moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.41.2.022 1381 Формирование данных в фиксациях моделей нефтегазовых скважин на основе применения интеллектуального метода заполнения пропущенных значений Formation of data in fixations of oil and gas well models using an intelligent method for missing value completion Шарифьянов Нияз Вакилевич Shariyanov Niyaz Vakilevich sharifyanov.niyaz@gmail.com aff-1 0000-0003-3063-105X Латыпова Виктория Александровна Latypova Viktoriya Aleksandrovna vikvaphoto@yandex.ru aff-2 Уфимский университет науки и технологий Ufa University of Science and Technology Уфимский университет науки и технологий Ufa University of Science and Technology 01 01 2026 1 1 10.26102/2310-6018/2023.41.2.022 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В нефтегазовой сфере уделяется много внимания вопросу повышения качества данных, так как низкое качество может повлечь за собой неверное видение ситуации и в дальнейшем принятие неверного решения. Мониторинг нефтедобычи и профилактическое обслуживание предполагают сбор данных от самых разных датчиков, которые нужно корректно обработать и «упаковать». Поэтому особое внимание уделяется повышению качества формируемых данных в фиксациях моделей нефтегазовых скважин. Фиксация моделей нефтегазовых скважин — это процесс сбора, анализа и сохранения информации о параметрах скважинной эксплуатации, таких как дебит жидкости, газа и нефти, давление, температура, состав флюидов и другие параметры, используемые для оптимизации процессов добычи и повышения эффективности работы скважин. Наличие пропусков при формировании моделей скважин чревато заметным понижением качества данных моделей, что может привести к неполному представлению общей картины работы скважины и снизить точность прогнозирования ее производительности. В статье предлагается интеллектуальный метод заполнения пропущенных значений для формирования данных в фиксациях моделей нефтегазовых скважин для решения данной проблемы. Метод успешно апробирован в нефтегазовой компании ПАО «Газпром нефть» на данных по дебиту жидкости скважин Вынгапурского месторождения.

In the oil and gas sector, a lot of attention is paid to the issue of improving the quality of data because poor quality can distort the presentation of the situation and eventually cause making the wrong decision. Oil production monitoring and preventive maintenance involve the collection of data from a variety of sensors that need to be correctly processed and “packaged”. Therefore, particular emphasis is given to improving the quality of the generated data in oil and gas well model fixations. Fixing oil and gas well models is the process of collecting, analyzing, and storing information about well operation parameters such as fluid, gas and oil flow rates, pressure, temperature, fluid composition, and other parameters used to optimize production processes and improve well performance. The presence of gaps in the formation of well models can significantly reduce the quality of these models, which can lead to an incomplete representation of the overall picture of well operation and decrease the accuracy of predicting its productivity. The article proposes an intelligent method of completing missing values for generating data in fixations of oil and gas well models to solve this problem. The method has been successfully tested at the oil and gas company Gazprom Neft PJSC using the data on the fluid flow rate of the wells in the Vyngapurovskoye field.

 интеллектуальный метод заполнение пропущенных значений метод ближайших соседей качество данных нефтегазовая скважина фиксация модели скважины intelligent method completing missing values nearest neighbor method data quality oil and gas well well model fixation Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Нургалиева З.Д., Латыпова В.А. Методика анализа ремонта нефтегазовых скважин при управлении на основе интеллектуального анализа данных. Моделирование, оптимизация и информационные технологии. 2022;10(2). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1186 DOI: 10.26102/2310-6018/2022.37.2.017. Хафизова А.У., Латыпова В.А. Оценка эффективности разработки нефтегазовых месторождений с помощью экспертных методов. Моделирование, оптимизация и информационные технологии. 2022;10(2). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1183 DOI: 10.26102/2310-6018/2022.37.2.018. Малышев А.С., Пашали А.А., Здольник С.Е., Волков М.Г. Удаленный мониторинг механизированного фонда скважин в ОАО «НК «Роснефть». Научно-технический вестник ОАО «НК «Роснефть». 2009;1:23–28. Жильцов В.В., Дударев А.В., Шитов Г.В., Чувикова В.В. Решения и развитие интеллектуальной технологии мониторинга и управления механизированным фондом скважин. Нефтяное хозяйство. 2006;10:128–130. Жильцов В.В., Федотов А.В. Информационные технологии в проектировании «интеллектуальной» скважины. Прикладная информатика. Энергетика и рациональное природопользование. 2013;48(6):15–23. Бахитова Р.Х., Султанов Б.Р. Подход к пространственно-панельному анализу данных нефтяного месторождения. Инновации и инвестиции. 2020;6:287–290. Журбич Н.И. Подготовка исходных данных для углубленного анализа нефтегазового месторождения. Информационные технологии в науке, управлении, социальной сфере и медицине. 2019;13–19. Qin J., Chen L., Liu Y., Liu C., Feng C., Chen B. A machine learning methodology for diagnosing chronic kidney disease. IEEE. 2020;8:4–7. Поцыкайло А.А. Использование метода к-ближайших соседей при распознавании полутоновых изображений. Известия ЮФУ. Технические науки. 2011;118(5):258–260. Галеев Э.Е. Кластерный анализ интегрированных корпоративных структур. Инновации и инвестиции, 2023;2:139–142. Zliobaite I., Hollmen J. Optimizing regression models for data streams with missing values. Machine Learning. 2014;99(1):47–73. DOI: 10.1007/s10994-014-5450-3. Sharifyanov N., Latypova V. A method of filling missing values in data using data mining. 2023 IX International Conference on Information Technology and Nanotechnology (ITNT). 2023;1–5. DOI: 10.1109/ITNT57377.2023.10139280.

The authors declare that there are no conflicts of interest present.