Техніка та енергетика

Впровадження нейромережевих технологій для оптимізації управління режимами роботи глибинно-насосної штангової установки

Олександр Турчин
Завантажити статтю
Анотація

Дослідження було проведено з метою виявлення можливостей впровадження нейромережевих технологій для оптимізації управління режимами роботи глибинно-насосної штангової установки (ГНШУ), що сприятиме підвищенню ефективності видобутку нафти та зниженню експлуатаційних витрат. У дослідженні були використані методи аналізу даних та адаптивного управління для оптимізації роботи ГНШУ. В результаті проведеного дослідження було встановлено, що впровадження нейромережевих технологій у систему управління ГНШУ дозволяє суттєво підвищити їх ефективність. Аналіз даних з датчиків установки за допомогою нейромереж дав змогу виявити оптимальні режими роботи, що забезпечують максимальний видобуток при мінімальних витратах енергії. Було розроблено модель прогнозування, яка здатна заздалегідь виявляти потенційні відмови обладнання, що дозволяє знизити ризики аварійних ситуацій і витрати на обслуговування. Також дослідження показало, що адаптивні алгоритми управління на основі штучного інтелекту здатні автоматично коригувати режими роботи ГНШУ залежно від змінних умов, таких як коливання тиску або зміна властивостей видобуваної нафти. Завдяки інтеграції з Інтернетом речей, система отримала можливість здійснювати моніторинг у реальному часі, що підвищує оперативність прийняття рішень. У результаті, запровадження нейромережевих технологій не лише оптимізує процеси видобутку, але й сприяє зменшенню експлуатаційних витрат. Крім того, проведене дослідження виявило, що використання нейромереж у системах управління дозволяє значно зменшити час на налаштування і оптимізацію процесів, що підвищує загальну продуктивність роботи ГНШУ

Ключові слова

модель прогнозування, адаптивні алгоритми, експлуатаційні витрати, аварійні ситуації, потенційні відмови

ЦИТУВАТИ
Turchyn, O. (2025). Introduction of neural network technologies to optimise the control of the operating modes of a sucker-rod pump installation. Machinery & Energetics, 16(1), 32-42. https://doi.org/10.31548/machinery/1.2025.32
Використані джерела

[1] Abbas, A.T., Agaverdi, G.G., Haji, R.A., Gabil, A.Y., Mahammad, R., Huseyn, Y.A., & Ilgizovich, K.M. (2022). Ways to increase the efficiency of sucker rod pump units in oil production. Journal of Engineering Research and Sciences, 1(3). doi: 10.55708/js0103001.

[2] Abdalla, R., Nikolaev, D., Gönzi, D., Manasipov, R., Schweiger, A., & Stundner, M. (2023). Deep insight into electrical submersible pump maintenance: A predictive approach with deep learning. In SPE Offshore Europe Conference and Exhibition (article number D021S006R004). Aberdeen: SPE. doi: 10.2118/215596-MS.

[3] Abdolrasol, M.G., Hussain, S.S., Ustun, T.S., Sarker, M.R., Hannan, M.A., Mohamed, R., Ali, J., Mekhilef, S., & Milad, A. (2021). Artificial neural networks based optimization techniques: A review. Electronics, 10(21), article number 2689. doi: 10.3390/electronics10212689.

[4] Aliyev, A.M., & Aliyeva, S.Y. (2023). Influence of mechanical factors on the performance and aging process of oil pump jack. Nafta-Gaz, 12, 776-785. doi: 10.18668/NG.2023.12.03.

[5] Al-Shabandar, R., Jaddoa, A., Liatsis, P., & Hussain, A.J. (2021). A deep gated recurrent neural network for petroleum production forecasting. Machine Learning with Applications, 3, article number 100013. doi: 10.1016/j.mlwa.2020.100013.

[6] Arinze, C.A., Ajala, O.A., Okoye, C.C., Ofodile, O.C., & Daraojimba, A.I. (2024). Evaluating the integration of advanced IT solutions for emission reduction in the oil and gas sector. Engineering Science & Technology Journal, 5(3), 639-652. doi: 10.51594/estj.v5i3.862.

[7] Audited financial statements of PJSC Ukrnafta for 2020. (2021). Retrieved from https://www.ukrnafta.com/audijovana-finansova-zvitnist-pat-2020-rik.

[8] Bliznjuk, O., Masalitina, N., Myronenko, L., Zhulinska, O., Denisenko, T., Nekrasov, S., Stankevych, S., Bragin, O., Romanov, O., & Romanova, T. (2022). Determination of rational conditions for oil extraction from oil hydration waste. Eastern-European Journal of Enterprise Technologies, 1(6-1150), 17-23. doi: 10.15587/1729-4061.2022.251034.

[9] Brendel, A.B., Mirbabaie, M., Lembcke, T.B., & Hofeditz, L. (2021). Ethical management of artificial intelligence. Sustainability, 13(4), article number 1974. doi: 10.3390/su13041974.

[10] Cao, B., Yin, Q., Guo, Y., Yang, J., Zhang, L., Wang, Z., Tyagi, M., Sun, T., & Zhou, X. (2023). Field data analysis and risk assessment of shallow gas hazards based on neural networks during industrial deep-water drilling. Reliability Engineering & System Safety, 232, article number 109079. doi: 10.1016/j.ress.2022.109079.

[11] Christophers, B. (2022). Fossilised capital: Price and profit in the energy transition. New Political Economy, 27(1), 146-159. doi: 10.1080/13563467.2021.1926957.

[12] d’Obyrn, K., Kamiński, P., Cień, D., Jendrysik, S., & Prostański, D. (2024). Hydrogeological and mining considerations in the design of a pumping station in a shaft of a closed black coal mine. Energies, 17(13), article number 3297. doi: 10.3390/en17133297.

[13] Deryaev, A. (2023). Analyses and studies for the selection of the method of dual completion operation of wells in multi-layer fields. International Science Journal of Engineering & Agriculture, 2(2), 34-52. doi: 10.46299/j.isjea.20230202.04.

[14] Deryaev, A. (2024). Drilling of a directional exploration well in Turkmenistan in the waters of the Caspian Sea. Journal of Mines, Metals and Fuels, 72(3), 199-209. doi: 10.18311/jmmf/2024/36590.

[15] Drewek-Ossowicka, A., Pietrołaj, M., & Rumiński, J. (2021). A survey of neural networks usage for intrusion detection systems. Journal of Ambient Intelligence and Humanized Computing, 12(1), 497-514. doi: 10.1007/s12652-020-02014-x.

[16] Fakher, S., Khlaifat, A., & Nameer, H. (2022). Improving electric submersible pumps efficiency and mean time between failure using permanent magnet motor. Upstream Oil and Gas Technology, 9, article number 100074. doi: 10.1016/j.upstre.2022.100074.

[17] Golinko, V., & Nedosnovanyi, O. (2024). Improvement of automation of geoinformation data processing using neural network technology. Technologies and Engineering, 25(4), 19-28. doi: 10.30857/2786-5371.2024.4.2.

[18] Guo, J., Yang, Y., Li, H., Dai, L., & Huang, B. (2024). A parallel deep neural network for intelligent fault diagnosis of drilling pumps. Engineering Applications of Artificial Intelligence, 133, article number 108071. doi: 10.1016/j.engappai.2024.108071.

[19] Huang, Z., Li, K., Ke, C., Duan, H., Wang, M., & Bing, S. (2023). An intelligent diagnosis method for oil-well pump leakage fault in oilfield production Internet of Things system based on convolutional attention residual learning. Engineering Applications of Artificial Intelligence, 126, article number 106829. doi: 10.1016/j.engappai.2023.106829.

[20] Iskandarov, E.X.O., & Baghirov, S.A.O. (2022). Analytical and wave-depression methods of elimination of the onset of hydration in subsea gas pipelines. News of the National Academy of Sciences of the Republic of Kazakhstan, Series of Geology and Technical Sciences, 2022(4), 96-108. doi: 10.32014/2022.2518-170X.203.

[21] Khanali, M., Akram, A., Behzadi, J., Mostashari-Rad, F., Saber, Z., Chau, K.W., & Nabavi-Pelesaraei, A. (2021). Multi-objective optimization of energy use and environmental emissions for walnut production using imperialist competitive algorithm. Applied Energy, 284, article number 116342. doi: 10.1016/j.apenergy.2020.116342.

[22] Kolakoti, A., Bobbili, P., Katakam, S., Geeri, S., & Soliman, W.G. (2023). Applications of artificial intelligence in sustainable energy development and utilization. In S.C. Malik, D. Sinwar, A. Kumar, S.R. Gadde, P. Chatterjee & B.T. Hung (Eds.), Computational intelligence in sustainable reliability engineering (pp. 129-143). London: Wiley. doi: 10.1002/9781119865421.ch6.

[23] Kristian, A., Goh, T.S., Ramadan, A., Erica, A., & Sihotang, S.V. (2024). Application of AI in optimizing energy and resource management: Effectiveness of deep learning models. International Transactions on Artificial Intelligence, 2(2), 99-105. doi: 10.33050/italic.v2i2.530.

[24] Liashok, V., & Tykhanskyi, M. (2024). Intelligent tools in grinding processes as a powerful automation tool. Mining Journal of Kryvyi Rih National University, 22(1), 23-28. doi: 10.31721/2306-5435-2024-1-112-23-29.

[25] Liu, Z., Hara, R., & Kita, H. (2021). Hybrid forecasting system based on data area division and deep learning neural network for short-term wind speed forecasting. Energy Conversion and Management, 238, article number 114136. doi: 10.1016/j.enconman.2021.114136.

[26] Ma, H., Gaisser, L., & Riedelbauch, S. (2023). Monitoring pumping units by convolutional neural networks for operating point estimations. Energies, 16(11), article number 4392. doi: 10.3390/en16114392.

[27] Ma, Z., Mei, G., & Xu, N. (2024). Generative deep learning for data generation in natural hazard analysis: motivations, advances, challenges, and opportunities. Artificial Intelligence Review, 57(6), article number 160. doi: 10.1007/s10462-024-10764-9.

[28] MacAllister, D.J., Nedaw, D., Kebede, S., Mkandawire, T., Makuluni, P., Shaba, C., Okullo, J., Owor, M., Carter, R., Chilton, J., Casey, V., Fallas, H., & MacDonald, A.M. (2022). Contribution of physical factors to handpump borehole functionality in Africa. Science of the Total Environment, 851, article number 158343. doi: 10.1016/j.scitotenv.2022.158343.

[29] Malhan, R., & Gupta, S.K. (2023). The role of deep learning in manufacturing applications: Challenges and opportunities. Journal of Computing and Information Science in Engineering, 23(6), article number 060816. doi: 10.1115/1.4062939.

[30] Omirbekova, Z., Aktaukenov, D., Amangeldiyev, A., & Abdallah, A. (2021). Developing predictive oil well diagnostics based on intelligent algorithms. In Proceedings of the international conference on smart information systems and technologies (pp. 1-7). Astana: IEEE. doi: 10.1109/SIST50301.2021.9465959.

[31] Pérez-Gomariz, M., López-Gómez, A., & Cerdán-Cartagena, F. (2023). Artificial neural networks as artificial intelligence technique for energy saving in refrigeration systems – a review. Clean Technologies, 5(1), 116-136. doi: 10.3390/cleantechnol5010007.

[32] Ren, Y., Liu, B., Yang, S., Li, D., & Jiang, P. (2021). Seismic data inversion with acquisition adaptive convolutional neural network for geologic forward prospecting in tunnels. Geophysics, 86(5), R659-R670. doi: 10.1190/geo2020-0370.1.

[33] Sabah, M., Mehrad, M., Ashrafi, S.B., Wood, D.A., & Fathi, S. (2021). Hybrid machine learning algorithms to enhance lost-circulation prediction and management in the Marun oil field. Journal of Petroleum Science and Engineering, 198, article number 108125. doi: 10.1016/j.petrol.2020.108125.

[34] Sheikhoushaghi, A., Gharaei, N.Y., & Nikoofard, A. (2022). Application of Rough Neural Network to forecast oil production rate of an oil field in a comparative study. Journal of Petroleum Science and Engineering, 209, article number 109935. doi: 10.1016/j.petrol.2021.109935.

[35] Silvia, S., Gilad, Y., Wilson, T.A., Akbari, B., & Furlong, E.R. (2023). Case study: Predicting electrical submersible pump failures using artificial intelligence and physics-based hybrid models. In SPE middle east intelligent oil and gas symposium (article number SPE-214462-MS). Al Khobar: SPE. doi: 10.2118/214462-MS.

[36] Sircar, A., Yadav, K., Rayavarapu, K., Bist, N., & Oza, H. (2021). Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research, 6(4), 379-391. doi: 10.1016/j.ptlrs.2021.05.009.

[37] Skillington, K., Crawford, R.H., Warren-Myers, G., & Davidson, K. (2022). A review of existing policy for reducing embodied energy and greenhouse gas emissions of buildings. Energy Policy, 168, article number 112920. doi: 10.1016/j.enpol.2022.112920.

[38] Subrahmanya, S.V., Shetty, D.K., Patil, V., Hameed, B.Z., Paul, R., Smriti, K., Naik, N., & Somani, B.K. (2022). The role of data science in healthcare advancements: applications, benefits, and future prospects. Irish Journal of Medical Science, 191(4), 1473-1483. doi: 10.1007/s11845-021-02730-z.

[39] Swain, A., Abdellatif, E., Mousa, A., & Pong, P.W. (2022). Sensor technologies for transmission and distribution systems: A review of the latest developments. Energies, 15(19), article number 7339. doi: 10.3390/en15197339.

[40] Turchyn, O. (2024). Optimisation of dynamometric data collection and processing to improve the efficiency of neural network diagnostics of a sucker-rod pump. Bulletin of Cherkasy State Technological University, 29(3), 55-64. doi: 10.62660/bcstu/3.2024.55.

[41] Tymkiv, D., Hrudz, V., Tutko, R., & Tutko, T. (2024). Forced oscillations of an oil pipeline at an overhead crossing during sequential pumping of various oil products. Prospecting and Development of Oil and Gas Fields, 24(1), 32-43. doi: 10.69628/pdogf/1.2024.32.

[42] Wang, J., Xu, C., Zhang, J., & Zhong, R. (2022). Big data analytics for intelligent manufacturing systems: A review. Journal of Manufacturing Systems, 62, 738-752. doi: 10.1016/j.jmsy.2021.03.005.

[43] Yatsyshyn, T., Shkitsa, L., Lyakh, M., & Liakh, V.D. (2021). Technological and management solutions to prevent emergencies at oil and gas facilities. Carpathian Journal of Electrical Engineering, 15(1), 121-130.

[44] Zhu, H., Zhu, J., Rutter, R., & Zhang, H.Q. (2021). Experimental study on deteriorated performance, vibration, and geometry changes of an electrical submersible pump under sand water flow condition. Journal of Energy Resources Technology, 143(8), article number 082104. doi: 10.1115/1.4048863.