📄Работа №128274
Тема: Разработка автоматизированной системы определения операций бурения на основе машинного обучения
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Информационные системы
Объем:
34 листов
Год:
2021
Просмотров:
167
4260
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1. Постановка задачи 6
2. Обзор 7
2.1. Процесс бурения нефтяных скважин 7
2.2. Набор данных станции ГТИ 8
2.3. Виды операций бурения 8
2.4. Обзор алгоритмов 9
2.5. Вывод 13
3. Задача классификации буровых операций 14
3.1. Описание исходных данных 14
3.2. Предобработка исходных данных 17
3.3. Метрики качества 18
3.4. Методология 20
3.5. Предлагаемое решение 26
4. Эксперименты 27
4.1. Классификация групп: спуск, подъем, бурение и промывка 27
4.2. Использование времени в качестве дополнительного признака 27
4.3. Дискуссия и выводы 28
5. Прототип веб-сервиса 30
5.1. Требования к прототипу 30
5.2. Выбор технологий 30
5.3. Архитектура и особенности реализации 31
6. Результаты 34
Список литературы 35
1. Постановка задачи 6
2. Обзор 7
2.1. Процесс бурения нефтяных скважин 7
2.2. Набор данных станции ГТИ 8
2.3. Виды операций бурения 8
2.4. Обзор алгоритмов 9
2.5. Вывод 13
3. Задача классификации буровых операций 14
3.1. Описание исходных данных 14
3.2. Предобработка исходных данных 17
3.3. Метрики качества 18
3.4. Методология 20
3.5. Предлагаемое решение 26
4. Эксперименты 27
4.1. Классификация групп: спуск, подъем, бурение и промывка 27
4.2. Использование времени в качестве дополнительного признака 27
4.3. Дискуссия и выводы 28
5. Прототип веб-сервиса 30
5.1. Требования к прототипу 30
5.2. Выбор технологий 30
5.3. Архитектура и особенности реализации 31
6. Результаты 34
Список литературы 35
📖 Введение
Одной из основных задач нефтегазовых компаний на сегодняшний день является цифровая трансформация отрасли в целом и функции бурения в частности. Ввиду большого количества поступающей информации с месторождений и постоянного роста числа регистрируемых параметров, оказались востребованными системы, интерпретирующие комплекс параметров и выдающие специалисту промежуточный результат в виде рекомендаций. Это облегчает анализ текущей ситуации и повышает оперативность принятия решений.
Одной из задач, решаемых такими системами, является определение операций в процессе бурения скважины. Такие операции естественным образом возникают при проведении любого вида буровых работ. Они характеризуют различные виды спусков, подъемов, вращения инструментов и многое другое, что впоследствии является основой для составления оптимизационных планов при строительстве скважин. Определяются операции на основе геолого-технической информации, поступающей с буровых площадок, однако часто оказывается, что они обладают специфической структурой, которую сложно в точности воспроизвести алгоритмически. Несмотря на это, учитывая особенности входных данных при разработке алгоритмов, можно значительно повысить их точность и эффективность.
Геолого-технические параметры для контроля строительства скважины поступают в центр управления бурением, где обрабатываются и отображаются в режиме реального времени на экранах, установленных в офисе сотрудника компании. Количество наблюдаемых параметров может варьироваться в зависимости от конкретной операции бурения, а также от типа исследования. Например, геофизические исследования направлены на изучение геологического разреза скважин. Благодаря им можно получить информацию о свойствах окружающих пород. Другой тип исследования заключается в анализе состояния бурового долота: вес на крюке, скорость проходки и прочее. Чем больше имеется информации о текущем состоянии бурения, тем больше закономерностей можно найти при определении той или иной буровой операции.
Существенной проблемой при работе с реальными данными является возможное присутствие различного рода шумов, что делает точные методы не применимыми. Распространенный способ обработки таких данных — использование методов машинного обучения, в особенности нейронных сетей. Кроме того, нейронные сети предоставляют возможность эффективно находить сложные и не поддающиеся формализации структурные закономерности входных данных.
В данной работе рассматриваются различные подходы классификации операций бурения по данным геолого-технической информации. Предложенные алгоритмы реализованы в виде отдельного программного модуля для удобного пользования в промышленных компаниях. Он позволяет облегчить мониторинг бурения скважин, а также снижает количество ошибок классификации за счет использования дополни-тельных параметров.
1. Постановка задачи
Целью данной работы является разработка автоматизированной системы классификации операций бурения на основе геолого-технических данных с использованием методов машинного обучения. Для достижения цели были поставлены следующие задачи:
1. Сделать обзор предметной области.
2. Реализовать выбранные алгоритмы машинного обучения и сравнить их по метрикам качества.
3. Провести эксперименты и проанализировать результаты.
4. Разработать прототип веб-сервиса.
Одной из задач, решаемых такими системами, является определение операций в процессе бурения скважины. Такие операции естественным образом возникают при проведении любого вида буровых работ. Они характеризуют различные виды спусков, подъемов, вращения инструментов и многое другое, что впоследствии является основой для составления оптимизационных планов при строительстве скважин. Определяются операции на основе геолого-технической информации, поступающей с буровых площадок, однако часто оказывается, что они обладают специфической структурой, которую сложно в точности воспроизвести алгоритмически. Несмотря на это, учитывая особенности входных данных при разработке алгоритмов, можно значительно повысить их точность и эффективность.
Геолого-технические параметры для контроля строительства скважины поступают в центр управления бурением, где обрабатываются и отображаются в режиме реального времени на экранах, установленных в офисе сотрудника компании. Количество наблюдаемых параметров может варьироваться в зависимости от конкретной операции бурения, а также от типа исследования. Например, геофизические исследования направлены на изучение геологического разреза скважин. Благодаря им можно получить информацию о свойствах окружающих пород. Другой тип исследования заключается в анализе состояния бурового долота: вес на крюке, скорость проходки и прочее. Чем больше имеется информации о текущем состоянии бурения, тем больше закономерностей можно найти при определении той или иной буровой операции.
Существенной проблемой при работе с реальными данными является возможное присутствие различного рода шумов, что делает точные методы не применимыми. Распространенный способ обработки таких данных — использование методов машинного обучения, в особенности нейронных сетей. Кроме того, нейронные сети предоставляют возможность эффективно находить сложные и не поддающиеся формализации структурные закономерности входных данных.
В данной работе рассматриваются различные подходы классификации операций бурения по данным геолого-технической информации. Предложенные алгоритмы реализованы в виде отдельного программного модуля для удобного пользования в промышленных компаниях. Он позволяет облегчить мониторинг бурения скважин, а также снижает количество ошибок классификации за счет использования дополни-тельных параметров.
1. Постановка задачи
Целью данной работы является разработка автоматизированной системы классификации операций бурения на основе геолого-технических данных с использованием методов машинного обучения. Для достижения цели были поставлены следующие задачи:
1. Сделать обзор предметной области.
2. Реализовать выбранные алгоритмы машинного обучения и сравнить их по метрикам качества.
3. Провести эксперименты и проанализировать результаты.
4. Разработать прототип веб-сервиса.
✅ Заключение
В ходе данной работы были получены следующие результаты.
1. Изучена предметная область. Рассмотрены основные операции, которые встречаются на буровых площадках. Также описан процесс определения буровых операций по данным каротажа.
2. Проведен анализ популярных алгоритмов машинного обучения, решающих поставленную задачу. Существующие алгоритмы классифицируют небольшое количество операций, а также используют другие геолого-технические параметры.
3. Произведена предобработка исходного набора данных с учетом выявленных особенностей. В данных удалялись ненужные при-знаки, вводились дополнительные и нормализовались.
4. Реализованы и сравнены алгоритмы классификации буровых операций на основе следующих алгоритмов: SVM, Logistic regression, Gradient boosting и нейронной сети. Лучше всего себя показал Gradient boosting. Accuracy на тестовых данных составила 85%.
5. Проведены эксперименты с данными: была рассмотрена возможность классификации четырех операций, наиболее часто встречающихся в процессе бурения. Также описано возможное влияние длительности операции, зафиксированное станцией ГТИ на саму операцию. Результаты показали, что такое влияние минимально.
6. Реализован прототип веб-сервиса с помощью следующего стека технологий: Django, React, PostgreSQL. Сервис классифицирует буровые операции при помощи градиентного бустинга, а также предоставляет дополнительную функциональность при работе с операциями. В частности, поддерживается возможность фильтрации операций по буровой площадке, дате, и времени суток.
1. Изучена предметная область. Рассмотрены основные операции, которые встречаются на буровых площадках. Также описан процесс определения буровых операций по данным каротажа.
2. Проведен анализ популярных алгоритмов машинного обучения, решающих поставленную задачу. Существующие алгоритмы классифицируют небольшое количество операций, а также используют другие геолого-технические параметры.
3. Произведена предобработка исходного набора данных с учетом выявленных особенностей. В данных удалялись ненужные при-знаки, вводились дополнительные и нормализовались.
4. Реализованы и сравнены алгоритмы классификации буровых операций на основе следующих алгоритмов: SVM, Logistic regression, Gradient boosting и нейронной сети. Лучше всего себя показал Gradient boosting. Accuracy на тестовых данных составила 85%.
5. Проведены эксперименты с данными: была рассмотрена возможность классификации четырех операций, наиболее часто встречающихся в процессе бурения. Также описано возможное влияние длительности операции, зафиксированное станцией ГТИ на саму операцию. Результаты показали, что такое влияние минимально.
6. Реализован прототип веб-сервиса с помощью следующего стека технологий: Django, React, PostgreSQL. Сервис классифицирует буровые операции при помощи градиентного бустинга, а также предоставляет дополнительную функциональность при работе с операциями. В частности, поддерживается возможность фильтрации операций по буровой площадке, дате, и времени суток.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.