Розробка AI-системи для нафтогазової галузі оптимізація видобутку аналіз свердловин

Розробка системи ШІ для нафтогазової промисловості: оптимізація видобутку та аналіз свердловин

Нафтогазова промисловість — один з найбільш зрілих користувачів ML: датчики на кожній свердловині, величезні обсяги геолого-геофізичних даних, висока вартість прийнятих рішень. ШІ оптимізує видобуток, прогнозує дебіт та запобігає аварійним ситуаціям.

Прогнозування дебіту свердловин

Аналіз кривої спаду (DCA) + ML:

Класичний DCA (Arps) описує криву падіння дебіту нафти/газу з часом. ML поліпшує DCA шляхом врахування фізичних параметрів колектора та технологічних режимів:

import numpy as np
from scipy.optimize import curve_fit
from sklearn.ensemble import GradientBoostingRegressor
import pandas as pd

class WellProductionPredictor:
    """Комбінована модель прогнозування дебіту: DCA + ML корекції"""

    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']
        }

Фізично інформоване ML:

Рівняння фільтрації (Дарсі): реальні свердловини потребують геологічної моделі колектора. PINN на рівнянні дифузійності забезпечує фізично обґрунтований прогноз навіть при малих обсягах даних.

Оптимізація режимів експлуатації

Оптимізація глибинних насосів (ESP):

Електроцентробіжний насос (ЕЦН) — основний спосіб механізованого видобутку:

• Завдання: знайти оптимальну частоту ЕЦН для максимізації видобутку при мінімальному енергоспоживанні
• ML суррогат кривої насоса: прогнозує дебіт та ККД при заданій частоті та тиску на всмоктуванні
• RL-агент: управляє частотою при зміні тиску колектора та водонасиченості

from stable_baselines3 import SAC
import gymnasium as gym

class ESPOptimizationEnv(gym.Env):
    """Оточення 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 всмоктуванні, дебіт, водонасиченість, струм, час, накопичено
        )

    def step(self, action):
        freq = float(action[0])
        new_state, production_bbl_day, power_kw = self.simulator.step(freq)

        # Винагорода: видобуток нафти - вартість електроенергії
        oil_rate = production_bbl_day * (1 - new_state[2]/100)  # з урахуванням водонасиченості
        reward = oil_rate * 0.5 - power_kw * 0.01  # у нормалізованих одиницях

        return new_state, reward, False, False, {}

Моніторинг цілісності свердловин

Аномальна поведінка свердловин:

LSTM-Autoencoder на багатовимірному часовому ряду (тиск, температура, дебіт рідини, дебіт газу, струми ЕЦН):

• Помилка реконструкції → аномалія
• Типові аномалії: прорив води, забруднення ЕЦН, розгерметизація пакера

Виявлення піскових проявів:

Акустичні датчики на вибої свердловини → FFT → класифікатор (CNN на спектрограмах):

• Пісок створює характерний высокочастотний шум
• Раннє виявлення → зменшити депресію до утворення ерозії

Геофізика та буріння

Інтерпретація MWD/LWD:

Measurement/Logging While Drilling — дані з датчиків у бурильній колоні в реальному часі. ML інтерпретація:

• Літологічний прогноз за каротажними кривими (GR, SP, resistivity) → класифікатор за фаціями
• Гео-навігація: куди спрямувати ствол свердловини для оптимального проникнення в колектор
• Прогноз механічної швидкості проходки (ROP) → оптимізація режимів буріння

Сейсміка:

• Full Waveform Inversion (FWI) з прискоренням ML: реконструкція моделі швидкостей → структурна геологія
• Автоматичне виділення розломів: U-Net сегментація сейсмічних розрізів → виділення розломів

Термін розробки: 6–10 місяців для AI платформи аналізу свердловин з прогнозом дебіту, оптимізацією ЕЦН та моніторингом цілісності.