Разработка виртуального расходомера нефти на основе алгоритмов машинного обучения

Работа предполагает подготовку данных, снятых со станции управления (СУ) и автоматической групповой замерной установки (АГЗУ). Это делается с целью применения алгоритмов машинного обучения для предсказания дебита нефти.

Список терминов и сокращений ……………………………………………………………………………. 14
Введение ………………………………………………………………………………………………………………. 16
1 Устройство системы добычи нефти и газа ………………………………………………………….. 17
2 Подготовка данных и обучение модели ………………………………………………………………. 19
2.1 Описание исходных данных и проблемы исследования ……………………………………. 19
2.2 Подготовка данных …………………………………………………………………………………………. 21
2.3 Обучение модели для прогноза ………………………………………………………………………… 27
3 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение …………….. 31
3.1 Предпроектный анализ ……………………………………………………………………………………. 31
3.1.1 Потенциальные потребители разработки ………………………………………………………. 31
3.1.2 Технология QuaD ………………………………………………………………………………………….. 31
3.1.3 SWOT-анализ ……………………………………………………………………………………………….. 32
3.1.4 Оценка готовности разработки к коммерциализации……………………………………… 34
3.2 Инициация разработки …………………………………………………………………………………….. 35
3.3 Планирование управления разработкой ……………………………………………………………. 37
3.3.1 Иерархическая структура работ …………………………………………………………………….. 37
3.3.2 План разработки ……………………………………………………………………………………….. 38
3.3.2.1 Разработка графика проведения разработки………………………………………………… 40
3.3.3 Бюджет разработки……………………………………………………………………………………….. 41
3.3.3.1 Материальные расходы ………………………………………………………………………………. 41
3.3.3.2 Основная заработная плата исполнителей темы ………………………………………….. 41
3.3.3.3 Дополнительная заработная плата исполнителей темы ……………………………….. 43
3.3.3.4 Отчисления во внебюджетные фонды ………………………………………………………… 44
3.3.3.5 Накладные расходы ……………………………………………………………………………………. 44
3.3.3.5 Формирование бюджета затрат на разработку …………………………………………….. 45
3.3.4 Риски разработки ………………………………………………………………………………………….. 45
3.4 Экономическая эффективность ………………………………………………………………………… 46
3.5 Выводы по разделу ………………………………………………………………………………………….. 47
4 Социальная ответственность ………………………………………………………………………………. 48
4.1 Правовые и организационные вопросы обеспечения безопасности …………………… 48
4.1.1 Специальные правовые нормы трудового законодательства ………………………….. 48
4.1.2 Организационные мероприятия при компоновке рабочей зоны ……………………… 48
4.2 Производственная безопасность ………………………………………………………………………. 49
4.2.1 Анализ выявленных вредных и опасных факторов, которые могут возникнуть на
рабочем месте ………………………………………………………………………………………………………. 50
4.2.1.1 Повышенный уровень шума ……………………………………………………………………….. 50
4.2.1.2 Умственное перенапряжение ……………………………………………………………………… 52
4.2.1.3 Недостаточная освещенность рабочей зоны ……………………………………………….. 53
4.2.1.4 Повышенное значение напряжения в электрической цепи …………………………… 56
4.2.1.5 Статические физические перегрузки, связанные с рабочей позой………………… 58
4.2.1.6 Перенапряжение зрительного анализатора …………………………………………………. 59
4.2.1.7 Отклонение параметров микроклимата ………………………………………………………. 60
4.2.3 Обоснование мероприятий по защите исследователя от действия опасных и
вредных факторов …………………………………………………………………………………………………. 61
4.3 Экологическая безопасность ……………………………………………………………………………. 62
4.3.1 Анализ влияния объекта исследования на окружающую среду ………………………. 62
4.3.2 Анализ влияния процесса исследования на окружающую среду …………………….. 62
4.3.3 Обоснование мероприятий по защите окружающей среды …………………………….. 63
4.4 Безопасность в чрезвычайных ситуациях …………………………………………………………. 63
4.4.1 Анализ возможных ЧС, которые может инициировать объект исследования….. 64
4.4.2 Анализ вероятных ЧС, которые могут возникнуть на рабочем месте при
проведении исследований …………………………………………………………………………………….. 64
4.4.3 Обоснование мероприятий по предотвращению ЧС и разработка порядка
действий в случае возникновения ЧС ……………………………………………………………………. 64
4.5 Выводы по разделу ………………………………………………………………………………………….. 65
Заключение …………………………………………………………………………………………………………… 67
Список публикаций и научных достижений ………………………………………………………….. 68
Список использованных источников……………………………………………………………………… 70
Приложение А ………………………………………………………………………………………………………. 73
Приложение Б ………………………………………………………………………………………………………. 82
Приложение В ………………………………………………………………………………………………………. 85
Список терминов и сокращений

1. АГЗУ — автоматизированные групповые замерные установки,
используемые для суточных измерений параметров нефтегазовой скважины.
2. СУ — станция управления, делающая замеры параметров
нефтегазовой скважины каждые 10 — 12 секунд.
3. Файл CSV (Comma Separated Values) — разновидность файлов Excel-
формата, использующая в качестве разделителей запятые и предназначенная для
табличного отображения данных.
4. Python — высокоуровневый язык программирования, дающий
возможность использования объектно-ориентированного и функционального
подходов программирования.
5. Дебит скважины — объем нефтегазовой продукции, поступающий из
источника за некоторую единицу времени.
6. Модель LSTM (Long Short Term Memory) — одна из моделей
машинного обучения, исключающая долговременную зависимость. Ключевая
особенность: ориентированность на работу с временными рядами.
7. Машинное обучение (ML) — разновидность искусственного
интеллекта, изучающая методы построения математических алгоритмов и
моделей, способных к обучению путем подбора необходимых коэффициентов и
зависимостей.
8. Средняя квадратичная ошибка (MSE) — метод оценки модели
машинного обучения, выражающаяся в ошибке результатов модели, которая
рассчитывается как среднее значение суммы квадратов разности между
предсказанным значением и исходным.
9. Обучающая выборка — фиксированный набор данных, который
используется для обучения модели.
10. Тестовая выборка — набор данных, используемый для тестирования
обученной модели.
11. Pandas — Python-библиотека для анализа и обработки данных в
табличном формате.
12. NumPy — библиотека языка Python для работы с данными как с
одномерными и многомерными массивами.
13. Ключевые признаки (KF) — характеристики, данные которых
используются при обучении модели машинного обучения.
14. Временные ряды (TS) — данные, собранные в некотором интервале
времени, отображающие статистику исследуемого процесса.
15. Эпоха модели — один полный цикл обучения модели на
тренировочном наборе данных.

В результате выполнения данной работы были выполнены следующие
задачи:
1. Проведен анализ предметной области, а также предоставленных
данных замеров СУ и АГЗУ
2. Была предложена гипотеза о том, что суточный дебит нефти
возможно с высокой точностью обсчитать, опираясь на замеры коэффициента
мощности, коэффициента загрузки, выходной частоты, давления на приёме
насоса, затрубного давления, рабочей частоты в течении суток с периодичностью
в 10 минут. Из результатов, полученных после обучения модели, можно сделать
вывод о том, что гипотеза, предложенная в данной работе оправдана. Модель
улавливает тренды изменения суточного дебита.
3. Была произведена подготовка данных, сформированы временные
ряды для обучения модели машинного обучения.
4. Проведено обучение LSTM-модели нейронной сети с учителем на
основе данных временных рядов замеров нефтегазовой скважины.
Научной новизной данной работы можно считать проверку гипотезы о
прогнозе суточного дебита скважины, на основе которой предложена методика
прогноза дебита нефтегазовой скважины.
Список публикаций и научных достижений

1. Стипендия Правительства РФ студентам ТПУ, обучающимся по
специальностям или направлениям подготовки, соответствующим
приоритетным направлениям модернизации и технологического развития
российской экономики» на осенний семестр 2020/2021 уч. года. Приказ ректора
ТПУ от 21.05.2020г. № 142-69/с
2. Повышенная государственная стипендия по научно-
исследовательской деятельности, ОСЕНЬ 2020/2021 уч. года. Справка от
28.12.2020 № 04.12.05/9250
3. Повышенная государственная стипендия по научно-
исследовательской деятельности, ВЕСНА 2019/2020 уч. года. Приказ от
20.03.2020 № 80-5/с
4. Сертификат за участие в акселерационно-образовательном
интенсиве «Архипелаг 20.35» 7-21 ноября 2020 г.
5. Сертификат за участие во Всероссийском нефтегазовом кейс-
чемпионате «OILCASE 2020» 13 апреля 2020 г.
6. Ушаков С.Н. Применение технологии Spring Framework при
разработке Web — приложений// Информационные технологии, экономика и
управление: сборник научных трудов Х Всероссийской научно-практической
конференции для студентов и учащейся молодежи, Юрга, 4-6 Апреля 2019. –
Юрга, ТПУ ЮТИ, 2019 – C. 242-244.
7. Ушаков С. -. Сравнительный анализ данных для управления заказами
исследований полезных ископаемых // Информационные технологии в науке,
управлении, социальной сфере и медицине: cборник научных трудов VI
Международной научной конференции, Томск, 14-19 Октября 2019. — Томск:
ТПУ, 2019 — C. 293-295
8. Диплом 3 степени за доклад на тему «Сравнительный анализ данных
для управления заказами исследований полезных ископаемых» в 5
Международной научной конференции «Информационные технологии в науке,
управлении, социальной сфере и медицине» 14-19 октября 2019 г.
9. Диплом 3 степени за лучший доклад на тему: «Проектирование WEB
— приложений с помощью технологии Spring Framework» в Республиканской
студенческой научной конференции «Вклад молодежной науки в реализацию
Стратегии «Казахстан — 2050» (Республика Казахстан) 11-12 апреля 2019 г.
10. Диплом 3 степени за лучший доклад на тему: «Классификация
кривых ПС каротажа» в IX Региональной научно-практической конференции
«Наука и практика: проектная деятельность» (ФГБОУ ВО ТУСУР, г. Томск) 14
октября — 30 ноября 2020 г.
11. Ушаков С.Н., Сальников М.А., Кайда А.Ю.КЛАССИФИКАЦИЯ
КРИВЫХ ПС КАРОТАЖА//Наука и практика: проектная деятельность — от идеи
до внедрения, Томск, 30.11.2020-ТУСУР, 2020г.
12. По результатам дипломной работы была опубликована статья в
XVIII Международной научно-практической конференции студентов,
аспирантов и молодых ученых «Молодежь и современные информационные
технологии» (МСИТ).

1.Aarsnes, U., Flåtten, T., Aamo, O., 2016. Review of two-phase flow
models for control and estimation. Annu. Rev. Contr. 42, 50–62.
2.Aarsnes, U., Meglio, F., Aamo, O., Kaasa, G., 2014a. Fit-for-Purpose
modeling for automation of underbalanced drilling operations. In: SPE/IADC
Managed Pressure Drilling & Underbalanced Operations Conference & Exhibition.
3.Aarsnes, U., Meglio, F., Evje, S., Aamo, O., 2014b. Control-oriented drift-
flux modeling of single and two-phase flow for drilling. In: Proceedings of the ASME
2014 Dynamic Systems and Control Conference.
4.Acuna, I., 2016. Effective methodology for production metering and
allocation using realtime virtual metering in a mature offshore oilfield-study of the
greater angostura field. In: SPE Trinidad and Tobago Section Energy Resources
Conference.
5.Agarwal, R., Li, Y., Ngheim, L., 1990. A regression technique with
dynamic-parameter selection for phase behavior matching. SPE Reserv. Eng. 5.
6.Ahmadi, M., Ebadi, M., Shokrollahi, A., Majidi, S., 2013. Evolving
artificial neural network and imperialist competitive algorithm for prediction oil
flowrate of the reservoir. Appl. Soft Comput. 1085–1098.
7.AlDabbous, M., Al-Kadem, M., AlMashhad, A., AlSadah, A., Alzahrani,
M., 2015. MPFM commissioning optimization: a case study. In: Abu Dhabi
International Petroleum Exhibition and Conference.
8.Barnea, D., 2016. A unified model for predicting flow-pattern transitions
for the whole range of pipe inclinations. Int. J. Multiph. Flow 13, 1–12.
9.Bogaert, P., Yang, W., Meijers, H., Dongen, J., Konopczynski, M., 2004.
Improving oil production using smart fields technology in the SF30 satellite oil
development offshore Malaysia. In: Offshore Technology Conference.
10. Федеральный закон «О персональных данных» от 27.07.2006 N 152-
ФЗГОСТ 12.2.032-78 Рабочее место при выполнении работ сидя
11. ГОСТ 12.0.003-2015 ССБТ. Опасные и вредные производственные
факторы. Классификация
12. СНиП 23-05-95* Естественное и искусственное освещение
13. ГОСТ 12.1.003-2014 Система стандартов безопасности труда. Шум.
Общие требования безопасности
14. ГОСТ 12.1.033-81 Система стандартов безопасности труда (ССБТ).
Пожарная безопасность
15. ТОИ Р-45-084-01. Типовая инструкция по охране труда при работе
на персональном компьютере
16. СанПиН 1.2.3685-21 Гигиенические нормативы и требования к
обеспечению безопасности и (или) безвредности для человека факторов среды
обитания
17. Безопасность жизнедеятельности: практикум / Ю.В. Бородин, М.В.
Василевский, А.Г. Дашковский, О.Б. Назаренко, Ю.Ф. Свиридов, Н.А. Чулков,
Ю.М. Федорчук. — Томск: Изд- во Томского политехнического университета,
2009. — 101 с.
18. СанПиН 2.2.4.548-96 Гигиенические требования к микроклимату
производственных помещений
19. ГОСТ 12.1.029-80 ССБТ Система стандартов безопасности труда
20. Федеральный закон № 89 от 1998 г. «Об отходах производства и
потребления»
21. ГОСТ Р 53692-2009 «Ресурсосбережение. Обращение с отходами»
22. КодексРоссийскойФедерацииобадминистративных
правонарушениях от 30.12.2001 N 195-ФЗ (последняя редакция)
23. ГОСТ Р 56397-2015 Техническая экспертиза работоспособности
радиоэлектронной аппаратуры, оборудования информационных технологий,
электрических машин и приборов.
24. ГОСТ 12.3.031-83 Система стандартов безопасности труда (ССБТ).
Работы со ртутью. Требования безопасности
25. ГОСТ 12.1.044-2018 Система стандартов безопасности труда.
Пожаровзрывоопасность веществ и материалов. Номенклатура показателей и
методы их определения
26. ГОСТ Р 22.3.03-94 Безопасность в чрезвычайных ситуациях. Защита
населения. Основные положения
27. ГОСТ8050-85Двуокисьуглеродагазообразнаяижидкая.
Технические условия