Формирование данных в фиксациях моделей нефтегазовых скважин на основе применения интеллектуального метода заполнения пропущенных значений

В нефтегазовой сфере уделяется много внимания вопросу повышения качества данных, так как низкое качество может повлечь за собой неверное видение ситуации и в дальнейшем принятие неверного решения. Мониторинг нефтедобычи и профилактическое обслуживание предполагают сбор данных от самых разных датчиков, которые нужно корректно обработать и «упаковать». Поэтому особое внимание уделяется повышению качества формируемых данных в фиксациях моделей нефтегазовых скважин. Фиксация моделей нефтегазовых скважин — это процесс сбора, анализа и сохранения информации о параметрах скважинной эксплуатации, таких как дебит жидкости, газа и нефти, давление, температура, состав флюидов и другие параметры, используемые для оптимизации процессов добычи и повышения эффективности работы скважин. Наличие пропусков при формировании моделей скважин чревато заметным понижением качества данных моделей, что может привести к неполному представлению общей картины работы скважины и снизить точность прогнозирования ее производительности. В статье предлагается интеллектуальный метод заполнения пропущенных значений для формирования данных в фиксациях моделей нефтегазовых скважин для решения данной проблемы. Метод успешно апробирован в нефтегазовой компании ПАО «Газпром нефть» на данных по дебиту жидкости скважин Вынгапурского месторождения.

1. Нургалиева З.Д., Латыпова В.А. Методика анализа ремонта нефтегазовых скважин при управлении на основе интеллектуального анализа данных. Моделирование, оптимизация и информационные технологии. 2022;10(2). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1186 DOI: 10.26102/2310-6018/2022.37.2.017.

2. Хафизова А.У., Латыпова В.А. Оценка эффективности разработки нефтегазовых месторождений с помощью экспертных методов. Моделирование, оптимизация и информационные технологии. 2022;10(2). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1183 DOI: 10.26102/2310-6018/2022.37.2.018.

3. Малышев А.С., Пашали А.А., Здольник С.Е., Волков М.Г. Удаленный мониторинг механизированного фонда скважин в ОАО «НК «Роснефть». Научно-технический вестник ОАО «НК «Роснефть». 2009;1:23–28.

4. Жильцов В.В., Дударев А.В., Шитов Г.В., Чувикова В.В. Решения и развитие интеллектуальной технологии мониторинга и управления механизированным фондом скважин. Нефтяное хозяйство. 2006;10:128–130.

5. Жильцов В.В., Федотов А.В. Информационные технологии в проектировании «интеллектуальной» скважины. Прикладная информатика. Энергетика и рациональное природопользование. 2013;48(6):15–23.

6. Бахитова Р.Х., Султанов Б.Р. Подход к пространственно-панельному анализу данных нефтяного месторождения. Инновации и инвестиции. 2020;6:287–290.

7. Журбич Н.И. Подготовка исходных данных для углубленного анализа нефтегазового месторождения. Информационные технологии в науке, управлении, социальной сфере и медицине. 2019;13–19.

8. Qin J., Chen L., Liu Y., Liu C., Feng C., Chen B. A machine learning methodology for diagnosing chronic kidney disease. IEEE. 2020;8:4–7.

9. Поцыкайло А.А. Использование метода к-ближайших соседей при распознавании полутоновых изображений. Известия ЮФУ. Технические науки. 2011;118(5):258–260.

10. Галеев Э.Е. Кластерный анализ интегрированных корпоративных структур. Инновации и инвестиции, 2023;2:139–142.

11. Zliobaite I., Hollmen J. Optimizing regression models for data streams with missing values. Machine Learning. 2014;99(1):47–73. DOI: 10.1007/s10994-014-5450-3.

12. Sharifyanov N., Latypova V. A method of filling missing values in data using data mining. 2023 IX International Conference on Information Technology and Nanotechnology (ITNT). 2023;1–5. DOI: 10.1109/ITNT57377.2023.10139280.