Технические науки/ 10.Горное дело

К.т.н.  Чигур Л.Я. 

Івано-Франківський національний технічний універитет нафти і газу, Україна, 76019, м. Івано-Франківськ, вул. Карпатська, 15. E-mail: kafatp@ukr.net

Застосування систем штучного інтелекту для подолання невизначеності, що виникає у процесі буріння свердловини

Характерною особливістю процесу буріння є відсутність серійних приладів для контролю режимних параметрів безпосередньо на вибої свердловини, що значною мірою зумовлює унікальність процесу буріння нафтових і газових свердловин [1, 2].

Це призводить до необхідності використовувати такі природні канали зв’язку як колона бурильних труб, стовп промивної рідини і оцінювати режимні параметри за показниками наземних приладів. Дослідження засвідчили, що природні канали зв’язку породжують адитивні шуми, які у загальному випадку є нестаціонарними. Прямому вимірюванню доступна лише проходка долота . Тому про технічний стан долота можна судити лише опосередковано за механічною швидкістю буріння [1, 2].

Для визначення моменту підйому долота для заміни складаються режимні карти. Проте фактичні результати відпрацювання доліт суттєво відхиляються від рекомендацій, що наведені в режимних картах, які складені для деяких усереднених умов. Це викликано тим, що зміна фізико-механічних властивостей гірських порід носить випадковий характер.

Помилки при визначенні моменту підйому долота для заміни викликають аварії, на ліквідацію яких витрачаються значні кошти.

Тому велике значення має перехід від суб’єктивних методів керування відпрацюванням доліт до методів, що базуються на отриманні і обробці інформації за допомогою сучасних комп’ютерних засобів контролю і систем керування.

Щоб визначати технічний стан долота та попереджувати виникнення передаварійних ситуацій в режимі on-line, пропонується застосувати систему підтримки прийняття рішень, основою якої є засоби штучного інтелекту. В даному випадку найбільш пристосованою для розпізнавання образів є нейромережі [3, 4]. Їх використання дозволяє перейти до безеталонних методик контролю, а у випадку відомої статистичної вибірки, що містить дані про значення інформаційних параметрів і відповідних їм технічних станів долота як контрольованого об’єкта, виявляти і поширювати причинно-наслідкові зв’язки між співвідношенням значень інформаційних параметрів контрольованого об’єкту і його технічним станом.Для формування бази класів можливих станів долота як контрольованого об’єкта необхідно виконати кластерний аналіз, що розбиває множину станів на класи. Кластерний аналіз, на відміну від задач класифікації, не потребує апріорних припущень про набір даних, не накладає обмеження на подання досліджуваних об’єктів, дозволяє аналізувати показники різних типів даних (інтервальні, частоти, бінарні дані).Результатом кластерного аналізу є розбиття станів на групи, що задовольняють деякий критерій оптимальності. До основних станів контрольованого об’єкту відносяться - працездатний стан, непрацездатний стан, передаварійний стан, невизначений стан (рис.2.).Як правило побудови кластерів виступають критерії, що використовуються у процесі вирішення питання про схожість станів. Одним із критеріїв визначення схожості та відмінності кластерів є відстань між векторами на діаграмі розсіювання [3].

Аналіз роботи нейромереж, дозволив зробити висновок, що для вирішення поставленої задачі оптимальною є мережа Кохонена, що складається з М нейронів, які утворюють прямокутні решітки на площині. Як активаційна функція мережі пропонується функція Гауса, яка забезпечує високу швидкість навчання СОМ при мінімальній похибці квантування [4].

Отже для проведення кластерного аналізу використано шар Кохонена, що складається з деякої кількості n адаптивних лінійних суматорів, які діють паралельно (лінійних формальних нейронів). Всі вони мають однакову кількість входів m і отримують на свої входи один і той же вектор вхідних сигналів x = (x₁...x_n) (рис.1).

Модель Кохонена відноситься до класу алгоритмів векторного кодування. Вона забезпечує топологічне відображення, що оптимально розміщає фіксоване число векторів у вхідному просторі більш високої розмірності, забезпечуючи, таким чином, стиснення даних.

Дані, що подаються на входи шару Кохонена, мають бути у вигляді вектора діагностичних ознак (станів) у N-вимірному евклідовому просторі, а також правильно промасштабовані для подальшого їх оброблення. Дискретні значення контрольованих технологічних параметрів (момент на долоті, частота його обертання, навантаження на долото, швидкість проходки) подаються на вхід мережі. Вихідним результатом роботи шару Кохонена є множина класів - стани в яких перебуває контрольований об’єкт.

Сомоорганізована нейронна мережа Кохонена (СОМ) дозволяє самостійно ідентифікувати нестаціонарності контрольованого процесу, шляхом аналізу вхідних даних в реальному масштабі часу. Застосування такої мережі дозволяє крім іншого виявляти нові стани в яких перебуває контрольований об’єкт, які раніше не були описані статистичними вибірками. Система зможе розширювати власну базу знань про можливі стани контрольованого об’єкту у процесі функціонування. Однак на виконання процесу перенавчання нейромережі і системи в цілому необхідні додаткові витрати часу та зупинка процесу контролю на час навчання.

Запропонований підхід до автоматизації процесу управління відпрацюванням породоруйнівного інструменту в умовах апріорної і поточної невизначеності процесу буріння шляхом доповнення існуючих локальних систем автоматизованого керування режимами буріння підсистемою нейромережевої ідентифікації, побудованої на основі нейромережі Кохонена дозволяє періодично контролювати технічний стан долота і на основі застосування методів кластерного аналізу розпізнавати основні стани, в яких може працювати долото.

Література

1. Автоматизація технологічних процесів у нафтовій і газовій промисловисті / [Г.Н. Семенцов, Я.Р. Когуч, Я.В. Куровець, М.М. Дранчук] – Івано-Франківськ: ІФНТУНГ, 2009. – 300 с.

2. Семенцов Г.Н. Оптимальное управление процессом бурения нефтяных и газовых скважин: автореф. на здобуття наук. ступеня докт. техн. наук: спец. 05.13.07 – Автоматизация технологических процессов и производств (промышленость) / Г.Н. Семенцов – М., 1990 – 44 с.

3. Минаев Ю.Н. Методы и алгоритмы идентификации и прогнозирование в условиях неопределенности в нейросетевом логическом базисе/ Ю.Н. Минаев, О.Ю. Филимонова, Бенамур Лиес// М.: Горная линия – Телеком. – 2003. – 205 с.

4. Кохонен Т. Самоорганизующиеся карты / Т. Кохонен; пер. 3-го англ. изд. – М.: БИНОМ. Лаборатория знаний, 2010. – 655с.: ил. – (Адаптивные и интеллектуальные системы).