Прогнозирование накопления жидкости в промысловых газопроводах на основе машинного обучения

Abstract

Накопление жидкости в промысловых газопроводах является достаточно встречающейся проблемой, которая нарушает стабильность потока. В процессе эксплуатации, под действием рельефа местности и условий работы происходит постепенное отложение воды и газоконденсата с восходящих участков трубопровода на нисходящие, что, в свою очередь, снижает эффективность транспортировки, вызывает рост потерь давления, пульсации давления, способствует протеканию процессов коррозии и гидратообразования. Из-за сложности многофазного течения механизм накопления жидкости до сих пор остается спорным. В настоящее время, большинство методик, предсказывающих накопление, являются полуэмпирическими и не обладают достаточной точностью. Развитие машинного обучения и технологий искусственного интеллекта предоставляют широкий спектр возможностей для анализа, выявления потенциальных зависимостей и предсказания поведения данных. Целью данной работы является получение многофакторной модели прогнозирования накопления жидкости в промысловых газопроводах с высокой способностью к обобщению и прогнозу. Основываясь на статистических данных эксплуатации трубопроводов нефтегазоконденсатных месторождений Западной и Восточной Сибири, был создан массив данных для расчета параметров в динамическом симуляторе неустановившихся многофазных потоков, необходимых для проведения машинного обучения. После предварительной обработки данных было проведено обучение модели по алгоритмам с учителем и проведено их дальнейшее сравнение, включая методы: логистической регрессии (LR), линейного дискриминантного анализа (LDA), K-ближайших соседей (KNN), дерева принятия решений (CART), наивного байесовского классификатора (NB), линейных опорных векторов (LSVC), опорных векторов (SVC), «бэггинга» (BG), «случайного леса» (RF), классификатора экстремально рандомизированных деревьев (ET), адаптивного «бустинга» (AB), градиентного «бустинга» (GB), экстремального градиентного «бустинга» (XGB) и многослойного перцептрона (MLP), наиболее оптимальными из которых оказались алгоритмы «дерево принятия решений» и «K ближайших соседей». Данные модели были оптимизированы методами «кросс-валидации», затем обучены на тренировочных данных и протестированы. В ходе работы было установлено множество различных комбинаций работы трубопровода без накопления, определена степень важности различных параметров на протекание процесса накопления. Разработанная модель может стать полезным средством для анализа и локализации процесса накопления жидкости, обеспечивая более упрощенное и всестороннее прогнозирование по сравнению с другими моделями.

Liquid accumulation in field gas pipelines is a common problem that disrupts flow stability. In the process of operation, under the influence of terrain and working conditions, there is a gradual deposition of water and gas condensate from upstream to downstream sections of the pipeline, which in turn reduces the efficiency of transportation, causes an increase in pressure losses, pressure pulsations, promotes corrosion and hydrate formation processes. Due to the complexity of multiphase flow, the mechanism of fluid accumulation is still controversial. Currently, most of the techniques that predict accumulation are semi-empirical and do not have sufficient accuracy. Advances in machine learning and artificial intelligence technologies provide a wide range of possibilities for analyzing, identifying potential dependencies and predicting data behavior. The aim of this paper is to obtain a multifactor prediction model for liquid accumulation in field gas pipelines with high generalization and prediction ability. Based on the statistical data of pipeline operation in oil and gas condensate fields of Western and Eastern Siberia, a data set was created to calculate the parameters in the dynamic simulator of unsteady multiphase flows required for machine learning. After data preprocessing, the model was trained using teacher learning algorithms and further compared, including methods: logistic regression (LR), linear discriminant analysis (LDA), K-nearest neighbors (KNN), decision tree (CART), naive Bayesian classifier (NB), linear support vectors machines (LSVC), support vectors machines (SVC), bagging (BG), random forest (RF), extreme randomized trees classifier (ET), adaptive boosting (AB), gradient boosting (GB), extreme gradient boosting (XGB), and multilayer perceptron (MLP), the most optimal of which were found to be the «decision tree» and «K-nearest neighbors» algorithms. These models were optimized using «cross-validation» methods, then trained on training data and tested. Many different combinations of non-accumulation pipeline operation were established, and the degree of importance of various parameters on the accumulation process was determined. The developed model can be a useful tool for analyzing and localizing the fluid accumulation process, providing a more simplified and comprehensive prediction than other models.