Научный руководитель: Мурзина Гузель Ринатовна
Введение
Нефтегазовая отрасль относится к числу наиболее технологически сложных сфер промышленности. Проектирование и строительство скважин требуют учета геологического строения пласта, свойств пород, пластового давления, конструкции ствола, состава бурового раствора, параметров бурильной колонны, оборудования и экономических факторов. Ошибка на этапе проектирования или бурения может привести к снижению дебита, увеличению сроков строительства, аварийным ситуациям и росту затрат.
В последние годы нефтегазовые предприятия активно переходят к цифровым технологиям. Большое значение приобретают системы сбора промысловых данных, цифровые двойники скважин и месторождений, интеллектуальные алгоритмы прогнозирования, а также программные комплексы поддержки принятия решений. Искусственный интеллект (ИИ) становится частью этого процесса, поскольку способен выявлять сложные зависимости в данных, которые трудно описать только классическими инженерными формулами.
Особенно важным направлением становится интеллектуальная поддержка проектирования и оптимизации скважин. На проектной стадии такие методы помогают выбирать расположение и траекторию ствола, оценивать риски и заранее рассчитывать ожидаемую продуктивность. Во время бурения алгоритмы применяют для подбора режима работы, оценки механической скорости проходки, обнаружения аномалий, предупреждения осложнений и контроля состояния оборудования. На этапе эксплуатации модели машинного обучения позволяют анализировать динамику добычи, оценивать эффективность мероприятий и планировать дальнейшее развитие месторождения.
Цель работы — проанализировать основные направления применения искусственного интеллекта в проектировании и оптимизации нефтяных скважин, определить архитектуру типовой интеллектуальной системы и выявить проблемы внедрения таких решений в промышленную практику.
Для достижения поставленной цели необходимо решить следующие задачи: рассмотреть роль ИИ в нефтегазовой отрасли; описать основные источники данных для интеллектуального проектирования скважин; изучить методы машинного обучения, применяемые при проектировании траекторий и оптимизации бурения; рассмотреть цифровые двойники и системы поддержки принятия решений; определить основные ограничения и перспективы развития данного направления.
Роль искусственного интеллекта в нефтегазовой отрасли
Искусственный интеллект в нефтегазовой отрасли объединяет методы и программные решения для автоматизации анализа промышленных данных, построения прогнозных моделей и формирования инженерных рекомендаций. В отличие от обычных информационных систем, ИИ не только хранит и отображает показатели, но и выявляет скрытые закономерности между параметрами технологического процесса.
В нефтегазовой отрасли ИИ применяют в геологоразведке, интерпретации сейсмических данных, анализе каротажа, проектировании скважин, оптимизации бурения, предиктивном обслуживании оборудования, прогнозировании добычи, контроле осложнений и поддержке принятия решений. Наибольший практический эффект такие методы дают там, где одновременно присутствуют большие объемы данных, сложные физические процессы и необходимость быстро принимать решения.
Бурение и заканчивание скважин являются одной из наиболее затратных стадий разработки месторождения. В научной литературе отмечается, что интеллектуальное бурение и интеллектуальное заканчивание скважин рассматриваются как трансформационные технологии, способные повышать эффективность бурения и снижать стоимость работ [1]. Это связано с тем, что традиционные методы часто опираются на опыт специалистов и детерминированные расчеты, тогда как реальные условия бурения являются изменчивыми и нелинейными.
Применение ИИ позволяет перейти от реактивной модели управления к прогнозной. При реактивном подходе инженер реагирует на уже возникшую проблему: снижение скорости проходки, рост крутящего момента, скачки давления, ухудшение очистки ствола или признаки прихвата. При прогнозном подходе модель заранее обнаруживает сочетание параметров, которое может привести к осложнению, и предлагает изменить режим бурения.
Важным преимуществом ИИ является способность работать с историческими и потоковыми данными одновременно. Исторические данные используются для обучения моделей, а потоковые данные с буровой установки — для оперативной оценки текущего состояния. Таким образом, интеллектуальная система может сравнивать текущую ситуацию с похожими случаями из прошлого и формировать рекомендацию с учетом накопленного опыта.
Данные, используемые при проектировании и оптимизации скважин
Качество интеллектуальной системы напрямую зависит от качества исходных данных. В задачах проектирования и оптимизации нефтяных скважин данные поступают из разных этапов жизненного цикла скважины: от геологического изучения пласта до фактического бурения и последующей эксплуатации. Поэтому перед построением модели важно не просто собрать большой массив информации, а связать между собой данные разной природы.
На ранней стадии используются геологические и геофизические материалы: сведения о строении пласта, литологии, пористости, проницаемости, насыщенности, пластовом давлении, разломах, границах коллектора и результатах сейсморазведки. Эти сведения задают пространственный контекст будущей скважины и позволяют определить целевой интервал, в котором ожидается наибольшая продуктивность.
После этого к геологической информации добавляются данные геофизических исследований скважин. Каротажные материалы уточняют свойства пород по глубине, помогают выделить продуктивные интервалы и оценить неоднородность пласта. Каротажные данные удобны для машинного обучения, поскольку представлены в виде числовых рядов: гамма-каротаж, плотностной каротаж, нейтронный каротаж, сопротивление, акустические параметры и другие признаки.
Технологический слой данных формируется уже в процессе бурения. К нему относятся нагрузка на долото, скорость вращения, крутящий момент, расход бурового раствора, давление на стояке, плотность
и вязкость раствора, механическая скорость проходки, глубина, скорость спуска и подъема, вибрации, температура и другие показатели. Именно эти параметры чаще всего используются при построении моделей, которые прогнозируют скорость проходки и оценивают риск осложнений.
Большое значение имеет и опыт ранее пробуренных скважин. Фактические траектории, продолжительность бурения, интервалы осложнений, типы долот, режимы бурения, стоимость работ, дебиты, результаты испытаний и ремонтов позволяют сравнивать новые проектные решения с уже известными случаями. Такой подход делает модель ближе к практической инженерной логике: она опирается не только на текущие измерения, но и на накопленный производственный опыт.
Экономические и организационные показатели также влияют на проектирование. Оптимальная скважина должна быть не только технически выполнимой, но и экономически целесообразной. Поэтому учитываются стоимость бурения, ожидаемый дебит, срок окупаемости, доступность оборудования и ограничения по графику работ.
Для программиста особенно важен этап подготовки данных. На практике информация поступает из промысловых баз данных, SCADA-систем, геологических моделей, табличных файлов, систем бурового подрядчика и отчетной документации. Перед применением ИИ необходимо выполнить очистку, синхронизацию по времени и глубине, обработку пропусков, нормализацию, проверку выбросов и формирование признаков. Без этого даже современная модель машинного обучения может давать недостоверные результаты. Подготовленные таким образом данные становятся основой для построения прогнозных моделей на этапе проектирования скважин.
Проектирование нефтяных скважин с использованием искусственного интеллекта
Проектирование скважины включает выбор ее типа, расположения, траектории, конструкции, целевого интервала и технологических параметров строительства. В традиционном подходе эти решения принимаются на основе инженерных расчетов, геологической модели и опыта специалистов. Искусственный интеллект позволяет дополнить этот процесс прогнозными и оптимизационными алгоритмами.
Одной из ключевых задач остается выбор места бурения. Для этого анализируют свойства пласта, данные соседних скважин, результаты сейсморазведки и экономические показатели. Модель машинного обучения оценивает ожидаемую продуктивность различных точек и помогает ранжировать варианты бурения. Такой подход особенно полезен на зрелых месторождениях, где уже накоплены сведения о большом количестве объектов и можно выявлять закономерности между геологическими признаками и результатами добычи.
Не менее важен выбор траектории. Для наклонно-направленных и горизонтальных скважин необходимо обеспечить прохождение ствола через наиболее продуктивную часть пласта, избежать сближения с существующими объектами, выдержать ограничения по кривизне и минимизировать технические риски. В современных исследованиях рассматриваются методы машинного обучения, которые помогают принимать решения при геонавигации и корректировке траектории в реальном времени [5].
Оценка продуктивности будущей скважины выполняется с помощью регрессионных моделей, которые рассчитывают ожидаемый дебит или накопленную добычу на основе данных о пласте, конструкции ствола и режиме эксплуатации. Такие модели не заменяют гидродинамическое моделирование, но могут использоваться как быстрый инструмент предварительной оценки большого числа вариантов.
Четвертая задача — выбор конструкции скважины. Конструкция должна учитывать глубину, давление, температуру, устойчивость пород, тип заканчивания и требования безопасности. ИИ может применяться для анализа типовых решений и поиска сочетаний параметров, которые ранее приводили к успешному строительству скважин в сходных условиях.
Обобщенная схема применения ИИ при проектировании нефтяной скважины представлена на рисунке 1.
Рис. 1. Обобщенная схема применения ИИ при проектировании нефтяной скважины
Из рисунка видно, что ИИ не является отдельным самостоятельным блоком, который принимает окончательное решение вместо инженера. Он выполняет роль аналитического слоя между исходными данными и инженерным проектом. Финальное решение остается за специалистом, который учитывает производственные ограничения, нормативные требования и практический опыт.
Оптимизация процесса бурения
Оптимизация бурения направлена на сокращение времени строительства скважины, снижение стоимости работ и уменьшение риска осложнений. Одним из основных показателей эффективности является механическая скорость проходки (Rate of Penetration, ROP). Чем выше скорость проходки при допустимом уровне безопасности, тем меньше время бурения и ниже затраты.
На скорость проходки влияет большое количество факторов: нагрузка на долото, скорость вращения, крутящий момент, тип долота, расход и свойства бурового раствора, давление, литология, прочность породы, износ оборудования и глубина. Связи между этими параметрами нелинейны. Например, увеличение нагрузки на долото может повысить скорость проходки, но при определенных условиях приведет к росту вибраций, износу долота или ухудшению устойчивости ствола. Поэтому задача оптимизации не сводится к простому увеличению одного параметра.
В исследованиях по прогнозированию ROP широко применяются искусственные нейронные сети, случайный лес, градиентный бустинг, метод опорных векторов и гибридные модели, объединяющие машинное обучение с метаэвристическими алгоритмами [2, 3]. Такие модели позволяют прогнозировать скорость проходки и выбирать режим бурения, который обеспечивает более эффективное прохождение конкретного интервала.
Конкретные результаты зависят от месторождения, состава признаков и качества подготовки данных. Например, в исследовании A.K. Salih модель градиентного бустинга при прогнозировании ROP показала коэффициент детерминации R2 = 0,9947 на обучающей выборке и R2 = 0,8611 на тестовой выборке [7]. Эти значения показывают, что ансамблевые методы способны улавливать нелинейные связи между параметрами бурения и скоростью проходки, хотя перенос модели на новые условия требует дополнительной проверки.
Перспективным направлением является объединение физических закономерностей и машинного обучения. Чисто дата-ориентированная модель может хорошо работать на обучающей выборке, но плохо переноситься на новый объект. Если же в модель включаются механистические ограничения, отражающие физику процесса бурения, повышается устойчивость и интерпретируемость результата. В исследованиях 2024 года показано, что сочетание механистических знаний, переноса обучения и нейронных сетей может улучшать прогнозирование скорости проходки на целевой скважине [4].
Оптимизация режима бурения может выполняться в несколько этапов. Сначала собираются данные по ранее пробуренным интервалам. Затем выполняется очистка данных и формирование признаков: средние значения параметров, производные, интервальные характеристики, признаки литологии, тип долота и глубина. После этого обучается модель, которая предсказывает ROP или вероятность возникновения осложнения. На последнем этапе система подбирает такие значения управляемых параметров, которые повышают скорость проходки при соблюдении ограничений по безопасности.
С точки зрения программной реализации такая система может работать как рекомендательный модуль. Она получает потоковые данные с буровой установки, сравнивает текущий режим с оптимальным и выдает инженеру подсказку: изменить нагрузку на долото, скорректировать скорость вращения, проверить промывку ствола, заменить долото или снизить интенсивность режима. При этом рекомендация должна сопровождаться объяснением, на каких признаках она основана.
Прогнозирование осложнений и аварийных ситуаций
Важной областью применения ИИ является прогнозирование осложнений при бурении. К основным осложнениям относятся прихват бурильной колонны, поглощение бурового раствора, газонефтеводо-проявления, обвалы и осыпи стенок скважины, избыточные вибрации, повреждение долота, ухудшение очистки ствола и отклонение траектории от проектной.
Такие события часто развиваются постепенно. До возникновения явной аварийной ситуации в данных могут появляться ранние признаки: рост крутящего момента, изменение давления, увеличение вибраций, нестабильная скорость проходки, изменение свойств бурового раствора. Модель машинного обучения может анализировать эти признаки совместно и определять вероятность осложнения.
Для задачи прогнозирования осложнений обычно применяются модели классификации. Они оценивают, относится ли текущий режим бурения к нормальному состоянию или к состоянию повышенного риска. Также используются методы обнаружения аномалий, которые не требуют полного набора размеченных аварийных ситуаций. Это важно, поскольку реальные аварии встречаются реже, чем нормальные режимы, а данных о них может быть недостаточно.
Отдельное направление — распознавание литологии и положения долота относительно продуктивного пласта. При наклонно-направленном и горизонтальном бурении важно удерживать ствол в целевом интервале. Если датчики, определяющие свойства породы, расположены выше долота, информация поступает с задержкой по глубине. В таких условиях методы машинного обучения могут использоваться для более раннего определения типа породы по косвенным признакам бурения [6]. Это снижает риск выхода из продуктивного интервала и повышает точность геонавигации.
В качестве примера можно привести работу по обнаружению аварий при наклонно-направленном бурении: модель была обучена на телеметрии 80 скважин из 19 месторождений и на проверочных данных выявляла около половины аномалий при среднем уровне ложных тревог 0,53 сигнала в сутки [8]. В близкой задаче определения изменения типа породы по MWD-данным задержка обнаружения была сокращена с 20 до 1,8 м, а число ложноположительных срабатываний уменьшилось с 43 до 6 на одну скважину [9]. Эти результаты показывают, что даже частичное раннее предупреждение может иметь практическую ценность, если оно дает инженеру время на корректировку режима бурения.
Однако прогнозирование осложнений требует осторожности. Ложное срабатывание может привести к необоснованному снижению режима и потере времени, а пропуск аварийной ситуации — к серьезным последствиям. Поэтому интеллектуальная система должна не только выдавать сигнал риска, но и показывать уровень уверенности, объяснять основные факторы и позволять инженеру проверить рекомендацию.
Цифровые двойники и системы поддержки принятия решений
Цифровой двойник скважины или месторождения — это цифровая модель объекта, которая отражает его текущее состояние и позволяет прогнозировать поведение при различных вариантах воздействия. В нефтегазовой отрасли цифровой двойник может объединять геологическую модель, гидродинамические расчеты, данные бурения, историю эксплуатации, сведения об оборудовании и экономические показатели.
Для проектирования и оптимизации скважин цифровой двойник полезен тем, что позволяет проводить виртуальные эксперименты. Вместо того чтобы проверять решение на реальном объекте, инженер может смоделировать несколько вариантов траектории, режима бурения или расположения скважины. Искусственный интеллект ускоряет этот процесс: модель быстро отбирает перспективные варианты, рассчитывает возможный результат и заранее указывает на риски.
В России цифровизация нефтегазовой отрасли также развивается. В открытых материалах компании «Роснефть» указывается, что в рамках цифровой трансформации реализованы десятки тысяч цифровых двойников скважин и производственных объектов, а также запущены проекты «Цифровое месторождение» и «Цифровой завод» [10]. Для темы данной статьи это важно, поскольку показывает практическую востребованность цифровых моделей именно на уровне скважин и промысловых объектов.
Для Республики Башкортостан тема имеет дополнительную актуальность. В 2025 году сообщалось, что «Башнефть» подключила 8100 скважин к информационной системе «Цифровое месторождение», что составляет более 70% эксплуатационного фонда компании в регионе [11]. Кроме того, специалисты научного института «Роснефти» в Уфе разработали цифровое пространство «SmartГиР» для мониторинга, анализа и проектирования разработки месторождений; система используется в том числе для определения мест бурения новых скважин на действующих месторождениях [12]. Это показывает, что рассматриваемая тема связана не только с мировыми тенденциями, но и с практикой предприятий, работающих в Уфе и Башкортостане.
Система поддержки принятия решений на базе ИИ может включать несколько программных модулей. Первый модуль отвечает за сбор и хранение данных. Второй — за обработку и проверку качества данных. Третий — за обучение и применение моделей машинного обучения. Четвертый — за визуализацию, построение отчетов и передачу рекомендаций инженеру. Пятый — за контроль безопасности, журналирование действий и интеграцию с корпоративными системами.
Рис. 2. Схема интеллектуальной системы оптимизации бурения
Рисунок 2 показывает, что интеллектуальная система работает циклически. Данные поступают с буровой установки, обрабатываются, анализируются моделями ИИ и сопоставляются с цифровым двойником.
После этого система формирует рекомендацию, а инженер принимает окончательное решение. Результат решения снова отражается в данных, что позволяет системе накапливать опыт.
Архитектура программной реализации
С точки зрения подготовки программиста особый интерес представляет архитектура программной системы, реализующей интеллектуальную поддержку проектирования и оптимизации скважин. Такая система должна быть не просто набором моделей машинного обучения, а промышленным программным комплексом, способным работать с реальными данными и ограничениями.
Типовую архитектуру удобно рассматривать как несколько взаимосвязанных уровней. Уровень источников данных образуют датчики буровой установки, системы телеметрии, базы геолого-технических мероприятий, каротажные данные, геологические модели и производственные отчеты. На уровне интеграции используются программные интерфейсы, ETL-процессы, брокеры сообщений и механизмы синхронизации данных по времени и глубине.
Уровень хранения включает реляционные базы данных, временные ряды, объектные хранилища и специализированные хранилища геологических данных. Для задач машинного обучения важно сохранять не только исходные данные, но и версии признаков, обучающих выборок, моделей и результатов экспериментов.
Аналитический уровень содержит модели машинного обучения: регрессионные алгоритмы для прогноза ROP, классификаторы риска осложнений, инструменты обнаружения аномалий, алгоритмы оптимизации параметров бурения и рекомендательные системы. Для промышленной эксплуатации важен полный контроль жизненного цикла модели: обучение, тестирование, валидация, внедрение, мониторинг качества и переобучение.
Пользовательский уровень включает интерфейс инженера. В нем отображаются текущие параметры бурения, прогнозные значения, предупреждения, рекомендации и объяснения. Для повышения доверия к системе важно показывать не только результат модели, но и факторы, повлиявшие на прогноз: например, рост крутящего момента, изменение давления, снижение скорости проходки или расхождение с исторически успешным режимом.
Отдельный уровень связан с безопасностью. В нефтегазовой отрасли ошибки программного обеспечения могут привести к материальным потерям и угрозам для людей. Поэтому система должна вести журнал действий, ограничивать права доступа, защищать каналы передачи данных, сохранять резервные копии и позволять откатить изменения. Рекомендации ИИ не должны автоматически менять режим бурения без подтверждения ответственного специалиста, если такая возможность не предусмотрена регламентом.
Проблемы внедрения искусственного интеллекта
Среди ключевых барьеров внедрения выделяются качество данных, ограниченность размеченных выборок, переносимость моделей между объектами, объяснимость решений, интеграция с существующей инфраструктурой и кадровый дефицит. Рассмотрим каждое из этих ограничений детальнее.
Наиболее заметное ограничение связано с качеством промышленных данных. В реальных наборах встречаются пропуски, шум, ошибки измерений, несогласованные единицы измерения и различная частота записи. Данные по глубине и по времени могут быть синхронизированы неточно. Без предварительной подготовки модель обучается на искаженной информации и выдает формально точные, но практически бесполезные рекомендации.
Отдельной проблемой остается нехватка размеченных данных по авариям и осложнениям. Для обучения модели нужно знать, когда именно возникала нештатная ситуация и какие признаки ей предшествовали. На практике такие события происходят реже нормальных режимов, а их описание в отчетах может быть неполным или неформализованным. Поэтому приходится использовать методы обнаружения аномалий, синтетические данные и экспертную разметку.
Проблема переносимости проявляется в том, что модель, обученная на одном месторождении, не всегда уверенно работает на другом. Геологические условия, оборудование, буровые растворы и технологические регламенты отличаются, поэтому алгоритм может столкнуться с распределением данных, которого не было при обучении. Для снижения такого риска применяются трансферное обучение, гибридные модели и учет физических ограничений процесса бурения.
Практическое внедрение также требует объяснимости. Инженер должен понимать, почему система выдала конкретную рекомендацию. Если модель работает как «черный ящик», доверие к ней снижается. Поэтому в промышленных задачах важны методы объяснимого ИИ: оценка важности признаков, визуализация вкладов факторов, сравнение с похожими историческими случаями и формирование понятных комментариев к прогнозу.
Инфраструктурный барьер связан с тем, что на нефтегазовых предприятиях используются разные программные продукты, форматы данных и корпоративные стандарты. Новая интеллектуальная система должна быть совместима с существующими базами данных, системами мониторинга, отчетности и документооборота, иначе даже качественная модель останется экспериментальным прототипом.
Кадровый дефицит усиливает перечисленные проблемы. Для успешного внедрения ИИ нужны специалисты, которые понимают и программирование, и основы нефтегазовой инженерии. Программист должен знать методы машинного обучения, базы данных, обработку потоковых данных и разработку интерфейсов. Одновременно ему необходимо понимать смысл буровых параметров, особенности скважин и производственные ограничения. Поэтому подготовка таких специалистов особенно актуальна для технических университетов нефтегазового профиля.
Перспективы развития
В ближайшие годы можно ожидать дальнейшего развития интеллектуальных систем проектирования и оптимизации скважин. Одним из перспективных направлений является создание гибридных моделей, объединяющих физические уравнения, инженерные ограничения и машинное обучение. Такой подход позволяет использовать преимущества ИИ, но сохранять связь с реальной физикой процесса.
Второе направление — развитие цифровых двойников скважин и месторождений. Чем полнее поток данных, тем точнее цифровой двойник моделирует сценарии бурения и эксплуатации. В перспективе цифровой двойник может стать центральной платформой, объединяющей геологов, буровиков, разработчиков, экономистов и специалистов по ИТ.
Третье направление — применение интеллектуальных агентов. Такие агенты могут автоматически анализировать отчеты, искать похожие случаи, формировать варианты проектных решений, проверять ограничения и подготавливать рекомендации для инженера. Однако в промышленной среде такие системы должны работать под контролем человека и соблюдать требования безопасности.
Четвертое направление — развитие систем реального времени. Чем быстрее модель получает данные и выдает прогноз, тем выше ее практическая ценность. Для бурения это особенно важно, поскольку параметры процесса меняются постоянно. Реализация таких систем требует надежной инфраструктуры, низких задержек передачи данных и устойчивых алгоритмов.
Пятое направление — использование объяснимого ИИ. Промышленные предприятия будут предъявлять все более высокие требования к прозрачности моделей, особенно в задачах, связанных с безопасностью. Поэтому модели, которые могут объяснить свои рекомендации, будут иметь преимущество перед полностью непрозрачными решениями.
Заключение
Искусственный интеллект является одним из перспективных инструментов повышения эффективности проектирования и оптимизации нефтяных скважин. Он позволяет анализировать большие массивы геологических, технологических и промысловых данных, прогнозировать продуктивность скважин, выбирать траектории, оптимизировать режимы бурения и предупреждать осложнения.
На этапе проектирования ИИ помогает оценивать варианты расположения скважин, прогнозировать их эффективность и выбирать рациональную траекторию. На этапе бурения интеллектуальные модели используются для прогноза механической скорости проходки, подбора нагрузки на долото, скорости вра-щения, расхода бурового раствора и других параметров. При анализе аварийных ситуаций ИИ позволяет выявлять ранние признаки осложнений и снижать производственные риски.
Особую роль играют цифровые двойники и системы поддержки принятия решений. Они объединяют данные, инженерные модели и алгоритмы машинного обучения в единую цифровую среду. Для нефте-газовой отрасли Республики Башкортостан тема особенно актуальна, поскольку в регионе уже развиваются цифровые решения для мониторинга, анализа и проектирования разработки месторождений.
При этом внедрение ИИ требует решения ряда проблем: повышения качества данных, обеспечения переносимости моделей, разработки объяснимых алгоритмов, интеграции с промышленными системами и подготовки специалистов междисциплинарного профиля. Наиболее эффективным является подход, при котором искусственный интеллект не заменяет инженера, а усиливает его возможности, предоставляя прогнозы, рекомендации и инструменты анализа.
Таким образом, применение искусственного интеллекта в проектировании и оптимизации нефтяных скважин является важным направлением цифровой трансформации нефтегазовой отрасли. Развитие таких технологий будет способствовать снижению затрат, повышению безопасности бурения, улучшению качества проектных решений и более эффективной разработке месторождений.
Библиографический список
- Li, G. Intelligent Drilling and Completion: A Review / G. Li, X. Song, S. Tian, Z. Zhu // Engineering. — 2022. — Vol. 18, No. 11. — P. 33–48. — DOI: 10.1016/j.eng.2022.07.014. — URL: https://www.engineering.org.cn/engi/EN/10.1016/j.eng.2022.07.014 (дата обращения: 01.07.2026).
- Barbosa, L.F.F.M. Machine learning methods applied to drilling rate of penetration prediction and optimization: a review / L.F.F.M. Barbosa, A. Nascimento, M.H. Mathias, J.A. de Carvalho Jr. // Journal of Petroleum Science and Engineering. — 2019. — Vol. 183. — Article 106332. — DOI: 10.1016/j.petrol.2019.106332.
- Mohammadinia, F. Rate of penetration prediction in drilling operations: a comparative study of AI models and meta-heuristic approaches / F. Mohammadinia et al. // Journal of Petroleum Exploration and Production Technology. — 2025. — DOI: 10.1007/s13202-025-02020-9. — URL: https://link.springer.com/article/10.1007/s13202-025-02020-9 (дата обращения: 01.07.2026).
- Huang, Z. Intelligent Prediction of Rate of Penetration Using Mechanism-Data Fusion and Transfer Learning / Z. Huang et al. // Processes. — 2024. — Vol. 12, No. 10. — Article 2133. — DOI: 10.3390/pr12102133. — URL: https://www.mdpi.com/2227-9717/12/10/2133 (дата обращения: 01.07.2026).
- Brantson, E.T. Optimization of well trajectory with machine learning algorithms for geosteering directional drilling / E.T. Brantson et al. // Journal of Geophysics and Engineering. — 2025. — Vol. 22, No. 5. — P. 1245–1265. — DOI: 10.1093/jge/gxaf055. — URL: https://academic.oup.com/jge/article/2 2/5/1245/8123404 (дата обращения: 01.07.2026).
- Klyuchnikov, N. Data-driven model for the identification of the rock type at a drilling bit / N. Klyuchnikov, A. Zaytsev, A. Gruzdev, G. Ovchinnikov, K. Antipova, L. Ismailova, E. Muravleva, E. Burnaev, A. Semenikhin, A. Cherepanov, V. Koryabkin, I. Simon, A. Tsurgan, F. Krasnov, D. Koroteev. — 2018. — URL: https://arxiv.org/abs/1806.03218 (дата обращения: 01.07.2026).
- Salih, A.K. Penetration Rate Prediction Utilizing Machine Learning Technique / A.K. Salih // Journal of Earth Energy Engineering. — 2023. — URL: https://ijogr.uotechnology.edu.iq/article_24015.html (дата обращения: 01.07.2026).
- Gurina, E. Application of Machine Learning to accidents detection at directional drilling / E. Gurina, N. Klyuchnikov, A. Zaytsev, E. Romanenkova, K. Antipova, I. Simon, V. Makarov, D. Koroteev. — 2019. — URL: https://arxiv.org/abs/1906.02667 (дата обращения: 01.07.2026).
- Romanenkova, E. Real-time data-driven detection of the rock type alteration during a directional drilling / E. Romanenkova, A. Zaytsev, N. Klyuchnikov, A. Gruzdev, K. Antipova, L. Ismailova, E. Burnaev, A. Semenikhin, V. Koryabkin, I. Simon, D. Koroteev. — 2019. — URL: https://arxiv.org/abs/1903.11436 (дата обращения: 01.07.2026).
- Роснефть. Цифровизация [Электронный ресурс]. — URL: https://limited.rosneft.ru/Development/T ehnologicheskij_klaster/Cifrovizacija/(дата обращения: 01.07.2026).
- Bashneft Has Connected Over 8,000 Wells to Its Digital Oilfield System [Electronic resource] // ROGTEC Magazine. — 2025. — URL: https://www.rogtecmagazine.com/bashneft-has-connected-over-8000-wells-to-its-digital-oilfield-system/(дата обращения: 01.07.2026).
- «Роснефть» повышает эффективность разработки месторождений [Электронный ресурс] // Ведо-мости. — 2025. — URL: https://www.vedomosti.ru/press_releases/2025/06/30/rosneft-povishaet-effektivnost-razrabotki-mestorozhdenii (дата обращения: 01.07.2026).
- Belyadi, H. Machine Learning Guide for Oil and Gas Using Python: A Step-by-Step Breakdown with Data, Algorithms, Codes, and Applications / H. Belyadi, A. Haghighat. — Cambridge: Gulf Professional Publishing, 2021. — 478 p.