ҚОНДЫРҒЫЛАРДЫҢ ЖҰМЫСЫН АВТОМАТТЫ ТҮРДЕ ТҮЗЕТУ ҮШІН "ҚАРАШЫҒАНАҚ ПЕТРОЛИУМ ОПЕРЕЙТИНГ" ML - АЛГОРИТМДЕРІН

THE USE OF ML ALGORITHMS IN KARACHAGANAK PETROLEUM OPERATING FOR AUTOMATIC ADJUSTMENT OF INSTALLATIONS

Azat Koyshekenov

Student of Baishev University, Republic of Kazakhstan, Aktobe

Bekkozha Yeginbay

Student of Baishev University, Republic of Kazakhstan, Aktobe

Azamat Sysenov

Student of Baishev University, Republic of Kazakhstan, Aktobe

Bekzat Adil

Student of Baishev University, Republic of Kazakhstan, Aktobe

Gulden Tazhieva

Master, Assistant Professor Baishev University, Republic of Kazakhstan, Aktobe

Аннотация. Мақала " Қарашығанақ Петролиум Оперейтинг" жақ - дағы электр орталықтан тепкіш сорғылар (УЭЦН) қондырғыларының жұмысын басқаруда машиналық оқытудың (ML) практикалық қолданылуын талдауға арналған. Интеллектуалды алгоритмдерді қолдану сорғы жабдықтарының жұмыс режимдерін оңтайландыруға және энергия шығынын 12% төмендетуге мүмкіндік берді. ML жүйесінің құрылымы, деректерді жинау және талдау архитектурасы, енгізу кезеңдері, алынған әсерлер мен даму перспективалары сипатталған.

Abstract. The article is devoted to the analysis of the practical application of machine learning (ML) in controlling the operation of electric centrifugal pumps (ECPs) in Karachaganak Petroleum Operating. The use of intelligent algorithms has made it possible to optimize the operating modes of pumping equipment and reduce energy consumption by 12%. The structure of the ML system, the architecture of data collection and analysis, the stages of implementation, as well as the effects and development prospects are described.

Кілт сөздер: цифрлық егіздер,  мұнай-газ өнеркәсібі,  цифрлық трансформация,  кен орындарын басқару, сандық технологиялар,  жабдықтың цифрлық үлгісі.

Keywords:  digital twins, oil and gas industry, digital transformation, field management, digital technologies, digital model of equipment.

УЭЦН  - "Қарашығанақ Петролиум Оперейтинг " қоса алғанда, мұнай өндіруші компаниялардағы көтергіш жабдықтың негізгі түрі. Электр энергиясына шығындардың өсуі және жабдықтың тозуы жағдайында энергия тиімділігіне қойылатын талаптар артады. Бұл тұрғыда машиналық оқытуды енгізу нақты уақыт режимінде УЭЦН жұмыс параметрлерін интеллектуалды басқарудың жаңа мүмкіндіктерін ұсынады.

UEC үшін ML жүйесінің жұмыс принципі.   UEC үшін ML жүйесінің жұмыс принципі сәтсіздіктерді болжау, жұмыс режимдерін оңтайландыру және өндіру тиімділігін арттыру үшін машиналық оқыту алгоритмдерін қолдана отырып, батыру жабдықтары мен ұңғыманың деректерін талдау болып табылады.

"Татнефть" - дағы УЭЦН жұмысын автоматты түзету жүйесі SCADA-жүйелерінің, телеметрияның, пайдалану журналдарының және ұңғымалардың сипаттамаларының деректерінен оқытылған Машиналық оқыту моделін пайдаланады. Архитектура келесі компоненттерді қамтиды:

• Ұңғымаларға орнатылған ток, қысым және діріл датчиктері;
• Деректерді өңдеу платформасы-параметрлерді сүзу және қалыпқа келтіру;
• Градиентті күшейтуге және қайталанатын нейрондық желілерге (RNN)негізделген ML модулі;
• Айналу жиілігін, айдау режимін және нақты уақыттағы қысымды реттейтін шешім қабылдау жүйесі.

Электр орталықтан тепкіш сорғыны (УЭЦН) орнатуға арналған ML жүйесін енгізу кезеңдері мен жұмыс принципі мыналарды қамтиды:

1. Деректерді жинау: SCADA жүйелерінен, PLC және басқа көздерден УЭЦН және ұңғымалардан (қысым, ток, діріл, дебит, температура және т.б.) тарихи және ағымдағы деректер жинақталады.
2. Деректерді тазарту және дайындау: олқылықтар, шығарындылар мен шулар жойылады, параметрлер қалыпқа келтіріледі, оқыту үлгілері қалыптасады.
3. ML моделін әзірлеу және оқыту: дайындалған мәліметтер негізінде сәтсіздіктерді болжау, диагностикалау немесе жұмысты оңтайландыру тапсырмалары үшін модельдер (мысалы, шешім ағаштары, градиентті күшейту, нейрондық желілер) оқытылады.
4. Валидация және тестілеу: сынақ деректері мен пилоттық объектілерде модельдің дәлдігін, тұрақтылығын және қолданылуын тексеру жүргізіледі.
5. Өндірістік жүйемен Интеграция: модель IT-инфрақұрылымға (SCADA, бұлтты платформалар, жергілікті серверлер арқылы) енеді, нақты уақыттағы деректерді беру және нәтижелерді визуализациялау қамтамасыз етіледі.
6. Пайдалану және кері байланыс: ML жүйесі ауытқуларды болжай бастайды, оңтайлы жұмыс режимдерін ұсынады және қызметкерлерді хабардар етеді, ал жұмыс деректері модельдің дәлдігін қайта даярлау және жақсарту үшін қолданылады.
7. Қолдау және масштабтау: жүйе жаңа деректерді ескере отырып жаңартылады және сәтті қолданылған кезде басқа бұталы жерлерде немесе кен орындарында қайталанады.  [1]

УЭЦН үшін ML-жүйесін енгізуден алынған нәтижелерге мыналар жатады:

1. Істен шығу белгілерін ерте анықтау есебінен жабдықтың жоспардан тыс тоқтап қалуының төмендеуі (пилоттық учаскелердегі істен шығу санының 30-50% - ға дейін қысқаруы).
2. Реактивтіден проактивті қызметке көшудің арқасында істен шығуды арттыру (MTBF).
3. Қабаттың және ұңғыманың ағымдағы шарттарына сәйкес УЭЦН жұмыс режимдерін автоматтандырылған баптау арқылы мұнай өндіру тиімділігінің өсуі (дебит өсімінің +3-7% дейін).
4. ППР регламенттерін оңтайландыру және бригадалардың шығу санын азайту арқылы қызмет көрсету және жөндеу шығындарын азайту.
5. Болжамдарды, алерттерді және ұсынымдық модельдерді визуализациялау арқылы жедел персонал шешімдерінің сапасын жақсарту.
6. Өндіру инфрақұрылымының басқа элементтерінде ai/ML қолдана отырып, масштабталатын цифрлық экожүйе үшін база құру.

Кесте 1.

ML жүйесін енгізуге дейінгі және енгізгеннен кейінгі көрсеткіштерді салыстыру [2]

 ML тәсілінің артықшылықтары

• Бейімделу: модель жаңа деректерді жинақтау кезінде қайта оқытылады;
• Болжау: оқиғадан 5-7 күн бұрын ақауларды болжау;
• SCADA интеграциясы: адамның қатысуынсыз автоматты түзету;
• Экономикалық тиімділік: электр қуатын үнемдеу және жөндеу шығындары арқылы жылдам өтеу.

Қоңыраулар мен шектеулер

• Бастапқы деректердің (соның ішінде мұрағаттық деректердің)жоғары сапасының қажеттілігі;
• Телеметрияны өңдеуге арналған есептеу ресурстарына қойылатын талаптар;
• Ұңғымаларды қашықтан басқару кезінде киберқауіпсіздікті қамтамасыз ету;
• ML платформасымен жұмыс істеу үшін қызметкерлерді оқыту қажеттілігі.  [3]

УЭЦН басқаруды автоматтандыру үшін машиналық оқытуды қолдану бойынша тәжірибесі жоғары тиімділік пен масштабтау әлеуетін көрсетеді. Алынған нәтижелер мұнай өндіру процестеріне, әсіресе жабдықтың энергия тиімділігі мен сенімділігін арттыру мақсатында зияткерлік жүйелерді енгізудің орындылығын растайды.