Хуснуллин Шамиль Рамилевич - студент кафедры информационных технологий и прикладной математики, кафедра «Информационные технологии и прикладная математика».
Уфа, ул. Космонавтов, 1
1, Kosmonavtov St., Ufa
Коледина Камила Феликсовна - доктор физико-математических наук, профессор кафедры информационных технологий и прикладной математики Уфимского ГНТУ; старший научный сотрудник Института нефтехимии и катализа УФИЦ РАН.
Уфа, ул. Космонавтов, 1; Уфа, пр. Октября, 141
1, Kosmonavtov St., Ufa; 141, October Ave, Ufa
Алимбекова Софья Робертовна – старший научный сотрудник.
Уфа, ул. Карла Маркса, 12
12, Karl Marx St., Ufa
Ишмуратов Фарид Гумерович - зав. лабораторией МНИЛ НХ.
Уфа, ул. Карла Маркса, 12
12, Karl Marx St., Ufa
Введение. Образование солеотложений и коррозия нефтепромыслового оборудования на большинстве нефтяных месторождений в последние годы получила особую актуальность ввиду роста объемов добываемой нефти и увеличения ее обводненности. Отложение солей в пласте и скважинах приводит к снижению проницаемости нефтеносного пласта, дебита скважин. Целью работы является применение алгоритмов машинного обучения для моделирования воздействия электромагнитного поля на процессы солеотложений и коррозии. Предсказание результатов экспериментов позволит быстрее и точнее проводить опыты, устанавливающие влияние электромагнитных полей на процессы коррозии и отложения солей.
Материалы и методы. Для обучения моделей были использованы три группы данных, различающихся по составу изучаемого исходного модельного солевого раствора: воды Вынгапуровского и Приобского месторождений, а также водопроводная вода. Были рассмотрены следующие модели машинного обучения: линейная регрессия с регуляризацией Elastic-Net, метод k ближайших соседей, дерево решений, случайный лес и полносвязная нейросеть.
Результаты исследования. С помощью алгоритмов машинного обучения были смоделированы процессы воздействия электромагнитного поля на образования солеотложений и коррозию нефтепромыслового оборудования. Разработана программа на Python для предсказания выходных результатов экспериментов. Проведено моделирование с различными моделями и их параметрами.
Обсуждение и заключение. Из проведенных экспериментов установлено, что наилучшую точность предсказаний имеют дерево решений и случайный лес. Нейронные сети, напротив, предсказывают с наименьшей точностью. Связано это с тем, что данных в обучающих выборках слишком мало. С увеличением числа наблюдений стоит использовать нейросети различных архитектур.
Introduction. The formation of salt deposits and oilfield equipment’s corrosion in most oil fields has become particularly relevant due to the increase in the volume of oil produced and the increase in its water content in recent years. The deposition of salts in the formation and wells leads to a decrease in the permeability of the oil reservoir, the flow rate of wells. The aim of the work is to use machine learning algorithms to simulate the effects of an electromagnetic field on the processes of salt deposition and corrosion. Prediction of experimental results will allow faster and more accurate experiments to establish the influence of electromagnetic fields on the processes of corrosion and salt deposition.
Materials and methods. Three groups of data were used, to train the models, differing in the composition of the studied initial model salt solution: the waters of the Vyngapurovsk’s and Priobsk’s deposits, as well as tap water. The following machine learning models were used: linear regression with Elastic-Net regularization, the k-nearest neighbors algorithm, the decision tree, the random forest and a fully connected neural network.
Results. The processes of electromagnetic field influence on the formation of salt deposits and corrosion of oilfield equipment were simulated with the help of machine learning algorithms. Python program has been developed to predict the output results of experiments. Modeling with various models and their parameters is carried out.
Discussion and conclusions. It was found that the decision tree and the random forest have the best accuracy of predictions, from the experiments conducted. This is due to the fact that there is too little data in the training samples. With the increase in the number of observations, it is worth using neural networks of various architectures.
The authors declare that there are no conflicts of interest present.