Прогнозирования отказов оборудования нефтяной скважины на основе алгоритма градиентного бустинга

ПРОГНОЗИРОВАНИЕ ОТКАЗОВ ОБОРУДОВАНИЯ НЕФТЯНОЙ СКВАЖИНЫ НА ОСНОВЕ АЛГОРИТМА ГРАДИЕНТНОГО БУСТИНГА

PREDICTING FAILURES OF OIL WELL EQUIPMENT BASED ON THE GRADIENT BOOSTING ALGORITHM

Аннотация: В данной статье рассматривается процесс прогнозирования отказов глубинно-насосного оборудования в нефтяной отрасли. Представлен результат прогнозирования отказов глубинно-насосного оборудования нефтяной скважины и описаны результаты проведения экспериментальных исследований с использованием разработанных моделей на реальных данных.

Abstract: This article discusses the process of predicting failures of deep-pumping equipment in the oil industry. the result of predicting failures of deep-pumping equipment of an oil well is presented and the results of experimental studies using the developed models on real data are described.

Ключевые слова: градиентный бустинг, прогнозирование, нефтяная скважина.

Keywords: gradient boosting, forecasting, oil well.

В современных экономических условиях ключевой целью каждого предприятия является максимизация прибыли. Более результативными способами повышения прибыли за счет снижения себестоимости добываемой нефти являются уменьшение потерь от простоя скважин и сокращение затрат на подземный ремонт. Прогнозирование наработки на отказ позволяет определить будущие затраты на подземный ремонт скважин и ремонт глубинно-насосного оборудования, потери добычи нефти от непланового простоя скважин и потребность предприятия в новом оборудовании. Решение этой проблемы обеспечит возможность эффективно и целенаправленно распределить имеющиеся ресурсы предприятия с целью выполнения производственной программы, а также сформировать план капитальных ремонтов скважин. Особенно актуальна данная проблема для установок электроцентробежных насосов, что связано с высокой стоимостью оборудования.

Для решения задачи прогнозирования отказов оборудования нефтяной скважины предлагается применить алгоритм градиентного бустинга. Предложена прогнозирования отказов оборудования нефтяной скважины, которая включает следующие этапы.

На первом этапе выполняется выделение признаков, необходимых для проведения анализа. Объекты (нефтяные скважины) описаны с помощью некоторого набора характеристик, которые называются признаками. Вектор X всех признаков объекта (скважины) называется признаковым описанием этого объекта. Целевой переменной при прогнозировании отказов оборудования нефтяной скважины является количество отказов.

На втором этапе выполняется предобработка данных.

Первым шагом этого этапа является обработка пропущенных значений. Пропущенные значения заменяются на медиану значений для каждого признака соответственно по всей выборке, так как медиана более статистически устойчива к выбросам.

Вторым шагом предобработки данных является кодирование категориальных признаков. Кодирование категориальных признаков осуществляется по следующему правилу: во-первых, если количество возможных значений признаков небольшое (меньше 10), можно кодировать способом Dummy; во-вторых, когда возможных значений признака много (>10), категориальный признак заменяется средним количеством вхождений признака во всей выборке; и, в-третьих, если есть справочник, то можно заменить на число, характеризующее главное свойство признака [1].

Третьим шагом предобработки данных является избавление от выбросов.

Выбросы — это экстремальные значения, которые существенно отличаются от других наблюдений данных, они могут указывать на изменчивость измерения, экспериментальные ошибки или новизну. В цикле по всем скважинам происходит фильтрация выбросов с помощью метода интерквартильного размаха.

На третьем этапе применяется алгоритм градиентного бустинга для прогнозирования отказов глубинно-насосного оборудования в нефтяной скважине. В работе применяется реализация алгоритма случайного леса из библиотеки sklearn. Класс градиентного бустинга называется GradientBoostingRegressor [3].