Цель исследования – разработка системы поддержки принятия решений для оптимизации режима работы нефтяных скважин, оборудованных установками электроцентробежных насосов. Задача исследования состоит в создании программно-аппаратного комплекса, который на основе алгоритма нечеткой логики предоставляет оператору рекомендации по режимному параметру, а именно, глубине погружения насоса под динамический уровень с целью максимизации экономической эффективности при соблюдении технических ограничений. В качестве основного метода применен алгоритм нечеткого вывода Мамдани. Результатом исследования является функционирующее ядро системы поддержки принятия решений, интегрирующее три входных параметра (динамический уровень, дебит, газовый фактор) и возвращающее четкое значение рекомендуемого заглубления погружной установки. Выполнена верификация системы с использованием данных эксплуатации, подтвердившая адекватность модели. Разработана структура программно-аппаратного комплекса, интегрированного в систему управления объектом добычи нефти, имеющего компоненты для сбора технологических параметров, обработки массива данных и вывода рекомендации по режимному параметру установки. Для настройки ядра системы поддержки принятия решений (выделения нечетких множеств и формирования базы нечетких правил) предусматривается база знаний, которая обеспечивает адаптивность разработанной системы под характеристики разрабатываемого месторождения.
The aim of the work is to develop a decision support system for optimizing the operating mode of oil wells equipped with electric centrifugal pumps. The objective of the study is to create a software and hardware complex that, based on a fuzzy logic algorithm, provides the operator with recommendations on the operating parameter – the depth of immersion of the pump under the dynamic level in order to maximize economic efficiency while complying with technical limitations. The Mamdani fuzzy inference algorithm is used as the main method. The result of the work is a functioning core of the decision support system that integrates three input parameters (dynamic level, flow rate, gas factor) and returns a clear value of the recommended depth of the submersible installation. Verification of the system has been performed, confirming the adequacy of the model. The structure of a software and hardware complex integrated into the control system of an oil production facility with components for collecting technological parameters and processing an array of data has been developed. To configure the core of the decision support system (allocation of fuzzy sets and formation of a base of fuzzy rules), a knowledge base is provided that ensures the adaptability of the developed system to the characteristics of the field being developed.
1. Макеев А.А., Цепляева А.И., Леонтьев С.А., Шай Е.Л. Эксплуатация скважин установками электроцентробежных насосов с учетом геолого-физических особенностей доюрского комплекса (триас) // Нефтяное хозяйство. 2021. № 3. С. 92–95. URL: https://oil-industry.net/Journal/archive_detail.php?ID=12109&art=236288 (дата обращения: 16.08.2025). DOI: 10.24887/0028-2448-2021-3-92-94.
2. Крамаренко В.А., Шрам В.Г., Безбородов Ю.Н., Афанасов В.И., Фельдман А.Л. Система управления и регулирования устьевого оборудования добывающей скважины // Известия Тульского государственного университета. Технические науки. 2022. № 5. С. 443–448. DOI: 10.24412/2071-6168-2022-5-443-448.
3. Пурицкис Я.В., Панченко И.В. Исследование возможности оптимизации работы добывающих скважин с помощью нейросетевого анализа // Деловой журнал Neftegaz.RU. 2024. № 10 (154). С. 94–97. URL: https://magazine.neftegaz.ru/articles/tsifrovizatsiya/860038-issledovanie-vozmozhnosti-optimizatsii-raboty-dobyvayushchikh-skvazhin-s-pomoshchyu-neyrosetevogo-an/ (дата обращения: 01.08.2025). EDN: QQBBMY.
4. Голенкин М.Ю., Болгова Н.Е., Гурбанов И.И., Марданов Р.М. Оптимизация режимов эксплуатации скважин, оборудованных интеллектуальным закачиванием, для эффективного отбора трудноизвлекаемых запасов (подгазовая залежь) // Геология, геофизика и разработка нефтяных и газовых месторождений. 2024. № 11 (395). С. 43–47. URL: https://www.elibrary.ru/item.asp?id=75081522 (дата обращения: 16.08.2025). EDN: GPNBPV.
5. Пашали А.А., Халфин Р.С., Сильнов Д.В. Топольников А.С., Латыпов Б.М., Уразаков К.Р. Интегрированная модель «пласт – скважина – насос» для расчета нестационарных режимов течения жидкости // Нефтегазовое дело. 2021. Т. 19. № 1. С. 33–41. URL: http://ngdelo.ru/files/ngdelo/2021/1/ngdelo-1-2021-p33-41.pdf (дата обращения: 26.09.2025). DOI: 10.17122/ngdelo-2021-1-33-41.
6. Тагирова К.Ф., Нугаев И.Ф. Концептуальные основы автоматизации управления установками электроцентробежных насосов нефтедобывающих скважин // Мехатроника, автоматизация, управление. 2020. Т. 21. № 2. С. 102–109. URL: https://mech.novtex.ru/jour/article/view/756/571 (дата обращения: 26.09.2025). DOI: 10.17587/mau.21.102-109.
7. Кузьмин М.И., Вербицкий В.С., Хабибуллин Р.А. и др. Анализ влияния эксплуатационных параметров и режимов работы добывающих скважин на надежность установок электроцентробежных насосов // Нефтяное хозяйство. 2024. № 12. С. 106–111. URL: https://oil-industry.net/Journal/archive_detail.php?ID=12841&art=239605 (дата обращения: 16.10.2025). DOI: 10.24887/0028-2448-2024-12-106-111.
8. Wang Z., Cheng Z., Ding X., Xia L. Research on intelligent decision support systems for oil and gas exploration based on machine learning // PLoS ONE. 2024. Vol. 19, Is. 12. Article e0314108. URL: https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0314108 (дата обращения: 01.08.2025). DOI: 10.1371/journal.pone.0314108.
9. Дмитриевский А.Н., Еремин Н.А., Черников А.Д. Цифровая модернизация нефтегазодобычи: инструменты и индикаторы развития // Экспозиция Нефть Газ. 2024. № 1 (102). С. 44–47. URL: https://www.runeft.ru/archive-of-numbers/detail.php?id=8440 (дата обращения: 26.09.2025). DOI: 10.24412/2076-6785-2024-1-44-47.
10. Фаткуллин В.И., Тугов В.В. Совершенствование автоматизированной системы управления объектами хранения и реализации продукции нефтегазопереработки // Современные наукоемкие технологии. 2024. № 8. С. 94–99. URL: https://top-technologies.ru/ru/article/view?id=40118 (дата обращения: 29.09.2025). DOI: 10.17513/snt.40118.
11. Saleh M. El-koliel, Hussien Eleissawi, Adel S. Nada. Speed control of electrical submersible pumps using fuzzy logic control // International Journal of Power Electronics and Drive System. 2022. Vol. 13, Is. 4. С. 2515–2528. URL: https://ijpeds.iaescore.com/index.php/IJPEDS/article/view/21902 (дата обращения: 01.08.2025). DOI: 10.11591/ijpeds.v13.i4.pp2515-2528.
12. Селетков И.П. Применение матричного аппарата нечеткой логики для поддержки принятия решений в процессе обслуживания технологического оборудования нефтедобычи // Прикладная математика и вопросы управления. 2020. № 4. С. 65–88. URL: https://www.elibrary.ru/item.asp?id=44557916 (дата обращения: 01.08.2025). DOI: 10.15593/2499-9873/2020.4.05.
13. Wu H., Zeshui X.U. Fuzzy logic in decision support: Methods, applications and future trends // International journal of computers communications & control. 2021. Vol. 16, Is. 1. URL: https://core.ac.uk/reader/386341500 (дата обращения: 26.09.2025). DOI: 10.15837/ijccc.2021.1.4044.
14. R Azmi P.A., Yusoff M., Mohd Sallehud-din M.T. A Review of Predictive Analytics Models in the Oil and Gas Industries // Sensors. 2024. Vol. 24, Is. 12. C. 4013. URL: https://www.mdpi.com/1424-8220/24/12/4013 (дата обращения: 16.08.2025). DOI: 10.3390/s24124013.
15. Petrochenkov A., Ilyushin P., Mishurinskikh S., Kozlov A. Development of a Method for Improving the Energy Efficiency of Oil Production with an Electrical Submersible Pump // Inventions. 2023. Vol. 8, Is. 1. С. 29. URL: https://www.mdpi.com/2411-5134/8/1/29 (дата обращения: 01.08.2025). DOI: 10.3390/inventions8010029.