Предложен метод мониторинга рабочего состояния оборудования в нефтяных скважинах

17.07.2020 12:52

A-
A
A+

Предложен метод мониторинга рабочего состояния оборудования в нефтяных скважинах

Статья «Мониторинг состояния оборудования в нефтяных скважинах с использованием глубокого обучения» (Condition Monitoring of Equipment in Oil Wells using Deep Learning), соавторами которой являются заведующий отделом Института информационных технологий НАНА, доктор философии по технике, доцент Ядигяр Имамвердиев и ведущий научный сотрудник, доктор философии по технике, доцент Фаргана Абдуллаева, была опубликована в журнале «Advances in Data Science and Adaptive Analysis».

В исследовательской работе для прогнозирования неисправностей, которые могут возникнуть в оборудовании нефтяных скважин, были предложены модели глубокого стека LSTM и CNN, опирающиеся на анализ данных временного ряда, полученных от многочисленных сенсоров. В разработанных методах глубокого обучения были применены 10 скрытых слоев, а в каждом слое были использованы 250 нейронов.

Эффективность методов была протестирована на реальных данных, полученных от установленных в нефтяных скважинах 8-ми сенсоров, на основе различных метрик. Сенсоры соответственно собирают информацию о температуре нефти, давлении фильтра, скорости течения нефти, уровне вибрации роликового подшипника. Данные, зарегистрированные тем или иным сенсором, составляют один временной ряд. Каждый временной ряд, полученный от всех 8-ми сенсоров, был проанализирован по-отдельности.

Статья была подготовлена на основе научных исследований, которые проводились в рамках грантового проекта «NG-AI4Oil: разработка технологий искусственного интеллекта нового поколения для нефтяных промыслов», который финансировался Научным фондом Государственной нефтяной компании Азербайджанской Республики.

Отметим, что журнал «Advances in Data Science and Adaptive Analysis», который выпускается в издательстве «World Scientific», индексируется и реферируется в таких международных научных базах, как «Web of Science», «Scopus», «Compendex», «DBLP», «EBSCO», «Mathematical Reviews/MathSciNet», «Google Scholar» и т.д. В базе «Scopus» журнал входит в класс Q1.