CC BY
204
УДК 681.52
https://doi.org/10.24412/0131-4270-2023-2-46-53
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССОВ В НЕФТЕГАЗОВОЙ ОТРАСЛИ
APPLICATION OF MACHINE LEARNING METHODS TO AUTOMATE PROCESSES IN THE OIL AND GAS INDUSTRY
Шлыков С.В.
Кубанский государственный технологический университет, 350089,
Краснодар, Россия
E-mail: shlykov5517@rambler.ru
Резюме: В данном исследовании рассматривается возможность использования искусственных нейронных сетей для автоматизации процессов, оборудования и устройств нефтегазового комплекса с использованием датчиков для сбора и отслеживания информации. Целью данной работы является исследование и анализ современной интеллектуальной автоматизации процессов на основе применения искусственных нейронных сетей с использованием средств телекоммуникаций сбора данных для автономного управления. Актуальной проблемой является применение устарелых методов классической автоматизации технологических процессов нефтегазового сектора, что обусловлено отсутствием возможностей составления прогнозов и рисков состояния эксплуатационного оборудования в полевых условиях месторождений нефти. Научной новизной исследования является разработка программной модели на основе симуляций для отображения отличий классической и современной автоматизации в технологических процессах нефтедобычи и производства с использованием машинного обучения и средств телемеханики.
Ключевые слова: технологический процесс, нейронные сети, нефтепродукты, оборудование, прогнозирование, процессы управления и контроля, современная автоматизация.
Для цитирования: Шлыков С.В. Применение методов машинного обучения для автоматизации процессов в нефтегазовой отрасли // Транспорт и хране-ние нефтепродуктов и углеводородного сырья. 2023. № 2. С. 46-53.
DOI:10.24412/0131-4270-2023-2-46-53
Shlykov Sergey V.
Kuban State Technological University, 350089, Krasnodar, Russia E-mail: shlykov5517@rambler.ru
Abstract: This study examines the possibility of using artificial neural networks to automate processes, equipment, and devices of the oil and gas industry using sensors to collect and track information. This paper aims to study and analyze modern intelligent automation of processes based on artificial neural networks and the use of telecommunications to collect data for autonomous control. An urgent problem in the oil and gas sector is the use of outdated methods of classical process automation. This issue stems from the lack of opportunities to make forecasts and assess risks related to the state of operational equipment in the field conditions of oil deposits. The scientific novelty of the research is a developed software model based on simulations to display the differences between conventional and modern automation in the technological processes of the oil industry and production processes that involve machine learning and telemechanics.
Keywords: technological process, neural networks, petroleum products, equipment, forecasting, command and control processes, modern automation.
For citation: Shlykov S.V. APPLICATION OF MACHINE LEARNING METHODS TO AUTOMATE PROCESSES IN THE OIL AND GAS INDUSTRY. Transport and storage of Oil Products and Hydrocarbons, 2023, no. 2, pp. 46-53.
DOI:10.24412/0131-4270-2023-2-46-53
Введение
В современном мире происходит множество изменений, которые обусловлены стремительным развитием технологического прогресса с использованием информационных технологий (ИТ) и внедрением искусственного интеллекта (ИИ) на основе методов машинного обучения в производственные отрасли [1]. Многие технологические гиганты мирового производства ежегодно сталкиваются с проблемой технологических процессов, обусловленных устарелыми методами классической автоматизации с использованием вычислительного оборудования и автоматизированных систем управления (АСУ), которые в процессе длительной эксплуатации часто приводят к нарушению работы и отказам систем [1-3]. За последние годы информационные технологии широкомасштабно начали использовать как для производственных процессов, так и для повседневной жизни человечества с целью автоматизации всех возможных процессов, с которыми человеку свойственно сталкиваться ежедневно для выполнения различных задач [2].
Технологический прогресс и развитие информационных технологий позволили создать современный вид
автоматизации (СА), который отличается от классической автоматизации (КА) своими возможностями и значительно превосходит в части выполнения различных процессов [3]. Классическая автоматизация в виде математического аппарата основана на математической и имитационной модели с предоставлением физических процессов в режиме реального времени и содержит, как правило, ограничения, связанные с невозможностью распознавания образов. Современная автоматизация основана на применении методов машинного обучения, которые в результате математических расчетов обученной модели позволяют идентифицировать и классифицировать объекты с распознаванием образов для принятия решений с заданным алгоритмом выполнения процессов и задач и, как правило, внедряются в перспективные отрасли, например железнодорожный транспорт, энергетику и нефть, фармацевтику и др. [3-4].
Нефтяная промышленность состоит из множества систем для разведки, разработки месторождений с целью проведения технологических процессов бурения и производства, что в результате добычи и переработки позволяет получить
основной нефтепродукт - топливо [3]. Нефтегазовый сектор сталкивается с проблемами КА-систем для обработки больших данных, которые с помощью оборудования и устройств для проведения технологических операций поступают на удаленный компьютер, где отображается подробная характеристика выполняемых процессов. Однако КА не имеет возможности спрогнозировать или составить возможные риски рабочего состояния оборудования для продления его срока эксплуатации или необходимой замены [4-5]. В связи с этим применяется СА с использованием машинного обучения, которая, кроме контроля и управления оборудованием для выполнения технологических процессов, способна составлять прогноз и возможные риски технологических процессов на основе математических вычислений [5].
Машинное обучение и искусственный интеллект используются для создания моделей прогнозирования и оптимизации производственных процессов. Это позволяет компаниям быстро адаптироваться к изменениям в производственной среде, прогнозировать проблемы и находить новые возможности для улучшения эффективности и качества.
Одной из основных задач, решаемых с помощью машинного обучения в нефтегазовой промышленности, является контроль и управление состоянием эксплуатационного оборудования. С помощью машинного обучения можно предсказывать возможные отказы оборудования, определять оптимальные режимы работы оборудования, проводить мониторинг состояния оборудования и его диагностику в режиме реального времени [5-6].
Также машинное обучение может использоваться для прогнозирования потребности в нефти и газе на основе исторических данных и прогнозов спроса. Эти модели могут помочь компаниям оптимизировать производство и управлять запасами эффективнее.
Кроме того, машинное обучение может применяться для управления технологическими процессами в разведке и бурении для нефтедобычи. С помощью алгоритмов машинного обучения можно оптимизировать процессы бурения скважин, улучшить прогнозирование свойств пласта и
Рис. 1. Схема современной автоматизации процессов в нефтегазовой отрасли
определять оптимальные параметры эксплуатации нефтяных месторождений [6-7].
Нефтегазовый сектор, включающий СА (рис. 1), состоит из целого комплекса технологических процессов, которые в результате позволяют получить данные о количестве добытого сырья на основе прогнозирования для выполнения сопутствующих технологических операций - переработки, хранения, транспортирования, прогноза прибыльности и рентабельности на уровне мирового рынка [5-7]. Схема на рис. 1 отображает возможность одновременно контролировать и управлять оборудованием, средствами и устройствами для возможности проведения технологических процессов. Важным условием современной концепции является составление рисков, объясняемых столкновением с возможными проблемами, которые могут негативно отразиться на выполнении связывающих процессов [8-9].
Цифровизация производства является эффективным решением для внедрения интеллектуального вида автоматизации, что на сегодня обусловлено интенсивным применением продвинутых интеллектуальных систем и оптимизацией в режиме реального времени. Это способствует анализу больших данных (DataMining) и включает в себя получение данных, интеллектуальный и глубинный анализ данных. Некоторые алгоритмы машинного обучения используются в области разработки месторождений, которые подпадают под классификацию контролируемого обучения [10].
Большинство реализаций разработок месторождений зачастую используют методы эволюционной оптимизации, например генетический алгоритм и оптимизацию роя частиц. Авторами [11] разработан метод с использованием искусственной нейронной сети (ИНС) и применением полевых данных, на основе которых предоставлялись данные из части месторождений сланцевого газа для повышения оптимизации и автоматизации технологических процессов. В работе [12] авторы использовали модели ИНС и оптимизационное программирование для решения проблем нефтяного месторождения. На протяжении всего технологического производства системы ИНС авторами проводилась имитация количественного моделирования с высокой точностью на основе точного оборудования с целью прогнозирования выходных данных. Несколько входных и выходных сигналов с синаптическими весами связаны в модель ИНС, которая суммирует произведение входных данных и их соответствующих весов для прохождения через передаточную функцию с целью получения выходных данных слоя. Свертка и нелинейность модели увеличиваются за счет увеличения количества скрытых слоев [12-13].
Таким образом, машинное обучение в нефтяной промышленности используется как для исследования проблем, связанных с данными, так и для контроля и управления автоматизированными процессами технологического производства.
I
Характеристика процессов сервера 1
Актуальной проблемой является применение устарелых методов классической автоматизации технологических процессов нефтегазового сектора, что обусловлено отсутствием возможностей составления прогнозов и рисков состояния эксплуатационного оборудования в полевых условиях месторождений нефти.
В исследовании рассматривались следующие задачи: анализ источников применения методов машинного обучения для производственных процессов технологического характера; анализ современного состояния нефтегазовой отрасли и проблемы технологических процессов с влиянием на эксплуатацию оборудования; анализ и составление отличий применения классической и современной автоматизации технологических процессов с применением методов машинного обучения; анализ применения датчиков сбора данных и регистрирующих устройств для управления и контроля технологическими процессами; исследование возможностей комбинирования искусственных нейронных сетей для автоматизации нефтегазового оборудования; анализ проблем возникновения рисков эксплуатации нефтегазового оборудования.
Научной новизной исследования является разработка программной модели на основе симуляций для отображения отличий классической и современной автоматизации в технологических процессах нефтедобычи и производства с использованием машинного обучения и средств телемеханики.
Методы и материалы
В данном исследовании смоделирована модель автоматизации технологических операций месторождений нефти в программном обеспечении AnyLogic с использованием информационных технологий и нейронных сетей со средствами телемеханики (датчики сбора данных). Построена модель простой и интеллектуальной автоматизации процессов для отображения отличительных особенностей и параметров задания алгоритмов машинного обучения.
Основной проблемой существующих подходов к обучению ИНС является переобучение, связанное со способом корректировки весовых коэффициентов, возможным использованием комбинированных подходов к обучению ИНС, что включает в себя сочетание средств телемеханики, датчиков сбора данных для отображения информации в режиме реального времени о состоянии оборудования и устройств, участвующих в технологических процессах [14, 15]. Технологические процессы нефтяного производства связаны между собой и представляют собой целый комплекс производства, который должен обеспечиваться средствами автоматизации для эффективной добычи сырья, его транспортирования и хранения, где важным условием является контроль состояния оборудования [16].
Рис. 2. Технологическая схема автоматизации процессов для контроля и управления операциями в нефтегазовом секторе
Характеристик а процессов сервера 2
Процессы n
)
Характеристик а процессов серверов n
-у Ч-Г:.................... .............................................
Обработка данных процессов
Операции
Технологическая схема включает в себя технологические процессы добычи нефти бурильными установками и вспомогательное оборудование с наличием средств телемеханики для сбора и получения данных. Схема показана на рис. 2 и состоит из алгоритма последовательности сбора и обработки данных на основе выполнения технологических процессов. Процессы, осуществляемые на бурильной установке, контролируются средствами телемеханики и связывающими узлами - датчиками, которые выполняют функцию сбора данных в процессе эксплуатации оборудования. На основе получения данных нейронная сеть имеет возможность осуществлять прогнозирование состояния оборудования и составлять риски непредвиденных ситуаций в результате проведения процессов [15-17].
В нефтегазовой промышленности собираются различные типы данных для установления углеводородного потенциала с помощью датчиков сбора данных большого объема, где требуется построить и проанализировать данные с помощью технического анализа и вмешательства. ИНС обеспечивает взаимосвязь между входными переменными и прогнозирует выходные данные без человеческого вмешательства. Данные, связанные с нефтяной и газовой промышленностью, огромны, и процесс корреляции данных очень сложен. Несколько входных и выходных сигналов с синаптическими весами связаны в ИНС. Модель ANN суммирует произведение входных данных и их соответствующих весов для прохождения через передаточную функцию для получения выходных данных слоя [18].
Комбинирование оборудования и устройств с ИНС показано на рис. 3, где в качестве оборудования служит бурильная установка, в качестве устройств используются датчики сбора данных, программируемые контроллеры и встраиваемые компьютеры для обучения и взаимодействия с нейронной сетью.
Рис. 3. Метод прогнозирования и составление рисков оборудования на основе
комбинирования датчиков сбора данных, программируемого контроллера и встраиваемого компьютера иС-7110
приложениями для обработки данных посредством последовательных и ЕШете^одключений по локальной сети.
Устройства
В интеллектуальных системах на нефтяных месторождениях все коммуникации и средства телемеханики настраиваются параллельно друг другу для обеспечения возможности резервирования и надежной передачи данных как внутри системы (в пределах полевых условий), так и за ее пределами (офисные помещения центра управления) [16-19]. В качестве основного интерфейса, посредством которого происходит взаимодействие между оператором и сетью, должны использоваться надежные, проверенные решения НМ1, поддерживающие различные промышленные коммуникационные интерфейсы. При этом можно отметить простоту интеграции с системами управления и
Результаты и обсуждение
Для проведения исследования возможности применения машинного обучения в современной автоматизации технологических процессов в нефтяной промышленности смоделирована модель симуляции в программном обеспечении AnyLogic. Смоделированная модель включает в себя выполнение технологических процессов, которые происходили в течении 10 часов с выводов данных удаленных серверов компьютеров на основной компьютер.
Результаты исследования представлены на рис. 4 (а-г), где показаны собранные данные в промежуток времени с 8 утра до 18 вечера с 19 компьютеров, первые десять из которых работают при обычной автоматизации, а с 11-го по 19-й - применением искусственных сетей и вспомогательных средств телемеханики и управления. При выполнении технологических процессов каждый процесс обрабатывался и передавался на главный компьютер 20 (передача данных показана на мониторах 2, 4, 7, 13, 15, 16, 18).
Каждое оборудование и устройство, связанное со скважинами, передавало информацию выполнения
Рис. 4. Сравнение обычной и современной автоматизации с применением искусственных сетей для скважин месторождений с проведением технологических процессов: а) модель процессов с выводом данных на основной компьютер; б) результаты исследования в промежуток времени с 8 до 13 часов; в) результаты исследования в промежуток времени с 13 до 18 часов; г) технологические процессы
технологических процессов, в результате чего получены следующие данные. При обычной автоматизации технологических процессов 3 компьютера из 10 показали затруднение в выполнении процессов (см. рис. 4). В результате возникновения неисправностей проводилась диагностика состояния оборудования, которая при обычной автоматизации занимает достаточно длительное время. Планирование включает в себя проверку и запуск оборудования для отображения состояния оборудования и необходимых средств для запуска бурильных установок и добычи.
Информация, обрабатываемая с помощью датчиков и средств телемеханики, регистрировала информацию о готовности, а также о неисправностях оборудования. На основе получения компьютерных данных, собранных со скважин, датчики зафиксировали неисправности на компьютерах 1, 5 и 10. В результате неисправностей осуществлялось отключение и перезапуск системы для проведения диагностики оборудования и оптимизации технологических процессов в момент эксплуатации оборудования. При повторных неисправностях осуществлялось отключение оборудования с целью продления срока его эксплуатации.
Компьютеры 11-19 отображают полученные данные с использованием ИНС, которые на основе обучения и датчиков сбора данных позволяют составлять риски и прогнозировать неисправности оборудования за краткий промежуток времени. Преимуществом интеллектуальной автоматизации в процессе симуляции оказалось быстрое выполнение технологических операций на основе принятия решений и обучения модели к возможным неисправностям в системе. Например, на рис. 4 информация с компьютеров 11 и 19 показывает, что обученной модели достаточно одного возникновения неисправности, чтобы приостановить работу оборудования по заданному алгоритму. В случае с обычной автоматизацией перезапуск систем осуществлялся по 3-5 раз в течение 10 часов, что свидетельствует о больших затратах оборудования в процессе неисправной эксплуатации.
В отличие от обычной автоматизации, интеллектуальная автоматизация позволяет эффективнее проводить планирование, оптимизацию оборудования и диагностику, что позволяет нейронным сетям прогнозировать возможные риски в проведении технологических операций. Обученная нейронная сеть составляет прогнозы состояния оборудования и возможных рисков в выполнении процессов, что дает возможность планировать процессы производства почасово. Например, каждый час на основе оптимизации системы и получении данных с оборудования прогнозировались возможные риски остановки технологического процесса и составлялся прогноз с возникновением неисправностей.
Кроме того, показано, что отключение системы для интеллектуальной автоматизации составляло 15-20 минут, когда для обычной автоматизации время отключения системы составляло 60 минут и более. Составление рисков технологических процессов является важным условием для стабильной и безопасной работы оборудования, что позволяет избегать нежелательных неисправностей на основе составления динамических параметров производства.
Таким образом, характерной особенностью применения нейронных сетей в процессах автоматизации является сопоставление важных факторов производства, которые
имеют зависимость со временем затруднять выполнение технологических процессов, что связано с работой эксплуатационного оборудования. Контроль и управление технологическими процессами с помощью нейронных сетей открывает возможность для автономного режима работы, что позволяет осуществлять технологические операции без человеческого вмешательства. Однако для автономного режима работы необходимо создать более детальную концепцию с заданием алгоритмов выполнения для безопасности производства и повышения эффективности.
Исследователями было приложено немало усилий для того, чтобы современная автоматизация на основе математических моделей послужила толчком в технологическом прогрессе. Предложение математической модели авторами [20] обосновано на объединении алгоритмов нейронных сетей и градиентного условия для выбора оптимального метода повышения нефтеотдачи при использовании ультразвуковой технологии с целью прогнозирования добычи нефти на месторождении и контроля состояния технологического оборудования. Однако авторы использовали классификацию нейронной сети с генетическим алгоритмом в базе данных, который предоставляет больше возможностей в прогнозировании переменных для оптимизации процессов.
Согласно работам [21-22], c развитием цифровизации и автоматизации в нефтегазовой промышленности стало возможным применение различных форм искусственного интеллекта, таких как машинное обучение, нейронные сети, генетические алгоритмы и др.
Цифровая модернизация нефтегазодобычи является мощным инструментом повышения эффективности разработки месторождений и цифрового развития нефтегазовой отрасли. В работе [23] поднимаются вопросы по решению осложнений и аварийных ситуаций при строительстве нефтегазовых скважин. Авторами предложена высокопроизводительная система предупреждения осложнений и аварийных ситуаций с использованием технологий машинного обучения. Эффективность автоматизированной системы основана на предоставлении расчетной модели с механизмом для непрерывной системы передачи, сбора, распределения, хранения и проверки больших объемов геологических и геофизических данных (Big Geo Data) с элементами технологии блокчейн.
Также важно отметить, что, согласно данным [24], машинное обучение может использоваться для анализа больших объемов данных, что позволяет компаниям выявлять закономерности и тренды в добыче и использовании нефти и газа. Модели машинного обучения могут анализировать данные с датчиков и предсказывать оптимальный момент для замены буровых инструментов, чтобы минимизировать простои оборудования и снизить издержки на замену инструментов.
Следовательно, машинное обучение является мощным инструментом для оптимизации процессов в нефтяной промышленности и обеспечения стабильной работы оборудования, что позволяет снизить затраты на производство и повысить эффективность добычи нефти и газа.
Выводы
В данном исследовании рассматривалась возможность комбинирования искусственной нейронной сети с устройствами и средствами телемеханики и автоматизации для
построения модели интеллектуальной автоматизации, способной определить образование рисков и неисправностей в промышленных системах производства нефтедобычи. В результате смоделированной модели установлено, что интеллектуальная система автоматизации значительно превосходит обычную (классическую) автоматизацию по скорости выполнения технологических операций и позволяет предотвращать аварийные ситуации, связанные с ухудшением состояния эксплуатационного оборудования.
Машинное обучение имеет большой потенциал для оптимизации процессов в нефтегазовой промышленности. Оно может помочь компаниям в этой отрасли повысить эффективность и улучшить качество добычи нефти и газа, а также улучшить безопасность на местах работы.
Модель из 19 облачных серверов компьютеров включает в себя 10 компьютеров для контроля технологических процессов с обычной автоматизацией, и 9 компьютеров для контроля технологических процессов с интеллектуальной автоматизацией. Из 19 компьютеров 3 компьютера с обычной автоматизацией показали нарушение технологического процесса производства нефтедобычи, где отключение системы
составляло от 30 до 60 минут, когда для интеллектуальной автоматизации для 2 компьютеров время отключения составляло от 15 до 20 минут. Кроме того, установлено, что обычная автоматизация несколько замедляет выполнение процессов оптимизации и диагностирования состояния оборудования, что существенно влияет на временные затраты.
Применение нейронных сетей в процессах автоматизации является вполне выгодным решением для управления нефтегазовым сектором на основе составления рисков, что с учетом полученных данных эксплуатационного оборудования позволяет прогнозировать возникновение неисправностей и оценивать возможные риски аварийного состояния оборудования и устройств. Кроме того, машинное обучение дает нефтегазовым компаниям инструмент для оптимизации и автоматизации производственных процессов, что позволяет снижать затраты, повышать качество производства и увеличивать прибыльность бизнеса. Вектор дальнейших разработок направлен на автоматизацию процессов при автономном режиме работы нефтегазовых предприятий с использованием методов машинного обучения и средств сбора данных.
СПИСОК ЛИТЕРАТУРЫ
1. Шестан В.Б., Михтадов Р.Э. Машинное обучение в производстве // Прорывные научные исследования: проблемы, закономерности, перспективы: сб. ст. XV Междунар. науч.-практ. конф. Пенза: Наука и просвещение. 2020. С. 121-123.
2. Барсегян Н.В., Шинкевич А.И. Анализ информационных технологий поддержки систем управления нефтехимическими предприятиями // Вестник БУКЭП. 2020. № 6 (85). С. 56-65.
3. Луков Д.К. Автоматизированные системы управления технологическим процессом (АСУ ТП) // European Science. 2019. № 2 (44). С. 19-21.
4. Автоматизация. Современные технологии. Ежемесячный межотраслевой науч.-техн. журн. URL: https://www. mashin.ru/files/2018/ao_118.pdf (дата обращения 28.02. 2023).
5. Тоткало Г.В., Хрипунова А.С. О некоторых подходах к прогнозированию спроса на рынке нефтепродуктов // Вестник университета. 2015. № 8. С. 75-79.
6. Казаков Е.А. Автоматизация в области нефтедобычи и транспорта подготовленной нефти // Модернизация научной инфраструктуры и цифровизация образования: Мат. XI Междунар. науч.-практ. конф. СПб.: Изд-во ВВМ. 2021. С. 20-25.
7. Чубарова О.И., Шаньгин Е.С. Вопросы автоматизации нефтяных промыслов // Культура, наука, образование: проблемы и перспективы: Мат. VII Всерос. науч.-практ. конф. Нижневартовск: НГУ. 2019. С. 699-702.
8. Теплухин П.А., Градусов А.Б. Особенности применения машинного обучения в управлении рисками // Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации. Мат. XXIII науч.-практ. конф. Пенза: Наука и просвещение 2019. С. 100-102.
9. Hegde J., Rokseth B. Applications of machine learning methods for engineering risk assessment-A review. SafetyScience. 2020. Vol. 122. Artno. 104492.
10. Кардопольцева К.Б. К вопросу о роли методов интеллектуального анализа данных для решения проблемы прогнозирования состояния оборудования на промышленном предприятии // Актуальные проблемы бухгалтерского учета, анализа и аудита: Мат. конф. Курск: ЮЗГУ. 2021. С. 205-207.
11. Esmaili S., Mohaghegh S. D. Full field reservoir modeling of shale assets using advanced data-driven analytics. Geoscience Frontiers. 2016. Vol. 7 (1). P. 11-20.
12. Costa L. A. N., Maschio C., Schiozer D. J. Application of artificial neural networks in a history matching process. Journal of Petroleum Science and Engineering. 2014. Vol. 123. P. 30-45.
13. Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H. Application of machine learning and artificial intelligence in oil and gas industry. PetroleumResearch. 2021. Vol. 6 (4). P. 379-391.
14. Коровин Я.С., Хисамутдинов М.В., Ткаченко М.Г. Прогнозирование состояния нефтепромысловых объектов с применением технологий эволюционных алгоритмов и искусственных нейронных сетей // Нефтяное хозяйство. 2013. № 12. С. 128-133.
15. Гуськов А.А., Темникова А.Ю. Беспроводные датчики на объектах нефтедобычи // Энергия молодежи для нефтегазовой индустрии: Мат. конф. Альметьевск: АГНУ. 2020. С. 718-723.
16. Хамов А.А. Беспроводные решения Smart Wireless от компании Emerson для автоматизации технологических процессов // Территория Нефтегаз. 2008. № 8. С. 24-25.
17. Khan W. Z., Aalsalem M. Y., Khan M. K., Hossain M. S., Atiquzzaman M. A reliable Internet of Things based architecture for oil and gas industry. In 2017 19th International conference on advanced communication Technology (ICACT). IEEE. 2017. P. 705-710.
18. Лопухов И. Интеллектуальные системы на нефтяных месторождениях: примеры // Control Engineering Россия. 2017. № 2 (68). С. 74-78.
19. Закиева Л.Р., Васильева М.. Беспроводные системы для автоматизации объектов нефтяной промышленности // Вестник КТУ. 2013. № 16 (8). С. 287-289.
20. Байбаров Д.А. Автоматизированный комплекс нефтяных скважин на основе ультразвуковой технологии для увеличения продуктивности скважин и снижения затрат на добычу // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2021. № 2-3. С. 81-88.
21. Kumar A. A machine learning application for field planning. In Offshore Technology Conference. OnePetro.2019. Art no. OTC-29224-MS.
22. Hazbeh O., Aghdam S.K.Y., Ghorbani H., Mohamadian N., Alvar M.A., Moghadasi J. Comparison of accuracy and computational performance between the machine learning algorithms for rate of penetration in directional drilling well. PetroleumResearch. 2021. Vol. 6(3). P. 271-282.
23. Дмитриевский А.Н., Еремин Н.А., Черников А.Д. Автоматизированная система предотвращения аварий при строительстве скважин // Нефтяное хозяйство. 2021. № 1. С. 73-76
24. HajizadehY. Machine learning in oil and gas; a SWOT analysis approach. Journal of Petroleum Science and Engineering. 2019. Vol. 176. P. 661-663.
REFERENCES
1. Shestan V.B., Mikhtadov R.E. Mashinnoye obucheniye v proizvodstve [Machine learning in production]. Trudy XV Mezhd. nauch.-prakt. konf. «Proryvnyye nauchnyye issledovaniya: problemy, zakonomernosti, perspektivy» [Proc. of XV Int. scientific-practical conf. "Breakthrough scientific research: problems, patterns, prospects"]. Penza, 2020, pp. 121-123.
2. Barsegyan N.V., Shinkevich A.I. Analysis of information technologies for supporting control systems for petrochemical enterprises. Vestnik BUKEP, 2020, no. 6 (85), pp. 56-65 (In Russian).
3. Lukov D.K. Automated process control systems (APCS). European Science, 2019, no. 2 (44), pp. 19-21 (In Russian).
4. Avtomatizatsiya. Sovremennyye tekhnologii. Yezhemesyachnyy mezhotraslevoy nauchno-tekhnicheskiy zhurnal (Automation. Modern technologies. Monthly interbranch scientific and technical journal) Available at: https://www. mashin.ru/files/2018/ao_118.pdf (accessed 28 February 2023).
5. Totkalo G.V., Khripunova A.S. On some approaches to forecasting demand in the oil market. Vestnik universiteta, 2015, no. 8, pp. 75-79 (In Russian).
6. Kazakov YE.A. Avtomatizatsiya v oblasti neftedobychi i transporta podgotovlennoy nefti [Automation in the field of oil production and transport of prepared oil]. TrudyXIMezhd. nauch.-prakt. konf. «Modernizatsiya nauchnoyinfrastruktury i tsifrovizatsiya obrazovaniya» [Proc. of XI Intl. scientific-practical. conf. "Modernization of scientific infrastructure and digitalization of education"]. St. Petersburg, 2021, pp. 20-25.
7. Chubarova O.I., Shan'gin YE.S. Voprosy avtomatizatsii neftyanykh promyslov [Issues of automation of oil fields]. Trudy VII Vseros. nauch.-prakt. konf. «Kul'tura, nauka, obrazovaniye: problemy iperspektivy» [Proc. of VII All-Russian. scientific-practical. conf. "Culture, science, education: problems and prospects"]. Nizhnevartovsk, 2019, pp. 699-702.
8. Teplukhin P.A., Gradusov A.B. Osobennosti primeneniya mashinnogo obucheniya v upravlenii riskami [Features of the application of machine learning in risk management]. TrudyXXIIInauch.-prakt. konf «Fundamental'nyye iprikladnyye nauchnyye issledovaniya: aktual'nyye voprosy, dostizheniya i innovatsii» [Proc. of XXIII scientific-practical conf "Fundamental and applied research: topical issues, achievements and innovations"]. Penza, 2019, pp. 100-102.
9. Hegde J., Rokseth B. Applications of machine learning methods for engineering risk assessment-A review. Safety Science, 2020, vol. 122.
10. Kardopol'tseva K.B. K voprosu o roli metodov intellektual'nogo analiza dannykh dlya resheniya problemy prognozirovaniya sostoyaniya oborudovaniya na promyshlennom predpriyatii [To the question of the role of data mining methods for solving the problem of predicting the state of equipment at an industrial enterprise]. Trudy konf. «Aktual'nyye problemy bukhgalterskogo ucheta, analiza i audita» [Proc. of conf. "Actual problems of accounting, analysis and audit"]. Kursk, 2021, pp. 205-207.
11. Esmaili S., Mohaghegh S. D. Full field reservoir modeling of shale assets using advanced data-driven analytics. Geoscience Frontiers, 2016, vol. 7 (1), pp. 11-20.
12. Costa L. A. N., Maschio C., Schiozer D. J. Application of artificial neural networks in a history matching process. Journal of Petroleum Science and Engineering, 2014, vol. 123, pp. 30-45.
13. Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H. Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research, 2021, vol. 6 (4), pp. 379-391.
14. Korovin YA.S., Khisamutdinov M.V., Tkachenko M.G. Forecasting the state of oilfield facilities using the technologies of evolutionary algorithms and artificial neural networks. Neftyanoye khozyaystvo, 2013, no. 12, pp. 128-133 (In Russian).
15. Gus'kov A.A., Temnikova A.YU. Besprovodnyye datchiki na ob"yektakh neftedobychi [Wireless sensors at oil production facilities]. Trudy konf. «Energiya molodezhi dlya neftegazovoy industrii» [Proc. of conf. "Energy of youth for the oil and gas industry"]. Almetyevsk, 2020, pp. 718-723.
16. Khamov A.A. Emerson's Smart Wireless solutions for process automation. Territoriya Neftegaz, 2008, no. 8, pp. 24-25 (In Russian).
17. Khan W. Z., Aalsalem M. Y., Khan M. K., Hossain M. S., Atiquzzaman M. A reliable Internet of Things based architecture for oil and gas industry. Proc. of 19th International conference on advanced communication Technology (ICACT). IEEE. 2017, pp. 705-710.
18. Lopukhov I. Intelligent systems in oil fields: examples. Control Engineering Rossiya, 2017, no. 2 (68), pp. 74-78 (In Russian).
19. Zakiyeva L.R., Vasil'yeva M. Wireless systems for automation of oil industry facilities. VestnikKTU, 2013, no. 16 (8), pp. 287-289 (In Russian).
20. Baybarov D.A. Automated complex of oil wells based on ultrasonic technology to increase well productivity and reduce production costs. Transport ikhraneniye nefteproduktoviuglevodorodnogo syr'ya, 2021, no. 2-3, pp. 81-88 (In Russian).
21. Kumar A. A machine learning application for field planning. Proc. of Offshore Technology Conference. 2019.
22. Hazbeh O., Aghdam S.K.Y., Ghorbani H., Mohamadian N., Alvar M.A., Moghadasi J. Comparison of accuracy and computational performance between the machine learning algorithms for rate of penetration in directional drilling well. Petroleum Research, 2021, vol. 6(3), pp. 271-282.
23. Dmitriyevskiy A.N., Yeremin N.A., Chernikov A.D. Automated system for preventing accidents during well construction. Neftyanoye khozyaystvo, 2021, no. 1, pp. 73-76 (In Russian).
24. Hajizadeh Y. Machine learning in oil and gas; a SWOT analysis approach. Journal of Petroleum Science and Engineering, 2019, vol. 176, pp. 661-663.
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Шлыков Сергей Викторович, начальник управления капитального Sergey V. Shlykov, Head of Capital Construction and Reconstruction
строительства и реконструкции, Кубанский государственный Department, Kuban State Technological University.
технологический университет.
