Розробка систем прогнозного технічного обслуговування бурового обладнання на основі штучного інтелекту
DOI:
https://doi.org/10.26642/ten-2025-2(96)-313-321Ключові слова:
прогнозне технічне обслуговування, штучний інтелект, машинне навчання, бурове обладнання, нафтогазова промисловість, IoT-датчики, прогнозування збоїв, залишковий термін служби, скорочення простоїв, економія витрат, підвищення безпеки, моніторинг у реальному часі, Random Forest, LSTM, нейронні мережіАнотація
Нафтогазова промисловість значною мірою залежить від бурового обладнання, яке працює в екстремальних умовах, де несподівані збої призводять до значних простоїв, високих витрат на технічне обслуговування та ризиків для безпеки. Традиційні реактивні та превентивні підходи до технічного обслуговування часто не здатні передбачити збої, що призводить до неефективності та зростання експлуатаційних витрат. У цьому дослідженні представлено розробку та впровадження системи прогнозного технічного обслуговування на основі штучного інтелекту, призначеної для підвищення надійності бурового обладнання, скорочення простоїв та оптимізації графіків технічного обслуговування. Система інтегрує алгоритми машинного навчання, зокрема Random Forest, довгу короткострокову пам’ять (LSTM) і багатошаровий перцептрон (MLP), з даними в реальному часі від IoT-датчиків, що відстежують параметри, такі як вібрація, температура, тиск і знос. Історичні журнали технічного обслуговування та експлуатаційні параметри також використовуються для навчання моделей прогнозування збоїв і оцінки залишкового терміну служби (RUL). Попередня обробка даних вирішує такі проблеми, як пропущені значення та шум, а інженерія ознак виділяє ключові предиктори, такі як метрики виявлення аномалій (наприклад, відстань Махаланобіса) та тенденції деградації. Архітектура системи підтримує збір даних у реальному часі, їх обробку та зручну візуалізацію через вебінтерфейс, що дозволяє командам з технічного обслуговування реагувати на прогнозні сповіщення. Шестимісячне пілотне тестування на діючих бурових установках показало скорочення простоїв на 35 % (зі 120 до 78 годин на місяць) і зменшення витрат на технічне обслуговування на 28 % (з 50 000 до 36 000 доларів на місяць) порівняно з реактивним обслуговуванням. Модель LSTM показала найвищу ефективність з F1-показником 0,92 для прогнозування збоїв і середньою абсолютною похибкою 10,8 години для оцінки RUL. Кейс-стаді показали успішні прогнози, наприклад, запобігання збою насоса за 48 годин, що дозволило уникнути 10-годинного простою та заощадити 15 000 доларів на ремонті. Виклики включають проблеми з якістю даних, інтерпретованість моделей і інтеграцію з існуючими робочими процесами. Порівняно з наявними системами прогнозного обслуговування цей підхід забезпечує вищу точність, але залежить від якісних даних із датчиків. Майбутні роботи включають впровадження периферійних обчислень для обробки даних у реальному часі, розширення системи на інші типи обладнання та підвищення стійкості моделей за допомогою більших наборів даних і передових алгоритмів, таких як трансформери. Ця система демонструє трансформаційний потенціал прогнозного технічного обслуговування на основі штучного інтелекту, пропонуючи значну економію витрат, підвищення безпеки та покращення операційної ефективності для нафтогазової промисловості.
Посилання
Valverde, E., Murdoch, E., Wreden, C. et al. (2017), «Selection and implementation of RFID drilling and completion technology in challenging, deepwater environments», Offshore Technology Conference Proceedings, Houston, Texas, USA, doi: 10.4043/27611-MS.
Pashchenko, O., Ratov, B., Khomenko, V. et al. (2024), «Methodology for optimizing drill bit performance», 24th International Multidisciplinary Scientific Geoconference, Vol. 24, pp. 623–631, doi: 10.5593/sgem2024/1.1/s06.78.
Watt, M., Rafati, R. and Hamidi, H. (2016), «The application of robotic drilling systems in extreme environments», IADC/SPE Asia Pacific Drilling Technology Conference Proceedings, Singapore, doi: 10.2118/180603-MS.
Khomenko, V., Pashchenko, O., Ratov, B. et al. (2024), «Optimization of the technology of hoisting operations when drilling oil and gas wells», Earth and Environmental Science, IOP Conference, doi: 10.1088/1755-1315/1348/1/012008.
Pashchenko, O., Khomenko, V., Ishkov, V. et al. (2024), «Protection of drilling equipment against vibrations during drilling», Earth and Environmental Science, IOP Conference, doi: 10.1088/1755-1315/1348/1/012004.
Said, S.A.H., Al-Sheikh, M.A., Al-Hadrami, H.A. et al. (2014), «Interactive planning tool for integrated activity planning to optimize maintenance activity schedules to minimize production losses improve forecast quality», 30th Abu Dhabi International Petroleum Exhibition and Conference (ADIPEC 2014), Abu Dhabi, UAE, рр. 10–13.
Farokhian, Gh., Salehnasab, B., Zat Ajam, H. and Nahidi, H. (2018), «Influence of WC-20Co-1Ni coating by HVOF on lifespan of the downhole drilling motors», Surface Engineering, Vol. 34, Issue 5, pp. 389–397, doi: 10.1080/02670844.2017.1278643.
Carter-Journet, K., Kale, A., Zhang, D. et al. (2014), «Estimating probability of failure for drilling tools with life prediction», SPE Asia Pacific Oil and Gas Conference and Exhibition (APOGCE 2014), Adelaide, Australia, doi: 10.2118/171517-MS.
Lu, L., Liu, J., Huang, X. and Fan, Y. (2022), «Gear fault diagnosis and life prediction of petroleum drilling equipment based on SOM neural network», Computational Intelligence and Neuroscience, doi: 10.1155/2022/9841443.
Holme, A. (2006), «Experiences and lessons learned from utilizing automated reliability-centered maintenance on drill-floor equipment to optimize operation and maintenance planning», SPE/IADC Drilling Conference Proceedings, Miami, Florida, USA, doi: 10.2523/99076-MS.
Skogdalen, J.E., Utne, I.B. and Vinnem, J.E. (2011), «Developing safety indicators for preventing offshore oil and gas deepwater drilling blowouts», Safety Science, Vol. 49, Issue 8, pp. 1187–1199, doi: 10.1016/j.ssci.2011.03.012.
Tang, S., Wang, R., Zhao, X. and Nie, X. (2018), «Building cloud services for monitoring offshore equipment and operators», Offshore Technology Conference Proceedings, Houston, Texas, USA, doi: 10.4043/28792-MS.
Belov, D., Rocchio, S., Zhang, Z. et al. (2023), «Mud motor digital maintenance with an industry-unique PHM solution», SPE/IADC International Drilling Conference and Exhibition Proceedings, Stavanger, Norway, doi: 10.2118/212505-MS.
Campos, M.M., Grizante, R., Junior, L. et al. (2015), «Critical equipment monitoring in production platforms», OTC Brasil, Rio de Janeiro, Brazil, doi: 10.4043/26246-MS.
Lee, M.X. and Marlot, M. (2023), «Information retrieval from oil and gas unstructured data with contextualized framework», EAGE Digitalization Conference and Exhibition 2023 Proceedings, Vienna, Austria, doi: 10.3997/2214-4609.202332039.
Kumar, A. (2021), «Transformer-based deep learning models for well log processing and quality control by modelling global dependence of the complex sequences», Abu Dhabi International Petroleum Exhibition and Conference (ADIPEC 2021) Proceedings, Abu Dhabi, UAE, doi: 10.2118/208109-MS.
Shah, A.B., Wen, Y., Chen, J. et al. (2024), «A deep learning approach to predicting remaining useful life for downhole drilling sensors using synthetic data generation», SPE/AAPG/SEG Unconventional Resources Technology Conference (URTC 2024) Proceedings, Houston, Texas, USA, doi: 10.15530/urtec-2024-4046687.
Kirschbaum, L., Roman, D., Singh, G. et al. (2020), «AI-driven maintenance support for downhole tools and electronics operated in dynamic drilling environments», IEEE Access, doi: 10.1109/ACCESS.2020.2990152.
Guo, J., Wan, J.-L., Yang, Y. et al. (2023), «A deep feature learning method for remaining useful life prediction of drilling pumps», Energy, Vol. 278, doi: 10.1016/j.energy.2023.128442.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Олександр Анатолійович Пащенко, Валерій Олександрович Расцвєтаєв, Вікторія Вікторівна Яворська, Андрій Сергійович Шумов, Дмитро Сергійович Зибалов
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор, який подає матеріали до друку, зберігає за собою всі авторські права та надає відповідному виданню право першої публікації, дозволяючи розповсюджувати даний матеріал із зазначенням авторства та джерела первинної публікації, а також погоджується на розміщення її електронної версії на сайті Національної бібліотеки ім. В.І. Вернадського.
