Приборы и системы. Управление, контроль, диагностика Аннотация к статье << Назад Система автоматизированного подбора оборудования УЭЦН к сважине на основе машинного обучения В.А. КОННОВ, Е.А. МУРАВЬЕВА, М.И. ШАРИПОВ В настоящее время крупнейшие нефтяные компании России сталкиваются с проблемой истощения эксплуатируемых нефтяных скважин, что обуславливает повышение себестоимости добываемого сырья. Это стимулирует необходимость внедрения более качественных инструментов повышения эффективности работы скважинного оборудования электроцентробежных насосов. Для решения указанных проблем, представляется целесообразной разработка программных комплексов для подбора оптимальных характеристик электроприводных центробежных насосов к скважинам для обеспечения их надежной работы и снижения затрат на извлечение нефти. В данной работе рассмотрена перспектива построения автоматизированного программного комплекса для подбора характеристик электроцентробежного насоса на основе искусственных нейронных сетей. Описана структура программы с использованием нейронных сетей. Произведен выбор архитектуры и обучение нейронной сети на выборке данных. Для формирования обучающей выборки и дальнейшего анализа взяты данные добывающих скважин Ванкорского месторождения. Выборка данных включает в себя такие переменные, как: дебит добывающей скважины, подача насоса, обводненность, плотность нефти, плотность воды, глубина верхних дыр перфорации, глубина забоя, глубина спуска насосно-компрессорных труб, динамический уровень, пластовое давление, устьевое давление, вязкость жидкости, коэффициент подачи, внешний диаметр насосно-компрессорных труб, шероховатость насосно-компрессорных труб, толщина стенок труб. В результате апробации программы на данных по добыче скважин Ванкорского месторождения, установлена возможность увеличения экономической целесообразности добычи нефти в обедневших скважинах, путем замены электроцентробежного насоса на более оптимальную по характеристикам модель, подобранную программой. Ключевые слова: дебит скважины, добывающая скважина, забойное давление, нейронная сеть, машинное обучение, нагнетательная скважина, алгоритм, пластовое давление, разработка. DOI: 10.25791/pribor.11.2021.1302 Стр. 17-22.