Инференс системы реального времени при восстановлении геометрии геологических пластов на базе моделей машинного обучения

Инференс системы реального времени при восстановлении геометрии геологических пластов на базе моделей машинного обучения

Авторы публикации

Рубрика

Информационные технологии

Просмотры

25

Журнал

Журнал «Научный лидер» выпуск # 4 (49), январь ‘22

Дата публикации 24.01.2022

Поделиться

В данной статье рассматривается подход к эксплуатации системы реального времени на основе комплекса моделей машинного обучения для автоматизированного построения геонавигационной модели при проводке скважины. Подготовленные модели на данных, полученных с опорных скважин, в составе ансамбля прогнозируют положение ствола скважин относительно геологических пластов.

В предыдущей статье [1] рассматривался вопрос по подготовке ансамбля моделей, описывающего параметры пластов в составе геологического разреза месторождения, подготовленного на минимальном наборе данных: данные каротажа при вертикальном бурении, геометрии горизонтального ствола, естественной радиоактивности пород и глубины кровлей и подошв 2 опорных скважин.

Несмотря на ограниченный набор параметров для обучения моделей, к системе предъявляются следующие требования:

- сохранение высокой точности при проводке ствола;

- мониторинг процессов в режиме реального времени;

- снижение влияние человеческого фактора;

- соблюдение требуемого уровня отказоустойчивости.

Далее будут представлены основные технологии, используемые в проектировании и реализации такой системы реального времени.

Процесс передачи данных с забоя на устье при бурении скважин представляет собой отправку пакетов информации с забойных датчиков по некоторому каналу связи: акустическому, гидравлическому, электромагнитному, проводному или комбинированному. Выбор типа канала зависит от условий месторождения, оборудования буровой компании и сложившейся практики производства (в основном используется гидравлический канал связи, так как в нем в качестве канала связи используется столб бурового раствора в бурильной колонне, а следовательно, не требуется дополнительных затрат на организацию канала связи; также он обладает большой дальностью действия). Главная задача – это доставка информации с минимальными потерями в кратчайшие сроки. Отправка пакетов происходит с равными временными интервалами, что облегчает анализ входящего трафика и построение диаграмм.

Для приёма сигнала используется специальное оборудование в составе устьевого. На данном этапе входящий трафик логируется, обрабатывается на сервере в формат сообщения к оркестратору моделей, и далее оркестратор, получая запрос, возвращает значение, наиболее точно (с максимальной вероятностью) описывающее положение ствола скважины в стратиграфическом разрезе.

Получаемые от оркестратора значения передаются в модуль графического представления информации. Каждый такт (получение нового пакета информации) происходит анализ положения пластов разреза и компоновки низа бурильной колонны с последующей отрисовкой графиков.

Первоначальные настройки параметров пластов задают ПО отобразить их только в виде горизонтальных слоёв, что не соответствует реальному разрезу (график 1), поэтому графический вывод корректируется в режиме реального времени (графики 2, 3), что позволяет оператору и инженерному составу управлять технологическим процессом в полной мере.

 

График 1. Начальная схема проводки скважины с минимальной информацией по положению кровлей и подошв геологических пластов

 

 

График 2. Литологический разрез месторождения с алгоритмически уточнёнными параметрами в процессе бурения

 

 

График 3. Итоговый литологический разрез

 

Исполнительное серверное ПО представлено модулем по ETL, анализу данных и подготовке моделей; упаковано в докер-образ [2] и развёрнуто как контейнер в кластере kubernetes [3]. Такая конфигурация хорошо зарекомендовала себя в схожих архитектурах и отвечает требованиям к текущей задаче.

По эффективности работы всей системы – достигнутая точность составила 94 %. Расчёт производился на основании полученных данных при проводке скважины и по результатам последующих геофизических работ.

Описанный выше подход по прогнозированию положения ствола скважины в режиме реального времени способствует более точной проводке скважины со снижением вероятности получения осложнений, связанных с выходом из интервала продуктивного горизонта.

Список литературы

  1. Постовалов Р.Ю. Восстановление геометрии геологических пластов на базе моделей машинного обучения / Р.Ю. Постовалов // Журнал «Научный Лидер». — 2021. — No 23 (25). — С. 46—51.
  2. Docker: Empowering App Development for Developers [Электронный ресурс] – URL: https://www.docker.com/ (дата обращения 24.01.2022).
  3. Kubernetes [Электронный ресурс] – URL: https://kubernetes.io/ru/ (дата обращения 24.01.2022).
Справка о публикации и препринт статьи
предоставляется сразу после оплаты
Прием материалов
c по
Осталось 2 дня до окончания
Размещение электронной версии
Загрузка материалов в elibrary
Публикация за 24 часа
Узнать подробнее
Акция
Cкидка 20% на размещение статьи, начиная со второй
Бонусная программа
Узнать подробнее