Цифровой помощник для бурильщиков. Как распознать аварию на скважине
В условиях нехватки опыта у молодых кадров и дефицита времени на реакцию, системы машинного обучения помогают предотвратить потерю дорогого оборудования. Разработчик представил решение для раннего выявления прихватов бурильной колонны.
Прихват это ситуация, когда инструмент заклинивает в стволе скважины. Если не освободить колонну в первые четыре часа, вероятность успеха падает с 50% до 10% (откроется в новом окне). В таких условиях система должна не просто сигнализировать об аномалии, но и определять её тип.
Дифференциальный, механический или геометрический. Ошибочные действия при неверной диагностике могут окончательно заблокировать инструмент.
Разработка велась в условиях полной изоляции от интернета и жёстких ограничений по железу. Изначально планировалось использовать рабочие станции с видеокартами на 4 ГБ памяти для работы нейросетей, но из-за замены оборудования на офисные ноутбуки с 2 ГБ VRAM архитектуру пришлось упростить.
Вместо генеративных моделей (Llama) и векторных баз данных разработчик внедрил детерминированный словарь эвристик со ссылками на инструкции. Это позволило добиться стабильной работы без риска падения системы из-за нехватки памяти.
Для обеспечения надёжности была выбрана архитектура, где отсутствие одного узла не приводит к поломке всей системы. Вместо сложных протоколов вроде WITSML был выбран стандарт WITS-0, который поддерживается практически любыми станциями. От использования переходников USB-COM также отказались в пользу передачи данных по TCP/IP, чтобы минимизировать риск поломки оборудования из-за отсутствия запчастей на удалённых объектах.
Система уже работает на пяти реальных скважинах. Она служит «цифровым вторым пилотом», помогая молодым специалистам быстро принимать решения. Для тех, кто работает с промышленным софтом на слабом железе, это пример того, как отказ от тяжёлых моделей в пользу надёжных алгоритмов спасает проект.
Источники · 1
Текст подготовила языковая модель по материалам источников.
