Когнитивная система подбора внутрискважинных операций
Июль, 2020 год.Автоматизированная система для прогнозирования эффективности обработок призабойной зоны скважин.
Какую проблему решали
Использованы две стандартные метрики регрессии, по которым оценивалось качество модели: корень из среднеквадратичной ошибки RMSE и коэффициент детерминации Пирсона R2.
Для каждой скважины сопоставляется свой набор признаков. Количество признаков фиксировано и определяет зависимые переменные, через которые необходимо восстановить зависимость по отношению к целевой функции. Весь датасет разбивается на две части: признаки и таргет, то есть значения целевой функции.
Общее количество признаков, которые подавались для обучения моделей, — 53. Для общей сходимости моделей важными оказались порядка 30 признаков.
В качестве алгоритмов использованы Catboost, RandomForest и ElasticNet.
Во время обучения моделей процесс учитывает вычисление признаков для новых скважин, обучение модели на подмножестве из 10 наиболее важных признаков датасета, сохранение модели локально на жесткий диск, обогащение модели новой выборкой при новой загрузке сводки ОПЗ. Также из датасета исключаются 10% наиболее аномальных скважин для получения стабильной сходимости моделей.
Бизнес-процесс
До проекта:
- «Ручной» подбор скважин-кандидатов на ОПЗ.
- Человеческий фактор при выборе скважин для обработки.
- Непредсказуемый эффект от ОПЗ.
- Для 35% скважин обработка не дает эффекта.
После проекта:
- Автоматизация системы планирования ОПЗ.
- Объективная и прозрачная система подбора скважин.
- Предсказуемая технологическая и экономическая эффективность.
- 80% скважин продуктивнее после ОПЗ.
Результаты
«Газпром нефть»
ВШЭ СПб
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.