Поделитесь своей идеей, и мы найдем путь её реализации.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Пилотный проект ранжиро-вания скважин-кандидатов на проведение ГРП
Пилот был проведен для одной
из крупнейших российских нефтегазовых компаний с сетью АЗС по всей России
→ Подбор скважин-кандидатов на ГРП
→ Прогнозирование дебита нефти и жидкости на следующие 4 месяца
Компания обратилась к Napoleon IT с целью разработки системы, которая оптимизирует процесс выбора подходящих скважин-кандидатов для проведения гидравлического разрыва пласта.
Задача
Результат
01
Разработали модели машинного обучения для прогнозирования дополнительной добычи нефти после ГРП
02
Реализовали дашборд аналитики данных и прогнозов
03
Создали модель отбраковки скважин для ГРП
«В современных реалиях бизнеса всегда стоит держать руку на пульсе инноваций. Не стоит сразу бежать за новинками, они должны настояться, но и не надо быть консерватором, ведь тогда можно стать аутсайдером. Использование продукта от Napoleon IT привело к снижению трудозатрат на подбор скважин-кандидатов на ГРП на 20%. В дальнейших планах — тестировать новые гипотезы и усовершенствовать продукт.»
Специалист нефтяной
компании
компании
С чего все начиналось
Подбор скважин-кандидатов для гидроразрыва пласта — сложная задача.
Специалисты вручную отбирают участки с потенциальными скважинами, анализируют необработанные данные и проводят гидродинамическое моделирование. Моделирование занимает недели, а обработка данных подвержена ошибкам из-за человеческого фактора.
Решение
Для решения задачи команда Napoleon IT разработала аналитический дашборд с использованием ML-модели для скоринга скважин-кандидатов на проведение ГРП.
Мы обучили модель на исторических и геологических данных о проведенных мероприятиях — по площадям и скважинам. Модель оценили по следующим метрикам:
R2
Коэффициент детерминации
MAE
Средняя абсолютная ошибка
RMSE
Среднеквадратичная ошибка
MAPE
Средняя абсолютная процентная ошибка
Команда
Team Lead Data Science
1
Data Analytics
1
Data Science
1
Project Manager
1
ML Engineer
2
Технологии
Python
AutoML
CatBoost
XGBoost
LightGBM
Dash
Docker
ClearML
Особенности реализации
ГРП — дорогостоящее мероприятие, которое проводится ограниченное количество раз за год. При разработке команда Napoleon IT столкнулись с малым объемом данных, поэтому для проекта мы брали сведения за последние 5 лет.
Мы заменили запрос на использование нейросетей на решение с ML-моделями, которые оказались более удобными для точных прогнозов на малом объеме данных. На их основе нам нужно было построить прогнозную модель.
Из-за специфики данных разных месторождений мы создали несколько моделей с отличающимися гиперпараметрами. Подход AutoML был выбран для того, чтобы не подбирать параметры вручную и не переобучать модели при дополнении исторических данных.
В результате заказчик получил две модели, которые делают отдельные прогнозы дебита нефти и жидкости. Также был реализован классификатор скважин по возможности проведения на них мероприятий ГРП.
Из-за специфики данных разных месторождений мы создали несколько моделей с отличающимися гиперпараметрами. Подход AutoML был выбран для того, чтобы не подбирать параметры вручную и не переобучать модели при дополнении исторических данных.
В результате заказчик получил две модели, которые делают отдельные прогнозы дебита нефти и жидкости. Также был реализован классификатор скважин по возможности проведения на них мероприятий ГРП.
Как работает система
Загрузка данных заказчика
С помощью автоматизированного пайплайна обработки данных мы можем находить аномалии.
Обучение модели
Система показывает результаты обучения. Инженер проверяет корректность метрик — можно отобразить значения по каждой скважине отдельно. Помимо метрик в дашборде отображается информация по влиянию признаков на прогноз с фильтрацией по типу признака.
Загрузка данных для интерфейса
Если система обучена корректно, загружаются те данные, на основе которых необходимо сделать прогноз. По запросу заказчика он производится на 4 месяца вперед.
Результаты применения ML-модели можно сортировать по таким показателям:
Можно рассмотреть распределение геологических признаков, чтобы определить, что гидроразрыв пласта нельзя проводить. Все результаты отображаются в табличном представлении. На основании этих данных заказчик может выбрать только те скважины, по которым спрогнозирован наилучший прирост.
→ дебит нефти до ГРП;
→ дебит нефти после ГРП;
→ величина прироста.
Эффективность проекта
Разработанная специалистами Napoleon IT система прогнозирования создает удобные дашборды с визуализацией результатов работы ML-моделей — выбором скважины и прогнозированием дебита нефти.
С помощью нового программного обеспечения заказчику удалось:
Настроить и автоматизировать процессы сбора, обработки больших данных
Автоматизировать процесс подбора скважин-кандидатов на ГРП
Начать автоматически прогнозировать дебит нефти
Программа и модели машинного обучения разработаны с возможностью последующей модернизации, так как в планы заказчика входит тест новых гипотез по подбору скважин.
Таймлайн проекта
Отзыв
«Наша главная задача ― создавать решения на основе искусственного интеллекта, которые помогают автоматизировать рутинные процессы, сократить издержки ручного труда, снизить ошибки, связанные с человеческим фактором и увеличить эффективность бизнеса. Благодарим за доверие компанию-клиента. Вместе мы можем менять ландшафт достаточно традиционного и консервативного нефтегазового сектора, внедряя и развивая инновации в отрасли.»
Руслан Ахтямов, сооснователь Napoleon IT
.png)
