На правах рукописи
Абу-Абед Фарес Надимович
ОБНАРУЖЕНИЕ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ В ПРОЦЕССЕ
ПРОМЫШЛЕННОГО БУРЕНИЯ НЕФТЯНЫХ СКВАЖИН
Специальность: 05.13.01 Системный анализ, управление и обработка
информации (в промышленности)
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
Тверь 2011 -2
Работа выполнена в Тверском государственном техническом университете.
Научный руководитель: кандидат технических наук, доцент Хабаров Алексей Ростиславович
Официальные оппоненты: доктор физико-математических наук, профессор Калабин Александр Леонидович кандидат технический наук Лазырин Максим Борисович
Ведущая организация: ОАО Научно-производственное предприятие по геофизическим работам, строительству и заканчиванию скважин (ОАО НПП «ГЕРС») г.Тверь
Защита состоится «18» февраля 2011 г. в 1500 часов на заседании диссертационного Совета Д.212.262.04 в Тверском государственном техническом университете по адресу: 170026, г. Тверь, наб. Аф. Никитина, 22 (Ц-212).
С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета по адресу: 170024, г. Тверь, пр. Ленина, 25, зональная научная библиотека (ХТ-101).
Автореферат размещен на сайте ТГТУ по адресу:
http://www.tstu.tver.ru/new_struct/phd/ Автореферат разослан «17» января 2011 г.
Ученый секретарь диссертационного совета д.т.н., профессор Филатова Наталья Николаевна
-3
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность. Нефтегазодобывающая промышленность играет ключевую роль в российской экономике. Долгосрочная государственная политика в сфере добычи нефти и газа направлена на создание стабильных условий, обеспечивающих устойчивое развитие отрасли. Вместе с тем, в России, начиная с 2004 г., возрастает доля оборудования, эксплуатируемого свыше сроков, предусмотренных при его разработке. Вследствие этого эксплуатация промышленных объектов нефтегазодобывающей промышленности характеризуется недостаточной безаварийностью, поэтому для сложных промышленных объектов необходимо распознавание предаварийных ситуаций (ПАС). Так как убытки, связанные с возможными остановками по причине возникновения предаварийных и аварийных ситуаций на буровых установках, достаточно велики, создание метода распознавания ПАС позволит получить значительную экономическую выгоду за счет сокращения длительности простоев оборудования.
Таким образом, дальнейшее развитие и совершенствование методов и систем распознавания предаварийных ситуаций промышленного объекта, позволяющих повысить его безаварийность, является актуальной научной и практической задачей.
Областью настоящего исследования являются методы и алгоритмы решения задач обработки информации для систем распознавания состояния промышленных объектов.
Предметом исследования является процесс промышленного бурения нефтяных и газовых скважин.
Целью работы является повышение эффективности функционирования буровых установок за счт сокращения времени простоя путем разработки новых алгоритмических и программных средств обнаружения предаварийных ситуаций с использованием методов распознавания образов.
Научной задачей, решаемой в диссертационной работе, является разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.
Для достижения цели диссертационной работы и решения научной задачи необходимо решение следующих частных задач:
1. Анализ объекта исследования, определение набора признаков, доступных для измерения существующими средствами обработки геолого-технологической информации (ГТИ), и классификация состояний объекта с целью определения совокупности предаварийных ситуаций.
2. Выбор математического аппарата для решения задачи распознавания текущего состояния объекта исследования по заданному набору признаков.
3. Разработка алгоритма определения рабочего словаря признаков.
5. Разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.
6. Разработка алгоритмического и программного обеспечения для распознавания ПАС и оценка эффективности предложенных решений.
Методы исследований. Для решения поставленных задач использованы методы системного анализа, нейроинформатики, распознавания образов, имитационного моделирования, объектно-ориентированного программирования.
Научная новизна работы состоит в следующем:
1. Предложен новый метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов.
2. Разработан новый алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ.
3. Разработан новый алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.
Обоснованность научных результатов подтверждается корректным использованием математического аппарата, а также экспериментальной проверкой предложенных методов и алгоритмов на реальных данных ГТИ.
Практическая значимость работы вытекает из ее направленности на разработку средств обеспечения своевременного распознавания ПАС на буровых установках и практической ее реализации в виде программного комплекса. Разработанный программный комплекс может применяться при обеспечении функционирования буровой, а также осуществление мониторинга состояния буровой и е снабжения ЗИП.
На защиту выносятся:
1. Метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов;
2. Алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ;
3. Алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.
рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на межд. НТК. «Математические методы и информационные технологии в экономике, социологии и образовании» (г.Пенза 2005-2008 г.г.), «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (г.Пенза 2008 г.), а также на кафедре ЭВМ ТГТУ (2009-2010 гг.).
внедрены в ООО “Научно-производственное предприятие “Геосфера”, г.Тверь.
Публикация результатов работы. По теме диссертационной работе опубликовано 15 статей, в том числе две статьи в изданиях, рекомендованных ВАК. Получено Свидетельство о регистрации программы для ЭВМ (№ 2009615089).
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 165 страницах, списка литературы, включающего 100 наименований, и 3 приложений.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновываются актуальность и практическая значимость работы, формулируются основные задачи исследования и обсуждаются пути их решения.
Первая глава содержит анализ проблемной области и обоснование постановки задач для решения в работе, рассматриваются основные требования, предъявляемые к буровым установкам, факторы, определяющие условия бурения. Показано, что состояние процесса бурения контролируется и анализируется по значениям ряда параметров, которые автоматически измеряются с помощью датчиков и регистрируются станцией ГТИ на протяжении всего времени проводки скважины. Проведен анализ предаварийных ситуаций, возникающих при бурении скважин, с целью выделения из них наиболее часто встречающихся на практике, и предварительного определения необходимого для их распознавания набора признаков. В качестве основных типов осложнений выделены: газонефтеводопроявление, разрушение стенок скважины, поглощение бурового промывочного и тампонажного растворов, прихваты колонны труб и бурового инструмента в стволе скважины.
В настоящее время системы обеспечения безаварийности производства опираются, как правило, на контроль параметров состояния процесса в допустимом диапазоне. Такой подход не позволяет учитывать ситуации, определяемые сочетание допустимых значений нескольких параметров. Вследствие этого эксплуатация промышленного объекта характеризуется недостаточной безаварийностью.
Задачу распознавания предаварийных ситуаций можно рассматривать со следующих позиций:
Использование статистических данных о надежности типовых блоков и построение графов переходов между их состояниями;
Использование методов технической диагностики;
Распознавание образа предаварийной ситуации;
Построение и рассмотрение модели процесса в пространстве фазовых координат.
показал, что не существует универсального метода, использование которого возможно для решения любого класса распознавания ПАС. В каждом конкретном случае необходимо выбирать метод, наилучшим образом учитывающий специфику решаемой задачи.
Применительно к решению задачи распознавания ПАС на буровых установках при проводке скважин перспективным направлением является применение методов распознавания образов.
В заключении первой главы выполнена постановка научной задачи исследования.
Во второй главе рассматривается общая структура системы распознавания ситуаций, возникающих на промышленных объектах.
В общем смысле, распознавание представляет собой задачу преобразования входной информации, в качестве которой рассматриваются некоторые параметры (признаки) распознаваемых образов, в выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ (объект).
Желательно добиться, чтобы число признаков было минимальным, а информации, заложенной в них, было достаточно для получения результата с высокой достоверностью.
На вход системы распознавания поступает множество признаков объекта P { p1, p2,..., pm }, P m. На выходе имеем вектор-признак В качестве первоочередной задачи рассматривается определение набора признаков, характеризующих существо распознаваемых объектов или явлений. Путем анализа существующих стандартов и технических требований к проводке скважин определен априорный словарь, состоящий из 21 признака, используемых для распознавания предаварийных ситуаций при работе буровой установки.
Вторая задача при создании системы распознавания - это первоначальная классификация объектов, подлежащих распознаванию, составление априорного алфавита классов. Такой алфавит сформирован на основании результатов, полученных в главе 1.
Третья задача, решаемая при создании систем распознавания – это разработка рабочего словаря признаков распознавания. Будем считать, что объекты описываются набором признаков F = {f1, …, fn}. Каждый признак fj - это отображение из X в некоторое множество Dj допустимых значений признака, в общем случае не обязательно числовое. Вектор f1(x), …, fn(x) D1 … Dn будем считать признаковым описанием объекта x.
В данной работе для формирования рабочего словаря предлагается использовать алгоритм определения достаточного набора признаков для распознавания каждой из исследуемых предаварийных ситуаций на основе на каждом шаге.
По данным ГТИ проведена оценка коэффициентов корреляции признаков априорного словаря с признаками наличия той или иной предаварийной ситуации (целевыми признаками). Аналогичным способом проведена оценка корреляции признаков априорного словаря между собой.
Алгоритм определения набора признаков сокращнным поиском в глубину имеет следующий вид:
Вход: множество F, критерий Q, параметр B;
1: Инициализация массива лучших значений критерия:
2: Упорядочить признаки по убыванию информативности;
3: Нарастить();
4: вернуть G, для которого Q(G ) jminn Q j 5: ПРОЦЕДУРА Нарастить (G);
6: если найдтся j |G| такое, что Q(G) Q j, то 8: Q|G| : min{Q|G|, Q(G)};
9: для B лучших fi F таких, что i > max{i | fi G} На каждом шаге разработанного алгоритма добавление признаков в текущий набор выбираются не более В признаков, ранее не выбранных, имеющих наибольшие значения критерия.
Критерием выбора признаков является выражение:
QN – значение критерия выбора признака на шаге N;
TN – множество уже выбранных признаков на шаге N;
KiЦ – коэффициент корреляции признака i с целевым признаком;
Kij – значение коэффициент корреляции признака i с признаком j.
На рисунке 1 приведены результаты работы алгоритма для ПАС «Газонефтеводопроявления» для случая В = 3.
Таким образом, из 21 признака априорного словаря для четырех типов распознаваемых ПАС в рабочий словарь выбрано 9 признаков. На основании выбранных признаков можно построить классификатор всех рассмотренных ПАС.
В третьей главе рассматриваются вопросы выбора математического аппарата решения задачи распознавания, а также разработки и обучения классификатора на основе искусственной нейросети.
Проведен анализ основных математических методов, применяемых для решения задачи распознавания образов.
границы между классами предаварийных ситуаций являются нечеткими, Рисунок 1. Результаты работы алгоритма выбора признаков для ПАС «Газонефтеводопроявления» для ширины поиска В = 3.
применение байесовской классификации и кластерного анализа для решения задачи распознавания предаварийных ситуаций в процессе проводки скважины представляется нецелесообразным, поэтому в качестве математического аппарата решения задачи распознавания ПАС предложено использовать искусственные нейронные сети прямого распространения, обучаемые с помощью метода (алгоритма) обратного распространения ошибки.
Математически процесс обучения нейросети описывается следующим образом: в процессе функционирования нейронная сеть формирует выходной сигнал Y в соответствии с входным сигналом X, реализуя некоторую функцию Y = G(X). Если архитектура сети задана, то вид функции G определяется значениями синаптических весов и смещений сети. Пусть решением некоторой задачи является функция Y = F(X), заданная парами входных - выходных данных (X1, Y1), (X2, Y2), …, (XN, YN), для которых Yk = F(Xk) (k = 1, 2, …, N). Обучение состоит в поиске (синтезе) функции G, близкой к F в смысле некоторой функции ошибки E.
Если выбраны множество обучающих примеров – пар (Xk, Yk) (где k = 1, 2, …, N) и способ вычисления функции ошибки E, то обучение нейронной сети превращается в задачу многомерной оптимизации, имеющую очень большую размерность, при этом, поскольку функция E может иметь произвольный вид, обучение в общем случае – многоэкстремальная невыпуклая задача оптимизации.
алгоритмы: алгоритмы локальной оптимизации с вычислением частных производных первого порядка; алгоритмы локальной оптимизации с вычислением частных производных первого и второго порядка;
стохастические алгоритмы оптимизации; алгоритмы глобальной оптимизации.
Алгоритм обратного распространения ошибки применяется для обучения многослойных нейронных сетей с последовательными связями, на основе которых построен классификатор предаварийных ситуаций. Это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратичного отклонения текущего выхода многослойного персептрона и желаемого выхода.
Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки НС, является величина: E ( w), где y (j Np) – реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы p-го образа; djp – идеальное (желаемое) выходное состояние этого нейрона.
Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом: wijn ) Здесь wij – весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n; – коэффициент скорости