Тема выпускной квалификационной работы: «Разработка подходов для оперативного определения и категоризации отклонений в добыче углеводородов». Настоящая работа посвящена исследованию возможности применения алгоритмов машинного обучения и алгоритмов поиска и классификации, выполненных в среде Python для поиска и классификации отклонений в добыче углеводородов, определения пересыпания скважины по косвенным данным. В ходе исследования были решены следующие задачи: Рассмотрена промышленная классификация отклонений добычи нефти. Определены параметры, по которым ведётся контроль добычи. Проведены работы по созданию алгоритмов поиска и классификации отклонений добычи как по общим причинам, так и по отдельной детальной причине отклонения добычи, в том числе с применением методов машинного обучения. Работа была проведена совместно с компанией «Газпромнефть – НТЦ». Компанией были предоставлены данные по месторождениям за разные периоды, включая данные по отдельным скважинам. На основе данным материалов был проведён анализ на наличие отклонений как с помощью простых алгоритмов поиска, так и с алгоритмами, основанными на машинном обучении. Результаты анализа позволили подтвердить предположения о возможности определения и классификации отклонений в добыче нефти различными алгоритмами поиска. Полученные продукты могут быть применены на производстве для оптимизации работы.

The topic of the final qualifying work: "Development of approaches for the operational definition and categorization of deviations in the production of hydrocarbons". The present work is devoted to the study of the possibility of using machine learning algorithms and search and classification algorithms performed in the Python environment to search and classify deviations in hydrocarbon production, to determine the overflow of a well based on indirect data. In the course of the study, the following tasks were solved: 1. The industrial classification of oil production deviations is considered. 2. The parameters by which production control is carried out are determined. 3. Work has been carried out to create algorithms for searching and classifying production deviations both for general reasons and for a separate detailed reason for production deviations. 4. Algorithms for determining and classifying deviations using machine learning methods have been created. The work was carried out jointly with Gazpromneft – STC. The Company provided data on deposits for different periods, including data on individual wells. Based on these materials, an analysis was carried out for the presence of deviations using both simple search algorithms and algorithms based on machine learning. The results of the analysis allowed us to confirm the assumptions about the possibility of determining and classifying deviations in oil production by various search algorithms. The resulting products can be used in production to optimize work.