Применение мультимодального трансформера для прогнозирования выходных параметров насыщенных углеводородных соединений из состава тяжелой нефти в присутствии катализаторов

Предложена интеллектуальная модель на базе мультимодального трансформера для решения задачи прогнозирования времени и площади выхода различных углеводородных компонентов из состава тяжелой нефти при использовании катализаторов на основе шести металлов: никеля, меди, марганца, свинца, цинка и натрия. В качестве входных данных интеллектуальная модель принимает две модальности: хроматограмму образца чистой сырой нефти, представленную в виде графической информации и сопровождающие её табличные данные. На выходе мультимодальный трансформер позволяет получить прогнозные табличные данные, которые формализуют перераспределенный групповой состав нефти и описывают как наименования полученных углеводородов, так и две их качественные характеристики: время выхода спектров компонентов и их относительную площадь. Моделирование прогноза превращений высокомолекулярных соединений в легкомолекулярные на основе разработанной модели позволяет существенно сократить временные, аппаратные и человеческие ресурсы, необходимые для выбора нужного типа катализатора в нефтехимических лабораториях. В процессе исследования было обнаружено, что обучение интеллектуальной модели на данных одного месторождения позволяет в дальнейшем выполнять аналогичный прогноз с приемлемой точностью для данных другого месторождения тяжелой нефти. Величина ошибки прогноза интеллектуальной модели удовлетворяет требованиям, предъявляемыми нефтехимической лабораторией для практического применения мультимодального трансформера.

1. Шадрина А. В., Крец В. Г. Основы нефтегазового дела. М., Нац. Открытый Ун-т «ИНТУИТ», 2016. 214 с. / Shadrina, A.V., Krets, V.G. Fundamentals of Oil and Gas Engineering. Moscow, National Open University of INTUIT, 2016, 214 p. (in Russian).

2. Басарыгин Ю. М., Будников В. Ф., Булатов А. И. Исследование факторов и реализация мер долговременной эксплуатации нефтяных и газовых скважин. М., Просвещение-Юг, 2004, 242 с. ISBN 5-93491-054-X. / Basarygin Y. M., Budnikov V. F., Bulatov A. I. Research of factors and implementation of measures for long-term operation of oil and gas wells. Moscow, Prosveshchenie-Yug, 2004, 242 p. (in Russian). ISBN 5-93491-054-X.

3. Шевченко Д. В., Васильева Л. Х. Математическое моделирование вытеснения тяжелых нефтей горячей водой в тонком пласте. Казань, Издательство "Познание", 2013, 60 с. / Shevchenko D. V., Vasilieva L. H. Mathematical modelling of displacement of heavy oils by hot water in a thin reservoir. Kazan, Poznanie Publishing House, 2013, 60 p. (in Russian).

4. Хуснутдинов И. Ш., Копылов А. Ю., Гончарова И. Н. Разработка и совершенствование сольвентных технологий переработки тяжелого органического сырья. Казань, КГТУ, 2009, 265 с. ISBN 978-5-7882-0745-2 / Khusnutdinov I. Sh., Kopylov A. Yu., Goncharova I. N. Development and improvement of solvent technologies for processing of heavy organic raw materials. Kazan, KSTU, 2009, 265 p. (in Russian). ISBN 978-5-7882-0745-2.

5. Хадавимогаддам Ф., Мищенко И. Т., Мостаджеран М. Применение методов искусственного интеллекта в прогнозировании основных свойств нефти. Газовая промышленность, вып. 12(794), 2019, стр. 28-32. / Hadavimoghaddam F., Mishchenko I. T., Mostajeran M. Application of artificial intelligence methods in predicting basic oil properties. Gas Industry, vol. 12(794), 2019, pp. 28-32 (in Russian).

6. Азиева Р. Х. Искусственный интеллект в добыче нефти и газа: возможности и сценарный прогноз. Проблемы экономики и управления нефтегазовым комплексом, вып. 3(207), 2022, стр. 38-46. DOI: 10.33285/1999-6942-2022-3(207)-38-46. / Azieva R. H. Artificial intelligence in oil and gas production: opportunities and scenario forecast. Problems of economics and management of oil and gas complex, vol. 3(207), 2022, pp. 38-46 (in Russian). DOI: 10.33285/1999-6942-2022-3(207)-38-46.

7. Байбаров Д. А. Оценка продуктивности и экономической эффективности технологий искусственного интеллекта для автоматизации процессов разведки и добычи нефти и газа. XXI век: итоги прошлого и проблемы настоящего плюс, том 10, вып. 3, 2021, стр. 100-105. DOI: 10.46548/21vek-2021-1055-0019 / Baybarov D. A. Assessment of productivity and economic efficiency of artificial intelligence technologies for automation of oil and gas exploration and production processes. XXI century: Resumes of the Past and Challenges of the Present plus, vol. 10, issue 3, 2021, pp. 100-105 (in Russian). DOI: 10.46548/21vek-2021-1055-0019

8. Ломакин Н. И., Дженифер О. Ч., Голодова О. А., Сычева А. В., Кабина В. В. AI-система "Персептрон" для прогноза финансового результата деятельности предприятия нефтяной отрасли РФ. Фундаментальные исследования, вып. 12-1, 2019, стр. 98-103. DOI: 10.17513/fr.42629 / Lomakin N. I., Jennifer O. C., Golodova O. A., Sycheva A. V., Kabina V. V. AI-system "Perseptron" for forecasting the financial result of the enterprise of the oil industry of the Russian Federation. Fundamental Research, vol. 12-1, 2019, pp. 98-103 (in Russian). DOI: 10.17513/fr.42629

9. Овсеенко Г. А., Козелков О. В., Кашаев Р. С. Использование нейронных сетей в мехатронном устройстве представительного отбора и анализа проб. Приборостроение и автоматизированный электропривод в топливно-энергетическом комплексе и жилищно-коммунальном хозяйстве. Материалы VII Национальной научно-практической конференции, 2022, стр. 92-96. / Ovseenko G. A., Kozelkov O. V., Kashaev R. S. Use of neural networks in mechatronic device of representative sampling and analysis. Instrumentation and automated electric drive in fuel and energy complex and housing and communal services. Proceedings of VII National Scientific and Practical Conference, 2022, pp. 92-96 (in Russian).

10. Vaswani A., Shazeer N. et al. Attention is all you need. In Proc. of the 31st Conference on Neural Information Processing Systems (NIPS), 2017, 11 p.

11. Dosovitskiy A., Beyer L. et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In Proc. of the International Conference on Learning Representations (ICLR), 2021, 21 p. DOI: 10.48550/arXiv.2010.11929

12. Arik S. Ö., Pfister T. TabNet: Attentive Interpretable Tabular Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 35(8), 2020, pp. 6679-6687. DOI: 10.1609/aaai.v35i8.16826