📄Работа №9235

Тема: Оценка факторов риска возникновения аварийных ситуаций при сопровождении эксплуатационного бурения (на примере Новопортовского нефтегазоконденсатного месторождения, Западная Сибирь)

Характеристики работы

▣
Тип работы Магистерская диссертация
Геология и минералогия
Предмет Геология и минералогия
📄
Объем: 96 стр. листов
📅
Год: 2017
👁️
Просмотров: 659
6400 руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ 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 ✅ Заключение 📕 Литература 🔍 Похожие 🛒 Купить

📋 Содержание

ВВЕДЕНИЕ
1. СВЕДЕНИЯ О МЕСТОРОЖДЕНИИ
1.1. Общие сведения о месторождении
1.2 Стратиграфия месторождения
1.3 Т ектоническое строение
1.4 Нефтегазоносность
2. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В НЕФТЕГАЗОВОЙ ОТРАСЛИ
2.1. Интеллектуальные скважины
1.5. Машинное обучение
2.3. Рассуждения на основе аналогичных случаев
2.4. Нечеткая логика
2.5. Перерабатывающий сектор
3. СУЩЕСТВУЮЩИЙ ОПЫТ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
БУРЕНИИ
4. КЛАССИФИКАЦИЯ ОСЛОЖНЕНИЙ ПРИ БУРЕНИИ
5. ВЛИЯНИЕ ОСЛОЖНЕНИЙ НА ПАРАМЕТРЫ БУРЕНИЯ
5.1. Параметры бурения
5.1.2. Частота вращения в минуту
5.1.2. Параметры насоса
5.1.3. Наклонение - азимут
5.1.4. Нагрузка на долото
5.1.5. Механическая скорость проходки
5.1.6. Свойства бурового раствора
5.1.7. Крутящий момент
5.1.8. Каротаж во время бурения
5.2. Признаки осложнений в процессе бурения
6. ИСХОДНЫЕ ДАННЫЕ ДЛЯ СОЗДАНИЯ МОДЕЛИ
7. ИСПОЛЬЗУЕМЫЕ АЛГОРИТМЫ ДЛЯ СОЗДАНИЯ МОДЕЛИ
7.1. Логистическая регрессия
7.2. Наивный байесовский классификатор
7.3. Метод k-ближайших соседей
7.4. Дерево принятия решений
7.5. Метод опорных векторов
7.6. «Тлучайный лес»
7.7. Градиентный бустинг
7.8. Нейронная сеть
8. ВЫБОР АЛГОРИТМА С ВЫСОКОЙ ТОЧНОСТЬЮ КЛАССИФИКАЦИИ АВАРИЙ.60
9. ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ 65
10. СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ 71
10.1. Освещенность 71
10.2. Шум и вибрация 73
10.3. Источники опасности для персонала на буровой 75
10.4. Энергобезопасность 76
10.5 Требования по охране труда для рабочих при бурении скважин 77
ЗАКЛЮЧЕНИЕ 81
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 82
ПРИЛОЖЕНИЕ А 86
ПРИЛОЖЕНИЕ B. Пример реализации градиентного бустинга 96

📖 Введение

Объектом исследования являются скважины с осложнениями в процессе
бурения.
Цель работы – создание обучающегося алгоритма который на основе
накопленных исторических данных о ранее пробуренных скважинах будет
классифицировать аварийные ситуации при сопровождении бурения.
В процессе исследования проводились работы по изучению методов
машинного обучения; обзору существующих практик применения дынных
моделей для повышения эффективности бурения. Проанализированы
предоставленные отчеты по бурению скважин на месторождении. Выявлены
скважины в которых встречались осложнения. Проведены расчеты на
различных алгоритмах машинного обучения для выявления алгоритма,
дающего минимальный процент ошибки.
В результате исследования рассчитана модель на основе градиентного
бустинга для классификации осложнений в процессе бурения.
Область применения: бурение нефтяных и газовых скважин.
Экономическая эффективность/значимость работы заключается в
способности построенной модели классифицировать осложнения в процессе
бурения, что позволяет буровой команде заблаговременно устранять
возникающие осложнения.

ВВЕДЕНИЕ
Основной задачей нефтегазовых компаний на сегодняшний день
является разработка новых и перспективных месторождений, увеличение
добычи со зрелых месторождений, а также разработка и внедрение новых
технологий для сокращения затрат, связанных с бурением и добычей
скважинной продукции. Затраты компаний на бурение скважин являются
одними из больших. Ежегодно на бурение компаниями тратиться десятки
миллиардов долларов. Около 15% от этой суммы уходит на затраты,
связанные с ликвидацией осложнений в процессе бурения. Иногда
непродуктивное время простоя скважины из-за возникшего осложнения
может быть равно продуктивному времени работы буровой бригады, т.е. 50%
от суммарного времени работы буровой.
Стоить отметить, что за последние 20 лет внедрено множество
технологий, которые позволили улучшить процесс бурения (каротаж
повышенного разрешения во время бурения, автоматизированные пульты
бурильщика, роторные управляемые системы).
Тем не менее, проблема своевременного прогнозирования и
классификации проблем, которые возникают в процессе строительства
скважины остается актуальной. Необходимо создание новой методологии,
которая должна помочь персоналу буровой своевременно принимать
решения о возможных проблемах в процессе бурения на основе анализа
данных в реальном времени, что повысит эффективность работы и
соответственно снизит затраты на бурение.
Целью данной работы является создание обучающегося алгоритма
который на основе накопленных исторических данных о ранее пробуренных
скважинах будет предсказывать аварийные ситуации при сопровождении
бурения. Такая система поддержки принятия решений поможет инженеру
вовремя вмешаться в процесс бурения и предотвратить высокие расходы на
простой и ремонт оборудования, вследствие аварии.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании
🎓 Дипломные 📘 Магистерские 📙 Диссертации 📗 Курсовые 📝 Статьи 📄 ВКР

✅ Заключение

В результате проведенного комплексного анализа пробуренных скважин
на месторождении Х были выявлены скважины в которых во время бурения
возникали осложнения. Было установлено, что в результате осложнений доля
непроизводительного времени от общего времени бурения составило 9%, что
является значительной долей затрат для компании. Предварительное
Обзор литературы показал актуальность проблематики прогнозирования
и классификации осложнений в процессе бурения. Наиболее популярными
методами оптимизации процесса бурения в последние несколько лет являются
методы машинного обучения.
Для классификации осложнений в процессе бурения были использованы
наиболее эффективные методы машинного обучения. Для алгоритмов были
выбраны параметры бурения, которые будут поступать на вход в программу,
для ее обучения и дальнейшего прогнозирования осложнений. В результате
проведенных расчетов, был выбран наиболее точные метод машинного
обучения – градиентный бустинг. Данный метод показал наименьшую ошибку
при тестовом испытании классификации осложнений. Из всех параметров
бурения большее влияние на классификатор оказывает давление на входе.
В результате работы можно утверждать, что был подобран алгоритм,
который с минимальной погрешностью способен классифицировать
осложнения в процессе бурения на основе параметров, записываемых на
буровой. Такая программа поможет инженеру вовремя вмешаться в процесс
бурения и предотвратить высокие расходы на простой и ремонт оборудования.
Рекомендуется для дальнейшей работы над проектом включить в работу
большее количество скважин с осложнениями для более точной настройки
программы на классификацию различных осложнений.
Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ
Поиск аналога

📕 Список литературы

Линд Ю. Б., Самсыкин А. В., Галеев С. Р. Информационноаналитическая система предупреждения поглощений буровых растворов. SPE
доклад был подготовлен для презентации на сессии молодых специалистов
Российской технической конференции SPE, 26 – 28 октября, 2015, Москва.
2. Чучалина К. Ю. Особенности геологического строения и критерии,
и признаки прогнозирования углеводородов в низкопроницаемых коллекторах
на примере Новопортовского нефтегазоконденсатного месторождения:
бакалаврская работа / Томский политехнический университет. – 2017. – 109 л.
3. Щепетов О.А. Системная классификация аварий в бурении. –
М.:2009. – 7 с.
4. Ali J. K., British Gas PLC. «Neural Networks: A New Tool for the
Petroleum Industry?», paper was prepared for presentation at the European Petroleum
Computer Conference held in Aberdean, U.K., 16-17 March, 1994.
5. Sheng Zhan, Jens Rodiek, Ludger Ewald Heuermann-Kuehn and Joerg
Baumann, Prognostics Health Management for a Directional Drilling System. Baker
Hughes Incorporated, 2011 – 7 p.
6. Yanfang Wang, Drilling Hydraulics Optimization Using Neural
Networks. University of Louisiana, 2014 – 74 p.
7. Fatih Camci and Ratna Babu Chinnam. Dynamic Bayesian Networks for
Machine Diagnostics: Hierarchical Hidden Markov Models vs. Competitive
Learning. Wayne State University, Detroit, 2005 – 6 p.
8. Yuliya B. Lind, Aigul R. Kabirova. Artificial Neural Networks in
Drilling Troubles Prediction. SPE paper 171274-MS was prepared for presentation at
the SPE Russian Oil and Gas Exploration and Production Technical Conference and
Exhibition held in Moscow, Russia, 14–16 October 2014.
9. Abdullah Saleh H. Alyami. Using bayesian network to develop drilling
expert systems. Texas A&M University, 2012 – 226 p.83
10. Jahanbakhshi, R. and Keshavarzi, R. Real-time Prediction of Rate of
Penetration during Drilling Operation in Oil and Gas Wells. ARMA paper 12-244
prepared for presentation at the 46th US Rock Mechanics / Geomechanics
Symposium held in Chicago, IL, USA, 24-27 June 2012.
11. Mehran Monazami, Abdonabi Hashemi, Mehdi Shahbazian. Drilling rate
of penetration prediction using artificial neural network: a case study of one of
Iranian southern oil fields. Electronic scientific journal “Oil and Gas Business”, 2012,
№ 6.
12. Yashodhan Gidh, Hani Ibrahim. Artificial Neural Network Drilling
Parameter Optimization System Improves ROP by Predicting/Managing Bit Wear.
SPE paper 149801 was prepared for presentation at the SPE Intelligent Energy
International held in Utrecht, The Netherlands, 27–29 March 2012.
13. Rashidi B. and Nygaard R. Real-Time Drill Bit Wear Prediction by
Combining Rock Energy and Drilling Strength Concepts. SPE paper 117109 was
prepared for presentation at the 2008 Abu Dhabi International Petroleum Exhibition
and Conference held in Abu Dhabi, UAE, and 3–6 November 2008.
14. Mustafa M. Amer, Dr. Prof. Abdel Sattar DAHAB. An ROP Predictive
Model in Nile Delta Area Using Artificial Neural Networks. SPE paper 187969-MS
was prepared for presentation at the SPE Kingdom of Saudi Arabia Annual Technical
Symposium and Exhibition held in Dammam, Saudi Arabia, 24–27 April 2017.
15. Валисевич Алексей, Ружников Алексей, Бебешко Иван, Жентичка
Максим. Система оптимизации буровых долот: Увеличение механической
скорости проходки и мониторинг износа долота в режиме реального времени.
SPE доклад 176517-RU был подготовлен для презентации на Российской
нефтегазовой технической конференции SPE, 26 – 28 октября, 2015, Москва.
16. Dashevskiy D., Dubinsky, V. and Macpherson J. D. Application of
Neural Networks for Predictive Control in Drilling Dynamics. SPE paper 56442 was
prepared for presentation at the 1999 SPE Annual Technical Conference and
Exhibition held in Houston, Texas, 3–6 October 1999.84
17. GirirajKumar S. M., Deepak Jayaraj, Anoop.R.Kishan. PSO based
Tuning of a PID Controller for a High Performance Drilling Machine. International
Journal of Computer Applications, 2010, Volume 1 – No. 19.
18. Chiranth Hegde, Scott Wallace, and Ken Gray. Real Time Prediction and
Classification of Torque and Drag During Drilling Using Statistical Learning
Methods. SPE paper 177313-MS was prepared for presentation at the SPE Eastern
Regional Meeting held in Morgantown, West Virginia, USA, 13–15 October 2015.
19. Okpo E. E., Dosunmu A., and Odagme B. S. Artificial Neural Network
Model for Predicting Wellbore Instability. SPE paper 184371-MS was prepared for
presentation at the SPE Nigeria Annual International Conference and Exhibition held
in Lagos, Nigeria, 2–4 August 2016.
20. Sean Unrau. Machine Learning Algorithms Applied to Detection of Well
Control Events. SPE paper was prepared for presentation at the SPE Kingdom of
Saudi Arabia Annual Technical Symposium and Exhibition held in Dammam, Saudi
Arabia, 24–27 April 2017.
21. Walt Aldred et al. Managing drilling risk. Oilfield review, 1999, 18 p.
22. Yanfang Wang, and Saeed Salehi. Drilling Hydraulics Optimization
Using Neural Networks. SPE paper was prepared for presentation at the SPE Digital
Energy Conference and Exhibition held in The Woodlands, Texas, USA, 3–5 March
2015.
23. Altman, N. S. An introduction to kernel and nearest-neighbor
nonparametric regression. The American Statistician, 1992, 46 (3): 175–185.
24. Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome. The Elements of
Statistical Learning (2nd ed.), 2008, 50 p

🛒 Оформить заказ

⚡ Работу высылаем в течении 5 минут после оплаты.
Предоставляемые услуги, в том числе данные, файлы и прочие материалы, подготовленные в результате оказания услуги, помогают разобраться в теме и собрать нужную информацию, но не заменяют готовое решение.
Укажите ник или номер. После оформления заказа откройте бота @workspayservice_bot для подтверждения. Это нужно для отправки вам уведомлений.

🔍 ПОХОЖИЕ РАБОТЫ ПО ТЕМЕ

Исследование и оценка риска возникновения аварийных ситуаций в цехе №41 ООО «Юргинский машзавод» ◩Бакалаврская работа ✿Экология и природопользование 2016 г. 5900 руб. Факторы риска возникновения рецессии десны у пациентов разных возрастных групп ▣Дипломные работы, ВКР ✚Медицина 2017 г. 4270 руб. Исследование методов ликвидации аварий на топливных базах горнодобывающих предприятий (на примере нефтебазы Кия-Шалтырского нефелинового рудника АО «РУСАЛ Ачинск») ▣Магистерская диссертация ∑Техносферная безопасность 2021 г. 4900 руб. Оценка популяционных факторов риска развития злокачественных новообразований у женщин с показаниями к вспомогательным репродуктивным технологиям ▣Дипломные работы, ВКР •Лечебное дело 2020 г. 4360 руб. Факторы риска неблагоприятного исхода инсульта ▣Дипломные работы, ВКР ✚Медицина 2018 г. 4245 руб. Поведенческие факторы риска меланомы у студентов-медиков ▣Дипломные работы, ВКР ✚Медицина 2020 г. 4550 руб. Комплексная оценка факторов риска развития ишемического инсульта и его прогноза ▣Дипломные работы, ВКР ✚Медицина 2020 г. 4325 руб. Оценка уровня экономической безопасности организации и разработка мероприятий по минимизации рисков ▣Дипломные работы, ВКР ¤Банковское дело и кредитование 2023 г. 2200 руб. Исследование и разработка методов обеспечения промышленной безопасности при хранении нефтепродуктов (на примере ООО «Тольятти нефтепродукт Сервис» (ООО «ТНПС») ▣Магистерская диссертация ∑Техносферная безопасность 2021 г. 5500 руб. Оценка пожарных рисков закрытого распределительного устройства ▣Дипломные работы, ВКР ▤Безопасность жизнедеятельности (БЖД) 2016 г. 4900 руб.

📎 МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ ПО ПРЕДМЕТУ «ГЕОЛОГИЯ И МИНЕРАЛОГИЯ»

Найдено работ: 510

Современное состояние водных ресурсов в регионе Тимика (Папуа, Индонезия) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4970 руб. Использование подземных вод для организации водоснабжения городского населения (на примере посёлка городского типа Пригорск Республики Хакасия) ▣Магистерская диссертация ✿Геология и минералогия 2023 г. 4895 руб. Использование подземных вод в системе водоснабжения села Мукур (Северо-Казахстанская область, Республика Казахстан) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4930 руб. Геохимические особенности Емельяновского месторождения подземных вод (Красноярский край) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4915 руб. Апробация методики информационного обеспечения кадастровых работ с применением геофизических методов съемки подземных сооружений ▣Магистерская диссертация ✿Геология и минералогия 2023 г. 4895 руб. Региональная оценка пригодности территории для строительного освоения на примере микрорайона Геологов (г. Новосибирск) ▣Магистерская диссертация ✿Геология и минералогия 2023 г. 4890 руб. Гидрогеологические условия Васильковского месторождения золота в связи с его отработкой открытым способом (Зерендинский район Акмолинской области Республика Казахстан) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4845 руб. Инженерно-геологическое районирование территории района поселка Могот Тындинского района Амурской области ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4930 руб. Геоэкологическая оценка источников водоснабжения поселка Минино (Красноярский край) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4815 руб. Геологические особенности строения рудных тел и интенсификация добычи урана на основе данных ЭИ-моделирования месторождения Южный Инкай (Южный Казахстан) ▣Магистерская диссертация ✿Геология и минералогия 2023 г. 4980 руб. Усовершенствование методики паспортизации и инвентаризации нефтезагрязненных земель на примере земель ХМАО ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4865 руб. Актуальные проблемы государственного кадастрового учета земельных участков на территории садоводческих товариществ ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4960 руб. Интерпретация геолого-геофизических данных для оптимизации добычи урана с применением средств трехмерного моделирования на примере месторождений Шу-Сарысуйской провинции (Южный Казахстан) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 4810 руб. Разработка предложений по совершенствованию системы управления землями лесного фонда с применением цифровых технологий ▣Магистерская диссертация ✿Геология и минералогия 2023 г. 4825 руб. Оценка качества поверхностных вод Халильского рудного района (Красноярский край) ▣Магистерская диссертация ✿Геология и минералогия 2022 г. 5900 руб.
📋 Содержание 📖 Введение ✅ Заключение 📕 Литература 🔍 Похожие 🛒 Купить ⬆️

Оценка стоимости

Пожалуйста, выберите предмет работы.
Пожалуйста, выберите тип работы.
Пожалуйста, укажите объем работы.
Пожалуйста, укажите срок выполнения.

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (211120)

Поиск работ


©2026 Cервис помощи студентам в выполнении работ
.