«ҚазМұнайГаз» ҰК АҚ кен орындарында ұңғымалардың істен шығуын болжаудың заманауи әдісін қолдану мүмкіндігі
- Авторлар: Өтемісова Л.Г.1, Мерембаев Т.Ж.2, Бекбау Б.Е.3
-
Мекемелер:
- ҚМГ Инжиниринг
- Ақпараттық және есептеуіш технологиялар институты ҚР БҒМ ҒК
- Қ.И.Сәтбаев атындағы ҚазҰТЗУ
- Шығарылым: Том 6, № 4 (2024)
- Беттер: 68-77
- Бөлім: Oil and gas field development and exploitation
- URL: https://journal-vniispk.ru/2707-4226/article/view/277979
- DOI: https://doi.org/10.54859/kjogi108750
- ID: 277979
Дәйексөз келтіру
Толық мәтін
Аннотация
Жетілген кен орындарын игеру барысында бірқатар геологиялық және технологиялық қиындықтар туындайды. Ұңғымаларды айдау жабдықтарының бірқалыпты жұмысын жақсарту үшін кәсіпорындар әртүрлі әдістер мен тәсілдерді қолданады. Бұл мақалада «ҚазМұнайГаз» ҰК АҚ кен орындарындағы жерасты ұңғымалары жабдығының сенімділігін арттыру үшін істен шығуды болжауды қолдану мүмкіндігінің талдауы берілген. Зерттеу ұңғыма жабдығының ықтимал ақауларын жоғары дәлдікпен болжауға қабілетті машиналық оқыту үлгілерін әзірлеуге және тексеруге бағытталған. Қолданыстағы техникалар, машиналық оқыту тәсілдері және оларды нақты өмір жағдайында қолдану табыстың негізгі факторлары мен шектеулерін көрсете отырып, толық талданады. Зерттеу нәтижелері жоспардан тыс тұрып қалу уақытын қысқарту және ұңғымаға техникалық қызмет көрсету процестерін оңтайландыру үшін машинаны оқытудың оңтайлы тәсілін таңдау үшін ұңғыманың істен шығуын болжау үлгісін пайдаланудың орасан зор әлеуетін көрсетеді. Авторлар сорғыш штангаларымен жұмыс істейтін ұңғымаларда ұңғылық сорғы жабдықтарының істен шығуын болжау мүмкіндігін бағалады. Ұңғымалардың ұңғылық сорғы жабдықтарының істен шығуын болжауды пайдалану ұңғымалардың істен шығуын азайту және жөндеу жұмыстарының тоқтап қалу уақытын азайту арқылы ұңғымалардың үздіксіз жұмысын қамтамасыз етеді.
Толық мәтін
##article.viewOnOriginalSite##Авторлар туралы
Л. Г. Өтемісова
ҚМГ Инжиниринг
Хат алмасуға жауапты Автор.
Email: l.utemissova@niikmg.kz
ORCID iD: 0000-0003-4194-6727
Қазақстан, Астана қаласы
Т. Ж. Мерембаев
Ақпараттық және есептеуіш технологиялар институты ҚР БҒМ ҒК
Email: timur.merembayev@gmail.com
ORCID iD: 0000-0001-8185-235X
PhD
Қазақстан, Алматы қаласыБ. Е. Бекбау
Қ.И.Сәтбаев атындағы ҚазҰТЗУ
Email: b.bekbau@kmge.kz
ORCID iD: 0000-0003-2410-1626
PhD
Қазақстан, Алматы қаласыӘдебиет тізімі
- Mihaylovich NN. Povysheniye ekspluatatsionnykh kharakteristik neftepromyslovogo oborudovaniya v territorial'no-proizvodstvennom predpriyatii [dissertation]. Moscow; 2009. Available from: https://www.dissercat.com/content/povyshenie-effektivnosti-ekspluatatsii-nasosnykh-skvazhin-optimizatsiei-raboty-shtangovykh-k. (In Russ).
- Khabibullin RA, Shabonas AR, Gurbatov NS, Timonov AV. Prediction of ESPs Failure Using ML at Western Siberia Oilfields with Large Number of Wells. Russian Petroleum Technology Conference; 2020 Oct 26–29; Virtual. Available from: https://onepetro.org/SPERPTC/proceedings-abstract/20RPTC/1-20RPTC/D013S027R001/450252.
- Merembayev T, Kurmangaliyev D, Bekbauov B, Amanbek Y. A Comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan. Energies. 2021;14(7):1896. doi: 10.3390/en14071896.
- Merembayev T, Amanbek Y. Time-series event prediction for the uranium production wells using machine learning algorithms. 56th U.S. Rock Mechanics/Geomechanics; 2022 June 26; Santa Fe, United States. Available from: https://research.nu.edu.kz/en/publications/time-series-event-prediction-for-the-uranium-production-wells-usi-2.
- American Petroleum Institute. API TR 11L Design Calculations for Sucker Rod Pumping Systems (Conventional Units), 5th edition. Washington : API TR 11L; 2008.
- Abdelaziz M, Lastra R, Xiao JJ. ESP data analytics: Predicting failures for improved production performance. Abu Dhabi International Petroleum Exhibition & Conference; 2017 Nov 13–16; Abu Dhabi, UAE. Available from: https://www.scirp.org/reference/referencespapers?referenceid=2938839.
- Ivanonvskii VI. Skvazhinnye nasosnye ustnovki dlya dobychi nefti. Moscow; 2002. (In Russ).
- Seradilla O, Zugastu E, Rodriguez J, Zurutuza U. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect. Appl Intell. 2020;52:10934–10964. doi: 10.1007/s10489-021-03004-y.
- Takacs G. Sucker-Rod Pumping Handbook. Production engineering fundamentals and long-stroke rod pumping. Hungary; 2015.
- Rudakov V, Merembayev T, Amirgaliyev Y, Omarova P. Time Series Analysis of Biogas Monitoring with Deep Learning Approaches. 5th International Conference on Problems of Cybernetics and Informatics; 2023 Aug 28–30; Baku, Azerbaijan. Available from: https://ieeexplore.ieee.org/document/10325955.
- Waskom ML. Seaborn: statistical data visualization. Journal of Open Source Software. 2021;6(60):3021. doi: 10.21105/joss.03021.
- Ke G, Meng Q, Finley T, et al. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems. 2017;30.
- Breiman L. Random forests. Machine learning. 2001;45:5–32.
- Chen T, He T, Benesty M, et al. Xgboost: extreme gradient boosting. R package version 0.4-2. 2015;1(4). doi: 10.32614/cran.package.xgboost.
- Hochreiter S, Schmidhuber J. Long Short-term Memory. Neural Computation MIT-Press. 1997;9(8):1735–1780. doi: 10.1162/neco.1997.9.8.1735.
Қосымша файлдар
