Kazakhstan journal for oil & gas industryKazakhstan journal for oil & gas industry2707-42262957-806XKMG Engineering10879710.54859/kjogi108797Ғылыми мақалаПайдалану ұңғымаларындағы кенжар қысымының мониторингі жүйелерінде машиналық оқыту: шолуЖеңісД. К.dimashzhenis.pe@gmail.comhttps://orcid.org/0009-0003-4934-7347ҚасеновА. К.<p>PhD, ассоциированный профессор</p>a.kasenov@kbtu.kzhttps://orcid.org/0000-0002-1007-1481ИбраевА. Е.ak.ibrayev@kmge.kzhttps://orcid.org/0009-0005-1731-7092ШаяхметҚ. Н.kairgeldi.shayakhmet@byteallenergy.comhttps://orcid.org/0000-0001-9269-4545Қазақстан-Британ техникалық университетіҚМГ ИнжинирингByteAll Energy240620257261720511202422042025Copyright © 2025, Жеңіс Д.К., Қасенов А.К., Ибраев А.Е., Шаяхмет Қ.Н.2025<p>Соңғы жылдары мұнай-газ өнеркәсібіне жасанды интеллект технологияларының қарқынды енгізілуі байқалады, бұл үрдіс кен орындарын игеру тиімділігін арттыру және өндірістік процестерді оңтайландыру қажеттілігімен тығыз байланысты. Жасанды интеллектті қолданудың ең перспективалы бағыттарының бірі ұңғымаішілік мониторинг жүйелерінен, атап айтқанда, кенжар қысымы жүйелерінен алынған деректерді талдау болып табылады. Стационарлық қысым датчиктерінің таралуы нақты уақыт режимінде қабаттың энергетикалық күйі туралы үздіксіз ақпарат алуға мүмкіндік береді. Бұл деректер үлкен деректер ортасының бөлігі бола отырып, қазіргі заманғы сақтау, өңдеу және талдау архитектураларын қолдануды талап етеді. Машиналық оқыту алгоритмдерін, соның ішінде нейрондық желілерді және регрессиялық талдау әдістерін қолдану жасырын заңдылықтарды анықтауға, қабат параметрлерін болжауға, ұңғымаларды тоқтатпай гидродинамикалық зерттеулер жүргізуге және дамуды жедел басқарудың дәлдігін арттыруға мүмкіндік береді. Бұл мақалада қысымды бақылау жүйелерін құру принциптері, үлкен деректерді өңдеудің заманауи архитектураларын талдау (лямбда-, каппа- и unified-архитектурасын қоса алғанда), сонымен қатар нақты коммерциялық және синтетикалық мәліметтерде машиналық оқыту алгоритмдерін практикалық іске асырудың мысалдары қарастырылған. Ұңғымааралық өзара әрекеттесуді анықтау және жұмыс режимдерін болжау міндеттерінде прокси-модельдеу мен машиналық оқытуды біріктірудің тиімділігі көрсетілген. CRMP-модельдер мен ансамбльдік тәсілдердің негізінде цифрлық шешімдерді енгізуді қоса алғанда, әлемдік және қазақстандық тәжірибенің өзекті кейстеріне баса назар аударылды.</p>pressure monitoring systemsdownhole telemetry systemsmachine learningartificial intelligenceneural networksbig data architectureproxy modelingpermanent downhole gaugesқысымды бақылау жүйелерітелеметриялық жүйелермашиналық оқытужасанды интеллектнейрондық желілерүлкен деректер архитектурасыпрокси-модельдеуішкі ұңғымалық қысым датчиктерісистемы мониторинга давлениятелеметрические системымашинное обучениеискусственный интеллектнейронные сетиархитектура больших данныхпрокси-моделированиевнутрискважинные датчики давления1.Mohamed H, Jakeman S, Al Azawi B, et al. Engineering Aspects in the Design and Implementation of Onshore Smart Oil Fields. Oil & Gas Fac. 2013;2(05):80–84. doi: 10.2118/161083-PA.2.Marcuccio S, Flygare J, Konopczynski M. Application of Pressure-Monitoring Data in Land-Based Unconventionals. SPE/CSUR Unconventional Resources Conference; 2015 Oct 20–22, 2015; Calgary, Alberta, Canada. Available from: https://onepetro.org/SPEURCC/proceedings-abstract/15URC/15URC/D021S009R006/183658.3.Charalampos C, Jing Z, Sorathia V, et al. Toward an Automatic Metadata Management Framework for Smart Oil Fields. SPE Econ & Mgmt. 2013;5(01):33–43. doi: https://doi.org/10.2118/153271-PA.4.Nadal S, Jovanovic P, Bilalli B, Romero O. Operationalizing and automating Data Governance. Journal of Big Data. 2022;9:117. 10.1186/s40537-022-00673-5.5.Yang X, Bello O, Yang L, et al. Intelligent Oilfield – Cloud Based Big Data Service in Upstream Oil and Gas. The International Petroleum Technology Conference; 2019 March 26–28; Beijing, China. Available from: https://onepetro.org/IPTCONF/proceedings-abstract/19IPTC/1-19IPTC/D011S002R001/154285.6.Müller AC, Guido S. Introduction to Machine Learning with Python. Sebastopol: O’Reilly Media, Inc.; 2016. 392 p.7.Zangl G, Hannerer J. Data Mining: Applications in the Petroleum Industry. Katy, TX: Round Oak Publishing; 2003. 222 p.8.Zheng S-Y, Li XG. Transient pressure analysis of 4D reservoir system response from permanent down hole gauges (PDG) for reservoir monitoring, testing and management. The Asia Pacific Oil and Gas Conference and Exhibition; 2007 Oct 30 – Nov 1, 2007; Jakarta, Indonesia. Available from: https://onepetro.org/SPEAPOG/proceedings-abstract/07APOGCE/07APOGCE/SPE-109112-MS/142768.9.Tian C, Horne RN. Applying Machine Learning Techniques to Interpret Flow Rate, Pressure and Temperature Data from Permanent Downhole Gauges // SPE Western Regional Meeting; 2015 Apr 27–30; Garden Grove, California, USA. Available from: https://onepetro.org/SPEWRM/proceedings-abstract/15WRM/15WRM/SPE-174034-MS/182820.10.Pan Y, Ran B, Peng Z, et al. An Effective Physics-Based Deep Learning Model for Enhancing Production Surveillance and Analysis in Unconventional Reservoirs. SPE/AAPG/SEG Unconventional Resources Technology Conference; 2019 July; Denver, Colorado, USA. Available from: https://chooser.crossref.org/?doi=10.15530%2Furtec-2019-145.11.Silva VCD. Big Data Approach for Assessing Hydraulic Interference Between Wells in Not-Controled Systems. The Offshore Technology Conference Brasil; 2019 Oct 29–31; Rio de Janeiro, Brazil. Available from: https://onepetro.org/OTCBRASIL/proceedings-abstract/19OTCB/1-19OTCB/D011S013R006/180771.12.Zhetruov ZT, Shayakhmet KN, Karsybayev KK, et al. Application of proxy models for oil reservoirs performance prediction. Kazakhstan journal for oil & gas industry. 2022;4(2):47–56. doi: 10.54859/kjogi108021.13.Albertoni A, Lake LW. Inferring interwell connectivity only from well-rate fluctuations in waterfloods. SPE Reserv. Eval. Eng. 2003;6(01):6–16. doi: https://doi.org/10.2118/83381-PA.