ОБЗОР ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ПРОЦЕССОМ БУРЕНИЯ ТЕХНОЛОГИЧЕСКИХ СКВАЖИН ДЛЯ ПОДЗЕМНОГО ВЫЩЕЛАЧИВАНИЯ УРАНА
Ключевые слова:
бурение скважин, подземное скважинное выщелачивание (ПСВ), уран, механическая скорость проходки, ПИД-регулятор, нечёткая логика, машинное обучение, интеллектуальная система управленияАннотация
В данном обзоре анализируются современные интеллектуальные методы управления процессом бурения технологических скважин для подземного скважинного выщелачивания урана на казахстанских месторождениях. Компания АО «НАК «Казатомпром» ведёт добычу урана этим методом на 27 месторождениях и блоках, объединённых в 14 добывающих активов, что подчёркивает важность автоматизации буровых процессов, повышения качества строительства технологических скважин и создания цифровой базы данных бурения. Проведен анализ отечественных и зарубежных исследований в области: систем управления на основе ПИД-регуляторов и модельно-предиктивного управления, методов нечёткой логики и адаптивных нейро-нечётких систем, алгоритмов машинного обучения для прогнозирования скорости бурения и выявления осложнений, а также глубокого обучения, цифровых двойников и инфраструктуры промышленного Интернета вещей для сбора и обработки данных. Систематизация этих подходов показала, что для условий подземного скважинного выщелачивания наиболее эффективными на начальном этапе являются адаптивно настроенное ПИД-регулирование, нечёткая логика и интерпретируемые алгоритмы машинного обучения, способные обеспечивать стабильные рекомендации при ограниченном объёме обучающих данных. Выявлены ключевые научно-технические пробелы, подтверждающие необходимость разработки интеллектуальной системы управления бурением, адаптированной к условиям казахстанских технологических скважин. Определены три первоочередные задачи для дальнейших исследований: создание автоматизированной системы регистрации параметров бурения, разработка симуляционной среды бурового процесса и формирование алгоритмов поддержки принятия решений и замкнутого управления. Практическая значимость обзора заключается в определении поэтапной логики перехода от цифровой регистрации параметров бурения к разработке модели процесса и последующему внедрению интеллектуального контура управления.
Библиографические ссылки
[1] World Nuclear Association. Uranium and Nuclear Power in Kazakhstan [Electronic resource]. – 2026. – April 21. – URL: https://world-nuclear.org/information-library/country-profiles/countries-g-n/kazakhstan.
[2] National Atomic Company Kazatomprom JSC. Kazatomprom announces 2025 full year financial results [Electronic resource]. – 2026. – March 20. – URL: https://www.kazatomprom.kz/en/media/view/announces_2025_full_year_financial_results.
[3] International Atomic Energy Agency. In situ leach uranium mining: An overview of operations (IAEA Nuclear Energy Series No. NF-T-1.4). International Atomic Energy Agency, 2016. – URL: https://www.iaea.org/publications/10974/in-situ-leach-uranium-mining-an-overview-of-operations.
[4] Barbosa L.F.F.M., Nascimento A., Mathias M.H., & de Carvalho J.A. Machine learning methods applied to drilling rate of penetration prediction and optimization — A review // Journal of Petroleum Science and Engineering. – 2019. – Vol. 183. – Article 106332. – DOI: https://doi.org/10.1016/j.petrol.2019.106332
[5] Li G., Song X., Tian S., & Zhu Z. Intelligent drilling and completion: a review // Engineering. – 2022. – Vol. 18. – P. 33–48. – DOI: https://doi.org/10.1016/j.eng.2022.07.014
[6] Godhavn J.-M., Pavlov A., Kaasa G.-O., Rolland N.L. Drilling seeking automatic control solutions // IFAC Proceedings Volumes. – 2011. – Vol. 44, No. 1. – P. 10842–10850. – DOI: https://doi.org/10.3182/20110828-6-IT-1002.00551
[7] Wang G., Liu X., Hong B., Sheng K., Qian X. Assessment of rock drillability by the method of analytic hierarchy process combined with fuzzy comprehensive evaluation // Arabian Journal of Geosciences. – 2022. – Vol. 15, No. 1. – Article 67. – DOI: https://doi.org/10.1007/s12517-021-09270-x
[8] Jang J.S.R. ANFIS: Adaptive-network-based fuzzy inference system // IEEE Transactions on Systems, Man, and Cybernetics. – 1993. – Vol. 23, No. 3. – P. 665–685. – DOI: https://doi.org/10.1109/21.256541
[9] Anemangely M., Ramezanzadeh A., Tokhmechi B., Molaghab A., Mohammadian A. Drilling rate prediction from petrophysical logs and mud logging data using an optimized multilayer perceptron neural network // Journal of Geophysics and Engineering. – 2018. – Vol. 15, No. 4. – P. 1146–1159. – DOI: https://doi.org/10.1088/1742-2140/aaac5d
[10] Riazi M., Mehrjoo H., Nakhaei R., Jalalifar H., Shateri M., Riazi M., Ostadhassan M., Hemmati-Sarapardeh A. Modelling rate of penetration in drilling operations using RBF, MLP, LSSVM, and DT models // Scientific Reports. – 2022. – Vol. 12. – Article 11650. – DOI: https://doi.org/10.1038/s41598-022-14710-z
[11] Mopuri K.R., Bilen H., Tsuchihashi N., Wada R., Inoue T., Kusanagi K., Nishiyama T., Tamamura H. Early sign detection for the stuck pipe scenarios using unsupervised deep learning // Journal of Petroleum Science and Engineering. – 2022. – Vol. 208. – Article 109489. – DOI: https://doi.org/10.1016/j.petrol.2021.109489
[12] Al-Riyami N., Revheim O., Robinson T.S., Batruny P., Meor Hakeem M.H., Tze Ping G. Drilling in the digital age: Case studies of field testing a real-time ROP optimization system using machine learning // SPE/IADC Middle East Drilling Technology Conference and Exhibition. – 2023. – SPE-214521-MS. – DOI: https://doi.org/10.2118/214521-MS
[13] D’Amicis S., Pagani M., Matteucci M., Piroddi L., Spelta A., Zausa F. Stuck pipe prediction from rare events in oil drilling operations // Upstream Oil and Gas Technology. – 2023. – Vol. 11. – Article 100096. – DOI: https://doi.org/10.1016/j.upstre.2023.100096
[14] Zhang C., Song X., Liu Z., Ma B., Lv Z., Su Y., Li G., Zhu Z. Real-time and multi-objective optimization of rate-of-penetration using machine learning methods // Geoenergy Science and Engineering. – 2023. – Vol. 223. – Article 211568. – DOI: https://doi.org/10.1016/j.geoen.2023.211568
[15] Montes A.C., Ashok P., van Oort E. Review of stuck pipe prediction methods and future directions // SPE Journal. – 2025. – Vol. 30, No. 6. – P. 3334–3363. – DOI: https://doi.org/10.2118/220725-PA
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Нурсейт Бегалы, Бахыт Муханов , Ербол Оракбаев , Лауласын Абжанова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
