Обзор нейросетевых моделей для решения задач прогнозирования аварийных ситуаций и обеспечения безопасности функционирования нефтегазовых скважин

Проведено аналитическое исследование проблемы предупреждения аварийных ситуаций и предиктивной диагностики оборудования при добыче углеводородов на нефтегазовых месторождениях, а также способов решения данной проблемы путем использования искусственного интеллекта, основанного на глубоких нейронных сетях. Одним из ключевых факторов, сдерживающих развитие систем предиктивной диагностики оборудования, является недостаток данных, описывающих предаварийные ситуации, которые необходимы для качественного обучения нейросетевых моделей. Приводится обзор публикаций и исследований последних лет по тематике анализа телеметрических данных и распознавания аварийных ситуаций. Рассматриваются нейросетевые модели, которые могут быть использованы для прогнозирования выхода из строя насосно-компрессорного оборудования и других агрегатов. Изучены случаи применения нейросетевых моделей, специально обученных для решения данной задачи, а также нейросетевые модели, используемые в иных задачах, но анализирующие схожие структуры данных. Поднимается вопрос переноса обучения, чтобы адаптировать нейросетевые модели, изначально разработанные и обученные для других областей, к использованию в рассматриваемой области, в целях уменьшения объема выборки при обучении промышленного искусственного интеллекта. Проведено сравнение достигнутых результатов, обозначены преимущества и недостатки существующих технических решений.

1. Geeta Y., Kolin P. Architecture and security of SCADA systems. International Journal of Critical Infrastructure Protection. 2021;34:100433. DOI: 10.1016/j.ijcip.2021.100433.

2. Тчаро Х., Воробьев А.E. Цифровизация нефтяной промышленности: базовые подходы и обоснование "интеллектуальных" технологий. Вестник евразийской науки. 2018;10(2):77.

3. Anirbid S., Kriti Y. Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research. 2021;6(4):379–391. DOI: 10.1016/j.ptlrs.2021.05.009.

4. Хамидулин Т.Г. Применение искусственных нейронных сетей. Экономика и социум.2017;38(7):313–318.

5. Zhou D., Huang D. Vibration-based fault diagnosis of the natural gas compressor using adaptive stochastic resonance realized by Generative Adversarial Networks. Engineering Failure Analysis.2020;116:104759. DOI: 10.1016/j.engfailanal.2020.104759.

6. Топольников А.С. Машинное обучение для механизированной добычи нефти. Деловой журнал «Neftegaz.RU». 2021;5:14–19. URL: https://magazine.neftegaz.ru/articles/dobycha/682013-mashinnoe-obuchenie-dlya-mekhanizirovannoy-dobychi-nefti [дата обращения: 27.10.2023].

7. Wong P., Wong W.K. A minimalist approach for detecting sensor abnormality in oil and gas platforms. Petroleum Research. 2022;7(2):177–185. DOI: 10.1016/j.ptlrs.2021.09.007.

8. Вершинин В.Е. Нейросетевое моделирование: прогнозирование показателей добычи скважин в условиях нестационарного заводнения. Деловой журнал «Neftegaz.RU». 2022;5:26–32. URL: https://magazine.neftegaz.ru/articles/tsifrovizatsiya/740217-neyrosetevoe-modelirovanie-prognozirovanie-pokazateley-dobychi-skvazhin-v-usloviyakh-nestatsionarnog/?ysclid=ldwqmqk0bh84798351 [дата обращения: 27.10.2023].

9. Dyer A.S., Zaengle D. Applied machine learning model comparison: Predicting offshore platform integrity with gradient boosting algorithms and neural networks. Marine Structures. 2022;83:103152. DOI: 10.1016/j.marstruc.2021.103152.

10. Kozlenko M., Kuz M. Fault diagnosis of natural gas pumping unit based on machine learning. 6th International Scientific and Practical Conference on Applied Systems and Technologies in the Information Society.2022;4:271. DOI: 10.5281/zenodo.7409180.

11. Wu Y., Feng Z. Fault diagnosis algorithm of beam pumping unit based on transfer learning and DenseNet model. Applied sciences. 2022;21(12):11091. DOI: 10.3390/app122111091.

12. Yolchuyev A. Feed-forward neural network based petroleum wells equipment failure prediction. Engineering. 2023;15(3):163–175. DOI: 10.4236/eng.2023.153013.

13. Li Y., Ge T. Imminence monitoring of critical events: a representation learning approach. In: Proceedings of the 2021 International Conference on Management of Data (SIGMOD '21). Association for Computing Machinery, New York, USA, 2021. p. 1103–1115. DOI: 10.1145/3448016.3452804

14. Carvalho B.G. Evaluating machine learning techniques for detection of flow instability events in offshore oil wells. Universidade Federal do Espírito Santo. 2021;1:1–59.

15. Marins M.A., Barros B.D. Fault detection and classification in oil wells and production/service lines using random forest. Journal of Petroleum Science and Engineering. 2021;197:107879. DOI: 10.1016/j.petrol.2020.107879.

16. Асяев Г.Д., Соколов А.Н. Модели предиктивной защиты информации автоматизированной системы управления водоснабжением на основе временных рядов с использованием технологий машинного обучения. Вестник УрФО. Безопасность в информационной сфере. 2021;4(42):39–45.

17. Marushko E.E., Doudkin A.A. Ensembles of neural networks for forecasting of time series of spacecraft telemetry. Optical Memory and Neural Networks. 2017;26(1):47–54. DOI: 10.3103/S1060992X17010064.

18. Jain R., Rohit M. Prediction of telemetry data using machine learning techniques. International Journal of Engineering Research & Technology. 2022;11(9). DOI: 10.17577/IJERTV11IS090048.

19. Wu H., Xu J. Autoformer: decomposition transformers with auto-correlation for long-term series forecasting. Arxiv. 2022;5. DOI:0.48550/arXiv.2106.13008.

20. Zhang K., Wang S.C. Anomaly detection of control moment gyroscope based on working condition classification and transfer learning. Applied sciences. 2023;13(7):4259–9. DOI: 10.3390/app13074259.

21. Zhou T., Ziqing M. FEDformer: frequency enhanced decomposed transformer for long-term series forecasting. Arxiv. 2022;3. DOI: 10.48550/arXiv.2201.12740.

22. Kuang L., Pobbathi S. Predicting age and gender from network telemetry: Implications for privacy and impact on policy. PLoS ONE 2022;17(7):e0271714. DOI: 10.1371/journal.pone.0271714.

23. Wibawa A.P., Elmunsyah H. Time-series analysis with smoothed Convolutional Neural Network. Journal of Big Data. 2022;9(1). DOI: 10.1186/s40537-022-00599-y

24. Özmen Ö., Sinanoğlu C. Prediction of leakage from an axial piston pump slipper with circular dimples using deep neural networks. Chinese Journal of Mechanical Engineering. 2020;33(1). DOI: 10.1186/s10033-020-00443-5.

25. Yang L., Ma Y. Improved deep learning-based telemetry data anomaly detection to enhance spacecraft operation reliability. Microelectronics Reliability. 2021;126. DOI: 10.1016/j.microrel.2021.114311.

26. Ibrahim S., Ayman A. Machine learning techniques for satellite fault diagnosis. Ain Shams Engineering Journal. 2020;11(1). DOI: 10.1016/j.asej.2019.08.006

27. Скобцов В.Ю., Соколов Б.В. Гибридные нейросетевые модели в задаче мультиклассовой классификации данных телеметрической информации малых космических аппаратов. Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2022;10(3):99.