Виртуальный расходомер нефтяника
Измерение многофазного потока (Эффективное производство, здоровье и безопасность, управление резервуаром, экологический эффект, -OPEX / CAPEX + Доход)

Задача
Газпром нужен был инструмент, прогнозирующий дебит скважины после замены насосного оборудования. Замена насоса дорогостоящая операция, и важно понимать, какой выход скважина даст не в момент пуска, а спустя месяцы стабильной эксплуатации. Заказчик ставил задачу спрогнозировать дебит на горизонте 6 месяцев после замены насоса. Сложность в том, что физический расходомер на каждой скважине ставить нерентабельно, а зависимость дебита от параметров скважины нелинейна и зашумлена историческими данными разного качества.
Решение
Мы разработали виртуальный расходомер, предсказывающий дебит скважины через 6 месяцев после замены погружного насоса. В основе линейная модель с регуляризацией монотонности: она удерживает физически осмысленные зависимости, например, что рост определённого параметра не может приводить к разнонаправленным скачкам прогноза. Это критично для доверия инженеров к модели, ведь нефтяник должен видеть в прогнозе физику пласта, а не артефакты обучения.
Технологии
На каждую скважину формируется 84 признака, описывающих геологию, режим работы и историю эксплуатации. Модель обучается с регуляризацией монотонности через оптимизатор scipy, что позволяет накладывать ограничения на знак влияния признаков. Линейная архитектура выбрана сознательно: она интерпретируема и устойчива на ограниченных и неоднородных данных, типичных для скважинного фонда.
Результат
Модель достигает MAE 67.1 на прогнозе дебита, оставаясь полностью интерпретируемой для инженеров. Монотонность гарантирует, что рекомендации согласуются с физикой процесса, а не противоречат ей. Виртуальный расходомер позволяет оценивать целесообразность замены оборудования заранее, без установки дорогих физических датчиков на каждую точку фонда.
Похожие кейсы
Анализ данных
Контроль состава шлака на металлургическом заводе: реакция на отклонение за минуту
Партнёрский проект в металлургии на базе Z-brain: система сверяет телеметрию датчиков с моделью, обученной на истории выплавок завода, находит причину отклонения и сразу выдаёт оператору действие. Время реакции сократилось с десятков минут до одной.
Анализ данных
Модель предсказания поломки оборудования
Сибур: предиктивная модель для экструдера полимеров. Раннее обнаружение признаков засора по данным датчиков. Доля предугаданных неполадок ~80%, переход от аварийного ремонта к плановому обслуживанию.
Анализ данных
Построение цифровой модели фабрики
Моделирование бизнес и производственных процессов действующего производства, поиск "узких мест" в производстве для их устранения, поиск параметров, влияющих на выход годной продукции