INTERACTION OF BIM-TECHNOLOGIES WITH EXISTING METHODS OF INFORMATION SUPPORT IN THE OIL AND GAS INDUSTRY
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.3.1.38Keywords:
BIM, SVERDLYLNI SHTANHOVI NASOSNI USTANOVKY (SShNU), IoT, Big Data, Artificial Intelligence (AI), AR, Oil and Gas IndustryAbstract
This article highlights the role of BIM-technologies (Building Information Modeling) in transforming the traditional processes of designing, constructing, and operating SVERDLYLNI SHTANHOVI NASOSNI USTANOVKY (SShNU, or sucker rod pumping units) at all stages of their life cycle. It analyzes the feasibility of integrating BIM with modern digital tools, among which are the Internet of Things (IoT), Big Data technologies, Artificial Intelligence (AI), as well as Augmented and Virtual Reality (AR/VR). In particular, the article examines the advantages of implementing BIM in the oil and gas industry, covering the reduction of design errors, improved interaction among interdisciplinary teams, and the automation of maintenance operations. Special attention is paid to the technical and organizational challenges arising when BIM is integrated with legacy control systems (SCADA), as well as to the issue of forming a comprehensive digital model for multifactor analysis of equipment conditions. The article contains examples of the use of IoT and Big Data technologies for the collection and processing of large volumes of data on vibration, pressure, and temperature regimes, enabling a shift from scheduled preventive maintenance to proactive service strategies. The advantages of AI are considered in building predictive models aimed at reducing the percentage of emergency situations and increasing the energy efficiency of pumping units. Another important aspect highlighted is the potential of AR/VR solutions for enhancing personnel training and providing operational support to specialists directly on-site, which significantly reduces the likelihood of errors during installation and subsequent operation. The article posits that the comprehensive integration of BIM, IoT, Big Data, AI, AR, and VR can modernize production processes in the oil and gas industry through more accurate visualization, more reliable monitoring, and optimization of SShNU performance. At the same time, attention is drawn to the strategic importance of highly qualified personnel, the well-founded selection of equipment, and infrastructure adaptability for a smooth transition to digital platforms. Potentially, despite substantial initial costs and the need for large-scale organizational changes, the implementation of these technologies in the long term provides significant economic benefits, reduces risk levels, and lays the foundation for further innovative evolution in oil and gas enterprises.
References
Robert J., Kubler S., Kolbe N. Відкрита екосистема IoT для підвищення взаємодії у «розумних» містах: приклад метрополії Ліон // Sensors. 2017. Vol. 17, № 12. С. 2849. Доступно за посиланням: https://www.mdpi.com/1424-8220/17/12/2849.
IoT для «розумних» міст: систематичний огляд і перспективи розвитку // Sustainable Technology and Entrepreneurship. 2022. Vol. 1, № 2. Стаття 100089. Доступно: https://www.sciencedirect.com/science/article/pii/S2405656121000891.
Davtalab O., Kazemian A. Перспективи BIM‑інтегрованої програмної платформи для роботизованого будівництва методом Contour Crafting // Automation in Construction. 2018. Vol. 89. С. 13–23. https://doi.org/10.1016/j.autcon.2018.01.006
Огляд застосувань цифрових двійників у виробництві // Computers in Industry. 2020. Vol. 123. Стаття 103216. https://doi.org/10.1016/j.compind.2020.103216
Цифрова трансформація у виробництві: Індустрія 4.0 та кіберфізичні системи // IFAC‑PapersOnLine. 2020. Vol. 53, № 2. С. 105–110. https://doi.org/10.1016/j.ifacol.2020.09.037
Блокчейн‑орієнтований IoT для «розумних» міст: систематичний огляд і перспективи розвитку // Sustainable Technology and Entrepreneurship. 2022. Vol. 1, № 2. Стаття 100089. https://www.sciencedirect.com/science/article/pii/S2405656121000891
El‑Husseiny A., Vega S., Nizamuddin S. Вплив складності порової структури та історії насичення на зміни акустичної швидкості у карбонатах // Journal of Petroleum Science and Engineering. 2019. Vol. 179. С. 176–190. https://doi.org/10.1016/j.petrol.2019.04.019
Li X., Jiang M., Lin C., Chen R. Інтегрована платформа BIM–IoT для оцінювання та відстеження вуглецевих викидів у збірному будівництві // Automation in Construction. 2018. Vol. 89. С. 24–35. https://doi.org/10.1016/j.autcon.2018.01.006
Wang S‑H., Wang H‑P., Wang W‑C., Huang S‑C. Вплив рівнів використання BIM на показники проєкту: публічні будівництва Тайваню // Journal of the Chinese Institute of Engineers. 2024. Стаття 4052899. https://www.sciencedirect.com/science/article/pii/S1226798824052899.
Halliburton. Імерсивні VR‑рішення для навчання. Доступно: https://www.halliburton.com/en/news-releases/halliburton-immersive-vr-training-solutions
TotalEnergies. Інновації. https://www.totalenergies.com/innovation
ExxonMobil. Новини. https://corporate.exxonmobil.com/news
TotalEnergies. Інновації. https://www.totalenergies.com/innovation
Shokri R., Theodorakopoulos G., Troncoso C. Ігри конфіденційності уздовж маршрутів місцеположення: ігрова модель оптимізації просторової приватності // ACM Transactions on Privacy and Security. 2016. Vol. 19, № 4. Стаття 11. https://www.researchgate.net/publication/311759480
BP. Цифрова трансформація. https://www.bp.com/en/global/corporate/news-and-insights/reimagining-energy/bp-digital-transformation.html
Chevron. Ініціативи зі штучного інтелекту для підвищення операційної ефективності. https://www.chevron.com/technology/chevrons-ai-initiatives-for-enhanced-operational-efficiency
Halliburton. Імерсивні VR‑рішення для навчання. https://www.halliburton.com/en/news-releases/halliburtonimmersive-vr-training-solutions
Копей В. Б., Палійчук І. І. Застосування Python для побудови баз знань з надійності ШСНУ // Нафтогазова енергетика. 2011. № 2(15). С. 12–18.
Hoffman E. L. Скiнченно‑елементний аналіз муфт насосних штанг з рекомендаціями щодо підвищення втомної довговічності. Sandia Report. 1997. 66 с.
Копей В. Б. Розроблення та аналіз параметричних СЕ‑моделей різьбових з’єднань в Abaqus® // Нафтогазова енергетика. 2010. № 1(12). С. 31–36.
Wang S., Rowlan L., Cook D. та ін. Динаміка балансира насосних установок: теорія та експерименти // Upstream Oil and Gas Technology. 2023. Vol. 11. Стаття 100097.
Takacs G. Точний кінематичний і крутильний аналіз насосних установок Rotaflex // Journal of Petroleum Science and Engineering. 2014. Vol. 115. С. 11–16.
Копей В. Б. Науково‑методологічні основи автоматизованого проєктування обладнання ШСНУ: дис. … д‑ра техн. наук. Івано‑Франківськ, 2009. 2 ч.
Gibbs S. G. Штангове насосне обладнання: сучасні методи проєктування, діагностики та нагляду. 2012. 660 с.
Wang S., Rowlan L., Cook D. та ін. Вплив типів з’єднань штанг на динаміку балансира // Petroleum Research. 2024. Стаття 100097.
Eisner P., Langbauer C., Fruhwirth R. K. Порівняння нового FEM‑підходу для визначення динамометричних карт // Upstream Oil and Gas Technology. 2022. Vol. 9. Стаття 100078.
Yin J‑J., Sun D., Yang Y‑S. Прогнозування багатозонних ШСНУ за аналітичним розв’язком // Journal of Petroleum Science and Engineering. 2021. Vol. 197. Стаття 108115.
Lv X., Wang H., Zhang X. та ін. Еквівалентна модель вібрацій для гібридних волоконних штанг // Journal of Petroleum Science and Engineering. 2021. Vol. 207. Стаття 109148.
Miska S., Sharaki A., Rajtar J. Модельна оптимізація ШСНУ // Journal of Petroleum Science and Engineering. 1997. Vol. 17, № 3–4. С. 303–312.
Копей В. Б., Копей Б. В., Кузьмін О. О. Побудова моделі ШСНУ у MapleSim 7 // Науковий вісник ІФНТУНГ. 2017. № 2(43). С. 42–52.
Rischmüller G., Mayer H. Видобування нафт штанговими насосами. Ternitz: Schoeller‑Blackman GmbH, 1988. 150 с.
Копей В. Б. Прогнозування циклічної довговічності штанг на основі ML // Engineering Fracture Mechanics. 2023. Vol. 283. Стаття 109161.
Tian H., Deng S., Wang C., Ni X. Прогнозування відкладень парафіну у ШСНУ на основі CNN // Journal of Petroleum Science and Engineering. 2021. Vol. 206. Стаття 108986.
Zhang O. Контроль дефектів штанг методом витоку магнітного потоку // Journal of Software. 2019. Vol. 11, № 4.
Hansen B., Tolbert B., Vernon C., Hedengren J. D. MPC‑керування ШСНУ: симуляційне дослідження // Computers & Chemical Engineering. 2019. Vol. 121. С. 265–284.
Torres L. H. S., Schnitman L. Моделювання та керування ШСНУ // IFAC Proceedings Volumes. 2013. Vol. 46, № 24. С. 260–265.
Torres L. H. S., Schnitman L., de Souza J. А. М. Адаптивне керування на основі еталонної моделі для ШСНУ // IFAC Proceedings Volumes. 2010. Vol. 43, № 17. С. 231–236.
Takacs G., Kis L. Оптимальне зрівноважування насосних установок із розрахунком крутного моменту // Journal of Petroleum Science and Engineering. 2021. Vol. 205. Стаття 108792.
Takács G. Критичний аналіз енергетичних умов ШСНУ // Journal of Petroleum Science and Engineering. 2022. Vol. 210. Стаття 110061.
Liu X., Qi Y. Сучасний підхід до вибору ШСНУ в вугільних пластах // Journal of Petroleum Science and Engineering. 2011. Vol. 76, № 3–4. С. 100–108.
Codas A., Ordoñez B., Moreno U. F. Виявлення та ізоляція несправностей ШСНУ за вибійним тиском // IFAC Proceedings Volumes. 2009. Vol. 42, № 8. С. 1031–1036.
Lv X., Feng L., Wang H., Liu Y., Sun B. Кількісна діагностика ШСНУ за механізмом несправностей // Journal of Process Control. 2021. Vol. 104. С. 40–53.
Zhang R., Yin Y., Xiao L., Chen D. Оперативна діагностика системи пласт–свердловина–поверхня для Ш
Huang Z., Li K., Xu Z., Yin R., Yang Z., Mei W., Bing S. STP‑Model: напівконтрольована схема з самонавчанням для діагностики несправностей глибинних систем ШСНУ // Engineering Applications of Artificial Intelligence. 2024. Т. 135. Стаття 108802. https://doi.org/10.1016/j.engappai.2024.108802
Lv X., Wang H., Zhang X., Liu Y., Jiang D., Wei B. Еволюційний метод SVM для діагностики несправностей у системах ШСНУ // Journal of Petroleum Science and Engineering. 2021. Т. 203. Стаття 108806. https://doi.org/10.1016/j.petrol.2021.108806
Лопатін В. В. Наукові основи розроблення системи контролю технічного стану жорсткого армування шахтних стовбурів: дис. … д‑ра техн. наук. Дніпро, 2012. 392 с.
Chu X., Wang X., Xie Y., Xing G., Chen L. Виявлення асоціативних правил для довготривалої роботи ШСНУ //Reliability Engineering & System Safety. 2024. Т. 245. Стаття 110026. https://doi.org/10.1016/j.ress.2024.110026
Botvina L. R., Tyutin M. R., Sinev I. O., Bolotnikov A. I. Вплив попереднього циклічного навантаження на акустичні параметри та пошкодження сталей // Procedia Structural Integrity. 2020. Т. 28. С. 2118–2125. https://doi.org/10.1016/j.prostr.2020.11.038
Zhang O. Контроль дефектів тіла штанги методом витоку магнітного потоку // Journal of Software. 2019. Т. 11, № 4.
Копей Б. В., Копей В. Б., Мартинець О. Р., Стефанишин О. І., Стефанишин А. Б. Застосування «дерева відмов» для аналізу ШСНУ // Розвідка та розробка нафтових і газових родовищ. 2013. № 2(47). С. 62–71.
Jiang J., Wan X., Li K., Du J., Liu Y., Jing J., Li J. Огляд методів виявлення та прогнозування руйнування насосних штанг // Engineering Failure Analysis. 2024. Т. 159. Стаття 108119. https://doi.org/10.1016/j.engfailanal.2024.108119
Копей В. Б., Онисько О. Р., Панчук В. Г. Принципи розроблення PLM‑системи для різьбових з’єднань з використанням Python // Journal of Physics: Conference Series. 2020. Т. 1426. Стаття 012033. https://doi.org/10.1088/1742-6596/1426/1/012033
Rischmüller G., Mayer H. Видобування нафти штанговими насосами. Ternitz : Schoeller‑Blackman GmbH, 1988. 150 с.
He Y‑P., Cheng H‑B., Zeng P. та ін. Розпізнавання режимів роботи ШСНУ на основі 4‑вимірної ознаки та глибинного навчання // Petroleum Science. 2024. Т. 21, № 1. С. 641– 653. https://doi.org/10.1016/j.petsci.2023.08.031
He Y‑P., Zang C‑Z., Zeng P., Wang M‑X., Dong Q‑W., Wan G‑X., Dong X‑T. Few‑shot розпізнавання режимів роботи ШСНУ // Petroleum Science. 2023. Т. 20, № 2. С. 1142–1154. https://doi.org/10.1016/j.petsci.2023.02.017
Lv X‑X., Wang H‑X., Xin Z., Liu Y‑X., Zhao P‑C. Адаптивна діагностика несправностей ШСНУ на основі оптимального перцептрона // Petroleum Science. 2022. Т. 19, № 2. С. 743– 760. https://doi.org/10.1016/j.petsci.2021.09.012
Correia da Silva D., de Araújo C. R. B., de Oliveira Freitas J. C. та ін. Нові мікроемульсійні системи для видалення фільтрувального осаду // Journal of Petroleum Science and Engineering. 2020. Т. 193. Стаття 107425. https://doi.org/10.1016/j.petrol.2020.107425
Zheng B., Gao X., Li X. Виявлення несправностей ШСНУ за споживаною потужністю двигуна // Control Engineering Practice. 2019. Т. 86. С. 37–47. https://doi.org/10.1016/j.conengprac.2019.02.001.
Zhang O. Контроль дефектів тіла штанги методом витоку магнітного потоку // Journal of Software. 2019. Т. 11, № 4.
