Прогнозирование накопления жидкости в промысловых газопроводах на основе машинного обучения

Об авторах:

Крылов Павел Александрович, магистрант, базовая кафедра ООО “ТННЦ”, Тюменский государственный университет, Тюмень, Россия
paul.kryloff@yandex.ru

Мусакаев Наиль Габсалямович, доктор физико-математических наук, профессор, профессор кафедры прикладной и технической физики, Школа естественных наук, Тюменский государственный университет, Тюмень, Россия; главный научный сотрудник, Тюменский филиал Института теоретической и прикладной механики им. С. А. Христиановича СО РАН, Тюмень, Россия; musakaev68@yandex.ru, https://orcid.org/0000-0002-8589-9793

Аннотация:

Накопление жидкости в промысловых газопроводах является достаточно встречающейся проблемой, которая нарушает стабильность потока. В процессе эксплуатации, под действием рельефа местности и условий работы происходит постепенное отложение воды и газоконденсата с восходящих участков трубопровода на нисходящие, что, в свою очередь, снижает эффективность транспортировки, вызывает рост потерь давления, пульсации давления, способствует протеканию процессов коррозии и гидратообразования.

Из-за сложности многофазного течения механизм накопления жидкости до сих пор остается спорным. В настоящее время, большинство методик, предсказывающих накопление, являются полуэмпирическими и не обладают достаточной точностью. Развитие машинного обучения и технологий искусственного интеллекта предоставляют широкий спектр возможностей для анализа, выявления потенциальных зависимостей и предсказания поведения данных.

Целью данной работы является получение многофакторной модели прогнозирования накопления жидкости в промысловых газопроводах с высокой способностью к обобщению и прогнозу.

Основываясь на статистических данных эксплуатации трубопроводов нефтегазоконденсатных месторождений Западной и Восточной Сибири, был создан массив данных для расчета параметров в динамическом симуляторе неустановившихся многофазных потоков, необходимых для проведения машинного обучения. После предварительной обработки данных было проведено обучение модели по алгоритмам с учителем и проведено их дальнейшее сравнение, включая методы: логистической регрессии (LR), линейного дискриминантного анализа (LDA), K-ближайших соседей (KNN), дерева принятия решений (CART), наивного байесовского классификатора (NB), линейных опорных векторов (LSVC), опорных векторов (SVC), «бэггинга» (BG), «случайного леса» (RF), классификатора экстремально рандомизированных деревьев (ET), адаптивного «бустинга» (AB), градиентного «бустинга» (GB), экстремального градиентного «бустинга» (XGB) и многослойного перцептрона (MLP), наиболее оптимальными из которых оказались алгоритмы «дерево принятия решений» и «K ближайших соседей». Данные модели были оптимизированы методами «кросс-валидации», затем обучены на тренировочных данных и протестированы.

В ходе работы было установлено множество различных комбинаций работы трубопровода без накопления, определена степень важности различных параметров на протекание процесса накопления. Разработанная модель может стать полезным средством для анализа и локализации процесса накопления жидкости, обеспечивая более упрощенное и всестороннее прогнозирование по сравнению с другими моделями.

Список литературы:

Алиев З. С., Андреев С. А., Власенко А. П., Коротаев Ю. П. 1978. Технологический режим работы газовых скважин. М.: Недра. 279 c.

Ахикян А. И., Данилюк С. С. 2024. Адаптивный случайный лес и его применение // Вестник науки. Том 1. № 6 (75). С. 1393–1402.

Борисевич Ю. П., Голованова Ю. В., Краснова Г. З. 2022. Определение конденсато-опасных мест на газопроводах // Естественные и технические науки. № 10 (173). С. 197–200.

Бузников Н. А., Истомин В. А., Митницкий Р. А. 2016. Влияние накопленной в промысловом трубопроводе жидкости на движение ингибитора гидратообразования // Вести газовой науки. № 2 (26). С. 112–116.

Ватузов С. М., Ванчугов И. М., Резанов К. С., Автомонов П. Ю., Танасенко М. С., Шестаков Р. А. 2023. К вопросу о коррозии промысловых трубопроводов // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. №5 (145). С. 106–122.

Гефан Г. Д., Иванов В. Б. 2012. Метод опорных векторов и альтернативный ему простой линейный классификатор // Информационные технологии и проблемы математического моделирования сложных систем. № 10. С. 84–94.

Жангиров Т. Р., Перков А. С., Иванова С. А., Лисс А. А., Григорьева Н. Ю., Чистякова Л. В. 2019. Сравнение эффективности решения задачи классификации методами линейного дискриминантного анализа и искусственных нейронных сетей // Известия СПбГЭТУ ЛЭТИ. № 5. С. 64–73.

Ильичев В. Ю., Жукова Ю. М., Шамов И. В. 2021. Использование технологии градиентного бустинга для создания аппроксимационных моделей // Заметки ученого. № 12-1. С. 62–67.

Клапчук О. В., Елин Н. Н. 1979. Истинные концентрации жидкости и газа в газопроводах системы промысел – ГПЗ // Газовая промышленность. Вып. 3. С. 18–28.

Коргун Д. А. 2019. Ансамблевые методы классификации в машинном обучении // Математические методы управления: сб. науч. тр. Тверь: Тверской гос. ун-т. С. 32–39.

Краснов А. Н. 2018. Особенности эксплуатации газосборной системы в условиях накопления жидкости // Нефтегазовое дело. Том 16. № 4. С. 118–126.

Кутателадзе С.С., Накоряков В. Е. 1984. Тепломассообмен и волны в газожидкостных системах. Новосибирск: Наука. 301 c.

Лурье М. В. 2011. Пробковое течение газожидкостной смеси в горизонтальном трубопроводе // Нефтяное хозяйство. № 7. С. 122–124.

Митрофанова А. С., Комлев Г. В. 2019. Обучение перцептрона // Тенденции развития науки и образования. № 49-12. С. 69-71.

Нуруллаев З. В., Очилов А. У. У. 2017. Исследование пульсации давления в промысловых трубопроводах // Научный аспект. № 4-1. С. 146–148.

Одишария Г. Э., Точигин А. А. 1998. Прикладная гидродинамика газожидкостных смесей. М.: Газпром ВНИИГАЗ. 400 с.

Пылов П. А., Майтак Р. В., Дягилева А. В., Салычева А. Д. 2024. Методы восстановления непараметрической регрессии в условиях несбалансированных данных. Вологда:
Инфра-Инженерия. 192 с.

Родионов А. В., Ищенко К. Л. 2024. Исследование влияния параметров алгоритма k-ближайших соседей на метрики качества моделей // System Analysis and Mathematical Modeling. Том 6. № 2. С. 251–262.

Сабуров В. С. 2024. Байесовский классификатор в машинном обучении // Шаг в науку. № 1. С. 78–81.

Усачев П. 2018. Решение задачи классификации на основе алгоритмов дерева принятия решений // Современные технологии в науке и образовании — СТНО-2018: сб. тр. Междунар. науч.-техн. форума (28 февраля – 02 марта 2018 г., Рязань, Россия). Рязань: Рязанский гос. радиотехнический ун-т им. В.Ф. Уткина. Том 3. С. 73–76.

Цховребов А. С. 2024. Применение машинного обучения в нефтегазовой отрасли // Актуальные вопросы исследования нефтегазовых пластовых систем: сб. тез. докладов V Междунар. науч.-практ. конф. (03–04 октября 2024 г., Москва, Россия). М.: Газпром ВНИИГАЗ. С. 40.

Rastogi A., Fan Y. 2020. Experimental and modeling study of onset of liquid accumulation // Journal of Natural Gas Science and Engineering. V. 73. 103064.