«ҚазМұнайГаз» ҰК АҚ кен орындарында ұңғымалардың істен шығуын болжаудың заманауи әдісін қолдану мүмкіндігі

Мұқаба

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 қаласы

Б. Е. Бекбау

Қ.И.Сәтбаев атындағы ҚазҰТЗУ

Email: b.bekbau@kmge.kz
ORCID iD: 0000-0003-2410-1626

PhD

Қазақстан, Алматы қаласы

Әдебиет тізімі

  1. 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).
  2. 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.
  3. 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.
  4. 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.
  5. American Petroleum Institute. API TR 11L Design Calculations for Sucker Rod Pumping Systems (Conventional Units), 5th edition. Washington : API TR 11L; 2008.
  6. 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.
  7. Ivanonvskii VI. Skvazhinnye nasosnye ustnovki dlya dobychi nefti. Moscow; 2002. (In Russ).
  8. 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.
  9. Takacs G. Sucker-Rod Pumping Handbook. Production engineering fundamentals and long-stroke rod pumping. Hungary; 2015.
  10. 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.
  11. Waskom ML. Seaborn: statistical data visualization. Journal of Open Source Software. 2021;6(60):3021. doi: 10.21105/joss.03021.
  12. Ke G, Meng Q, Finley T, et al. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems. 2017;30.
  13. Breiman L. Random forests. Machine learning. 2001;45:5–32.
  14. 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.
  15. 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

Қосымша файлдар
Әрекет
1. JATS XML
2. Figure 1. Producing well stock and the number of repairs, including the frequently repaired well stock, in the context of the subsidiaries and affiliates of the KMG

Жүктеу (147KB)
3. Figure 2. Main causes of downhole pumping equipment failures

Жүктеу (60KB)
4. Figure 3. Schematic diagram of sucker rod

Жүктеу (48KB)
5. Figure 4. Effective tools for anomaly detection

Жүктеу (69KB)
6. Figure 5. Breakdown of accidents by types of events at wells of the pilot field

Жүктеу (41KB)
7. Figure 6. Machine learning model creation map

Жүктеу (58KB)

© Өтемісова Л.Г., Мерембаев Т.Ж., Бекбау Б.Е., 2024

Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».