Российские исследователи разработали подход к оптимизации бурения в неоднородных карбонатных коллекторах, который с помощью машинного обучения позволяет подбирать режимы работы с учетом сразу нескольких показателей. Для одной из исследованных скважин модель оценила потенциальный прирост скорости проходки до 68,4%.
Разработку представил старший преподаватель Центра искусственного интеллекта Сколтеха Шадфар Давуди. Работа опубликована в научном журнале Results in Engineering. Предложенный подход объединяет машинное обучение, методы объяснимого искусственного интеллекта и многоцелевую оптимизацию. Его задача заключается не просто в поиске режима, позволяющего увеличить скорость проходки, а в подборе баланса между скоростью бурения, механической нагрузкой на оборудование и энергозатратами.
Исследователь сравнил несколько моделей машинного обучения, а затем использовал алгоритм многоцелевой оптимизации для поиска сочетаний осевой нагрузки на долото, скорости вращения бурильного инструмента и расхода буровой жидкости. Методы объяснимого ИИ позволили определить, какие параметры сильнее влияют на получаемый результат. В исследованном наборе данных одним из наиболее значимых факторов оказалась скорость вращения инструмента.
Для одной из скважин модель рассчитала возможность увеличения скорости проходки на 68,4% при одновременном прогнозируемом снижении крутящего момента на 41,2% и удельной механической энергии на 17,9%. На другой скважине потенциальный прирост скорости составил 66,9%. При этом на скважине, первоначальные параметры которой уже были близки к оптимальным, возможное увеличение скорости оценивалось всего в 2,7%. Таким образом, само исследование показывает, что универсального режима бурения не существует: эффект зависит от характеристик пород и исходных параметров работы.
При этом речь пока идёт именно о расчетном результате. Значения получены с использованием моделей на исторических данных, а не в результате полномасштабного полевого эксперимента. Автор исследования отдельно отмечает необходимость последующей проверки рекомендаций непосредственно в производственных условиях.
По мнению Василия Ракитина, заместителя председателя Комитета ТПП РФ по энергетической стратегии и развитию топливно-энергетического комплекса, действительного члена Академии горных наук, директора по развитию экспертной платформы «Горнопромышленная стратегия», именно этот аспект особенно важен при оценке подобных разработок.
«Для промышленности главный вопрос заключается не в самой цифре 68%, какой бы впечатляющей она ни выглядела. Важно понять, насколько рассчитанный моделью режим воспроизводится на реальном объекте, как он влияет на ресурс оборудования, энергопотребление, устойчивость процесса и безопасность работ. Переход от хорошей математической модели к промышленному инструменту начинается там, где результат можно подтвердить непосредственно на производстве», — отмечает Василий Ракитин.
По его оценке, практический интерес разработки заключается и в том, что искусственный интеллект используется здесь не для решения одной изолированной задачи. Увеличение скорости проходки рассматривается одновременно с механической нагрузкой и расходом энергии. Именно многофакторная оптимизация может стать одним из наиболее востребованных направлений применения ИИ в промышленности, поскольку предприятие в реальности заинтересовано не в максимизации отдельного показателя, а в повышении эффективности всего технологического процесса.
«Если увеличить скорость, но одновременно резко повысить нагрузку на оборудование, ускорить его износ или получить дополнительные риски, экономического эффекта может не быть. Поэтому ценность таких систем — в способности находить оптимальный технологический режим с учетом нескольких ограничений. Для горнопромышленного комплекса и ТЭК это значительно важнее, чем просто использование нейросети как таковой», — считает Ракитин.
Отдельное значение имеет использование объяснимого ИИ. Модель не только выдает прогноз, но и позволяет анализировать, какие технологические параметры повлияли на полученную рекомендацию. Для промышленного применения это принципиально: инженер должен понимать основания для изменения режима работы, особенно если речь идет о критически важных производственных процессах.
По мнению эксперта, следующим ключевым этапом должна стать проверка подобных подходов на промышленных объектах с различными геологическими условиями и накопление российских массивов производственных данных. Только после такой валидации можно будет объективно оценивать экономический эффект, масштабируемость технологии и возможность её включения в действующие системы управления бурением.
«Исследования такого типа показывают правильное направление развития промышленного ИИ: не заменить инженера алгоритмом, а дать специалисту инструмент, который способен обработать большой массив параметров, предложить более эффективный режим и объяснить, почему предлагается именно такое решение. Если последующие полевые испытания подтвердят расчетные результаты, это уже будет основанием говорить не об эксперименте с ИИ, а о прикладной технологии повышения эффективности бурения», — подчеркивает Василий Ракитин.