ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ - Проблемы Информационных Технологий

ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ - Проблемы Информационных Технологий

ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ - Проблемы Информационных Технологий

ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ - Проблемы Информационных Технологий

ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ - Проблемы Информационных Технологий
ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2020

ИССЛЕДОВАНИЕ СОВРЕМЕННОГО СОСТОЯНИЯ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ

Шыхалиев Рамиз Г.

Добыча, переработка и доставка продуктов нефти и газа требуют больших затрат. Поэтому основными задачами нефтегазовой отрасли, которые необходимо решать, являются повышение производительности добычи нефти и газа и минимизация затрат на добычу, переработку и доставку продуктов к конечным потребителям. При решении этих задач появляется множество проблем, таких как проблемы разведки и добычи нефти и газа, обнаружение аномалий при эксплуатации буровых установок, инфраструктурных рисков в нефтепроводах, прогнозирование характеристик скважин, минимизация затрат на добычу и транспортировку нефти и газа, обнаружение утечек при транспортировке нефти и газа по проводам, оценка и управление рисками, прогнозирование волатильности цен на нефть и т.д. Решение большинства проблем традиционными методами анализа данных не представляется возможным, так как процессы нефтегазовой отрасли являются недетерминированными из-за их нелинейного характера, а также генерируют очень большие объемы данных. Поэтому в последнее десятилетие для решения проблем нефтегазовой отрасли применяются методы, основанные на искусственном интеллекте, в частности на методах машинного обучения (МО). В этой статье представлен обзор литературы по применению методов МО для решения различных задач нефтегазовой отрасли, что позволит определить потенциал методов МО и более широко внедрять их в нефтегазовую отрасль (стр.52-60).

Ключевые слова: нефтегазовая отрасль, искусственный интеллект, методы машинного обучения, метод опорных векторов, искусственные нейронные сети, глубокое обучение, генетические алгоритмы.
DOI : 10.25045/jpit.v11.i2.05
Литература
  • Chima C.M., Hills D. Supply-chain management issues in the oil and gas industry // Journal of Business and Economics Research, 2007, vol. 5, no. 6, pp. 27-36.
  • Mohammed M., Khan M.B., Bashier E.B.M. Machine learning: algorithms and applications, CRC Press, 2017, 46 p.
  • Evgeniou T., Pontil M. Support Vector Machines: Theory and Applications / Machine Learning and Its Applications, Advanced Lectures, 2001, pp. 249-257
  • Patterson D.W. Artificial neural networks: Theory and Applications // Prentice Hall, 1996, 477 p.
  • Pouyanfar S., Sadiq S., Yan Y., Tian H., Tao Y., Reyes M. P., Shyu M.L, Chen S., Chen S.C., Iyengar S.S. A Survey on Deep Learning: Algorithms, Techniques and Applications // ACM Computing Surveys, 2018, vol. 51, no.5, 36 p.
  • Bodenhofer U. Genetic Algorithms: Theory and Applications // Lecture Notes, 2003, 126 p.
  • Tsegha E. Assessing the challenges and opportunities in the oil and gas industry // Academic Journal of Interdisciplinary Studies, 2013, vol. 2, no. 12, pp. 129-136.
  • Balaji K., Rabiei M., Suicmez V., Hakan C. C., Agharzeyva Z., Tek S., Bulut U., Temizel C. Status of Data-Driven Methods and their Applications in Oil and Gas Industry / SPE Europec featured at 80th EAGE Conference and Exhibition, 2018, 20 p.
  • Arehart R. Drill-bit diagnosis with neural networks // SPE Computer Applications, 1990, vol. 2, no. 4, pp. 24-28.
  • Bilgesu H., Tetrick, L., Altmis, U., Mohaghegh, S., Ameri, S. A new approach for the prediction of rate of penetration (ROP) values / SPE Eastern Regional Meeting, 1997, pp. 175-180.
  • Wang Y., Salehi, S. Application of real-time field data to optimize drilling hydraulics using neural network approach // Journal of Energy Resources Technology, 2015, vol. 137, no. 6, 9 p.
  • Ahmadi M.A. Toward reliable model for prediction Drilling Fluid Density at wellbore conditions: a LSSVM model // Neurocomputing, 2016, vol. 211, pp. 143-149
  • Yιlmaz S., Demircioglu, C., Akin, S. Application of artiашcial neural networks to optimum bit selection // Computers & Geosciences, 2002, vol. 28, no. 2, pp. 261-269
  • Hajizadeh Y. Machine learning in oil and gas; a SWOT analysis approach // Journal of Petroleum Science and Engineering, 2019, vol. 176, pp. 661-663
  • Aminu K.T., McGlinchey D. Cowell A. Acoustic signal processing with robust machine learning algorithm for improved monitoring of particulate solid materials in a gas flowline // Flow Measurement and Instrumentation, 2019, vol. 65, pp. 33-44
  • Qiao Y., Peng J., Ge L., Wang H. Application of PSO LS-SVM forecasting model in oil and gas production forecast / IEEE 16th International Conference on Cognitive Informatics & Cognitive Computing, 2017, pp. 470-474
  • Panja P., Velasco R., Pathak M., Deo M. Application of artificial intelligence to forecast hydrocarbon production from shales // Petroleum 2018, vol.4, no.1, pp.75-89
  • Li H., Misra S. Long short-term memory and variational autoencoder with convolutional neural networks for generating nmr t2 distributions / IEEE Geoscience and Remote Sensing Letters, 2018, vol. 16, no. 2, pp. 192-195
  • Imamverdiyev Y., Sukhostat L. Lithological facies classification using deep convolutional neural network // Journal of Petroleum Science and Engineering, v.174, March 2019, pp. 216-228
  • Abdullayeva F.D., Imamverdiyev Y.N., Development of oil production forecasting method based on Deep Learning // Statistics, Optimization and Information Computing, 2019, vol. 7, pp. 826–839.
  • Paltrinieria N., Comfort L., Reniers G. Learning about risk: Machine learning for risk assessment // Safety Science , 2019, vol. 118, pp. 475-486
  • Velez-Langs O. Genetic algorithms in oil industry: An overview // Journal of Petroleum Science and Engineering, 2005, vol. 47, no.1-2, pp. 15-22
  • Bello O., Teodoriu, C., Yaqoob, T., Oppelt, J., Holzmann, J., Obiwanne, A. Application of artificial intelligence techniques in drilling system design and operations: a state of the art review and future research pathways / SPE Nigeria Annual International Conference and Exhibition, 2016, vol. 5, no. 2, pp. 121-139
  • Rahmanifard H., Plaksina, T. Application of artificial intelligence techniques in the petroleum industry: a review // Artificial Intelligence Review, 2019, vol, 52, pp. 2295-2318
  • Jin H., Zhang L., Liang W., Ding Q. Integrated leakage detection and localization model for gas pipelines based on the acoustic wave method // Journal of Loss Prevention in the Process Industries, 2014, vol. 27, pp. 74-
  • Kristjanpoller W., Minutolo M.C. Forecasting volatility of oil price using an artificial neural network-GARCH model // Expert Systems with Applications, 2016, vol. 65, pp. 233–241.