На протяжении последних двух десятилетий самым часто реализуемым способом добычи нефти в Российской Федерации является механизированный способ с использованием установки электроцентробежного насоса (УЭЦН). В связи с удалённостью месторождений от базы ремонтных предприятий стоимость транспортировки отработавших свой ресурс, но ремонтопригодных УЭЦН значительно превышает их закупочную стоимость, что с течением времени приводит к образованию существенного количества выведенного из эксплуатации нефтедобывающего оборудования. Для решения этой проблемы предлагается разработать мобильный робототехнический модуль сортировки, дефектовки и хранения деталей насосов, благодаря использованию которого станет возможным мелкий ремонт оборудования непосредственно на пунктах добычи. В статье рассматриваются проблемы комплексной дефектовки металлических и неметаллических деталей с возможностью применения разрабатываемой методики для широкого перечня промышленных изделий, вместе с тем основное внимание уделяется работам с деталями УЭЦН. На основании декомпозиции задачи были выделены наиболее проблемные операции: классификация деталей, контроль поверхности (идентификация дефектов), размерный контроль. Результаты краткого сравнительного анализа по каждой из вышеприведенных подзадач базируются на обзоре научной литературы за последние 30 лет, большее число рассмотренных источников приходится на последние 5 лет. В ходе работы определены оптимальные методы решения поставленной задачи - методика машинного обучения для классификации поверхностных дефектов, использование координатно- измерительной машины с манипулятором для размерного контроля. Также предлагается новый подход для решения основной проблемы методов машинного обучения (отсутствие обучающей выборки) в виде использования синтетических фотореалистичных изображений для классификации с переносом признаков дефектов из семантически близких и публично доступных обучающих выборок.
Идентификаторы и классификаторы
Нефтяные доходы федерального бюджета Российской Федерации в соответствии с отчётом Министерства финансов за 2022 год составляют порядка 7704 млрд. рублей [1], поэтому они входят в число наиболее прибыльных неналоговых доходных статей, а значит
методы, обеспечивающие бесперебойную работу нефтяных скважин, являются актуальными и не теряют своей значимости в настоящих условиях. Согласно статистическим данным более двух третей всей нефтедобычи приходится на эксплуатацию скважин механизированным способом с использованием установки электроцентробежного насоса (УЭЦН) [2]. А основным фактором, вызывающим простой добывающего скважинного фонда, являются преждевременные отказы УЭЦН (износ
оборудования из-за отложения примесей, солей, песка, парафина). Наиболее активно разрабатываемые месторождения в данный момент географически располагаются на территории дальней Сибири [3], что увеличивает стоимость логистики при транспортировке на ремонтные предприятия, преимущественно сконцентрированные в западной или центральной части России.
Список литературы
| 1. | Исполнение федерального бюджета и бюджетов системы Российской Федерации за 2022 год. Минфин России. Execution of the federal budget and the budgets of the system of the Russian Federation for 2022. The Ministry of Finance of Russia (in Russian). https://minfin.gov.ru/common/upload/library/2023/04/main/ispolnenie_federalnogo_budzheta_predvaritelnye_itogi.pdf (дата обращения (accessed): 05.10.2023 г.). | |
|---|---|---|
| 2. | Рудницкий С.В., Зацепин А.Ю., Демин Е.В., Ющенко Т.С. Перспективное скважинное оборудование для добычи сланцевой нефти баженовской свиты // PROНЕФТЬ. Профессионально о нефти. 2021. Т. 6, № 1. C. 64-75. EDN: KKCEDR | |
| Rudnitsky S.V., Zatsepin A.Yu., Demin E.V., Yushchenko T.S. [Promising downhole equipment for the extraction of shale oil of the Bazhenov formation] Perspektivnoye skvazhinnoye oborudovaniye dlya dobychi slantsevoy nefti bazhenovskoy svity. [Professionally about oil] Professional’no o nefti. Vol. 6, No. 1. 2021. Pp. 64-75 (in Russian). DOI: 10.51890/2587-7399-2021-6-1-64-75 EDN: KKCEDR | ||
| 3. | Конторович А.Э., Эдер Л.В., Филимонова И.В., Мишенин М.В. Роль уникальных и крупных месторождений в нефтяной промышленности России: ретроспектива, современное состояние, прогноз // Энергетическая политика. 2016. № 2. С. 34-43. EDN: WXMMYV | |
| Kontorovich A.E., Eder L.V., Filimonova I.V., Mishenin M.V. [The role of unique and large deposits in the Russian oil industry: retrospective, current state, forecast] Rol’ unikalnykh i krupnykh mestorozhdeniy v neftyanoy promyshlennosti Rossii: retrospektiva, sovremennoye sostoyaniye, prognoz // EP. No. 2. 2016 (in Russian). EDN: WXMMYV | ||
| 4. | Утверждение стратегического направления в области цифровой трансформации топливно-энергетического комплекса: распоряжение Правительства РФ от 28 декабря 2021 г. № 3924-р. | |
| [Approval of the strategic direction in the field of digital transformation of the fuel and energy complex: Decree of the Government of the Russian Federation No. 3924-r dated December 28, 2021] Utverzhdeniye strategicheskogo napravleniya v oblasti tsifrovoy transformatsii toplivnoenergeticheskogo kompleksa: rasporyazheniye Pravitel’stva ot 28 decabrya 2021. No. 3924-р (in Russian). http://publication.pravo.gov.ru/Document/View/0001202112300029. | ||
| 5. | Гиндуллин И.И, Лонщаков А.А., Салихов Л.С. Структура робототехнического модуля сортировки деталей // Завалишинские чтения: XVII Международная конференция по электромеханике и робототехнике (СПб., 18-19 апреля 2023 г.). Молодёжная секция: сб. докл.: в 2 ч. Ч. 1. СПб.: ГУАП, 2023. С. 41-44. | |
| Gindullin I.I., Lonshakov A.A., Salikhov L.S. [The structure of the robotic module for sorting parts]. Struktura robototekhnicheskogo modulya sortirovki detaley. Zavalishinsky readings: XVII International Conference on Electromechanics and Robotics (St. Petersburg, April 18-19, 2023). Youth section. Vol. 2, No. 1. St. Petersburg: GUAP. 2023. Pp. 41-44 (in Russian). | ||
| 6. | Morbid M., Saber S., Ali R.G. Industrial Parts Change Recognition Model Using Machine Vision, Image Processing in the Framework of Industrial Information Integration // Journal of Industrial Information Integration. 2022. V. 26. 100277. DOI: 10.1016/j.jii.2021.100277 EDN: CXIMOQ | |
| 7. | Kanopoulos N., Vasanthavada N., Baker R.L., Design of an image edge detection filter using the Sobel operator // IEEE Journal of Solid-State Circuits. 1988. V. 23(2). Pp. 358-367. DOI: 10.1109/4.996 | |
| 8. | Seif A., Salut M.M., Marsono M.N. A hardware architecture of Prewitt edge detection // 2010 IEEE Conference on Sustainable Utilization and Development in Engineering and Technology. 2010. Pp. 99-101. DOI: 10.1109/STUDENT.2010.5686999 | |
| 9. | Nguyen C.H., Young C.Comparison of point cloud data and 3D CAD data for on-site dimensional inspection of industrial plant piping systems // Automation in Construction. 2018. V. 91. Pp. 44-52. DOI: 10.1016/j.autcon.2018.03.008 | |
| 10. | Rabbani T., van den Heuvel F.A., Vosselmann G. Segmentation of Point Clouds Using Smoothness Constraint // ISPRS Commission V Symposium ‘Image Engineering and Vision Metrology’. 2006. Pp. 248-253. ResearchGate: 228340970. | |
| 11. | Schnabel R., Wahl R., Klein R. Efficient Ransac for point-cloud shape detection // Graphics Forum. 2007. V. 26 (2). Pp. 214-226. DOI: 10.1111/j.1467-8659.2007.01016.x | |
| 12. | Huang R., Gu J., Sun X., Hou Y., Uddin S. A rapid recognition method for electronic components based on the improved YOLO-V3 network // Electronics. 2019. V. 8 (8). 825. DOI: 10.3390/electronics8080825 | |
| 13. | Tian Y., Yang G., Wang Z., Wang H., Li E., Liang Z. Apple detection during different growth stages in orchards using the improved YOLO-V3 model // Computers and electronics in agriculture. 157. 2019. V. 157. Pp. 417-426. DOI: 10.1016/j.compag.2019.01.012 | |
| 14. | Sinha D., El-Sharkawy M. Thin mobilenet: An enhanced mobilenet architecture // In 2019 IEEE 10th annual ubiquitous computing, electronics & mobile communication conference (UEMCON). 2019. Pp. 280-285. DOI: 10.1109/UEMCON47517.2019.8993089 | |
| 15. | Andrei-Alexandru T., Henrietta D.E. Low-Cost Defect Detection Using a Deep Convolutional Neural Network // IEEE International Conference on Automation, Quality and Testing, Robotics (AQTR), Cluj-Napoca, Romania. 2020. Pp. 1-5. DOI: 10.1109/AQTR49680.2020.9130004 | |
| 16. | Muhammad U., Wang W., Chattha S.P., Ali S.August. Pre-trained VGGNet architecture for remote-sensing image scene classification // In 2018 24th International Conference on Pattern Recognition (ICPR). 2018. Pp. 1622-1627. DOI: 10.1109/ICPR.2018.8545591 | |
| 17. | Deng J., Dong W., Socher R., Li L.J., Kai L., Li Fei-Fei. ImageNet: A large-scale hierarchical image database // 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, USA. 2009. Pp. 248-255. DOI: 10.1109/CVPR.2009.5206848 | |
| 18. | Feng C., Liu M.Y., Kao C.C., Lee T.Y. Deep active learning for civil infrastructure defect detection and classification // In Computing in civil engineering. 2017. Pp. 298-306. DOI: 10.1061/9780784480823.036 | |
| 19. | He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. 2016. Pp. 770-778. DOI: 10.1109/CVPR.2016.90 | |
| 20. | Dawson H.L., Debrule O., John C.M. Impact of dataset size and convolutional neural network architecture on transfer learning for carbonate rock classification // Computers & Geosciences. 2023. V. 171. 105284. DOI: 10.1016/j.cageo.2022.105284 EDN: RVGYQV | |
| 21. | Northcutt C.G., Athalye A., Mueller J. Pervasive label errors in test sets destabilize machine learning benchmarks // In Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track. 2021. DOI: 10.48550/arXiv.2103.14749 | |
| 22. | Cai L., Xu X., Liew J.H., Foo C.S. Revisiting superpixels for active learning in semantic segmentation with realistic annotation costs // In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. Pp. 10988-10997. https://openaccess.thecvf.com/content/CVPR2021/html/Cai_Revisiting_Superpixels_for_Active_Learning_in_Semantic_Segmentation_With_Realistic_CVPR_2021_paper. html. | |
| 23. | Roovere P.D, Moonen S., Michiels M., Wyffels F. Dataset of industrial metal objects // arXiv, cs.CV. 2022. 2208.04052. DOI: 10.48550/arXiv.2208.04052 | |
| 24. | Tobin J., Fong R., Ray A., Schneider J., Zaremba W., Abbeel P. Domain randomization for transferring deep neural networks from simulation to the real world // In 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2017. Pp. 23-30. DOI: 10.1109/IROS.2017.8202133 | |
| 25. | Reddi S., Poczos B., Smola A. Doubly Robust Covariate Shift Correction // Proceedings of the AAAI Conference on Artificial Intelligence. 2015. V. 29 (1). Pp. 2949-2955. DOI: 10.1609/aaai.v29i1.9576 | |
| 26. | Vanherle B., Moonen S., Van Reeth F., Michiels. Analysis of training object detection models with synthetic data // arXiv, cs.CV. 2022. 2211.16066. DOI: 10.48550/arXiv.2211.16066 | |
| 27. | Touvron H., Vedaldi A., Douze M., Jegou H. Fixing the train-test resolution discrepancy // arXiv, cs.CV. 2022. 1906.06423. DOI: 10.48550/arXiv.1906.06423 | |
| 28. | Dosovitski A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., Unterthiner T., Dehghani M., Minderer M., Heigold G., Gelly S., Uszkoreit J. An image is worth 16x16 words: Transformers for image recognition at scale // arXiv, cs.CV. 2021. 2010.11929. DOI: 10.48550/arXiv.2010.11929 | |
| 29. | Djukic D., Spuzic S. Statistical discriminator of surface defects on hot rolled steel // Proceedings of Image and Vision Computing New Zealand. 2007. Pp. 158-163. ResearchGate: 229035389. | |
| 30. | Nand G.K., Noopur, Neogi N.G. Defect detection of steel surface using entropy segmentation // 2014 Annual IEEE India Conference (INDICON), Pune, India. 2014. Pp. 1-6. DOI: 10.1109/INDICON.2014.7030439 | |
| 31. | Neogi N., Mohanta D.K., Dutta P.K. Defect Detection of Steel Surfaces with Global Adaptive Percentile Thresholding of Gradient Image //j. Inst. Eng. India Ser. 2017. Pp. 557-565. DOI: 10.1007/s40031-017-0296-2 | |
| 32. | Bulnes F.G., Usamentiaga R., Garca D.F., Molleda J. Vision-based sensor for early detection of periodical defects in web materials // Sensors (Basel). 2012. V. 12 (8). Pp. 10788-10809. DOI: 10.3390/s120810788 | |
| 33. | Zhao Y., Yan Y., Song K. Vision-based automatic detection of steel surface defects in the cold rolling process: considering the influence of industrial liquids and surface textures // Int. J. Adv. Manuf. Technol. 2016. V. 90 (8). Pp. 1665-1678. DOI: 10.1007/S00170-016-9489-0 EDN: TWHAOT | |
| 34. | Zhiznyakov A.L., Privezentsev D.G., Zakharov A.A. Using fractal features of digital images for the detection of surface defects // Pattern Recognition and Image Analysis. 2015. V. 25. Pp. 122-131. DOI: 10.1134/S105466181501023X EDN: UFLVCP | |
| 35. | Yazdchi M., Yazdi M., Mahyari A.G. Steel surface defect detection using texture segmentation based on multifractal dimension // In 2009 International Conference on Digital Image Processing. 2009. Pp. 346-350. DOI: 10.1109/ICDIP.2009.68 | |
| 36. | Aiger D., Talbot H. The phase only transform for unsupervised surface defect detection // In 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2010. Pp. 295-302. DOI: 10.1109/CVPR.2010.5540198 | |
| 37. | Choi D.C., Jeon Y.J., Kim S.H., Moon S., Yun J.P., Kim S.W. Detection of pinholes in steel slabs using Gabor filter combination and morphological features // ISIJ International. 2017. V. 57 (6). Pp. 1045-1053. DOI: 10.2355/isijinternational.ISIJINT-2016-160 | |
| 38. | Medina R., Gayubo F., Gonz ‘alez-Rodrigo L.M., Olmedo D., G ’ omez-Garc’ıa-Bermejo J., Zalama E., Per ’an J.R. Automated visual classification of frequent defects in flat steel coils // The International Journal of Advanced Manufacturing Technology. 2011. V. 57. Pp. 1087-1097. DOI: 10.1007/s00170-011-3352-0 EDN: OVRWBX | |
| 39. | Randen T., Husoy J.H. Texture segmentation using filters with optimized energy separation // IEEE Transactions on Image Processing. 1999. V. 8 (4). Pp. 571-582. DOI: 10.1109/83.753744 | |
| 40. | Kumar A., Pang G.K. Defect detection in textured materials using optimized filters // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2002. V. 32 (5). Pp. 553-570. DOI: 10.1109/TSMCB.2002.1033176 | |
| 41. | Kumar A. Inspection of surface defects using optimal FIR filters // In 2003 IEEE International Conference on Acoustics, Speech, and Signal Processing, 2003. Proceedings. 2003. Pp. II-241. DOI: 10.1109/ICASSP.2003.1202339 | |
| 42. | Jeon Y.J., Choi D.C., Lee S.J., Yun J.P., Kim S.W. Steel-surface defect detection using a switching-lighting scheme // Applied Optics. 2016. V. 55 (1). Pp. 47- 57. DOI: 10.1364/AO.55.000047 | |
| 43. | Cross G.R., Jain A.K. Markov random field texture models // IEEE Transactions on pattern analysis and machine intelligence. 1983. V. PAMI-5 (1). Pp. 25-39. DOI: 10.1109/TPAMI.1983.4767341 | |
| 44. | Gayubo F., Gonzalez J.L., de la Fuente E., Miguel F., Per ’an J.R. On-line machine vision system for detect split defects in sheet-metal forming processes // In 18th International Conference on Pattern Recognition. 2006. V. 1. Pp. 723-726. DOI: 10.1109/ICPR.2006.902 | |
| 45. | Ke X., Min S., Chaolin Y., Peng Z. Application of hidden Markov tree model to on-line detection of surface defects for steel strips // Journal of mechanical engineering. 2013. V. 49(22). Pp. 34-40. https://qikan.cmes.org/jxgcxb/EN/Y2013/V49/I22/34. | |
| 46. | Timm F., Barth E. February. Non-parametric texture defect detection using Weibull features // In Image Processing: Machine Vision Applications IV. 2011. Pp. 150-161. DOI: 10.1117/12.872463 | |
| 47. | Liu K., Wang H., Chen H., Qu E., Tian Y., Sun H. Steel surface defect detection using a new Haar-Weibull-variance model in unsupervised manner // IEEE transactions on instrumentation and measurement. 2017. V. 66 (10). Pp. 2585-2596. DOI: 10.1109/TIM.2017.2712838 | |
| 48. | Song K., Yan Y. Micro surface defect detection method for silicon steel strip based on saliency convex active Contour model // Math. Probl. Eng. 2013. 429094. DOI: 10.1155/2013/429094 | |
| 49. | Yang J., Li X., Xu J., Cao Y., Zhang Y., Wang L., Jiang S. Development of an optical defect inspection algorithm based on an active contour model for large steel roller surfaces // Applied optics. 2018. V. 57 (10). Pp. 2490-2498. DOI: 10.1364/AO.57.002490 | |
| 50. | Ghorai S., Mukherjee A., Gangadaran M., Dutta P.K. Automatic defect detection on hot-rolled flat steel products // IEEE Transactions on Instrumentation and Measurement. 2012. V. 62 (3). Pp. 612-621. DOI: 10.1109/TIM.2012.2218677 | |
| 51. | Kang G.W., Liu H.B. Surface defects inspection of cold rolled strips based on neural network // In 2005 international conference on machine learning and cybernetics. 2005. Pp. 5034-5037. DOI: 10.1109/ICMLC.2005.1527830 | |
| 52. | Weimer D., Scholz-Reiter B., Shpitalni M. Design of deep convolutional neural network architectures for automated feature extraction in industrial inspection // CIRP annals. 2016. V. 65 (1). Pp. 417-420. DOI: 10.1016/j.cirp.2016.04.072 | |
| 53. | Liu Y., Xu K., Xu J. Periodic surface defect detection in steel plates based on deep learning // Applied Sciences. 2019. V. 9 (15). 3127. DOI: 10.3390/app9153127 | |
| 54. | Li J., Su Z., Geng J., Yin Y. Real-time detection of steel strip surface defects based on improved yolo detection network // IFAC-PapersOnLine. 2018. V. 51(21). Pp. 76-81. DOI: 10.1016/j.ifacol.2018.09.412 | |
| 55. | Zhao Z., Li B., Dong R., Zhao P. A surface defect detection method based on positive samples // In PRICAI 2018: Trends in Artificial Intelligence: 15th Pacific Rim International Conference on Artificial Intelligence, Nanjing, China, August 28-31, 2018, Proceedings. 2018. V. 2 (15). Pp. 473-481. DOI: 10.1007/978-3-319-97310-4_54 | |
| 56. | Youkachen S., Ruchanurucks M., Phatrapomnant T., Kaneko H. Defect Segmentation of Hot-rolled Steel Strip Surface by using Convolutional Auto- Encoder and Conventional Image processing // 10th International Conference of Information and Communication Technology for Embedded Systems (IC-ICTES). 2019. Pp. 1-5. DOI: 10.1109/ICTEmSys.2019.8695928 | |
| 57. | DAGM dataset. University of Heidelberg. 29th Annual Symposium of the German Association for Pattern Recognition. https://conferences.mpi-inf.mpg.de/dagm/2007/prizes.html (дата обращения 05.10.2023 г.). | |
| 58. | Kolector SSD 2 dataset. University of Ljubljana. Visual Cognitive Systems Laboratory. https://www.vicos.si/resources/kolektorsdd2/(дата обращения 05.10.2023 г.). | |
| 59. | Severstal dataset. Kaggle. https://www.kaggle.com/c/severstal-steel-defect-detection (дата обращения 05.10.2023 г.). | |
| 60. | MVTec AD dataset. https://www.mvtec.com/company/research/datasets/mvtec-ad (дата обращения 05.10.2023 г.). | |
| 61. | Sun Y., Lu L., Wu F., Xiao S., Sha J., Zhang L. Error Analysis of a Coordinate Measuring Machine with a 6-DOF Industrial Robot Holding the Probe // In Actuators. 2023. V. 12 (4). 173. DOI: 10.3390/act12040173 | |
| 62. | Brosed F.J., Santolaria J., Aguilar J.J, Guillom’ıa D. Laser triangulation sensor and six axes anthropomorphic robot manipulator modelling for the measurement of complex geometry products // Robotics and Computer-Integrated Manufacturing. 2012. V. 28 (6). Pp. 660-671. DOI: 10.1016/j.rcim.2012.04.002 | |
| 63. | Lemeˇ s S., ˇ Sabaravdi ’c M., Zaimovi ’c-Uzunovi ’c N. Robotic manipulation in dimensional measurement // In 2013 XXIV International Conference on Information, Communication and Automation Technologies (ICAT). 2013. Pp. 1-7. DOI: 10.1109/ICAT.2013.6684085 |
Выпуск
Другие статьи выпуска
| Задача исследования устойчивости течения термовязкой жидкости актуальна в связи с необходимостью разработки методов управления режимами течения в промышленных конденсаторах и теплообменных устройствах. Данные устройства играют важную роль во множестве технологических процессов (от производства пищевых продуктов до обработки материалов), эффективность которых напрямую зависит от того, какой режим течения в них установится. Осознание важности как ламинарных, так и турбулентных режимов течения приводит к необходимости балансировки между энергетической эффективностью, которая часто предпочтительна для ламинарного режима, и эффективностью тепломассопереноса, характерной для турбулентного режима. Это обуславливает значимость изучения и контроля устойчивости течения. При увеличении скорости течения жидкости ламинарное течение теряет устойчивость, и возникают возмущения, которые могут привести к формированию вторичного нелинейного режима, сохраняющего основные характеристики ламинарного течения, или к турбулизации потока, что, в свою очередь, может оказать существенное влияние на эффективность работы технических устройств. Хотя в настоящее время имеется множество работ по исследованиям устойчивости течения однородных жидкостей в каналах и их спектральных характеристик, часто упускается из виду важность учета перепадов температур. Однако именно зависимость вязкости жидкости от температуры играет существенную роль в определении закономерностей течения и требует дополнительного изучения. Несмотря на проводимые численные исследования устойчивости течения жидкостей, остается необходимость в сопоставлении экспериментальных данных с результатами численного моделирования для получения более полного понимания процессов, происходящих в системе. В связи с этим в рамках настоящей работы разработана и собрана экспериментальная установка кольцевого канала с целью проведения подробного экспериментального исследования устойчивости течения жидкости и последующего сопоставления полученных результатов с численным моделированием, что позволит получить более точные данные для дальнейшего улучшения проектирования и работы промышленных устройств. |
|---|
В настоящее время количество скважин, работающих с большим значением обводненности, растет с каждым годом. Это приводит к снижению рентабельности эксплуатации нефтяных месторождений, поскольку увеличиваются время и затраты энергии на переработку скважинной продукции, а количество нефти на выходе уменьшается. Таким образом, оптимизация режима эксплуатации скважин с целью снижения обводненности путем перевода их в периодический режим является одной из ключевых задач по увеличению продуктивности разработки нефтяных месторождений. Нефтяные месторождения, находящиеся на поздней стадии разработки, характеризуются снижением объемов добычи нефти и ростом обводненности продукции скважин, а также ухудшением структуры запасов. Добыча остаточной нефти в осложненных условиях играет важную роль в поддержании общей производительности месторождения. Малодебитные скважины могут быть использованы для дополнительного извлечения нефти, которую ранее не удалось добыть при первоначальной разработке скважин. Кроме того, эксплуатация малодебитных скважин на поздней стадии разработки позволяет снизить затраты на бурение новых скважин. Настоящая статья посвящена изучению и актуализации данного вопроса. Продолжена работа по исследованию перевода скважин из постоянного в периодический режим с целью увеличения технологических показателей разработки, таких как снижение объемов попутно добываемой воды, снижение удельного расхода электроэнергии на одну тонну добытой нефти и увеличение межремонтного периода установки электроприводного центробежного насоса. Анализ работы скважин в постоянном и периодическом режимах проведен для условий Сургутского месторождения. Показано, что перевод скважины в периодический режим позволит сократить затраты на потребление электроэнергии.
Динамика одиночного пузырька в безграничной жидкости существенно отличается от динамики индивидуального пузырька в скоплениях из-за гидродинамического взаимодействия между пузырьками. Изучение механизма данного взаимодействия является одним из важных аспектов в исследовании фундаментальной природы акустической и гидродинамической кавитации. В настоящей работе для анализа малых колебаний пузырьков в сферическом кластере около устойчивого положения равновесия применена математическая теория линейной консервативной системы с несколькими степенями свободы с целью объяснения механизма взаимодействия между пузырьками разных размеров. С помощью данной теории в общем случае доказано, что число резонансных частот в полидисперсном кластере совпадает с числом фракций. Показано, что области главного резонанса (при низких частотах) пузырьки разных фракций колеблются в фазе, а в областях вторичных резонансов (при высоких частотах) фазы последовательно меняются на противоположные, начиная с фракции, содержащей пузырьки самого большого радиуса, и далее - в порядке его убывания. На примере двухфракционного кластера получено, что между пузырьками имеет место инерциальная связь, а силовая связь отсутствует; при малом числе пузырьков одной из фракций связь между ними и пузырьками другой фракции является слабой, при этом взаимодействие между ними может быть сильным. Анализ передачи энергии между пузырьками разных фракций показал, что изменение характера колебания пузырьков во фракции с малым радиусом, в то время как характер колебания пузырьков в другой фракции не меняется, является результатом динамического демпфирования.
Целью данной работы является анализ и прогноз показателей разработки Асельской залежи Оренбургского нефтегазоконденсатного месторождения. Для выполнения этой задачи необходим большой объем данных, который был получен в ходе проекта технологической разработки. Расчет производится с помощью программы, написанной на языке программирования Python. Приведены переменные для уравнения материального баланса, некоторые из них рассчитываются по промежуточным формулам. В качестве оптимизируемых параметров были выбраны средние значения параметров за последние 15 лет разработки, поскольку малые объемы накопленной добычи в первые годы разработки могут привести к существенной ошибке в расчете уравнения материального баланса. Также было проведено сравнение расчетного прогноза разработки месторождения Асель с прогнозом по госплану, представленным в проекте разработки месторождения. Сравнение проводилось по основным параметрам: накопленной добыче нефти, годовой добыче нефти, коэффициенту извлечения нефти и обводненности. Для наглядного сравнения расчетных параметров представлены графики зависимостей, отражающие прогноз, выполненный методом материального баланса, а также прогноз, основанный на данных государственного плана. Разницу в поведении кривых, показанных на графиках, можно объяснить неточностью параметров, описывающих пласт, а также неточностью определения начальных извлекаемых запасов. На это влияет также разница в депрессиях пласта по нагнетательным и добывающим скважинам, предложенная в государственном плане и в прогнозе. Конечно, влияет и неточность коэффициентов приемистости и продуктивности скважин, которые были выбраны исходя из расчетных объемов закачки воды и добычи нефти. На основании проведенного расчета можно сделать вывод о целесообразности дальнейшей эксплуатации Ассельской площади Оренбургского нефтегазоконденсатного месторождения с внедрением системы поддержания пластового давления до 2079 года. По прогнозам обводненность равна 96 % будет достигнуто в 2079 году, а коэффициент нефтеотдачи составит 0,427.
Издательство
- Издательство
- УФИЦ РАН
- Регион
- Россия, Уфа
- Почтовый адрес
- 450054, Республика Башкортостан, Г.О. город Уфа, Пр-кт Октября, д. № 71
- Юр. адрес
- 450054, Республика Башкортостан, Г.О. город Уфа, Пр-кт Октября, д. № 71
- ФИО
- Мартыненко Василий Борисович (Руководитель)
- E-mail адрес
- presidium@ufaras.ru
- Контактный телефон
- +7 (347) 2356022
- Сайт
- http://www.ufaras.ru