Машинное обучение в анализе влияния электромагнитного поля на скорость коррозии и солеотложения нефтепромыслового оборудования

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.

1. Koledina, K. F. Solving the problem of multi-criteria optimization of the synthesis reaction of benzylalkyl esters by the method of “ideal” point and lexicographic ordering / K. F. Koledina, A. A. Alexandrova // Computational mathematics and information technologies. — 2022. — Vol. 1, no. 1. — P. 12–19. https://doi.org/10.23947/2587-8999-2022-1-1-12-19

2. Shaimardanova, G. F. Genetic algorithm for solving the inverse problem of chemical kinetics / G. F. Shaimardanova, K. F. Koledina // Computational mathematics and information technologies. — 2022. — Vol. 1, no. 1. — P. 41–49.https://doi.org/10.23947/2587-8999-2022-1-1-41-49

3. Влияние электромагнитного поля на коррозию низкоуглеродистой стали в водных минерализованных средах и на кристаллизацию карбоната кальция в присутствии ионов железа(II) / С. Р. Алимбекова, Ф. Г. Ишмуратов, В. В. Носов [и др.] // SOCAR Proceedings Special Issue. — 2021. — № 1. — С. 116−124. http://dx.doi.org/10.5510/OGP2021SI100515

4. Физические методы предупреждения солеотложения при нефтедобыче / С. Р . Алимбекова, Р. Н. Бахтизин, А. И. Волошин [и др.] // Нефтегазовое дело. - 2019. - № 6. - С. 31−38. http://ngdelo.ru/files/ngdelo/2019/6/ngdelo-6-2019-p31-38.pdf

5. Weisberg, S. Applied linear regression / S. Weisberg // New Jersey : John Wiley & Sons. — 2005. — 352 p.

6. Хуснуллин, Ш. Р. Машинное обучение в анализе влияния частоты электромагнитного поля при различных скоростях потока раствора на скорость коррозии / Ш. Р. Хуснуллин, К. Ф. Коледина, С. Р. Алимбекова // В сборнике: Технические и технологические системы. Материалы тринадцатой Международной научной конференции. Краснодар.— 2022. — С. 462–464.

7. Sun, S. An adaptive k-nearest neighbor algorithm / S. Sun, R. Huang // IEEE. — 2010. — Vol. 1. — Р. 91–94.

8. Чистяков, С. П. Случайные леса: обзор // Труды Карельского научного центра Российской академии наук. — 2013. — №. 1. — С. 117–136.

9. Горбачевская, Е. Н. Классификация нейронных сетей //Вестник Волжского университета им. В. Н. Татищева. — 2012. — №. 2 (19). — С. 128–134.

10. Программа моделирования воздействия электромагнитного поля на процессы солеотложения и коррозии на нефтепромысловом оборудовании (Predict) / Хуснуллин Ш. Р., Коледина К. Ф., Алимбекова С. Р. [и др.]. // Свидетельство о регистрации программ для ЭВМ от 19 января 2023. ― № 2023611354.