МАШИННОЕ ОБУЧЕНИЕ для нефтяной отрасли
Современная аналитика для нефтегазовой промышленности
Наша технология
Программный комплекс Data Master Azforus позволяет специалисту-нефтянику анализировать базы данных без знания программирования. No code. 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 мониторинга скважин и получите результат
Преимущества системы анализа данных 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 предлагает план действий на основе результатов анализа
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 оптимизации технологического режима 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.
Методы машинного обучения
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 © 2025, Azforus
