Предиктивная аналитика в добыче

Применение предиктивной аналитики в добыче, то есть во время работы ГНО (глубинно-насосного оборудования), служит для распознавания аномального поведения насоса и последующего предотвращения отказов оборудования и внеплановых простоев скважин. Более того, использование предиктивной аналитики может помочь выявить небезопасные условия эксплуатации ГНО, что продлит время работы оборудования и увеличит объемы добычи в будущем.

Решение представляет собой программный продукт, позволяющий осуществлять непрерывный мониторинг работы ГНО и оценивать вероятность остановки оборудования. В основу решения заложен комплекс технологий машинного обучения и экспертных алгоритмов.

Ядром решения является гибридная модель, которая на основе поступающих исходных данных определяет причину, вероятность и временной интервал отказа или остановки скважины.

Некоторые типовые сценарии применения:

  • Прогноз количества дней до отказа ГНО
  • Прогноз причины отказа
  • Прогноз причины остановки и количества дней до остановки скважины
  • Прогноз количества отказов в течение года (с разбивкой по месяцам)
  • Прогноз количества отказавших скважин в разрезе причин отказов в течение года

Решаемые бизнес-задачи

  • Планирование потребности в ГНО в долгосрочной и краткосрочной перспективах
  • Мониторинг работы ГНО и оперативное оповещение по возможным отклонениям в работе
  • Определение оптимального набора параметров , необходимых для перехода на проактивную модель управления работой механизированного фонда
  • Формирование требований к развитию существующих информационных систем и уровню оснащенности фонда скважин

Эффекты

  • Повышение межремонтного периода и снижение риска преждевременного отказа ГНО
  • Повышение коэффициента эксплуатации скважин
  • Повышение качества планирования ресурсов и оборудования
  • Снижение трудозатрат специалистов на мониторинг и анализ отклонений в работе скважин
  • Автоматизация бизнес-процессов по направлению «Добыча нефти»

Технологии

При создании и адаптации решения применены следующие алгоритмы машинного обучения:

  • Градиентный бустинг над решающими деревьями
  • Случайный лес
  • Рекуррентные и сверточные нейронные сети
  • Метод опорных векторов
  • Метод Хольта-Винтерса

Экспертные алгоритмы:

  • Метод экспертных оценок
  • Метод Дельфи
  • Методы и модели анализа временных рядов
  • Регрессионный анализ
Следующее решение

Виртуальные тренажеры