Аннотация:A. N. Dmitrievsky, E. S. Dmitriev, N. A. Eremin, A. G. Sboev, A. D. Chernikov, I. K. Basnieva, I. A. Eremina
Preventing Complications during the Drilling Process Wells Using Machine Learning Methods
The metrics used to assess the accuracy of models are described. Conclusions are drawn about the effectiveness existing models in comparison with the developed neural network. The purpose of the research is to create algorithm for automated detection of emergency situations based on data from geological stations technological measurements of drilling rigs using machine learning methods. Within To achieve this goal, data preprocessing methods were implemented and a neural network model was created to determine emergency situations, the accuracy of the developed neural network was assessed in comparison with existing methods. The most indicative features for highlighting are highlighted complications and emergency conditions. The results obtained lay the scientific and methodological basis to improve the automated system that predicts emergency situations conditions during well construction. In the course of the work, the dependences of the characteristics of the analyzed a set of data from the occurrence of emergency conditions; the most suitable methods have been selected big data preprocessing; the accuracy levels of existing algorithms for determining complications and emergencies; a neural network model was created to identify complications; The accuracy of the developed neural network was assessed.
Key words: well, drilling, construction, complication, emergency condition, big geodata,
geological and technological measurements, neural network, machine learning, algorithm.
Предупреждение осложнений в процессе бурения скважин методами машинного обучения А. Н. Дмитриевский, Е. С. Дмитриев, Н. А. Ерёмин, А. Г. Сбоев, А. Д. Черников, И. К. Басниева, И. А. Еремина // Технологии нефти и газа. – 2024. – № 3(152). – С. 57-61. – DOI 10.32935/1815-2600-2024-150-1-34-39.
Описаны используемые метрики оценки точности моделей. Сделаны выводы об эффективности
существующих моделей в сравнении с разработанной нейронной сетью. Цель исследования – создание
алгоритма автоматизированного обнаружения аварийных ситуаций по данным со станций геологотехнологических измерений буровых установок с помощью методов машинного обучения. В рамках
поставленной цели были реализованы методы предобработки данных создана модель нейронной сети
для определения аварийных ситуаций, проведена оценка точности разработанной нейронной сети
в сравнении с существующими методами. Выделены наиболее показательные признаки для выделения
осложнений и аварийных состояний. Полученные результаты закладывают научнометодологическую
основу
для совершенствования автоматизированной системы, осуществляющей прогнозирование аварийных
состояний при строительстве скважин. В ходе работы были изучены зависимости признаков анализируемого набора данных от возникновения аварийных состояний; подобраны наиболее подходящие методы предобработки больших данных; оценены уровни точности существующих алгоритмов для определения осложнений и аварийных ситуаций; создана модель нейронной сети для выявления осложнений; проведена оценка точности разработанной нейронной сети.
Ключевые слова: скважина, бурение, строительство, осложнение, аварийное состояние, большие
геоданные, геологотехнологические измерения, нейронная сеть, машинное обучение, алгоритм.
DOI: 10.32935/1815-2600-2024-152-3-57-64