Автор: Ишкина Ш.Х. , Закирьянов И.И. , Сагдеев Э.И. , Акрамов И.Р. , Амекачев Р.М. , Ишкин Д.З. , Давлетбаев А.Я. , Щутский Г.А. , Мустафин Д.А.
Апробация подхода по автоматической интерпретации эхограмм методами машинного обучения
DOI: 10.24412/2076-6785-2024-5-51-56
Аннотация
Описан подход по автоматизации определения динамического уровня жидкости в скважине методом эхометрирования с применением алгоритмов машинного обучения. Актуальность связана с тем, что на отдельных месторождениях Западной Сибири остается механизированный фонд скважин, на которых выходят из строя датчики давления в телеметрической системе. Результаты апробации реализованного подхода на промысловых данных позволяют сделать вывод о его применимости в задаче контроля достоверности интерпретации эхограмм, что поможет снизить риски потери дорогостоящего насосного оборудования и повысить эффективность разработки месторождения.
Материалы и методы
Разработанный подход основан на модели сверточной нейронной сети. Архитектура U-Net адаптирована под особенности входных данных и решаемой задачи. Апробация проведена на промысловых данных отдельных месторождений Западной Сибири.
Ключевые слова
машинное обучение, сверточная нейронная сеть, гидродинамические исследования скважин, эхометрирование, забойное давление, динамический уровень жидкости
Вернуться к списку статей
Аннотация
Описан подход по автоматизации определения динамического уровня жидкости в скважине методом эхометрирования с применением алгоритмов машинного обучения. Актуальность связана с тем, что на отдельных месторождениях Западной Сибири остается механизированный фонд скважин, на которых выходят из строя датчики давления в телеметрической системе. Результаты апробации реализованного подхода на промысловых данных позволяют сделать вывод о его применимости в задаче контроля достоверности интерпретации эхограмм, что поможет снизить риски потери дорогостоящего насосного оборудования и повысить эффективность разработки месторождения.
Материалы и методы
Разработанный подход основан на модели сверточной нейронной сети. Архитектура U-Net адаптирована под особенности входных данных и решаемой задачи. Апробация проведена на промысловых данных отдельных месторождений Западной Сибири.
Ключевые слова
машинное обучение, сверточная нейронная сеть, гидродинамические исследования скважин, эхометрирование, забойное давление, динамический уровень жидкости
