*М.К. Каражанова,
Каспийский университет технологий
и инжиниринга имени Ш.Есенова
г.Актау, Казахстан.
E-mail: maral.karazhanova@yu.edu.kz
Рузбе Г. Моганлу
Университет Оклахомы, г. Норман,США.
E-mail:: rouzbehmoghanloo@gmail.com
И.А. Пиривердиев
Институт нефти и газа
Министерства науки и образования
Азербайджана, г.Баку,
E-mail:igorbaku@yandex.ru
*Автор корреспондент: maral.karazhanova@yu.edu.kz
Аннотация. Статья посвящена результатам анализа информации и установлению взаимосвязи между факторами, влияющими на надежность нефтепромыслового оборудования с использованием алгоритма нечеткой кластеризации. Одной из основных задач нефтепромысловой практики является оценка влияния различных факторов на эффективность эксплуатации месторождений и принятие правильных технологических решений. Надежность оценок и решений определяется тем, насколько достоверно выбраны входные и выходные переменные и их значения. Часто возникают ситуации, когда при наличии одних и тех же данных получаются принципиально разные результаты. Для нахождения конкретных выражений этих зависимостей и характеризующих их параметров используются, в частности, методы статистической обработки данных. В результате анализа причин отказов глубинных насосов были установлены факторы, влияющие на эффективность работы насоса на рассматриваемых месторождениях и подвергнуты нечеткому кластерному анализу, позволяющему получить представление о влиянии выбранных факторов на показатели эффективности в условиях неопределенности. Была получена связь между входными и выходными переменными, которую можно выразить нечетким выражением правила ЕСЛИ-ТО.
Ключевые слова: надежность, коэффициент расхода, межремонтный период, теория нечетких множеств, нечеткий кластерный анализ.
ЛИТЕРАТУРА
[1]. Еремин Н.А. Современная эксплуатация месторождений нефти и газа. Умный колодец. Интеллектуальное месторождение нефти. Виртуальная компания. Москва, «Недра-бизнес-центр», 2008. 244 с.
[2]. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского госуниверситета, 2002. 268 с.
[3]. Aliev RA, Guirimov BG. Type-2 Fuzzy Neural Networks and Their Applications. http://www.springer.com/us/book/9783319090719
[4]. Демидова ЛА, Коняева ЕИ. Кластеризация объектов с использованием FCM-алгоритма на основе нечетких множеств второго типа и генетического алгоритма. Вестник РГРЭУ, №4 (выпуск 26). Рязань, 2008.
[5]. Mohaghegh S. Virtual intelligence and its applications in petroleum engineering. J. Pet. Technol. Distinguished Author Series (2000)
[6]. Zadeh L A. #8220;Fuzzy Sets#8221;, #8220;Information and Control#8221;, Vol. 8, p. 338-353, 1965.
[7]. Nikravesh Masoud, Dobie Chuck A., Patzek Tad W. Field-Wise Waterflood Management in Low Permeability, Fractured Oil Reservoirs: Neuro-Fuzzy Approach. SPE 37523, SPE International Thermal Operations #038; Heavy Oil Symposium held in Bakersfield, California, U.S.A., 10-12 February 1997.
[8.] Ghallab SA, Badr N, Salem AB, Tolba MF. A Fuzzy Expert System For Petroleum Prediction. In: WSEAS, Croatia, vol. 2, p. 77-82 (2013)
[9]. Еремин Н.А. Моделирование залежей углеводородов с использованием методов нечеткой логики. Москва, «Наука», 1994, 462 с.
[10]. M.K. Karazhanova, I.A. Piriverdiyev. Analysis of the Impact of Operating Conditions of Pumps on their Efficiency Indicators Using Fuzzy Clustering Algorithm. Procedia Computer Science, Volume 102, 2016, Pages 163-167, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2016.09.384.
УДК 622.24
ГРНТИ 38.59.15
DOI 10.56525/FLZQ3049