Автор: Еремин Н.А. , Черников А.Д.
Методология автоматизированной подготовки данных для машинного обучения нейросетевых моделей в интеллектуальных системах выявления и прогнозирования осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин
DOI: 10.24412/2076-6785-2024-5-24-30
Аннотация
В статье описана методология автоматизированной обработки промысловой информации и подготовки данных для обучения нейросетевых моделей в интеллектуальных системах выявления и прогнозирования прихватов бурильных колонн, применяемых для повышения безопасности и сокращения непроизводительного времени при строительстве нефтяных и газовых скважин. Предлагаемая методика позволяет проводить автоматизированный анализ больших объемов архивной информации (Big Geo Data), выделять характерные ситуации, связанные с осложнениями, и осуществлять разметку информационных массивов данных для машинного обучения унифицированных интеллектуальных модулей обработки данных от станций геолого-технологических измерений с целью заблаговременного предупреждения операторов бурового оборудования о технологических рисках возникновения нештатных ситуаций. Описаны методологические подходы к разметке данных для одноклассовых и многоклассовых нейросетевых моделей прогнозирования возникновения осложнений при строительстве нефтяных и газовых скважин на суше и на море.
Материалы и методы
В статье использованы результаты исследований и опытной эксплуатации экспериментального образца автоматизированной системы предупреждения осложнений и аварийных ситуаций при строительстве скважин (АС ПОАС), разработанного в ИПНГ РАН в рамках поисковой научной работы по заказу Министерства образования Российской Федерации. Применялись методы автоматизации подготовки и детальной разметки данных для построения и применения многоклассовых нейросетевых моделей прогнозирования возникновения осложнений при строительстве нефтяных и газовых скважин.
Ключевые слова
одноклассовая нейросетевая модель прогнозирования, многоклассовая нейросетевая модель прогнозирования, осложнения и аварийные ситуации при строительстве скважин, прихваты бурильной колонны, данные геолого-технологических измерений, автоматизированная обработка промысловой информации, машинное обучение, нейросетевые модели, универсальные интеллектуальные модули и комплексы
Вернуться к списку статей
Аннотация
В статье описана методология автоматизированной обработки промысловой информации и подготовки данных для обучения нейросетевых моделей в интеллектуальных системах выявления и прогнозирования прихватов бурильных колонн, применяемых для повышения безопасности и сокращения непроизводительного времени при строительстве нефтяных и газовых скважин. Предлагаемая методика позволяет проводить автоматизированный анализ больших объемов архивной информации (Big Geo Data), выделять характерные ситуации, связанные с осложнениями, и осуществлять разметку информационных массивов данных для машинного обучения унифицированных интеллектуальных модулей обработки данных от станций геолого-технологических измерений с целью заблаговременного предупреждения операторов бурового оборудования о технологических рисках возникновения нештатных ситуаций. Описаны методологические подходы к разметке данных для одноклассовых и многоклассовых нейросетевых моделей прогнозирования возникновения осложнений при строительстве нефтяных и газовых скважин на суше и на море.
Материалы и методы
В статье использованы результаты исследований и опытной эксплуатации экспериментального образца автоматизированной системы предупреждения осложнений и аварийных ситуаций при строительстве скважин (АС ПОАС), разработанного в ИПНГ РАН в рамках поисковой научной работы по заказу Министерства образования Российской Федерации. Применялись методы автоматизации подготовки и детальной разметки данных для построения и применения многоклассовых нейросетевых моделей прогнозирования возникновения осложнений при строительстве нефтяных и газовых скважин.
Ключевые слова
одноклассовая нейросетевая модель прогнозирования, многоклассовая нейросетевая модель прогнозирования, осложнения и аварийные ситуации при строительстве скважин, прихваты бурильной колонны, данные геолого-технологических измерений, автоматизированная обработка промысловой информации, машинное обучение, нейросетевые модели, универсальные интеллектуальные модули и комплексы
