РОЗРОБКА ГІБРИДНОЇ НЕЙРОМЕРЕЖЕВОЇ МОДЕЛІ CNN-LSTM ДЛЯ ІНТЕЛЕКТУАЛЬНОЇ ОПТИМІЗАЦІЇ ТА РАННЬОГО ПРОГНОЗУВАННЯ УСКЛАДНЕНЬ У ПРОЦЕСІ БУРІННЯ НГС

Анотація

У статті розглянуто розроблення гібридної нейромережевої моделі типу CNN-LSTM для інтелектуальної оптимізації параметрів буріння та раннього прогнозування ускладнень у процесі спорудження нафтогазових свердловин. Актуальність дослідження зумовлена зростанням складності геолого-технічних умов, високою вартістю бурових робіт і необхідністю мінімізації ризиків аварійних ситуацій. Процес буріння розглядається як багатовимірна нелінійна динамічна система, що генерує значні обсяги телеметричних даних у режимі реального часу. Запропонована модель поєднує згорткові нейронні мережі для автоматичного виділення локальних просторово-часових ознак із рекурентними мережами довгої короткострокової пам’яті для моделювання довготривалих залежностей у часових рядах технологічних параметрів. У роботі здійснено математичну формалізацію задачі багатокритеріальної оптимізації з урахуванням продуктивності, енергетичних витрат і ризику технологічних відхилень, обґрунтовано структуру комбінованої функції втрат та описано методи попередньої обробки даних. Показано, що використання архітектури CNN-LSTM підвищує точність прогнозування швидкості механічного проникнення та забезпечує раннє виявлення потенційно небезпечних тенденцій розвитку бурового процесу, що створює передумови для впровадження інтелектуальних систем керування та цифрових двійників у нафтогазовій галузі.