Ключевые слова: установка электроцентробежных насосов, прогнозирование отказов, диагностика, машинное обучение.
Предиктивная аналитика – это область исследований, результаты которой позволяют принимать решения при высокой степени неопределенности исходных данных. Прогнозирование будущего состояния УЭЦН, как частный случай предиктивной аналитики, задача высокой сложности именно из-за высокой неопределенности исходных данных. Актуальность данной темы обоснована растущим фондом скважин, оборудованных УЭЦН, эксплуатируемых в условиях, характеризующихся все большим количеством осложняющих факторов с сопутствующими операционными затратами на добычу нефти и ремонт скважинного оборудования.
Способ скважинной добычи нефти с использованием УЭЦН является основным в Российской Федерации 1. Ключевыми отличиями УЭЦН, обуславливающими их широкое применение в механизированной добыче [1], являются оптимальная эффективность при подъеме продукции с больших глубин в скважинах со сложной траекторией, широкий диапазон возможных подач насоса, относительное удобство управления при эксплуатации.
В то же время одним из недостатков УЭЦН являются их сложная конструкция и невозможность проведения ремонтно- восстановительных работ без спуско-подъемных операций (СПО).
Основными негативными последствиями выхода оборудования из строя являются затраты на замену оборудования и ремонт скважины, а также потери в добыче нефти, связанные с простоем во время ремонтных работ [2]. В связи с этим одним из важных параметров, влияющих на операционную эффективность добычи нефти с УЭЦН, является наработка на отказ (ННО) глубинно- насосного оборудования (ГНО).
Средняя наработка на отказ (СНО) отличается как по нефтегазодобывающим предприятиям, так и по производителям УЭЦН, и зависит от условий эксплуатации. Согласно статистическим данным на 2022 г., межремонтный период (МРП) фонда УЭЦН за последние 12 лет увеличился с 646 до 918 суток. Ввиду того, что показатели МРП и СНО взаимосвязаны, увеличение одного параметра косвенно влияет на рост другого. Растущий тренд данных показателей связан с непрерывно проводимыми работами и мероприятиями как по повышению надежности УЭЦН, так и по повышению эффективности эксплуатации механизированных скважин, а технологический предел эксплуатации электроцентробежных насосов находится в диапазоне 5 – 10 лет [3], согласно лучшим практикам по работе УЭЦН. Таким образом, потенциал увеличения надежности не исчерпан, а своевременная диагностика аномальных состояний работы УЭЦН и проводимых мероприятий на скважинах позволяют улучшить показатели СНО и тем самым снизить операционные затраты.
В настоящее время область надежности погружного оборудования рассматривается в широком ряде публикаций. Существуют различные методики определения наработки на отказ, применяемые в нефтедобывающей отрасли [4], однако подходы к адресному прогнозированию отказов УЭЦН только прорабатываются и на данный момент времени не используются на практике в промышленном масштабе. При этом большинство исследований в этой области сосредоточено на создании моделей прогнозирования отказа УЭЦН на основании большого количества данных. Тем не менее оценка влияния дискретности, а также типа данных (данные телеметрии, технологического режима и суточные параметры работы скважины, результаты разборов УЭЦН после отказа и другие) на прогностическую способность моделей не проводилась.
Целью данной работы является обобщение опыта прогнозирования отказов УЭЦН методами машинного обучения.
Предиктивная аналитика работы УЭЦН – основные подходы
Создание модели исследуемого объекта и ее использование для изучения характеристик объекта в процессах, интересующих исследователя, является стандартным подходом в науке и технике. В нефтегазовой отрасли при решении задачи определения надежности классическим примером эмпирической модели для оценки надежности ГНО являются статистические модели, строящиеся на основании фактической наработки оборудования. Обычно результаты статистической обработки данных представлены в виде численных показателей СНО и МРП, которые рассчитываются по фонду скважин с заданной периодичностью. Реже применяются подходы, основанные на построении кривых вероятности безотказной работы для анализа эксплуатационной и конструктивной надежности [4]. Следует отметить, что статистические модели используют лишь небольшую часть данных о работе фонда и оперируют средними показателями. Кривые надежности позволяют определить, например, ранние отказы УЭЦН и рост их числа во времени, однако они принимают во внимание лишь усредненные параметры. Эти модели применяются для стратегического планирования, в частности для обеспечения фонда скважин нефтегазодобывающего предприятия требуемым количеством ГНО. Естественным развитием статистических моделей стало их дополнение экспертными правилами, которые не получили широкого распространения при решении задачи прогнозирования отказов УЭЦН, но в настоящее время развились в системы дашбордов, «светофоров» и «цифровых помощников» инженеров по добыче нефти. Системы с учетом экспертных правил наглядно демонстрируют определенные проблемы с фондом скважин.
Закономерной эволюцией статистических моделей является прогнозирование с применением моделей машинного обучения (machine learning – ML), позволяющих оценивать возможность отказов УЭЦН по отдельным скважинам, а не по среднестатистическим параметрам работы фонда скважин. Применение подходов к созданию моделей, основанных на данных, частным случаем которых являются методы ML, позволяет существенно расширить пространство признаков и в дополнение к эмпирическим, явно наблюдаемым данным, использовать синтетические параметры, которые могут способствовать выявлению физических принципов работы оборудования.
Работы по применению методов искусственного интеллекта (ИИ), в частности, использование алгоритмов ML для решения задачи оценки надежности оборудования и прогнозирования его отказов, ведутся более 20 лет. Множество проведенных исследований обладает рядом ограничений и опущений, основные из которых связаны с анализируемыми данными (качеством и дискретностью) и недостаточностью формализации метрик оценки применяемых моделей:- на заре исследований (до 2010 г.) по применению методов ML [5, 6], были предприняты попытки диагностики состояния оборудования и прогнозирования отказов УЭЦН с заявляемыми высокими результатами точности работы системы прогнозирования. Однако в работах [5, 6] и ряде следующих исследований отсутствует единое представление о точности модели, так как при описании параметра точности прогнозирования, авторами используются различные метрики или вовсе не указывается методика расчета [7, 8, 9, 10].
- позднее (2010 – 2020 г.), отечественными и зарубежными исследователями [2, 7, 11] были применены алгоритмы ML для диагностирования отклонений состояния системы от стабильной эксплуатации и классификации режимов работы. Применяемые подходы к решению задачи предиктивной аналитики описываются в общих чертах, без указания информации о размере датасета и дискретности используемых данных [12, 13, 14, 15, 16].
- в настоящее время (после 2020 г.) наблюдается значительный рост современных технологий, связанных с развитием ИИ алгоритмов ML. Несмотря на положительное влияние современных технологий в области предиктивной аналитики работы и прогнозирования отказов УЭЦН, в большинстве исследований наблюдается приемлемая точность прогнозов лишь в коротком интервале времени, что, по мнению авторов работ [17, 18, 19, 20], обуславливается определенными факторами, в числе которых использование данных недостаточного качества, а также использование динамических данных с малой дискретностью (низкочастотные данные) [21, 22, 23].
Ниже рассмотрены некоторые подходы к прогнозированию отказов УЭЦН методами ML, которые активно развиваются в последние годы.
В ряде исследований [22, 24, 25, 26] используется метод главных компонентов (Principal Component Analysis – PCA), который применяется для улучшения операционных решений при планировании логистики ГНО для критически важных скважин, а также идентификации осложнений [35]. Например, в работе [24] авторам удалось построить модель PCA с дискретностью динамических данных одно значение в 20 мин. для 47 скважин и более чем 170 тысяч точек данных. В разработанной модели, благодаря использованию трех главных компонентов, процесс обнаружения неисправностей УЭЦН был значительно упрощен и обеспечил интуитивно понятный способ мониторинга работы насосной установки. Авторами подчеркивается, что дискретность динамических данных с одним значением в 20 мин. недостаточна, что в совокупности с другими факторами, привело к относительно низкой точности 42,5%. В материалах работ [25, 26] решение поставленной задачи обеспечивается путем объединения метода PCA с другими алгоритмами ML. В работе [25] тестирование модели проводилось на выборке из 876 скважин с 53 контролируемыми параметрами, что позволило спрогнозировать отказ УЭЦН за несколько часов от его фактического времени выхода из строя. В то же время авторы работы [26] предварительно провели тщательную очистку и стандартизацию данных с алгоритмами PCA, что позволило достичь среднего значение метрики «Area Under the ROC Curve» AUC = 0,95 для обучающей выборки и AUC = 0,8 для тестового набора данных с полнотой, равной 0,6. Таким образом, можно сделать вывод о том, что модели прогнозирования, разработанные с помощью метода PCA, могут быть использованы в качестве платформы мониторинга для распознавания динамических изменений и, следовательно, для прогнозирования развивающихся отказов в системе ЭЦН при условии повышения частоты динамических данных.
В статьях [18, 19] приведены примеры применения метода «Predictive Failure Analytics» (PFA), суть которого заключается в использовании комплексного подхода, включающего в себя алгоритмы ИИ, совокупность экспертно-статистических и физических знаний для прогнозирования отказов. На основании данных дискретностью одно значение в минуту более чем по 400 скважинам была разработана автоматизированная система PFA с точностью Balanced Accuracy = 76 %. Принцип действия системы заключается в информировании оператора о снижении остаточного срока службы ЭЦН путем анализа трендов следующих параметров: падение величины тока двигателя и его производительности, повышение температуры и рост вибрации двигателя с течением времени.
В работе [28] авторами был проведен сравнительный анализ различных методов ML таких, как: Random Forest Regressor, XGBoost Regression и Long Short Term Memory (LSTM). Объем анализируемой выборки состоял из более чем 30 тысяч необработанных данных, из которых 70 % были использованы для обучения, а 30 % для оценки точности, причем пропущенные значения были восстановлены на основании средних значений для каждого отдельного параметра. По итогам сравнительного анализа результатов расчета различных моделей было выявлено, что модели LSTM оказались наиболее подходящими для обнаружения аномалий до отказа УЭЦН, способны выявить закономерности в изучаемых данных и спрогнозировать тренд достижения тороговых значений показателей примерно за 60 сут. для 20 из 47 наблюдаемых скважин.
В работе [29] рассмотрены вопросы применения экспертных систем для оценки технического состояния узлов УЭЦН. Авторами предложена концепция интеллектуальной системы, включающая в себя экспертную систему (ЭС) поддержки принятия решений, основанную на знаниях, а также блок предварительной и глубокой обработки данных, включая компонент предиктивной аналитики, основанный на нейросетевых технологиях. В качестве примера реализации ЭС, была спрогнозирована неисправность УЭЦН в виде линейных трендов для ряда показателей с «коэффициентом уверенности» (Confidence for Correct Predictions) 0,7.
Исследование [30] – одна из работ, посвященных диагностике неисправностей УЭЦН. Авторами была построена комплексная гибридная модель (физическая модель скважины и ML) для прогнозирования причины и времени отказа УЭЦН. Для этого были использованы различные методы машинного обучения, такие как метод ближайших соседей (K-Nearest Neighbor – KNN), алгоритмы случайного леса, деревья решений (Decision Trees – DT) и многослойные персептроны (Multilayered perceptron – MLP) на пяти периодах прогнозирования – от трех часов до 7 суток. В работе использованы высокодискретные данные (24,4 млн точек данных, 10 параметров, одно значение в минуту), а также применены различные метрики для комплексной оценки качества способов расчета точности (F1-Score, Confusion Matrix, коэффициент Каппа). В результате сравнительного анализа различных алгоритмов ML была определена лучшая модель прогнозирования – метод ближайших соседей KNN. На основе модели KNN были сформированы четыре различных типа дизайна моделей. Тип модели «А» использует все данные без предварительной обработки, тип модели «B» позволяет ввести физику в аналитический подход и сократить количество переменных, тип модели «C» разработан для определения взаимосвязи между газовым фактором (ГФ) и работой насоса, а также оценки их влияния на точность прогнозирования. Финальная модель «D», является рекомендованной авторами к применению, так как использует меньшее число переменных, чем тип модели «С», но все еще учитывает эксплуатационные параметры (ГФ и производительность насоса). Модель «D» обладает следующим характеристиками: коэффициент Каппа-Коэна – 0,7 – 0,86, точность модели прогнозирования от 80 до 95 % на диапазоне прогнозирования трое суток. Лучшими прогнозными моделями в данной работе признаны гибридные модели, основанные на комбинации физической модели скважин и УЭЦН, а также модели машинного обучения данных, поступающих для анализа. Применение физических законов в гибридных моделях позволяет повысить качество и минимизировать ошибки прогнозирования за счет задания корректных граничных условий, происходящих процессов в скважине и УЭЦН.
Опыт использования основных методов ML в задачах прогнозирования отказов УЭЦН
При подготовке данного обзора было рассмотрено более 150 научных работ из открытых литературных источников, в которых описано применение методов ML в предиктивной аналитике работы нефтегазопромыслового оборудования. Верхнеуровнево их можно разделить по направлениям применимости в задачах виртуальной расходометрии и прогнозирования отказов оборудования, как подземного, так и наземного. В диаграмму, представленную на рисунке 1, вошло порядка 40 работ, опубликованных за последние 20 лет, как в РФ, так и в мире, в которых представлены лишь результаты решения задачи прогнозирования отказов УЭЦН.
Обобщение и систематизация исследований предиктивной аналитики УЭЦН при решении задачи прогнозирования отказов позволило сформировать диаграмму (рисунок 1), в которую вошли работы по следующим группам методов ML:
- I – «Методы глубокого обучения», включающие в себя методы – LSTM, MLP, Нейронные сети, CNN [5, 8, 11, 2, 12, 14, 16, 23, 28, 30, 37, 41, 42, 45];
- II – «Обучение без учителя» (Метод главных компонент (PCA)) [9, 18, 19, 20, 22, 27, 24, 33, 34, 38];
- III – «Ансамблевые методы» (XG, Random Forest, Деревья решений) [15, 21, 28, 30, 36, 38, 39, 43, 46];
- IV – «Обучение с учителем» (SVN, KNN, ET, Деревья решений, Байесовские сети, SVR) [10, 15, 30, 31, 32, 41, 44, 46].
В свою очередь, рассмотренные работы внутри каждой из групп методов ML были разделены на следующие условные группы по дискретности данных (D), использованных в моделях: (D1) – высокодискретные данные без указания частоты получения параметров; (D2) – высокодискретные данные с частотой получения параметров для прогнозирования: 1 раз в секунду – 1 раз в 2 минуты; (D3) – часовые данные с частотой: 3 раза в час – 1 раз в 2 часа; (D4) – суточные и статистические данные; (D5) – дискретность используемых параметров явно не указана. Анализ исследований, направленных на прогнозирование отказов УЭЦН (рисунок 1), показал разнообразие подходов к формулировке целей и задач исследований, их решению различными авторами. Во-первых, нет явного предпочтительного метода решения задачи прогнозирования отказов УЭЦН, во-вторых, применяемые исследователями датасеты обладают в основном дискретностью данных менее 1 часа.
Для методов группы I «Методы глубокого обучения» в 71 % случаев используются датасеты с дискретностью D1 и D2, и лишь одна из рассмотренных работ построена на суточных данных. Характерные достигнутые результаты: 84 – 89 % без уточнения параметра расчета [5, 8, 11, 28, 41] для высокодискретных данных с 5 – 30 используемыми динамическими параметрами; для суточных данных, состоящих из 340 тыс. точек F1- Score = 73 % на горизонте прогноза PF = 90 суток [23].
Исследования группы II «Обучение без учителя» в основном построены на датасетах, состоящих от 5 до более 20 динамических параметров с общим количеством точек 150 – 350 тыс. данных [20, 27, 24], с дискретностью D1 [9, 34, 38], D2 [18, 19, 33], D3 [20, 27, 24], D4 [22]. Наиболее представительная успешность прогноза: ROC-AUC = 0,78 с полнотой прогноза 57 % [9, 34, 38]; Balanced Accuracy = 73 %, Recall = 56 %, True Negative Rate = 90 % [18, 19, 33]; Precision = 0,80; Recall = 0,60; F1-score = 0,71 на горизонте 7 суток [20, 27, 24].
В работах с применением ансамблевых методов (группа III) использованы от пяти до более 20 параметров. Для D4 [21] датасет состоял из 2077 отказов и более 20 динамических параметров с суточной дискретностью, достигнутая точность составляла от 60 до 88 %, в зависимости от срока, а краткосрочные прогнозы отказа за 1, 3 и 7 суток демонстрировали лучшее качество; в свою очередь, для D2 [30] использовано в модели 2.4 млн. точек с F1-Score от 80 до 95 % в зависимости от типа осложнения, коэффициент Kappa = 0.86, период прогнозирования от трех часов до 7 суток.
Анализ работ группы IV «Обучение с учителем» показал, что использованы датасеты, состоящие от 9 до 36 динамических параметров с дискретностью D1, D2, D3, D5. Авторами данных работ, в большинстве своем, не полностью отражены метрики достигнутой успешности, например, в работе [32] точность и полнота прогнозов моделей в среднем составляет порядка 61%.
Таким образом, на сегодняшний день нет явного преимущества одной из групп методов ML при решении задачи прогнозирования отказов УЭЦН, однако результаты работ, в которых использованы «Методы глубокого обучения» или «Обучение без учителя», а также комбинация методов показывают несколько лучшие результаты. Например, анализ данных исследований последних лет указывает на увеличение применения методов машинного обучения, основанных на нейронных сетях и алгоритмах LSTM. Более того, прослеживается тренд на повышение успешности прогнозирования при увеличении дискретности датасета.
На рисунке 2 представлено распределение работ по годам (серые столбики гистограммы), которые посвящены прогнозированию отказов УЭЦН с применением методов машинного обучения и рассмотренные в данной статье. По правой оси ординат рисунка 2 отражена накопленная динамика увеличения количества работ (оранжевая пунктирная линия), указывающая на экспоненциальный рост. Данный тренд является индикатором роста интереса к теме прогнозирования отказов УЭЦН методами ML в научной и производственной среде, несмотря на то, что некоторая часть исследований могла не войти в настоящий обзор.
Развитие и внедрение информационных и цифровых технологий, в том числе в нефтегазовой отрасли, позволит адаптировать и применить более совершенные методы ML для решения задачи предиктивной аналитики.
Обсуждение результатов анализа литературы
На основании проведенного анализа, можно выделить три основных подхода к моделированию: во-первых, прогнозирование отказов УЭЦН без использования обучающих примеров, во-вторых, прогнозирование отказов УЭЦН с обучающими примерами, и, в-третьих, задание экспертных правил. Обучение без примеров может осуществляться методом главных компонент (PCA), который достаточно широко используется для диагностики работы УЭЦН и идентификации отказа. Большинство работ с применением метода главных компонент основано на высокодискретных данных и незначительном количестве случаев отказов УЭЦН. Если имеется информация об отказах, то используются методы обучения на примерах, к которым относятся искусственные нейронные сети, деревья решений и другие.
Методы нечеткой логики являются направлением, в правила которых закладываются экспертные знания [35], а их эффективность зависит от качества применяемых правил и данных.
Проблема недостаточного количества данных, по мнению многих авторов, является одним из факторов недостижения целевых показателей точности прогнозирования. На сегодняшний день, как в РФ, так и в мировой практике все больше количество данных консолидируется с более высокой дискретностью, что, во-первых, связано с трендом на всеобщую цифровизацию процессов, развитием цифровых двойников различных производственных процессов добывающих предприятий; а, во-вторых, с распространением более сложных с точки зрения контроля периодических режимов эксплуатации скважин, оборудованных УЭЦН, на которых критически важным становится контроль параметров с высокой частотой замеров. Однако сложностью, с которой сталкиваются инженеры при разработке и внедрении системы прогнозирования отказов УЭЦН, является разрозненность данных, хранение их в разных базах данных и форматах, нередко встречаются и потери исторических данных по эксплуатации. Таким образом, важно не только получать большой объем данных с достаточной дискретностью для решения поставленных задач, но и организовывать процесс хранения и структуризации данных из различных источников (например, телеметрия со скважины, данные суточных замеров, информация об отказах по результатам разборов, и в целом информация о конструкции скважин и геолого-физических характеристиках месторождения), то есть необходимо создание качественных датасетов для достижения более высокого качества прогнозирования. В результате обобщения рассмотренных в данной статье исследований сформирована диаграмма (рисунок 3) с распределением по частоте данных, используемых для создания ML моделей, которая показывает, что большая часть исследований основываются на высокодискретных данных.
Другая проблема связана с применением принципиально разных метрик при оценке качества результатов задачи прогнозирования отказов. Некоторые исследователи прогнозируют отказ как класс с некоторой «эмпирической вероятностью», другие оценивают количество суток до отказа, третьи пытаются оценить остаточной ресурс ГНО. Эффективность таких «разных» моделей оценивается различными способами. Исследователи применяют различные метрики: Accuracy, F1‑Score, Precision, Recall, R2, MAE или MAPE и другие – в зависимости от типа задачи (классификации или регрессии). Например, при решении задачи классификации часто используется метрика «точность», которая может быть, как точностью прогноза отдельного класса (Precision), так и точностью прогноза в целом (Accuracy). При решении задачи регрессии (прогноза значения, а не эмпирической» вероятности) такая метрика как «точность» не используется, сравнить такую модель напрямую с моделью классификации нельзя. Однако возможно бинаризировать результаты прогнозирования в задаче регрессии, введя допущение, что те прогнозируемые значения, которые попадают, например, в интервал ±15%, – это положительно спрогнозированный класс. В этом случае модели регрессии и классификации можно сравнить, используя некую метрику «точность». Следует учитывать условность такого сравнения ввиду более сложных моделей регрессии в задаче прогнозирования отказов УЭЦН: модели регрессии прогнозируют временной горизонт, в том время как при формулировке задачи классификации величина этого горизонта фиксируется. Другими словами, при сравнении таких моделей, соответственно и показателей их «точности», необходимо иметь в виду, что решаются разные задачи.
Следствием этого является то, что у инженеров, принимающих решения на основе систем прогнозирования отказов, возникают трудности с интерпретацией результатов. Тем не менее для развития подходов к решению задачи прогнозирования отказов УЭЦН необходима детальная характеризация качества данных. В этой связи важной является задача разработки единых, понятных для всех подходов к оценке эффективности моделей, что позволит минимизировать недопонимание между исследователями и конечными пользователями метрик оценки качества моделей.
Выявлено, что большинство работ посвящено прогнозированию отказов в работе УЭЦН, для которых предлагаемые решения являются лишь одним из способов повышения операционной эффективности при управлении ресурсами нефтедобывающих предприятий. Рассмотренные работы в основном являются исследовательскими и практически не содержат опыта непосредственной реализации предлагаемых алгоритмов в бизнес-процессах добычи нефти предприятиями отрасли. На сегодняшний день метрики точности прогнозирования отказов УЭЦН недостаточны для их практической реализации производственными компаниями, при этом одной из причин этого является сложность обоснования внедрения систем в производство. Областью эффективного применения систем прогнозирования отказов УЭЦН, в первую очередь, должны являться месторождения и скважины с относительно большими дебитами нефти, так как в этих случаях непредвиденный отказ, который приведет к незапланированному простою добывающего фонда, будет являться наиболее болезненным; внедрение подобных систем для месторождений с небольшими дебитами может быть менее эффективным [40]. Так, на высокодебитных скважинах потери от простоя могут значительно отразиться на прибыли, соответственно на них необходимо минимизировать простои, например, при помощи инструментов предиктивной аналитики. Кроме того, данное направление актуально для добычи углеводородов в условиях ограниченных поставок оборудования, например, на морских платформах и удаленных автономных месторождениях.
Заключение
В последнее десятилетие предиктивная аналитика работы УЭЦН, в частности, прогнозирование отказов, привлекает широкое внимание исследователей, но на сегодняшний день не выработан единый подход к применению методов и моделей машинного обучения при решении задачи прогнозирования отказов УЭЦН.
Несмотря на общий рост показателей по метрикам в рассматриваемых исследованиях, применяемые модели не отвечают качественным требованиям для принятия решений. При этом в большинстве исследований приемлемая эффективность прогнозных моделей достигается в период времени от одной до двух недель. Выявлена необходимость повышения качества входных данных, проведение этапа их предварительной обработки с применением современной аналитики, в том числе методами искусственного интеллекта, а также использования при построении моделей на высокодискретных данных с частотой получения параметров менее часа. Особое внимание при обучении моделей необходимо уделять данным, в которых имеются аномалии, изменение и динамика которых приводят к отказу УЭЦН. Однозначно, перспективным направлением является создание гибридных предиктивных моделей на основе нескольких методов машинного обучения, использующих не только промысловые данные, но и данные вычислительных экспериментов.
Литература
1. Волков М.Г., Халфин Р.С., Топольников А.С. Обоснование выбора области применения новых механизированных способов эксплуатации скважин // Нефтяное хозяйство. – 2019. – № 3. – С. 96–100. – DOI: 10.24887/0028-2448-2019-3-96-100.
2. Пашали А.А., Волков М.Г., Жонин А.В. Экспертная система диагностики электроцентробежных насосов // Нефтегазовое дело. – 2009. – Т. 7, № 1. – С. 117–120.
3. Lastra R. Achieving a 10-year ESP Run life // Society of Petroleum Engineers. – 2017. – 245 p. – DOI: 10.2118/185149-MS.
4. Мельниченко В.Е. Оценка влияния основных технологических характеристик добывающих скважин на ресурс погружных электроцентробежных насосов: дис. … канд. техн. наук: 25.00.17. – М., 2017. – 170 с.
5. Коровин С.Я., Артамонов Р.А., Назаров В.Ю. Развитие информационных систем основного производства ОАО "Сургутнефтегаз" // Нефтяное хозяйство. – 2003. – № 10. – С. 12–14.
6. Атнагулов А.Р., Ишемгужин И.Е. Прогнозирование наработки на отказ электроцентробежного насоса перед спуском в скважину и оценка его остаточного ресурса при эксплуатации // Нефтяное хозяйство. – 2010. – № 6. – С. 102–105.
7. Thornhill D.G., Zhu D. Fuzzy analysis of ESP system performance // Proceedings. Annual Technical Conference and Exhibition. – 2009. – 317 p. – DOI: 10.2118/123684-MS.
8. Han G., Chen M., Zhang H., Ling K. Real-time monitoring and diagnosis of electrical submersible pump // SPE Annual Technical Conference and Exhibition. – 2015. – P. D021S011R004. – DOI: 10.2118/174873-MS.
9. Sherif S. Predictive data analytics for effective electric submersible pump management // Nigeria Annual International Conference and Exhibition. – 2019. – DOI: 10.2118/198759-MS.
10. Castellanos M.B. Fault identification using a chain of decision trees in an electrical submersible pump operating in a liquid-gas flow // Journal of Petroleum Science and Engineering. – 2020. – V. 184. – P. 106–490. – DOI: 10.1016/j.petrol.2019.106490.
11. Малышев А.С., Пашали А.А., Маркелов Д.В. Применение элементов искусственного интеллекта для диагностирования неисправностей электроцентробежных насосов в системе мониторинга Rosneft-WellView // Нефтяное хозяйство. – 2009. – № 11. – С. 80–83.
12. Шубин С.С., Салахов Т.Р., Ямалиев В.У. Анализ технического состояния установок электроцентробежных насосов с применением математического аппарата искусственной нейронной сети // Проблемы геологии и освоения недр: тр. XVI Международного симпозиума имени академика М.А. Усова студентов и молодых ученых. Том 2. – Томск, 2012. – С. 405–407.
13. Adesanwo M. Advanced Analytics for Data-Driven Decision Making in Electrical Submersible Pump Operations Management // Nigeria Annual International Conference and Exhibition. – 2017. – DOI: 10.2118/189119-MS.
14. Топольников А.С. Машинное обучение для механизированной добычи нефти // Деловой журнал Neftegaz.RU. – 2021. – № 5(113). – С. 14–19.
15. Celemin A., Estupiñan D. A., Ricardo N. Model Comparison for ESP Run-Life Prediction: Classic Statistics Vs. Machine Learning // SPE Annual Technical Conference and Exhibition. – 2021. – DOI: 10.2118/206028-MS.
16. Mahmoud M. A., AbuObida M., Mohammed O., Hassan A. M., Mahmoud M. A. Application of Artificial Neural Networks in Predicting Discharge Pressures of Electrical Submersible Pumps for Performance Optimization and Failure Prevention // ADIPEC. – 2023. – DOI: 10.2118/216598-MS.
17. Шабонас А.Р. Оптимизация работы электроцентробежного насоса для повышения наработки на отказ // Нефтепромысловое дело. – 2021. – № 8(632). – С. 30–36. – DOI: 10.33285/0207-2351-2021-8(632)-30-36.
18. Shejuti S., Yocheved G., Thomas A.W., Babak A., Furlong E.R., Baker H. Case Study: Predicting Electrical Submersible Pump Failures Using Artificial Intelligence and Physics-Based Hybrid Models // SPE Middle East Intelligent Oil and Gas Symposium. – 2023. – DOI: 10.2118/214462-MS.
19. Shejuti S. Furlong Т., Baker H. Case Study: Predicting Electrical Submersible Pump Failures Using Artificial Intelligence and Physics-Based Hybrid Models // SPE Gulf Coast Section – Electrical Submersible Pumps Symposium. – 2023. – DOI: 10.2118/214722-MS.
20. Abdalla R., Samara H., Perozo N. Machine learning approach for predictive maintenance of the electrical submersible pumps // ACS omega. – 2022. – V. 7(21). – Р. 17641–17651. – DOI: 10.1021/acsomega.1c05881.
21. Khabibullin R.A., Shabonas A.R., Gurbatov N.S., Timonov A.V. Prediction of ESPs Failure Using ML at Western Siberia Oilfields with Large Number of Wells // Society of Petroleum. – DOI: 10.2118/201881-RU.
22. Yang J. Fault diagnosis of electric submersible pump tubing string leakage // E3S Web of Conferences. –2021. – V. 245. – Р. 10–42. – DOI: 10.1051/e3sconf/202124501042.
23. Lastra Melo R.A., Worth D.J., Swaffield S. Assessment of Real-Time ESP Failure Prediction Using Digital Twin, Machine Learning and Damage Modelling // SPE Gulf Coast Section Electric Submersible Pumps Symposium. – 2023. – DOI: 10.2118/214725-MS.
24. Peng L., Han G., Sui X., Arnold L.P., Zhu L., Shu J. Predictive Approach to Perform Fault Detection in Electrical Submersible Pump Systems // ACS Omega. – 2021. – DOI: 10.1021/acsomega.0c05808.
25. Cardona L.E., Vivas S.P.J., Joya В. Failure Prediction Methodology for ESP and Operational Behavior // SPE Latin American and Caribbean Petroleum Engineering Conference, Port of Spain. – 2023. – DOI: 10.2118/213140-MS.
26. Abdalla R., Al-Hakimi W., Perozo N., Jaeger P. Real-Time Liquid Rate and Water Cut Prediction From the Electrical Submersible Pump Sensors Data Using Machine-Learning Algorithms // ACS Omega. – 2023. – DOI: 10.1021/acsomega.2c07609.
27. Peng L. Electric submersible pump broken shaft fault diagnosis based on principal component analysis // Journal of Petroleum Science and Engineering. – 2020. – Т. 191. – Р. 107–154. – DOI: 10.1016/j.petrol.2020.107154.
28. Devshali S., Tripathi S., Dodda D., Kumar M., Uniyal R., Yadav M., Malhotra S. Predicting ESP failures Using Artificial Intelligence for Improved Production Performance in One of the Offshore Fields in India // ADIPEC held in Abu Dhabi. – 2022. – DOI: 10.2118/211031-MS.
29. Лакман И.А., Агапитов А.А., Садикова Л.Ф. Анализ возможности применения методов машинного обучения в предиктивной аналитике для определения вероятности отказов установок электроцентробежных насосов // Нефтяное хозяйство. – 2024. – № 9. – С. 132–136. – DOI: 10.24887/0028-2448-2024-9-132-136.
30. Al-Ballam S., Karami H., D. Devegowda. A Hybrid Physical and Machine Learning Model to Diagnose Failures in Electrical Submersible Pumps // SPE/IADC Middle East Drilling Technology Conference and Exhibition. – 2023. – DOI: 10.2118/214632-MS.
31. Blanckaert T., Subervie Y. M. Real-time data and expert system combine to develop artificial lift predictive diagnostics // Production and Operations Symposium. – 2013. – DOI: 10.2118/164497-MS.
32. Guo D., Raghavendra C.S., Yao K., Harding M., Anvar A., Patel A. Data driven approach to failure prediction for electrical submersible pump systems // Western Regional Meeting 2015: New Horizons Through Enabling Technology. – 2015. – 967 p. – DOI: 10.2118/174062-MS.
33. Gupta S., Saputelli L., Nikolaou M. Applying big data analytics to detect, diagnose, and prevent impending failures in electric submersible pumps // SPE Annual Technical Conference and Exhibition. – 2016. – DOI: 10.2118/181510-MS.
34. Abdelaziz M., Lastra R., Xiao J. J. ESP data analytics: Predicting failures for improved production performance // Abu Dhabi International Petroleum Exhibition and Conference. – 2017.
35. Veprev V.A., Kuzmin M.I., Ponomareva A. I. Review of international practices in diagnostics and accidents forecasting for units // OIJ. – 2024. – Р. 84–89. – DOI: 10.24887/0028-2448-2024-1-84-89.
36. Sneed J. Predicting ESP Lifespan with Machine Learning // Unconventional Resources Technology Conference. – 2017. – DOI: 10.15530/URTEC-2017-2669988.
37. Rensburg N. Usage of Artificial Intelligence to Reduce Operational Disruptions of ESPs by Implementing Predictive Maintenance // Abu Dhabi International Petroleum Exhibition and Conference. – 2018. – DOI: 10.2118/192610-MS.
38. Bhardwaj A.S. Real-Time Monitoring and Predictive Failure Identification for Electrical Submersible Pumps // Abu Dhabi International Petroleum Exhibition and Conference. – 2019. – DOI: 10.2118/197911-MS.
39. Andrade M.A. Well and Component Failure Prediction in Advance using Engineered Analytics-A Breakthrough in Minimizing Unscheduled Subsurface Deferments // Abu Dhabi International Petroleum Exhibition and Conference. – 2019. – DOI: 10.2118/197806-MS.
40. Khabibullin R., Krasnov V. Do no harm – or when there is an advantage from the oil production equipment failures prediction // Russian Oil and Gas Exploration and Production Technical Conference and Exhibition. – 2012. – DOI: 10.2118/161973-MS.
41. Orru P.F., Zoccheddu A., Sassu L., Mattia C., Cozza R., Arena S. Machine Learning Approach Using MLP and SVM Algorithms for the Fault Prediction of a Centrifugal Pump in the Oil and Gas Industry // Sustainability. – 2020. – No. 11. – DOI: 10.3390/su12114776.
42. Lastra R., Faris T. Computer Vision for Real-Time ESP Failure Detection and Diagnostics // 23rd World Petroleum Congress. – 2021. – No 23.
43. Karnik S., Yenuganti N., Firmansyah J. B., Supriya N., Prasanna M. M., Asim M. Automated ESP Failure Root Cause Identification and Analyses Using Machine Learning and Natural Language Processing Technologies // Gulf Coast Section Electric Submersible Pumps Symposium. – 2021. – DOI: 10.2118/204519-MS.
44. Lastra R.A., Jinjiang X. Machine Learning Engine for Real-Time ESP Failure Detection and Diagnostics // Middle East Artificial Lift Conference and Exhibition. – 2022. – DOI: 10.2118/206935-MS.
45. Sindi W., Fruhwirth R., Gamsjäger E., Herbert Н. Production Optimization Using Integrated Modelling and Survival Analysis Based on Historical Data and Machine Learning // ADIPEC. – 2023. – DOI: 10.2118/216990-MS.
46. Sawafi А., Kazem А., Ganat А.T., Al S.F. Developing an ESP Lifespan Predictive Model Using Artificial Intelligence: A Case Study On an Omani Oilfield // Conference at Oman Petroleum and Energy Show. – 2024. – DOI: 10.2118/218601-MS.
