Қазақстанның мұнай-газ саласының хабаршысыҚазақстанның мұнай-газ саласының хабаршысы2707-42262957-806XKMG Engineering10875010.54859/kjogi108750Научная статьяВозможность применения современного метода прогнозирования отказов скважин на месторождениях АО НК «КазМунайГаз»УтемисоваЛаура Гибратовнаl.utemissova@niikmg.kzhttps://orcid.org/0000-0003-4194-6727МерембаевТимур Жумаканович<p>PhD</p>timur.merembayev@gmail.comhttps://orcid.org/0000-0001-8185-235XБекбауБақберген Ермекбайұлы<p>PhD</p>b.bekbau@kmge.kzhttps://orcid.org/0000-0003-2410-1626КМГ ИнжинирингИнститут информационных и вычислительных технологий КН МОН РККазНИТУ им. К.И. Сатпаева151220246468772205202429112024Copyright © 2024, Утемисова Л.Г., Мерембаев Т.Ж., Бекбау Б.Е.2024<p>В процессе разработки зрелых месторождений возникает ряд геологических и технологических осложнений. Для повышения бесперебойной работы скважинного насосного оборудования используются различные методы и приёмы. В данной статье представлен анализ возможности применения предсказания отказов для повышения надёжности подземного оборудования скважин на месторождениях АО НК «КазМунайГаз». Исследование фокусируется на разработке и валидации модели машинного обучения, способной с высокой точностью прогнозировать потенциальные отказы в работе скважинного оборудования. Существующие методики, подходы машинного обучения и их применение в условиях реальной эксплуатации детально проанализированы с выделением ключевых факторов успеха и ограничений. Результаты исследования демонстрируют огромный потенциал применения модели прогнозирования отказов скважин при выборе оптимального подхода машинного обучения с целью уменьшения внеплановых простоев и оптимизации процессов технического обслуживания скважин. Авторами проведена оценка возможности применения прогнозирования отказов глубинного-насосного оборудования скважин, эксплуатируемых ШГН. Применение предсказания отказов глубинно-насосного оборудования скважин позволит обеспечить бесперебойную работу скважин за счет снижения отказов скважин и сокращения времени простоя на ремонт.</p>downhole pumping equipmenttime between failuresunderground well workoverwell failuresfailure predictionтерең сорғы жабдықтарыістен шығуларды атқаружер асты ұңғымаларын жөндеуұңғымалардың істен шығуыістен шығуды болжауглубинно-насосное оборудованиенаработка на отказподземный ремонт скважинотказы скважинпрогнозирование отказов1.Mihaylovich NN. Povysheniye ekspluatatsionnykh kharakteristik neftepromyslovogo oborudovaniya v territorial'no-proizvodstvennom predpriyatii [dissertation]. Moscow; 2009. Available from: https://www.dissercat.com/content/povyshenie-effektivnosti-ekspluatatsii-nasosnykh-skvazhin-optimizatsiei-raboty-shtangovykh-k. (In Russ).2.Khabibullin RA, Shabonas AR, Gurbatov NS, Timonov AV. Prediction of ESPs Failure Using ML at Western Siberia Oilfields with Large Number of Wells. Russian Petroleum Technology Conference; 2020 Oct 26–29; Virtual. Available from: https://onepetro.org/SPERPTC/proceedings-abstract/20RPTC/1-20RPTC/D013S027R001/450252.3.Merembayev T, Kurmangaliyev D, Bekbauov B, Amanbek Y. A Comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan. Energies. 2021;14(7):1896. doi: 10.3390/en14071896.4.Merembayev T, Amanbek Y. Time-series event prediction for the uranium production wells using machine learning algorithms. 56th U.S. Rock Mechanics/Geomechanics; 2022 June 26; Santa Fe, United States. Available from: https://research.nu.edu.kz/en/publications/time-series-event-prediction-for-the-uranium-production-wells-usi-2.5.American Petroleum Institute. API TR 11L Design Calculations for Sucker Rod Pumping Systems (Conventional Units), 5th edition. Washington : API TR 11L; 2008.6.Abdelaziz M, Lastra R, Xiao JJ. ESP data analytics: Predicting failures for improved production performance. Abu Dhabi International Petroleum Exhibition & Conference; 2017 Nov 13–16; Abu Dhabi, UAE. Available from: https://www.scirp.org/reference/referencespapers?referenceid=2938839.7.Ivanonvskii VI. Skvazhinnye nasosnye ustnovki dlya dobychi nefti. Moscow; 2002. (In Russ).8.Seradilla O, Zugastu E, Rodriguez J, Zurutuza U. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect. Appl Intell. 2020;52:10934–10964. doi: 10.1007/s10489-021-03004-y.9.Takacs G. Sucker-Rod Pumping Handbook. Production engineering fundamentals and long-stroke rod pumping. Hungary; 2015.10.Rudakov V, Merembayev T, Amirgaliyev Y, Omarova P. Time Series Analysis of Biogas Monitoring with Deep Learning Approaches. 5th International Conference on Problems of Cybernetics and Informatics; 2023 Aug 28–30; Baku, Azerbaijan. Available from: https://ieeexplore.ieee.org/document/10325955.11.Waskom ML. Seaborn: statistical data visualization. Journal of Open Source Software. 2021;6(60):3021. doi: 10.21105/joss.03021.12.Ke G, Meng Q, Finley T, et al. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems. 2017;30.13.Breiman L. Random forests. Machine learning. 2001;45:5–32.14.Chen T, He T, Benesty M, et al. Xgboost: extreme gradient boosting. R package version 0.4-2. 2015;1(4). doi: 10.32614/cran.package.xgboost.15.Hochreiter S, Schmidhuber J. Long Short-term Memory. Neural Computation MIT-Press. 1997;9(8):1735–1780. doi: 10.1162/neco.1997.9.8.1735.