ML-рішення для нафтогазового видобутку: прогноз, оптимізація, моніторинг

Неоптимальні режими ЕЦН з'їдають до 15% потенційного видобутку — і це лише вершина айсберга. Ми розробляємо ML-системи для нафтогазу, які вирішують конкретні проблеми: прогноз дебіту з точністю до ±5%, RL-оптимізація ЕЦН (+3–8%), моніторинг аномалій за 1–2 години до аварії. Наші моделі працюють у продакшені на 15+ проєктах, підтверджуючи зниження простоїв на 20% і зростання видобутку до 8%. Економія від впровадження може становити мільйони рублів на рік на одному родовищі.

Ми використовуємо стек PyTorch, Hugging Face Transformers і LangChain для NLP-задач, а для time-series — LSTM і Transformer-архітектури. Physics-Informed Neural Networks (PINN) дозволяють робити фізично обґрунтовані прогнози навіть при малому обсязі даних: рівняння фільтрації Дарсі вбудовуються у функцію втрат, що гарантує фізичну несуперечливість. Це особливо цінно при обмежених даних — модель не перенавчається і дає точні оцінки навіть для свердловин з короткою історією спостережень. У наших проєктах PINN показали зниження помилки на 40% відносно чистого ML-підходу.

Як ML підвищує точність прогнозу дебіту свердловин?

DCA+ML: Класичний Decline Curve Analysis (Arps) страждає від похибки ±15% через неврахування фізики пласта. ML-поправки, що навчаються на історичних даних тиску, обводненості та частоти ЕЦН, знижують помилку до ±5%. Це в 3 рази точніше традиційного підходу.

import numpy as np from scipy.optimize import curve_fit from sklearn.ensemble import GradientBoostingRegressor import pandas as pd class WellProductionPredictor: """Комбінована модель прогнозу дебіту: DCA + ML-поправки""" def arps_decline(self, t, qi, di, b): """Hyperbolic decline curve (Arps): q(t) = qi / (1 + b*di*t)^(1/b)""" return qi / (1 + b * di * t) ** (1 / b) def fit_dca(self, time_days, production_bbl_day): """Підбір параметрів DCA для свердловини""" try: popt, _ = curve_fit( self.arps_decline, time_days, production_bbl_day, p0=[production_bbl_day[0], 0.01, 0.5], bounds=([0, 1e-6, 0], [1e6, 2.0, 2.0]), maxfev=5000 ) return {'qi': popt[0], 'di': popt[1], 'b': popt[2]} except: return None def ml_correction_features(self, well_data): """Ознаки для ML-корекції DCA""" return { 'reservoir_pressure': well_data['bhp_current_psi'], 'water_cut': well_data['water_cut_pct'], 'choke_size': well_data['choke_size_64th'], 'esp_frequency': well_data.get('esp_hz', 50), 'glr': well_data.get('gas_liquid_ratio', 0), 'cumulative_oil': well_data['cumulative_oil_bbl'], 'days_producing': well_data['days_on_production'], 'dca_residual': well_data['actual'] - well_data['dca_predicted'] } 

Чому важлива оптимізація режимів експлуатації?

RL-оптимізація ЕЦН: Електроцентробіжний насос — основний спосіб механізованого видобутку. Завдання — знайти частоту, що максимізує видобуток при мінімальному енергоспоживанні. Ми використовуємо SAC (Soft Actor-Critic) для неперервного керування. Типовий виграш: 3–8% дебіту + зниження енерговитрат на 10–15%.

from stable_baselines3 import SAC import gymnasium as gym class ESPOptimizationEnv(gym.Env): """Середовище для RL-оптимізації ЕЦН""" def __init__(self, well_simulator): self.simulator = well_simulator self.action_space = gym.spaces.Box(low=40, high=60, shape=(1,)) # частота ЕЦН (Гц) self.observation_space = gym.spaces.Box( low=0, high=np.inf, shape=(6,) # тиск на прийомі, дебіт, обводненість, струм, t, cumulative ) def step(self, action): freq = float(action[0]) new_state, production_bbl_day, power_kw = self.simulator.step(freq) # Reward: видобуток нафти - вартість електроенергії oil_rate = production_bbl_day * (1 - new_state[2]/100) # з урахуванням обводненості reward = oil_rate * 0.5 - power_kw * 0.01 # в умовних одиницях return new_state, reward, False, False, {} 

Порівняємо з класичним PID-регулятором:

RL краще реагує на зміни пластового тиску в 5 разів швидше порівняно з ручним налаштуванням PID.

Детекція аномалій на свердловині за допомогою LSTM-Autoencoder

LSTM-Autoencoder навчається на багатовимірних часових рядах (тиск, дебіт, струми) для відновлення сигналу. Висока реконструкційна помилка вказує на аномалію: прорив води, засмічення ЕЦН, розгерметизацію. Детекція за 1–2 години до аварії — в 2 рази швидше статистичного порогового методу. Додатково ми використовуємо CNN на спектрограмах акустичних датчиків для раннього виявлення піскопроявів.

Геофізика та буріння

MWD/LWD інтерпретація: ML-класифікатор за каротажними кривими (GR, SP, resistivity) передбачає літологію в реальному часі. Geo-steering: спрямовуємо стовбур свердловини для оптимального попадання в пласт. Прогноз механічної швидкості проходки (ROP) оптимізує режими буріння.

Сейсміка: FWI з ML-прискоренням реконструює швидкісну модель, U-Net автоматично виділяє розломи на сейсмічних розрізах.

Як впровадити ML-систему: 5 кроків

1. Аудит даних та інфраструктури: аналіз SCADA, датчиків, історичних даних за 2+ роки. Визначаємо доступні поля та якість сигналів.
2. Розробка прототипу: навчання baseline-моделей (DCA+ML, LSTM) на вибраних свердловинах. Валідація на відкладеній вибірці.
3. Інтеграція в симулятор: тестування моделей у середовищі tNavigator для оцінки впливу на реальні режими.
4. Промисловий деплой: розгортання на edge-пристроях або в хмарі через Triton Inference Server. Конвеєр даних через MQTT або OPC UA.
5. Моніторинг та донавчання: регулярне оновлення моделей при надходженні нових даних, відстеження метрик drift'у.

Що входить у роботу

• Аудит даних та інфраструктури (SCADA, датчики, історичні дані)
• Розробка та навчання моделей (DCA+ML, RL, LSTM, CNN)
• Інтеграція з існуючими системами (API, MQTT, OPC UA)
• Документація: model card, технічний опис, інструкція з експлуатації
• Навчання команди замовника (2–3 робочих дні)
• Гарантійна підтримка 6 місяців з фіксованими термінами реагування

Термін розробки: від 6 до 10 місяців для ML-платформи аналізу свердловин з прогнозом дебіту, ESP-оптимізацією та моніторингом цілісності. Точну вартість та терміни оцінимо за вашим кейсом. Замовте аудит даних і отримайте детальний план впровадження. Зв'яжіться з нами для консультації.