moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2024.44.1.017 1472 Обзор нейросетевых моделей для решения задач прогнозирования аварийных ситуаций и обеспечения безопасности функционирования нефтегазовых скважин Review of neural network models for solving the problems of predicting emergency situations and ensuring the safe operation of oil and gas wells 0000-0002-9029-8028 Сулавко Алексей Евгеньевич Sulavko Aleksey Evgenievich sulavich@mail.ru aff-1 0000-0002-6105-5481 Васильев Владимир Иванович Vasilyev Vladimir Ivanovich vas0015@yandex.ru aff-2 Клиновенко Сергей Александрович Klinovenko Sergey Aleksandrovich sergey.klinovenko@gmail.com aff-3 0000-0001-7878-1976 Ложников Павел Сергеевич Lozhnikov Pavel Sergeevich lozhnikov@mail.ru aff-4 0000-0001-6160-6573 Сувырин Георгий Антонович Suvyrin Georgii Antonovich suvyrin1999@gmail.com aff-5 Гузаиров Мурат Бакеевич Guzairov Murat Bakeevich guzairov@rb.ru aff-6 Омский государственный технический университет Omsk State Technical University Уфимский университет науки и технологий Ufa University of Science and Technology Омский государственный технический университет Omsk State Technical University Омский государственный технический университет Omsk State Technical University Омский государственный технический университет Omsk State Technical University Уфимский университет науки и технологий Ufa University of Science and Technology 01 01 2026 1 1 10.26102/2310-6018/2024.44.1.017 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

An analytical study was carried out on the problem of preventing emergency situations and predictive diagnostics of equipment during hydrocarbon production in oil and gas fields as well as the ways to solve this problem by means of artificial intelligence based on deep neural networks. One of the key factors hindering the development of predictive equipment diagnostic systems is the lack of data describing pre-emergency situations, which is necessary for high-quality training of neural network models. An analysis of recent publications and research on the subject of telemetry data analysis and emergency recognition is provided. Neural network models are considered that can be used to predict the failure of pumping and compressor equipment and other units. Cases of the use of neural network models specially trained to solve this problem, as well as neural network models used in other tasks but analyzing similar data structures, were studied. The issue of transfer learning is raised to adapt neural network models originally developed and trained for other areas to use in the area under consideration in order to reduce the sample size when training industrial artificial intelligence. A comparison of the achieved results was carried out, and the advantages and disadvantages of existing technical solutions were identified.

 искусственные нейронные сети предиктивная диагностика машинное обучение временные ряды телеметрия техническое обслуживание наборы данных artificial neural networks predictive diagnostics machine learning time series telemetry maintenance data sets Работа выполнена ОмГТУ в рамках государственного задания Минобрнауки России на 2023-2025 годы (FSGF-2023-0004) The research was carried out as part of the state assignment of Ministry of Science and Higher Education of the Russian Federation for years 2023–2025 (subject No. FSGF-2023-0004). References 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. Тчаро Х., Воробьев А.E. Цифровизация нефтяной промышленности: базовые подходы и обоснование "интеллектуальных" технологий. Вестник евразийской науки. 2018;10(2):77. 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. Хамидулин Т.Г. Применение искусственных нейронных сетей. Экономика и социум.2017;38(7):313–318. 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. 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]. 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. 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]. 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. 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. 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. Yolchuyev A. Feed-forward neural network based petroleum wells equipment failure prediction. Engineering. 2023;15(3):163–175. DOI: 10.4236/eng.2023.153013. 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 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. 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. 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. 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. 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. Wu H., Xu J. Autoformer: decomposition transformers with auto-correlation for long-term series forecasting. Arxiv. 2022;5. DOI:0.48550/arXiv.2106.13008. 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. Zhou T., Ziqing M. FEDformer: frequency enhanced decomposed transformer for long-term series forecasting. Arxiv. 2022;3. DOI: 10.48550/arXiv.2201.12740. 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. 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 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. 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. 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 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.

The authors declare that there are no conflicts of interest present.