Том 336 № 11 (2025)
DOI https://doi.org/10.18799/24131830/2025/11/5178
Решение задач предиктивной аналитики безгидратной эксплуатации промысловых газопроводов с применением алгоритмов машинного и глубокого обучения
Актуальность. Ранняя идентификация рисков образования газовых гидратов является важной задачей при эксплуатации промысловых газопроводов, которая зависит от множества динамически изменяющихся во времени переменных работы самой системы. Дополнительным аспектом, осложняющим задачу идентификации начала процессов кристаллизации газовых гидратов, представляется неоднородность газовых смесей, их влагосодержания и ионного состава воды, что делает мониторинг процесса в реальном времени практически невозможным в условиях применения существующих программных продуктов, которым требуется значительное время на подготовку и проведение расчётов. Цель. Продемонстрировать возможность использования алгоритмов машинного и глубокого обучения, включая метод K-средних и многослойный персептрон, для анализа рисков гидратообразования в промысловых газопроводах в режиме, приближенном к реальному времени. Исследование ориентировано на проверку применимости интеллектуальных подходов к задаче прогнозирования условий начала образования кристаллических структур гидратов с опорой на существующие методы термодинамического расчёта. Результаты и выводы. Продемонстрирована возможность применения нейросетевых алгоритмов в задачах прогнозирования начала процесса образования газогидратов, а также дополнительно подтверждена их высокая обобщающая способность. Для корректной работы алгоритма авторами выделяется несколько его основных этапов, включая предобработку исходных данных, их анализ, формирование обучающей выборки, подбор гиперпараметров для обучения модели, ее обучение и валидация. Результаты прогнозирования с применением нового, разработанного авторами алгоритма в сравнении с существующими математическими моделями расчета гидратообразования свидетельствуют о высокой степени его валидности, целесообразности дальнейшей его интеграции в существующие системы в целях автоматизации процессов обнаружения образования газовых гидратов. Своевременное обнаружение и предупреждение гидратообразования направлено на обеспечение безопасности эксплуатации промысловых систем сбора, а также повышение оперативности принятия управленческих решений с целью минимизации сопутствующих рисков.
Ключевые слова:
гидратообразование, предиктивный мониторинг, газосборный коллектор, промысловый трубопровод, машинное обучение, нейросеть
Библиографические ссылки:
1. Современные методы применения машинного обучения как инструмента прогнозирования добычи нефти / А.Р. Рустамов, Г.М. Пеньков, Д.Г. Петраков, М.А. Рустамова // Недропользование. – 2024. – Т. 24. – № 1. – С. 44–50. DOI: 10.15593/2712-8008/2024.1.6.
2. Интеллектуальные системы оценки остаточного ресурса промысловых трубопроводов / Е.Л. Чижевская, А.Д. Выдренков, М.Ю. Земенкова, Ю.Д. Земенков // Нефтяное хозяйство. – 2024. – № 10. – С. 134–138.
3. Земенкова М.Ю., Чижевская Е.Л., Земенков Ю.Д. Интеллектуальный мониторинг состояний объектов трубопроводного транспорта углеводородов с применением нейросетевых технологий // Записки Горного института. – 2022. – Т. 258. – С. 933–944. DOI: 10.31897/PMI.2022.105.
4. Прогнозирование вязкостно-температурной зависимости смеси нефтей по информации об их плотности, содержании парафина, смол, асфальтенов и фракционном составе / А.Р. Валеев, Р.Р. Ташбулатов, Я. Чэнь, Р.М. Каримов // Георесурсы. – 2024. – Т. 26. – № 3. – С. 232–239. DOI: 10.18599/grs.2024.3.23.
5. Валеев А.Р., Ташбулатов Р.Р., Барабанщикова Т.А. Оптимальные температуры измерения вязкости нефти для восстановления ее вязкостно-температурной зависимости по формулам Филонова-Рейнольдса, Вальтера и Фогеля-Фульчера-Таммана // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2024. – Т. 335. – № 4. – С. 131–138. DOI: 10.18799/24131830/2024/4/4283
6. Макеева Е.Ю., Бакурова А.О. Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей // Корпоративные финансы. – 2012. – № 3 (23). – С. 22–30.
7. Расчет напряженно-деформированного состояния трубопроводов, подверженных канавочному износу методом конечных элементов / Т.С. Султанмагомедов, Т.М. Халиков, Р.Н. Бахтизин, С.М. Султанмагомедов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2023. – Т. 334. – № 6. – С. 151–162. DOI: 10.18799/24131830/2023/6/4014.
8. Султанмагомедов С.М. Обеспечение безопасной эксплуатации и долговечности промысловых трубопроводов, подверженных канавочному износу: дис. … д-ра техн. наук. – Уфа, 2003. – 328 с.
9. Особенности предупреждения льдо- и гидратообразования в системах сбора газа на поздней стадии эксплуатации сеноманских залежей месторождений Западной Сибири / В.А. Истомин, В.Г. Квон, А.А. Тройникова, П.А. Нефёдов // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2016. – № 2. – С. 25–30.
10. Кудияров Г.С., Истомин В.А., Ротов А.А. Особенности работы систем сбора газа сеноманской залежи Ямбургского месторождения на завершающей стадии разработки // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2017. – № 5. – С. 4–13.
11. Истомин В.А., Минигулов Р.М., Грицишин Д.Н. Технологии предупреждения гидратообразования в промысловых системах: проблемы и перспективы // Газохимия. – 2009. – № 6. – С. 32–40.
12. Zulu N.M., Hashemi H., Tumba K. Chemical hydrate inhibitors: a review of modeling approaches // ChemEngineering. – 2024. – Vol. 8. – P. 124. DOI: 10.3390/chemengineering8060124.
13. Hosseini M., Leonenko Y. Developing explicit models for predicting methane hydrate equilibrium conditions in pure water and brines: a machine learning approach // Chemical Engineering Science. – 2024. – Vol. 286. – P. 119603. DOI: 10.1016/j.ces.2023.119603.
14. Wang F., Chen R., Yang Q. Prediction and evaluation of hydrate formation temperature of various natural gas hydrates using empirical models // Petroleum Science and Technology. – 2025. – Vol. 43. – P. 1–20. DOI: 10.1080/10916466.2025.2505498.
15. Predicting methane hydrate equilibrium in saline solutions using support vector and decision tree models / C.-Y. Hsu, J.S. Guaman, A. Ved, A. Yadav, G. Ezhilarasan, A. Rameshbabu, A. Alkhayyat, D. Aulakh, S. Choudhury, S.K. Sunori, F. Ranjbar // Scientific Reports. – 2025. – Vol. 15. – P. 11723. DOI: 10.1038/s41598-025-95969-w.
16. Hosseini M., Leonenko Y. Robust methane hydrate equilibrium prediction model: updated database and machine learning approach // Renewable and Sustainable Energy Reviews. – 2023. – Vol. 173. – P. 113103. DOI: 10.1016/j.rser.2022.113103.
17. Influence of kinetic inhibitor concentration on gas hydrate formation and inhibition / C. Yang, M. Zi, G. Wu, Y. Liu, J. Hu, G. Hu // Fuel. – 2022. – Vol. 323. – P. 124448. DOI: 10.1016/j.fuel.2022.124448.
18. Dimethyl sulfoxide as a new thermodynamic inhibitor for CO₂ hydrate formation / A.P. Semenov, R.I. Mendgaziev, A.S. Stoporev, N.N. Saprykina, V.A. Istomin // Chemical Engineering Science. – 2022. – Vol. 255. – P. 117670. DOI: 10.1016/j.ces.2022.117670.
19. Toward hydrate-free flow in pipelines: a comprehensive review on gas hydrate inhibition techniques / S. Elhenawy, M. Khraisheh, F. Almomani, S. Adham, M.A. Al-Ghouti // Energies. – 2022. – Vol. 15. – P. 8551. DOI: 10.3390/en15228551.
20. Karaköse M., Yücel Ö. Predictive modeling of hydrate formation temperature in high-pressure gas pipelines // Energies. – 2024. – Vol. 17. – P. 5306. DOI: 10.3390/en17215306.
21. Rapid formation of methane hydrate from «active ice» with high gas uptake / P. Xiao, J.-J. Li, W. Chen, W. Han, X.-S. Li // Nature Communications. – 2024. – Vol. 17. – P. 5306. DOI: 10.1038/s41467-023-43487-6.
22. Enhancement of methane hydrate formation rate and gas storage by using promoter / L. Mu, H. Zhao, Z. Zhou, B. Yang // Energy & Fuels. – 2023. – Vol. 37. – P. 14778–14789
23. Polysaccharides as effective inhibitors of natural gas hydrate formation / A.V. Fakhreeva, V.V. Nosov, A.I. Voloshin, V.A. Dokichev // Polymers. – 2023. – Vol. 15. – P. 1789. DOI: 10.3390/polym15071789.
24. Anil J.N., Bhawangirkar D.R., Sangwai J.S. Influence of reference hydrate saturation pressure depending on guest gas type on the thermodynamic modeling of gas hydrate phase equilibrium // Fluid Phase Equilibria. – 2022. – Vol. 556. – P. 113346. DOI: 10.1016/j.fluid.2021.113356.
25. A review of methods and applications for promoting gas hydrate formation process / Z. Xia, Q. Zhao, Z. Chen, C. Luo, C. Liu // Journal of Natural Gas Science and Engineering. – 2022. – Vol. 101. – P. 104528. DOI: 10.1016/j.jngse.2022.104528.
26. Natural gas hydrates: a review of various inhibitors and their respective mechanisms / K. Bhardwaj, M. Yusuf, M.D.H. Beg, Q. Husain // Journal of Molecular Liquids. – 2024. – Vol. 403. – P. 124809. DOI: 10.1016/j.molliq.2023.124809.
27. Интеллектуальные экспертные системы управления расходом ингибиторов гидратообразования в промысловых газопроводах / Е.Л. Чижевская, А.Д. Выдренков, А.Н. Шиповалов и др. // Нефтегазовое дело. – 2024. – Т. 22. – № 6. – С. 128–142. DOI: 10.17122/ngdelo-2024-6-128-142.
28. Повышение надежности метода расчета ингибитора при изменяющихся параметрах технологического процесса / М.Ю. Земенкова, В.П. Павлов, Ю.Д. Земенков, А.Н. Шиповалов // Трубопроводный транспорт: теория и практика. – 2013. – № 6 (40). – С. 26–29.
29. Кузнецов Ф.А., Истомин В.А., Родионова Т.В. Газовые гидраты: исторический экскурс, современное состояние, перспективы исследований // Российский химический журнал. – 2003. – Т. 47. – № 3. – С. 3–18.
30. Трофимова Т.И. Курс физики. – М.: Изд-во «Высшая школа», 2001. – 542 с.
31. Направления современных исследований газовых гидратов / В.А. Истомин, В.С. Якушев, В.Г. Квон, С.И. Долгаев, Е.М. Чувилин // Газохимия. – 2009. – Т. 1. – № 5. – С. 56–63.
32. Бык С.Ш., Фомина В.И. Газовые гидраты. – М.: ВИНИТИ, 1970. – 128 с.
33. Дядин Ю.А., Журко Ф.В., Бондарюк И.В. Клатратные гидраты при высоких давлениях. Фазовые диаграммы. – Новосибирск: Наука, 1987. – 41 с.
34. Запорожец Е.П., Шостак Н.А. Особенности гидратообразования одно- и многокомпонентных газов // Недропользование. – 2016. – Т. 15. – № 20. – С. 232–239.
35. Шолле Ф. Глубокое обучение на Python. – СПб.: Питер, 2018. – 400 с.
