Оптимизация работы скважин на нефтяных месторождениях с применением Deep Reinforcement Learning

Нейронные сети, искусственный интеллект

Доклад отозван

Окончил МГТУ им. Н. Э. Баумана в 2017 году по специальности "Баллистика и аэродинамика". Более 5 лет занимался разработкой траекторий космических аппаратов при полётах к Луне и другим точкам дальнего космоса (например, действующий в настоящее время КА "Спектр-РГ") в Центре Управления Полетами. На сегодняшний день занимается применением методов reinforcement learning в промышленности и автоматическом машинном обучении.

Тезисы

Видео

В докладе рассказывается об использовании методов DRL для максимизации отношения прибыли от добычи нефти к затратам на ее добычу и обслуживание оборудования путем изменения режимов работы насоса, оборудования скважины и расположения насоса.

Нефтяное месторождение представлено сетью скважин, оборудованных установками электроприводного центробежного насоса (УЭЦН) и связанных между собой общим трубопроводом. При этом активные добывающие скважины оказывают друг на друга влияние через давление в трубопроводе и в пласте. Изменяя модель УЭЦН, частоту его работы, а также глубину спуска можно управлять добычей нефти как отдельной скважины, так и их совокупностью. Кроме того, в силу особенностей скважины и пласта, не все насосы могут работать постоянно, вследствие чего возникает необходимость составления расписания работы насосов.

Рассматриваются подходы с одним суперагентом для всего месторождения и мультиагентное иерархическое обучение в случае разной частотности действий на месторождении.