Методика анализа ремонта нефтегазовых скважин при управлении на основе интеллектуального анализа данных

Одним из важнейших шагов для увеличения прибыли в нефтедобыче, наряду с инвестициями в оборудование, поиском и открытием новых месторождений, является аналитика. Эффективность добычи нефти и газа на существующих месторождениях можно повысить с помощью комплексного анализа существующего потока данных. Мониторинг добычи нефти и газа и профилактический ремонт скважин предполагают сбор и обработку данных о функционировании скважин. Этих данных не всегда достаточно для принятия точных решений по управлению ремонтами скважин. Ряд проблем нельзя выявить из-за скудности информации, в связи с чем снижается эффективность принимаемых решений. Мониторинг ремонта скважин с использованием интеллектуального анализа данных выполняет ряд функций. Во-первых, он определяет состояние критических условий ремонта скважины, для которых будет разработан план действий. Во-вторых, он предоставляет руководству обратную связь, определяя причины прошлых положительных и отрицательных результатов. В статье предлагается методика анализа ремонта нефтегазовых скважин при управлении на основе интеллектуального анализа данных с использованием поиска последовательных шаблонов ремонта. Методика апробирована в нефтегазовой компании ПАО «Газпром нефть» на данных по ремонту скважин месторождений сообщества «Газпромнефть-Ноябрьскнефтегаз».

1. Морозов Н.В., Калачева Д.Ю. Анализ состава обратной воды, полученной из скважин сланцевой формации Марцеллус, путем использования интеллектуального анализа данных «Data Mining». Корпоративный портал знаний Газпромнефть; 2017.

2. Баширов К.И., Костенко М.С., Дятлов А.М. Опыт использования больших данных в российских нефтяных компаниях. Вестник магистратуры. 2019;2(8):21–23. Доступно по: https://cyberleninka.ru/article/n/opyt-ispolzovaniya-bolshih-dannyh-v-rossiyskih-neftyanyh-kompaniyah (дата обращения: 12.05.2022).

3. Халиков Ф., Ветошкина Т. Новый модуль «Анализ рентабельности скважин». Корпоративный портал знаний Газпромнефть; 2021.

4. Брэгман К., Панкова М., Аршавский А. Система управления метаданными и рабочего места интеллектуального анализа данных и машинного обучения. Корпоративный портал знаний Газпромнефть, 2020.

5. Разманова С.В. Нефтесервисные компании в рамках цифровизации экономики: оценка перспектив инновационного развития. Записки Горного института. 2020;(244):482–492. DOI: 10.31897/PMI.2020.4.11.

6. Паклин Н.Б., Уланов С.В. Последовательные шаблоны в банковском директ-маркетинге. TERRA ECONOMICS. 2009;2-3(7):99–103. Доступно по: https://cyberleninka.ru/article/n/posledovatelnye-shablony-v-bankovskom-direkt-marketinge/viewer (дата обращения: 12.05.2022).

7. Agrawal, R. and Srikant, R. Mining sequential patterns. Proceedings of the 11th International Conference on Data Engineering (ICDE'95). IEEE Computer Society Press; 1995. p. 3–14.

8. Fournier-Viger P., Jerry C.W. Lin R.U., Kiran Y.S. Koh and R. Thomas. a survey of sequential pattern mining. Data Science and Pattern Recognition. 2017;(2):55–60.

9. Latypova V. Work with free response implementation process analysis based on sequential pattern mining in engineering education. Proceedings of the VI international conference on information technologies in engineering education (Inforino), 12-15 April 2022, Moscow, Russia, unpublished.

10. Fournier-Viger P., Lin C.W, Gomariz A., Gueniche T., Soltani A., Deng Z., Lam H.T. The SPMF open-source data mining library version 2. Рroceedings of the 19th European conference on principles of data mining and knowledge discovery. Springer; 2016. p. 36–40. DOI: 10.1007/978-3-319-46131-1_8.