства. Цифровая модернизация нефтегазового производства с использованием методов искусственного интеллекта нацелена на уменьшение времени простоев скважин и оборудования - до 50 % от начального состояния и сокращение операционных затрат - 10.25 %. В настоящее
время инструменты искусственного интеллекта становятся неотъемлемой частью технологий нефтегазовой отрасли. Их методы оказывают значительное влияние, тем самым приводя к оптимизации рисков, затрат и решению сложных проблем. Используются методы искусственного интеллекта, которые предсказывают кривую относительной проницаемости, сопоставляя с полученной из реального эксперимента. Упомянутые методы искусственного интеллекта можно использовать с программным обеспечением для оптимизации работы персонала, техники. Модель на основе искусственного интеллекта также является экономичной и экономящей время технологией, поскольку она уменьшает риски возникновения осложнений и аварий. Нефтяная и газовая промышленность добилась значительных успехов в области бурения, разработки месторождений, добычи и увеличения нефтеотдачи с использованием искусственного интеллекта.
Статъя подготовлена в рамках выполнения государственного задания (тема «Фундаментальный базис энергоэффективных, ресурсосберегающих и экологически безопасных, инновационных и цифровых технологий поиска, разведки и разработки нефтяных и газовых месторождений, исследование, добыча и освоение традиционных и нетрадиционных запасов и ресурсов нефти и газа; разработка рекомендаций по реализации продукции нефтегазового комплекса в условиях энергоперехода и политики ЕС по декарбонизации энергетики (фундаментальные, поисковые, прикладные, экономические и междисциплинарные исследования)», номер гос. Рег. № НИОКТР в РОСРИД122022800270-0.
Список литературы
1. Gharbi R.B.C., Mansoori G.A., An introduction to artificial intelligence applications in petroleum exploration and production. J. Petrol. Sci. 2005. Eng. 49. Р. 93-96. https://doi.org/10.1016/j.petrol.2005.09.001.
2. Dodiya M., Shah M. A systematic study on shaping the future of solar prosumage using deep learning. // Int. J. Energy Water Resour. 1e11. 2021. https://doi.org/10.1007/s42108-021-00114-8.
3. Desai M., Shah M. An anatomization on breast cancer detection and diagnosis employing multi-layer perceptron neural network (MLP) and convolu-tional neural network (CNN). Clin. eHealth. 2020. 4. 1e11. https://doi.org/10.1016j.ceh.2020.11.002.
4. Panchiwala S., Shah M. A comprehensive study on critical security issues and challenges of the IoT world. J. Data, Inf. Manag. 2020. 2. 257e278. https://doi.org/ 10.1007/s42488-020-00030-2.
5. Comparative anatomization of data mining and fuzzy logic techniques used in diabetes prognosis / H. Thakkar, V. Shah, H. Yagnik, M. Shah // Clin. eHealth. 2020. 4. 12e23. https://doi.org/10.1016/j.ceh.2020.11.001
6. Rahmanifard H., Plaksina T. Application of artificial intelligence techniques in the petroleum industry: a review. Artif. Intell. Rev. 2019. 52, 2295e2318. https:// doi.org/10.1007/s10462-018-9612-8.
7. Reservoir Engineer and Artificial Intelligence Techniques for Data Analysis / O. Tapias [and others] // Society of Petroleum Engineers (SPE). 2001. https://doi.org/10.2118/68743-ms.
8. Akanji L.T., Ofi I. Application of artificial intelligence in oilfield operation and intervention. Society of Petroleum Engineers - SPE Intelligent Energy Interna- tional Conference and Exhibition. Society of Petroleum Engineers. 2016. https:// doi.org/10.2118/181116-ms.
9. Автоматизированная система предотвращения аварий при строительстве скважин / А.Н. Дмитриевский [и др.] // 2021.
10. Дмитриевский А. Н., Столяров В. Е., Еремин Н. А. Роль информации в применении технологий искусственного интеллекта при строительстве скважин для нефтегазовых месторождений // Научный Журнал Российского Газового Общества. №3 (26). 2020. С. 6-21.
11. Анализ рисков при использовании технологий искусственного интеллекта в нефтегазодобывающем комплексе / А.Н. Дмитриевский [и др.] // Автоматизация, телемеханизация и связь в нефтяной промышленности». 2021. №7(576). С.17-27. DOI: 10.33285/0132-2222-2021-7(576)-17-27.
12. Дмитриевский А Н., Столяров В. Е., Еремин Н. А. Актуальные вопросы и индикаторы цифровой трансформации на заключительной стадии нефтегазодобычи промыслов // Научно-технический журнал «SOCAR Proceedings». Научные труды НИПИ Нефтегаз ГНКАР. Спецвыпуск SOCAR Proceedings Special Issue No.2. 2021. Р 001-013. http:// dx.doi.org/10.5510/OGP2021SI200543.
Еремин Николай Александрович, д-р техн. наук, проф., гл. науч. сотр., [email protected], Россия, Москва, Институт проблем нефти и газа Российской Академии наук (ИПНГ РАН); Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина (РГУ нефти и газа (НИУ) имени И.М. Губкина),
Селенгинский Дмитрий Андреевич, асп., [email protected], Россия, Москва, Институт проблем нефти и газа Российской Академии наук (ИПНГ РАН)
ON THE POSSIBILITIES OF APPLYING ARTIFICIAL INTELLIGENCE METHODS IN SOLVING OIL AND GAS PROBLEMS
N. A. Eremin, D. A. Selenginsky
The subject of research in the article is the application of artificial intelligence methods in oil and gas production. In the oil and gas industry, the introduction of artificial intelligence methods increases the efficiency and productivity of the technologies used. This delivers better results, making AI tools an important technology for the industry. This article
discusses the introduction of artificial intelligence methods for effective planning, prevention of complications and emergencies, determining the properties of the reservoir rock, optimizing drilling and production capacity. With accurate knowledge ofpermeability and porosity, engineers can develop a reservoir plan and effectively manage hydrocarbon recovery. AI-based models use log data and seismic data to predict porosity. The permeability prediction is derived by considering different types of well log data in AI prediction modeling. Artificial intelligence methods, which can be trained by the accumulated database from real experiments, computer simulations and logs from operating fields, have the ability to predict the occurrence of complications and emergencies. Artificial intelligence tools can help optimize production, improve production efficiency and recover hydrocarbons.
Key words: artificial intelligence, neural networks, organization of production, personnel selection, control of working equipment, anomaly detection, prediction of complications, well drilling, geological and technological information, accident prevention, automated system, well construction, oil production.
Eremin Nikolay Alexandrovich, doctor of technical sciences, professor, chief of science. sotr., [email protected], Russia, Moscow, Institute of Oil and Gas Problems of the Russian Academy of Sciences (IPNG RAS); Gubkin Russian State University of Oil and Gas (National Research University) (Gubkin Russian State University of Oil and Gas (NRU)),
Dmitry Andreevich Selenginsky, postgraduate, [email protected], Russia, Moscow, Institute of Oil and Gas Problems of the Russian Academy of Sciences (IPNG RAS)
Reference
1. Gharbi R.B.C., Mansoori G.A., An introduction to artificial intelligence applications in petroleum exploration and production. J. Petrol. Sci. 2005. Eng. 49. pp. 93-96. https://doi.org/10.1016Zj.petrol.2005.09.001 .
2. Dodiya M., Shah M. A systematic study on shaping the future of solar prosumage using deep learning. Int. J. Energy Water Resour. 1e11. 2021. https://doi.org/10.1007/s42108-021-00114-8.
3. Desai M., Shah M. An anatomization on breast cancer detection and diagnosis employing multi-layer perceptron neural network (MLP) and con-volu- tional neural network (CNN). Clin. eHealth. 2020. 4. 1e11. https://doi.org/10.1016j.ceh.2020.11.002.
4. Panchiwala S., Shah M. A comprehensive study on critical security issues and challenges of the IoT world. J. Data, Inf. Manag. 2020. 2. 257e278. https://doi.org/ 10.1007/s42488-020-00030-2.
5. Comparative anatomization of data mining and fuzzy logic techniques used in diabetes prognosis / H. Thakkar, V. Shah, H. Yagnik, M. Shah // Clin. eHealth. 2020. 4. 12e23. https://doi.org/10.1016/j.ceh.2020.11.001
6. Rahmanifard H., Plaksina T. Application of artificial intelligence techniques in the petroleum industry: a review. Artif. Intell. Rev. 2019. 52, 2295e2318. https:// doi.org/10.1007/s10462-018-9612-8.
7. Reservoir Engineer and Artificial Intelligence Techniques for Data Analysis / O. Tapias [and others] // Society of Petroleum Engineers (SPE). 2001. https://doi.org/10.2118/68743-ms.
8. Akanji L.T., Ofi I. Application of artificial intelligence in oilfield op-eration and intervention. Society of Petroleum Engineers - SPE Intelligent Energy Interna- tional Conference and Exhibition. Society of Petroleum Engineers. 2016. https:// doi.org/10.2118/181116-ms .
9. Automated system for preventing accidents during the construction of wells / A.N. Dmitrievsky [et al.] // 2021.
10. Dmitrievsky A. N., Stolyarov V. E., Eremin N. A. The role of information in the application of artificial intelligence technologies in the construction of wells for oil and gas fields // Scientific Journal of the Russian Gas Society. No.3 (26). 2020. pp. 6-21.
11. Risk analysis when using artificial intelligence technologies in the oil and gas production complex / A.N. Dmitrievsky [et al.] // Automation, telemechanization and communication in the oil industry". 2021. No.7(576). pp.17-27. DOI: 10.33285/0132-2222-2021-7(576)-17-27.
12. Dmitrievsky A. N., Stolyarov V. E., Eremin N. A. Actual issues and indicators of digital transformation at the final stage of oil and gas production of fields // Scientific and technical journal "SOCAR Proceedings". Scientific works of NIPI Neftegaz SOCAR. SOCAR Proceedings Special Issue No.2. 2021. P 001-013. http:// dx.doi.org/10.5510/OGP2021SI200543.
УДК 622.285.4:624.191.6
РАСЧЕТ ШНЕКОВОГО КОНВЕЙЕРА ЩИТОВЫХ МАШИН
С ГРУНТОПРИГРУЗОМ
А.Б. Жабин, В.Г. Мерзляков, П.Н. Чеботарев, В.И. Сарычев
Рассмотрены вопросы расчета конструктивных и кинематических параметров, а также силовых показателей работы при проектировании шнековых конвейеров герметических тоннельных щитовых машин с грунтовым пригрузом забоя.
Ключевые слова: тоннельная щитовая машина, грунтопригруз, шнековый конвейер, параметры, производительность.
В процессе работы герметической щитовой машины с грунтоприг-рузом выведение разработанного грунта из призабойной камеры производится с помощью шнекового конвейера 14 (рисунок), скорость вращения винта которого регулируется для управления напряженным состоянием в образованной грунтовой пробке [1 - 5].
При проектировании шнековых конвейеров расчетным путем определяют производительность конвейера. Площадь сечения потока материала, скорость перемещения материала на конвейере, наибольшую допустимую частоту вращения шнека, диаметр шнека, мощность двигателя выбирают и назначают коэффициент заполнения, шаг шнека и ряд других величин. Выбор исходных величин должен быть теоретически обоснованным с учетом аналитических данных и действующих факторов. От правильности выбора исходных величин зависит точность рассчитываемых параметров и показателей [1, 6 - 10].
