МАШИННОЕ ОБУЧЕНИЕ для нефтяной отрасли
Современная аналитика для нефтегазовой промышленности
Наша технология
Программный комплекс Data Master Azforus позволяет анализировать базы данных без знания программирования. Комплекс оснащен самыми эффективными методами машинного обучения, которые можно объединить в единый ансамбль. Ансамбль методов дает наиболее эффективный результат, используя лучшие результаты каждого метода в отдельности.
Три простых шага
Загружайте в комплекс данные от скважин и получите результат
Преимущества комплекса Data Master Azforus
Small data
Комплекс специально адаптирован для работы с небольшими данными
No coding
Не требует знания языков программирования
High speed
Высокая скорость работы автоматической классификации за счет параллельных вычислений
Наглядность
Понятное представление данных в виде диаграмм
Black box
В комплексе преодолена проблема черного ящика
Рекомендательная система
Комплекс оснащен понятной рекомендательной системой
Кейс прогноза рентабельности скважин
Задача
В работе представлены методы прогноза рентабельности скважин, которые позволяют повысить эффективность добычи нефти. В процессе анализа данных были определены необходимые технологические величины, способствующие, в конечном счете получению потенциального дебита скважины.
Определен план действий для повышения технологической эффективности мероприятий по увеличению добычи нефти в двух режимах:
1) изменение показателей технологического режим человеком (34 значимых показателя).
2) улучшение технологического режима за счет смены оборудования (19 значимых показателя).
Изначально в базе было 197 показателей. Достигнута точность прогноза рентабельности нефтяной скважины с применением метода машинного обучения - статистически взвешенные синдромы - 91.9%. Для анализа был использован программный комплекс Data Master Azforus.
Метод
Цель данной работы заключается в создании технологии прогнозирования потенциального дебита нефтяных скважин с последующим планом оперативных действий. В соответствии с этим были поставлены следующие задачи:
• путем применения программного комплекса Data Master Azforus (ДМА) для анализа обучающей выборки с реальных скважин выявить из 197 показателей наиболее значимые с точки зрения потенциального дебита;
• создать два варианта применения данного подхода: ручное изменение показателей и повышение рентабельности за счет замены оборудования;
• обеспечить на рабочем месте нефтяника прозрачное и наглядное решение методов машинного обучения с предоставлением пошагового плана действий.
Результатом исследования стало определение наиболее информативных показателей, которые можно изменять при улучшении технологического режима конкретной скважины, с целью повышения ее рентабельности.
Методами машинного обучения были определены необходимые технологические величины, способствующие, в конечном счете, получению потенциального дебета скважины. Определен план действий для повышения технологической эффективности мероприятия по увеличению добычи нефти. Предложен подход оценки и прогнозирования показателей технологического режима нефтяных скважин с помощью оригинальных методов машинного обучения (Data Science).
Результат
Рабочая база данных содержала 420 скважин. Исходное число показателей - 195. Целевым показателем был взят показатель объема нефти Qн (т/сут.) с границей деления на классы - 3 т. Первый класс – скважины со значениями меньше 3 т/сут., второй класс – скважины со значениями больше 3 т/сут. В результате при предварительном анализе данных число показателей уменьшилось до 157. При анализе данных методами машинного обучения выявлено 80 наиболее информативных с точки зрения рентабельности скважин значимых показателей.
После применения методов машинного обучения получили следующие результаты прогнозирования (точность распознавания на скользящем контроле – cross validation):
1. Статистически взвешенные синдромы - 91.9%;
2. Метод опорных векторов - 86.7%;
3. Линейная машина - 82.6%;
4. Линейный дискриминантный анализ - 81.4%;
5. Нейронная сеть - 79.3%;
6. Q ближайших соседей - 77.4%.
В результате применения лучшего метода – статистически взвешенных синдромов – в первом классе из 145 скважин были верно распознаны 129 (89%), ошибочно 16 скважин (11%), во втором классе из 275 скважин было правильно распознано 257 (93,5%), ошибочно 18 (6,5%).
С точки зрения прогноза можно предположить, что ошибочные объекты из первого класса имеют потенциал рентабельности, т.е. могут еще быть рентабельными. Скважины из второго класса, ошибочно отнесенные к первому нерентабельному классу, могут в будущем снизить добычу нефти и стать нерентабельными. Точность прогноза может быть оценена при проверке списка скважин с реальными данными по закрытым скважинам в прошедшем году.
Телефон: 8 (903) 253-84-23 © 2024, Azforus