Детальная информация

Актуальность исследования обусловлена тем, что около 78% крупных капитальных проектов в нефтегазовом секторе систематически превышают утвержденный бюджет [26], а традиционные методы планирования принципиально не способны устранить «оптимистическое смещение» при экспертных оценках. Предметом исследования выступают методы прогнозирования сроков и инвестиционных затрат (CAPEX) с применением алгоритмов машинного обучения.  Цель работы — разработка интеллектуальной системы на основе гибридной архитектуры XGBoost + LSTM с последующим развертыванием в виде функционирующего веб-прототипа. Методологическую основу составляют ансамблевое обучение (XGBoost) [12], рекуррентные нейронные сети (LSTM) [20] и комбинированная кроссвалидация K-Fold + Walk-Forward.  Датасет из 574 объектов сформирован на основе открытых данных Kaggle и реестра NYSDEC с применением расчетно-аналитического моделирования целевых переменных. По результатам тестирования модель XGBoost достигла MAPE = 2,43% для прогнозирования CAPEX — в семь раз точнее традиционного метода.  Блок LSTM показал MAE = 3,07 суток для сроков строительства. Расчетный экономический эффект — около 83 млн руб./скважину; срок окупаемости проекта разработки — 3 месяца, NPV за 5 лет — 371,9 млн руб.  Система развернута по адресу: https://oil-predict-oiltest.amvera.io/ В работе использованы: Python, scikit-learn, XGBoost, TensorFlow/Keras, pandas, NumPy, Flask, Docker, Amvera Cloud.

The relevance of the study stems from the fact that approximately 78% of major capital projects in the oil and gas sector exceed their approved budgets [26], while traditional planning methods are fundamentally unable to eliminate optimism bias in expert assessments.  The research subject encompasses methods for forecasting construction duration and capital expenditure (CAPEX) using machine learning. The objective is to develop an intelligent system based on a hybrid XGBoost + LSTM architecture deployed as a fully operational web prototype. The methodological foundation comprises ensemble learning (XGBoost) [12], recurrent neural networks (LSTM) [20], and a combined K-Fold + Walk-Forward cross-validation scheme. A dataset of 574 objects was assembled from open-source Kaggle data and the NYSDEC well registry using analytically modelled target variables. Testing on a held-out sample demonstrated MAPE = 2.43% for CAPEX forecasting — seven times more accurate than traditional methods — and MAE = 3.07 days for construction duration.  The estimated economic effect amounts to approximately 83 million roubles per well; payback period — 3 months, 5-year NPV — 371.9 million roubles. The system is deployed at: https://oil-predict-oiltest.amvera.io/ Technologies used: Python, scikit-learn, XGBoost, TensorFlow/Keras, pandas, NumPy, Flask, Docker, Amvera Cloud.