Процесс согласования и отклонения скважин-кандидатов на геолого-технические мероприятия является трудоемким и подвержен человеческому фактору ввиду большого количества скважин-кандидатов и возможных причин отклонения, в связи с этим возникает задача разработки программного обеспечения для решения этой задачи. В данной статье рассматриваются результаты исследования возможности применения методов машинного обучения для классификации скважин-кандидатов на мероприятие «Вывод из бездействия» по причинам отклонения для повышения эффективности и надёжности процесса согласования и отклонения. В качестве классификатора предложен многослойный перцептрон. Для балансировки данных используются методы генерации синтетических экземпляров, в частности метод Syntenhic Minority Oversample Technique и метод Random Oversampling. Новизна представленного решения связана с использованием методов машинного обучения в процессе согласования и отклонения скважин после первичного подбора на геолого-техническое мероприятие. Использование нейросетевого классификатора для классификации скважин-кандидатов на мероприятие «Вывод из бездействия» по причинам отклонения позволяет с достаточной для повышения эффективности процесса точностью классифицировать заданную скважину. В результате оценки классификатора была получена средняя точность 96, 67, 72 % по метрикам precision, accuracy, recall. Предложенное программное решение можно реализовать в виде API-службы, принимающей входные данные о скважине и возвращающей несколько наиболее вероятных причин отклонения. Такая служба сможет взаимодействовать с соответствующими прикладными приложениями для работы со скважинами для вывода на пользовательский интерфейс наиболее подходящих причин отклонения.

Process of approval of wells-candidates for geological and technical actions is labour intensive and human-susceptible because of a large number of wells-candidates and possible rejection reasons. The purpose of the paper is to research possibility of using machine learning methods for classification of wells-candidates to geological and technical action called «Well recommissioning» by rejection reasons to improve efficiency and reliability of approval process. A multilayer perceptron is used as a classifier. Methods for generating synthetic instances are used to balance the data, in particular, the Synthetic Minority Oversample Technique method and the Random Oversampling method. Novelty of the presented solution is the use of machine learning methods in the process of approval and rejection wells-candidates after the initial selection for an action. The use of a neural network classifier for classification of wells-candidates for the action «Well recommissioning» by rejection reasons allows to classify a well with sufficient accuracy to increase efficiency of the process. As a result of the assessment of the classifier an average accuracy of 96 %,67 %,72 % was obtained on precision, accuracy, recall metrics. Presented solution may be implemented in the form of an API service that accepts input data about a well and returns several of the most probable rejection reasons for a well. Such a service would be able to interact with appropriate applications to display the most appropriate rejection reasons on the user interface.