CC BY
1
регулирования теплоотдачи отопительных приборов, но и индивидуального учета теплоты, расходуемой на отопление того или иного помещения (или комплекса помещений).
Параллельно с развитием внутридомовых отопительных систем происходит ориентация на централизованное теплоснабжение и современные отопительные системы, как правило водяные, в основном, ориентированы на получение теплоты от централизованных источников.
Постепенно в России повышаются требования к тепловому режиму помещений, вводятся строгие нормативы температуры в помещениях разного назначения. Это влечет за собой индивидуальное регулирование теплоотдачи нагревательных приборов и, таким образом, температуры воздуха в помещениях. Достигается такое регулирование установкой термостатов, конструктивное исполнение которых может быть различным, но позволяет поддерживать различные значения температуры воздуха в помещениях (ночной, дневной, дежурной и др.).
Одновременно эволюционируют и приборы отопления. На сегодняшний день выбор радиаторов для водяного отопления очень широк. И по материалам: помимо чугунных и стальных появились алюминиевые, биметаллические приборы и даже бетонные отопительные устройства - нагревательные приборы, выполненные в виде тонких бетонных плит. И по способам подключения и по дизайнерским решениям. Широкое распространение получает плинтусное отопление.
Заключение. Основные современные направления развития отопительных систем продиктованы требованиями энергосбережения и индивидуального учета расходования тепловой энергии. Необходимость индивидуального (поквартирного) учета расхода теплоты ведет к преимущественному распространению двухтрубных, с поквартирным, присоединением систем с установкой счетчиков на вводе в каждую квартиру. В самой квартире система отопления может выполняться по любой схеме (вертикальной или горизонтальной, попутной или тупиковой, одно или двухтрубной). Список использованной литературы:
1. «100 лет теплофикации и централизованному теплоснабжению в России». Сборник статей под ред. В.Г. Семенова, Издательство «Новости теплоснабжения», М., 2003.
2. Орлов А.И., Русская отопительно-вентиляционная техника. Государственное издательство строительной литературы, М., 1950.
3. С.М. Гришечко-Климов, Развитие отопительно-вентиляционной техники, М., ВЗПИ, 1955 г.
4. Сканави А.Н., Махов Л.М. Отопление, АСВ, М., - 576 с., 2002.
© Власова-Громова В.К., 2024
УДК 622.24
Галямов А.З.
магистрант 3 курса, гр. ЦТмз-22-1 Тюменский индустриальный университет
г. Тюмень, РФ
ПОДХОД К ОПТИМИЗАЦИИ ТРАЕКТОРИИ ГОРИЗОНТАЛЬНОГО СТВОЛА СКВАЖИНЫ С ПОМОЩЬЮ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Аннотация
Горизонтальные скважины играют ключевую роль в повышении эффективности разработки и эксплуатации месторождений нефти и газа. На сегодняшний день передовые технологии управления
траекторией бурения зависят от механизма двойной коммуникации между поверхностью и забоем скважин, а также от эмпирических решений, принимаемых специалистами. Однако из-за геологических неопределенностей, задержки информации при бурении, а также высокой доли человеческого фактора в принятии решений, точное управление траекторией открытой горизонтальной скважины остается сложной задачей.
В статье рассматривается подход к адаптивному определению цели и проектирования траекторий стволов горизонтальных скважин большой протяженности на основе методов обучения с подкреплением. Данный подход позволяет динамически идентифицировать последовательности пластов на основе данных каротажа в процессе бурения (Logging While Drilling, LWD) и прогнозировать горизонтальные цели в режиме реального времени. Также используются данные измерений в процессе бурения (Measurement While Drilling, MWD) для точной характеристики глубины, наклона и азимута скважины.
Ключевые слова:
оптимизация, скважина, управление, прогноз, траектория, бурение, механизм. APPROACH TO HORIZONTAL WELLBORE TRAJECTORY OPTIMIZATION USING MACHINE LEARNING METHODS
Abstract
Horizontal wells play a key role in improving the efficiency of oil and gas field development and operation. To date, advanced drilling trajectory control technologies have depended on the dual communication mechanism between surface and well bottom and empirical decisions made by experts. However, due to geologic uncertainties, drilling information delay, and the high proportion of human factor in decision making, accurate trajectory control of an open horizontal well remains a challenging task.
This paper discusses an approach for adaptive target identification and trajectory design of long-reach horizontal wellbores based on reinforcement learning methods. This approach dynamically identifies reservoir sequences from Logging While Drilling (LWD) data and predicts horizontal targets in real time. It also uses Measurement While Drilling (MWD) data to accurately characterize well depth, inclination and azimuth.
Keywords:
оptimization, well, well control, management, prediction, trajectory, drilling, mechanism
Растущее потребление углеводородов в странах БРИКС стимулирует дальнейшее развитие глобальных энергетических систем, способствуя изменению глобальных моделей спроса и предложения. Ускорение разведки и добычи нефти и газа в РФ имеет решающее значение для снижения давления на поставки и адаптации к изменениям в энергетической структуре. Одна из основных технологий, поддерживающая крупномасштабную разработку месторождений нефти и газа, - это бурение горизонтальных скважин (>2000 м) [1].
Однако нефтяные и газовые пласты зачастую характеризуются сильной неоднородностью, что усложняет контроль траектории горизонтальных скважин. В результате траектории часто корректируются, повышается риск бурения вне продуктивной зоны пласта, а качество ствола скважины обычно остается неудовлетворительным. Все эти факторы значительно влияют на производственную мощность скважины, а также на экономическую эффективность реализуемой системы разработки [2-4].
Существует несколько методов, используемых для оптимизации проектирования траектории скважин. Например, геометрический анализ или графические методы могут быть применены для оптимизации траектории ствола скважины на основе параметров ранее пробуренных траекторий [5].
Механизм динамического взаимодействия между долотом и пластовыми условиями моделируется путем функционального определения действий КНБК (компоновка низа бурильной колонны). Условия
процесса бурения ограничивают эти взаимодействия, благодаря чему КНБК самостоятельно определяет направление бурения в сторону цели, достигая точности 100 % при управлении траекторией скважины [6].
Оптимизация траектории ствола скважины эволюционировала от задачи «попадания в одну цель» к многозадачной оптимизации, а используемые алгоритмы развивались от традиционных методов (например, метод хорды; метод постоянной кривизны) до интеллектуальных алгоритмов, таких как методы поиска по шаблону, генетические алгоритмы оптимизации роя частиц [7].
На сегодняшний день самая передовая технология управления траекторией ствола скважины - это технология роторных управляемых систем. Эта технология функционирует в полузамкнутом контуре под землей, где решения о бурении требуют экспертного анализа данных в реальном времени. Затем управляющие команды отправляются на подземное устройство управления и направляющие инструменты, чтобы корректировать траекторию ствола скважины в процессе бурения, обеспечивая попадание в оптимальное положение в пласте. Однако этот полузамкнутый контур взаимодействия на забое сильно зависит от скорости и эффективности передачи сигналов и опыта конкретного эксперта, принимающего участие в решении задачи [8, 9].
Адаптивный метод проектирования траектории горизонтального участка скважины на основе обучения с подкреплением (Reinforcement Learning) позволяет динамически идентифицировать последовательности пластов на основе данных бурения, точно прогнозировать целевые области горизонтальной скважины в режиме реального времени и создавать модель бурового окружения.
Глубина входа КНБК в цель, его наклон и азимут точно определяются с использованием данных измерений в процессе бурения (Logging While Drilling, LWD; Measurement While Drilling, MWD).
С учетом ограничений, накладываемых условиями бурения, разработаны функции вознаграждения и механизмы обновления, которые позволяют динамически и интерактивно оптимизировать многозадачные траектории скважин [10, 11]. КНБК находит оптимальную траекторию ствола для всех целевых зон бурения в заданных условиях.
Подход к интеллектуальному проектированию оптимизации траектории горизонтальной скважины на основе обучения с подкреплением включает следующие этапы:
1. Классификация данных с использованием адаптивного бустинга AdaBoost (Adaptive Boostin):
о Данный алгоритм использует данные каротажа в процессе бурения (LWD - Logging While Drilling (Наддолотный модуль, НДМ); MWD - Measurement While Drilling (измерения в процессе бурения)) для точной идентификации стратиграфической последовательности;
о На основе этих данных выбираются соответствующие значения характеристик, которые используются для определения стратиграфических границ массива и формирования стратиграфического разреза.
2. Определение целевого пласта:
о Определяются верхняя и нижняя границы целевого пласта для прогнозирования области горизонтальной скважины;
о Проверяются координаты геологической цели горизонтальной скважины;
о Используя данные измерений в процессе вскрытия пласта, точно определяются глубина бурения, угол наклона и азимут, что позволяет точно охарактеризовать окружающую геологическую среду.
3. Принятие решений для процесса бурения:
о Определяются действия КНБК, функция вознаграждения и механизм обновления на основе марковского процесса принятия решений (Markov Decision Process, MDP);
о Применяется алгоритм Deep Q-Network (DQN) для хранения значений, обучения обновлениям и принятия интеллектуальных решений, связанных с траекторией ствола скважины;
о Уточняется механизм взаимодействия между КНБК и средой бурения, что позволяет КНБК
автоматически находить оптимальную траекторию среди всех возможных целей в текущих условиях вскрытия массива.
Таким образом, достигается интеллектуальная оптимизация траектории скважины на забое для нескольких целей (рис. 1).
В исходных данных LWD могут быть пропущенные значения и выбросы. Для обеспечения точности анализа проводится тщательная предобработка данных:
1. Устранение пропущенных значений:
о Признаки с большим количеством пропущенных значений исключаются из набора данных;
2. Обнаружение выбросов:
о Выбросы в данных идентифицируются с помощью коробчатых диаграмм (Box Plots);
о Выбросы, связанные с изменениями литологии, исключаются из анализа;
о Выбросы, вызванные не литологическими изменениями, заменяются средними значениями двух соседних точек выборки.
Действие КНБК
С
с
LWD данныг LWD данныг MWD данные
Предобработка данных Границы пгаста Предобработка данных
Страт идентифигация RT-прогноз цели Псз. КН5К (MD. inc. az )
( Условия буре ни? )
Марковский процесс принятия решений
J
Состояние среды
Вознаграждение
т
1
Модегь гезехс^оЕ
Построение интеллектуальной системы на осьсзе DGN
I
J
С
Выборка
Обновление поте 3d
Интеплекггаульная оптимизация траектории
J
Рисунок 1 - Схематическая диаграмма проектирования траектории горизонтальной
скважины на основе DQN
3. Нормализация данных:
о Для снижения влияния различий в числовых масштабах данных все данные нормализуются;
о Используется нормализация методом «Мт-Мах», которая преобразует значения в заданный диапазон (обычно [0, 1]);
о Формула преобразования представлена следующим образом [12]:
Х-Хтт ,„.
X =-- (1)
Хтах-Хтт
где X - исходное значение; Хтах, Хтт - соответственно, максимальное и минимальное значения в наборе данных; X' - нормализованное значение.
Эта процедура предобработки данных позволяет устранить шумы и выбросы, а также обеспечить более точное и стабильное распознавание стратиграфической последовательности массива.
Выбранные для исследования данные гамма-излучения (ГК), акустической разницы времени (АК), плотности и пористости приведены в табл. 1.
Таблица 1
Каротажные данные
MD, (м) ГК, (у.е.) АК, (мс/м) Плотность, (г/см3) Пористость
2536,58 110,88 277,54 2,51 0,22
2536,71 112,02 279,52 2,48 0,22
2536,83 111,30 277,34 2,47 0,23
2536,96 110,45 274,76 2,45 0,23
2555,44 114,17 272,11 2,52 0,21
2492, 75 104,96 293,85 2,43 0,19
2521,60 98,57 287,08 2,58 0,13
2493,87 113,06 282,42 2,50 0,18
2542,45 98,67 274,22 2,51 0,19
2563,05 102,48 255,20 2,55 0,15
2571,30 121,13 261,17 2,56 0,21
2525,59 109,56 273,36 2,54 0,19
2511,86 103,99 286,51 2,55 0,15
Для применения алгоритма AdaBoost к распознаванию стратиграфической последовательности массива необходимо настроить соответствующие параметры для оценки влияния их изменения на точность распознавания.
Оптимизация числа слабых классификаторов является ключевым шагом. В данном исследовании метод Grid Search с кросс-валидацией использовался для оптимизации количества слабых классификаторов. В качестве базового классификатора по умолчанию использовались: деревья решений [13]; линейное и радиальное базисное ядро (RBF) в классификаторе SVC для сравнения, табл. 2.
Таблица 2
Оценка различных методов обучения
Decision tree Linear Support Vector Classifier RBF
n-estimators 50 8 5
accuracy 0,800 0,795 0,695
F1-macro 0,779 0,772 0,673
Результаты оценки показали, что дерево решений продемонстрировало наилучшую производительность на данном наборе данных, поэтому оно было выбрано в качестве базового классификатора.
Далее была выполнена оптимизация следующих параметров: о Глубина дерева (max_depth);
о Минимальное количество образцов для разделения узла (min_samples_split). Методом перебора диапазона значений параметров и сравнения точности кросс-валидации были получены оптимальные значения: max_depth = 3; min_samples_split = 4.
С использованием оптимального числа слабых классификаторов был построен график зависимости уровня ошибки от числа слабых классификаторов при различных скоростях обучения (learning rate, рис. 2).
При 50 слабых классификаторах уровень ошибки достигает минимального значения 0.105 при скорости обучения 0,8. Эти результаты подтверждают эффективность оптимизации параметров алгоритма AdaBoost и выбора дерева решений в качестве базового классификатора.
Рисунок 2 - Изменение частоты ошибок в зависимости от количества слабых классификаторов
при различных условиях скорости обучения
На основе модели распознавания стратиграфической последовательности массива были выбраны подходящие собственные значения для построения стратиграфических интерфейсов:
о Для сглаживания линий стратиграфических интерфейсов использовалась кривая LOWESS (локально-взвешенное сглаживание).
о Визуализация стратиграфического профиля (рис. 3). На графике выделен «Горизонт 4», который определен как целевой горизонт.
Полученные результаты подтверждают высокую точность модели для распознавания стратиграфической последовательности и построения точного стратиграфического профиля.
Взаимодействие между КНБК и пластом может быть смоделировано на основе Марковского процесса принятия решений (MDP). КНБК выполняет действия, изменяя состояние среды бурения и получая вознаграждения. В результате определяется оптимальная стратегия, которая максимизирует ожидаемое кумулятивное вознаграждение. Траектория, определяемая оптимальной стратегией, отражает проектирование оптимальной траектории ствола скважины.
Визуализация горизонтов
2500 2520 2540 2560
Глубина (м)
Рисунок 3 - Стратиграфический профиль, определенный на основе AdaBoost
Решение задачи принятия решений при бурении достигается путем выполнения следующих шагов: о На основе геологического профиля пласта определяются верхние и нижние границы целевого продуктивного горизонта;
о Выделяется область цели для горизонтальной скважины; о Устанавливаются несколько целевых зон бурения.
Пространство состояний обозначается как 5 и включает информацию о положении КНБК. Пространство состояний представляет собой множество всех возможных состояний, что выражается следующим образом:
5 = .....5П], (2)
где Б0 - начальное состояние КНБК, включающее его глубину, отклонение и азимут в точке входа; Бп - конечное состояние в точке завершения скважины.
Эпизод завершается, когда КНБК достигает состояния Бп или выходит за пределы целевого продуктивного пласта. В процессе эпизода КНБК последовательно бурит в направлении цели, получая положительное вознаграждение. Максимальное вознаграждение достигается, когда КНБК попадает во все целевые зоны и в конечную точку завершения скважины. В качестве примера, схема перехода состояний для MDP в процессе бурения с тремя целями представлена на рис. 4.
Рисунок 4 - Переходы состояний MDP во время бурения
Отклонение КНБК управляет движением КНБК, направляя его из зоны вне целевого пласта к целевому пласту и обеспечивая прохождение ко всем целевым точкам в резервуаре. Направление и траектория КНБК регулируются путем изменения его мгновенного состояния для формирования всей траектории скважины. В процессе бурения изменение направления действия инструмента отклонения представлено на рис. 5.
Рисунок 5 - Направление действия отклоняющего инструмента во время бурения
В двухмерном геологическом профиле учитываются изменения направления инструмента отклонения только в вертикальной плоскости. Переменная управления направлением (у) определяется как угол между линией направления ствола скважины и линией направления инструмента отклонения.
В интервале времени от t0 до t1 направление действия инструмента отклонения изменяется с у0 до у1, что также сопровождается изменением азимута и смещения.
Действие КНБК при бурении (Action) состоит из действий управления КНБК (ау) и состояния None. Управление КНБК реализуется путем настройки переменной управления направлением (у) на предустановленное значение в зависимости от ситуации, что позволяет контролировать плавность траектории ствола скважины. Значение у ограничивается способностью инструмента отклонения и варьируется от 0° до 2° (утах). Формула действия КНБК представлена следующим образом:
!0, у уменьшение, move = True
1, у увеличение, move = True , (3)
None, у не изменяется, move = False где флаг действия КНБК обозначается как move; если move = True, выполняется действие КНБК; если move = True и ay = 0, у уменьшается; если move = True и ay = 1, у увеличивается; если move = False, КНБК не бурит, и у остается неизменным.
На рис. 6 показано положение КНБК между двумя соседними целями: о d - расстояние от КНБК до линии соединения целей 1 и 2 (называемое "смещением"). о в - угол между направлением бурения КНБК и горизонтальной линией. о с - параллельная линия, соединяющая цель 1 и цель 2. Когда значения d и в приближаются к 0, КНБК движется к цели.
Кровля пласта _^^^^^^^^^^^
Подошва пласта
Рисунок 6 - Параметры положения КНБК
Во время взаимодействия с буровой средой действия КНБК вызывают изменения состояния (S), и среда предоставляет обратную связь в виде вознаграждений на основе текущих переменных состояния. Когда КНБК находится близко к следующей цели, среда присваивает положительное значение вознаграждения, в противном случае - отрицательное значение штрафа.
Оптимальные действия исследуются на основе механизма вознаграждений и штрафов с целью максимизации вознаграждений, что способствует поддержанию КНБК в пределах целевого пласта и достижению оптимальной траектории ствола скважины.
Функция вознаграждения определяется следующим образом:
fR(d.e)
Ri
Вознаграждение = Ran , (4)
Rm Rd
где R(d,9) - непосредственное вознаграждение, связанное с расстоянием смещения d и углом смещения в; Ri - фиксированное вознаграждение за достижение одной цели; Raü - общее вознаграждение за бурение ко всем целям; Rm - вознаграждение за достижение конечной точки бурения; Rd - штраф за выход за пределы формации, что отражает значительное отклонение от траектории.
Принципы применения функции вознаграждения:
о Если КНБК достигает цели, присваивается фиксированное значение вознаграждения Ri.
о Если цель не достигнута и расстояние d от цели превышает заданное значение, применяется отрицательный штраф.
о Если расстояние d меньше заданного значения, это указывает на приближение КНБК к цели, и присваивается положительное вознаграждение.
Учет отклонений от траектории:
о Если КНБК слишком сильно отклоняется от положения цели, может возникнуть ситуация, при которой траекторию невозможно корректировать, или КНБК выйдет за пределы пласта;
о Для предотвращения таких ситуаций устанавливается минимальный порог вознаграждения. Если вознаграждение становится меньше этого порога, действие завершается досрочно, пока КНБК находится далеко от цели;
Механизм взаимодействия между КНБК и буровой средой объясняется следующим образом:
1. Начальное положение КНБК. Глубина, отклонение и азимут КНБК, входящего в целевой пласт, точно определяются с использованием данных MWD для завершения процесса инициализации положения КНБК.
2. Процесс взаимодействия:
о Буровая среда передает текущее состояние (St) КНБК;
о КНБК выполняет соответствующее буровое действие (Actiont);
о Буровая среда реагирует на действие КНБК, переходя в новое состояние (St+i) и генерируя вознаграждение за действие;
о КНБК обновляет стратегию для получения оптимальной функции ценности через интерактивное обучение с буровой средой, что позволяет выбрать стратегию с максимальным вознаграждением.
На основе стратиграфического разреза была создана среда бурения с использованием подхода обучения с подкреплением. Траектория ствола горизонтальной скважины в целевом горизонте была оптимизирована:
о Линия стратиграфического интерфейса, сглаженная с помощью кривой LOWESS, преобразуется в растровое изображение;
о После интервального отбора данных верхней и нижней границ целевого горизонта средние
горизонтальные и вертикальные координаты верхних и нижних точек выборки принимаются в качестве целевых координат;
о Для горизонтального участка установлено двенадцать целей, где двенадцатая цель представляет конечную точку бурения;
о Построенная среда бурения представлена на рис. 7;
о Позиция входа КНБК в цель, угол наклона и азимут точно определяются на основе данных LWD/MWD;
о После входа КНБК в целевой горизонт начинается бурение для определения угла смещения (в), расстояния смещения (d) и количества точек бурения до цели;
о Затем применяется стратегия максимального вознаграждения для вывода действия, изменения флага действия move и выполнения поддействия управления КНБК (ау);
о Следующее состояние (S') определяется на основе выполненного действия;
о Определяются новые значения угла смещения (в) и расстояния смещения (d), а также обновляется количество достигнутых целей;
о Значение вознаграждения рассчитывается на основе функции ценности Q(S), и параметры сети функции ценности обновляются;
о КНБК взаимодействует со средой бурения, обновляя параметры сети на каждом шаге; о Эпизод завершается, если КНБК выходит за пределы формации или если кумулятивное значение вознаграждения становится меньше минимального порога вознаграждения;
о Обучение завершается, когда достигается заданное число эпизодов или показатель вознаграждения снижается до установленного значения.
Визуализация горизонтов с точками траектории скважины
2500 2520 2540 2560
Глубина (м)
Рисунок 7 - Условия бурения
Гиперпараметры оказывают значительное влияние на скорость сходимости модели, общую производительность и стабильность обучения [14].
Инициализация гиперпараметров была выполнена на основе эмпирических значений. Кумулятивное вознаграждение использовалось в качестве метрики для оценки эффективности гиперпараметров.
Для обучения был выполнен поиск по заранее заданному набору гиперпараметров, чтобы достичь
максимального накопленного вознаграждения.
Оптимизированные гиперпараметры для представлены в табл. 4.
Гиперпараметры
Таблица 4
Параметр Значение
Фактор дисконтирования 0,95
Эпсилон 0,9
Размер пакета 128
Конечное значение эпсилон 0,01
Скорость обучения 0,001
Размер буфера воспроизведения 50000
Условия обучения в следующие:
о Заданное количество эпизодов составило 10 000 итераций.
о Обучение завершилось, когда конечное значение коэффициента исследования снизилось до 0,01. На ранних этапах обучения КНБК могло достичь конечной точки внизу скважины, но наблюдалось отклонение от целевых точек. По завершении обучения (при коэффициенте исследования 0,01) максимальное количество эпизодов составило 8042. На ранних стадиях обучения наблюдались высокие значения вознаграждений благодаря активному исследованию КНБК. С увеличением числа эпизодов обучения вознаграждения росли, при этом минимальное значение вознаграждения также постепенно увеличивалось.
Алгоритм обучения сошелся примерно к 7600-му эпизоду. Однако, поскольку коэффициент исследования не достиг заданного значения, обучение продолжалось до снижения коэффициента до 0,01.
После завершения обучения результаты проектирования траектории скважины представлены на
рис. 8.
Глубина(м) Рисунок 8 - Траектория скважины
Основные выводы
о Для достижения всех целей в целевом горизонте требуется подземный инструмент с высокой скоростью построения траектории.
о Траектория бурения КНБК представляет собой полностью замкнутую систему с интеллектуальной оптимизацией, учитывающую рабочие характеристики реальных КНБК.
о Разработанный метод использует данные LWD для идентификации стратиграфической последовательности с применением алгоритма AdaBoost, визуализирует среду формации и в реальном времени прогнозирует целевую область горизонтальной скважины.
о КНБК автоматически определяет направление бурения, контролирует траекторию ствола скважины вдоль целевого пласта, достигает всех целей и максимизирует коэффициент бурения в коллекторах.
о Оптимальная траектория бурения КНБК соответствует проектируемой оптимальной траектории ствола скважины, что демонстрирует сочетание проектирования и управления траекторией скважины.
Намечена стратегия дальнейшего усовершенствования разработанного адаптивного управления траекториями скважин в сложных геологических условиях. Список использованной литературы:
1. Нескоромных В. Направленное бурение. Бурение горизонтальных и многозабойных скважин. - Litres, 2021. - 412 с.
2. Шмыгля Н.С. Поиск оптимальных геолого - технологических параметров массива при бурении // В сборнике: Проблемы и перспективы разработки и внедрения передовых технологий. Сборник статей Международной научно-практической конференции. - Уфа. - 2020. - С. 55-57.
3. Двойников М.В. Проектирование траектории скважин для эффективного бурения роторными управляемыми системами // Записки Горного института. - 2018. - Т. 231. - С. 254.
4. Мустафин И.А. Анализ роторно-управляемых систем российского производства // Мировая наука. -2024. - № 6 (87). - С. 98-101.
5. Закиров Э.С., Закиров С.Н., Индрупский И.М., Аникеев Д.П. Применение интеллектуальных скважин в системах разработки нефтяных и газовых месторождений // ИПНГ РАН Актуальные проблемы нефти и газа.
- 2018. - Вып. 2(21). - С. 1-19.
6. Еремин Н.А. и др. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин // Деловой журнал Neftegaz. Ru. - 2020. - № 4. - С. 38-50.
7. Косков В.Н., Косков Б.В. Геофизические исследования скважин и интерпретация данных ГИС: учеб. пособие. - Пермь: Изд-во Перм. гос. техн. ун-та. - 2007. - 317 с.
8. Катанов Ю.Е. Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах // Известия высших учебных заведений. Нефть и газ. - 2021. - № 1 (145).
- С. 55-76.
9. Кульбиков А.Д. и др. Интеллектуальные системы в бурении скважин // Инновации и инвестиции. - 2023.
- №. 7. - С. 172-175.
10. Panikarovskiy E.V., Panikarovsky V.V., Listak M.V., Verkhovod I.Y., Katanov Y.E. Drilling fluids for drilling wells at the Bovanenkovo oil and gas condensate field / International Journal of Engineering Trends and Technology. 2021. Т. 69. № 12. С. 8-12.
11. Солоненко Р.В., Поляков Д.В., Аюпова Д.Н. Интеллектуальные скважины как одно из направлений разработки российского арктического шельфа // Человек в Арктике. - 2022. - С. 43-52.
12. Katanov Y., Vaganov Y., Cheymetov M. Neural simulation-based analysis of the well wall stability while productive seam penetrating / Mining of Mineral Deposits. 2021. Т. 15. № 4. С. 91-98.
13. Меньшиков А.И. Исследование режимов работы шарошечных долот на основе деревьев решений // В сборнике: Информационные технологии как основа прогрессивных научных исследований. Сборник статей Международной научно-практической конференции. - Уфа. - 2020. - С. 78-83.
14. Шмончева Е.Е. и др. Интеллектуальная система управления траекторией горизонтальной скважины // Булатовские чтения. - 2017. - Т. 3. - С. 289-292.
© Галямов А.З., 2024
