Kazakhstan journal for oil & gas industryKazakhstan journal for oil & gas industry2707-42262957-806XKMG Engineering10879710.54859/kjogi108797Научная статьяМашинное обучение в системах мониторинга забойного давления в эксплуатационных скважинах: обзорЖенисД. К.dimashzhenis.pe@gmail.comhttps://orcid.org/0009-0003-4934-7347КасеновА. К.<p>PhD, ассоциированный профессор</p>a.kasenov@kbtu.kzhttps://orcid.org/0000-0002-1007-1481ИбраевА. Е.ak.ibrayev@kmge.kzhttps://orcid.org/0009-0005-1731-7092ШаяхметК. Н.kairgeldi.shayakhmet@byteallenergy.comhttps://orcid.org/0000-0001-9269-4545Казахстанско-Британский технический университетКМГ ИнжинирингByteAll Energy240620257261720511202422042025Copyright © 2025, Женис Д.К., Касенов А.К., Ибраев А.Е., Шаяхмет К.Н.2025<p>В последние годы наблюдается стремительное внедрение технологий искусственного интеллекта в нефтегазовую промышленность, что обусловлено необходимостью повышения эффективности разработки месторождений и оптимизации производственных процессов. Одним из наиболее перспективных направлений применения искусственного интеллекта является анализ данных, получаемых с внутрискважинных систем мониторинга, в частности, систем забойного давления. Распространение стационарных датчиков давления позволяет получать непрерывные массивы информации об энергетическом состоянии пласта в реальном времени. Эти данные, будучи частью среды больших данных, требуют применения современных архитектур хранения, обработки и аналитики. Использование алгоритмов машинного обучения, включая нейронные сети и методы регрессионного анализа, позволяет выявлять скрытые закономерности, прогнозировать параметры пластов, проводить гидродинамические исследования без остановки скважин и повышать точность оперативного управления разработкой. В настоящей статье представлены принципы построения систем мониторинга давления, анализ современных архитектур обработки больших данных (включая лямбда-, каппа- и unified-архитектуры), а также рассмотрены примеры практической реализации алгоритмов машинного обучения на реальных промысловых и синтетических данных. Показана эффективность совмещения прокси-моделирования и машинного обучения в задачах определения межскважинного взаимодействия и прогнозирования режимов работы. Сделан акцент на актуальные кейсы из мировой и казахстанской практики, включая внедрение цифровых решений на базе CRMP-моделей и ансамблевых подходов.</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.