Сравнительное исследование методов обнаружения выбросов в данных мониторинга нефтяных скважин на основе SVM и DBSCAN

Цель исследования – сопоставить результаты One-Class Support Vector Machine (One-Class SVM) и DBSCAN при обнаружении статистических аномалий в данных мониторинга нефтяной скважины и оценить возможность их совместного использования. В анализе использованы шесть параметров многофазного измерителя; после преобразования методом главных компонент (PCA) они представлены тремя главными компонентами, сохраняющими 89,86% общей дисперсии. На выборке из 8639 наблюдений One-Class SVM выявил 424 аномальные точки, DBSCAN – 188; 85 наблюдений обнаружены обоими методами. Для классификации режимов течения по уровню газосодержания SVM с RBF-ядром (C = 100,0, gamma = 1,0) на стратифицированном разбиении 70/30 показал точность 98,26% при F1-мере 0,97–0,99. При 5-кратной стратифицированной кросс-валидации F1_macro составила 0,9853±0,0026. Совместное рассмотрение результатов позволяет выделять согласованные двумя методами, обнаруженные только SVM и обнаруженные только DBSCAN статистические выбросы для последующей экспертной проверки.

1. Ebrahimi, M. Anomaly detection in oil-producing wells: a comparative study of one-class classifiers in a multivariate time series dataset / M. Ebrahimi, E. Khamehchi, M. Ameri // Journal of Petroleum Exploration and Production Technology. – 2023. – Vol. 13. – P. 1845–1860.

2. Mohammadpour, A. Outlier detection and selection of representative fluid samples using machine learning: a case study of Iranian oil fields / A. Mohammadpour, D. Shahsavani, M. Riazi // Journal of Petroleum Exploration and Production Technology. – 2024. – Vol. 14, No. 10. – P. 2833–2852.

3. Liu, Y. Identification Method of Tubing Leakage Based on PCA-SVM in Gas Well / Y. Liu, H. Wang, Z. Chen // Proceedings of the 2nd International Conference on Signal Processing and Intelligent Computing (SPIC). – 2024. – P. 1–6.

4. Wang, L. Identification method for true and false anomalies of oil pipeline leakage in an old industrial oil production well site / L. Wang, X. Zhang, J. Liu // Oil & Gas Storage and Transportation. – 2023. – Vol. 42, No. 5. – P. 567–575.

5. Comparison of Isolation Forest and One Class SVM in Anomaly Detection of Gas Pipeline Operation // Proceedings of the 2023 International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS). – IEEE, 2024. – (IEEE Xplore, 13 February 2024).

6. Reconstruction of well logging data using unsupervised machine learning based outlier detection techniques (UML ODTs) under adverse drilling conditions / J.-R. Chen, R.-Z. Yang, T.-T. Li [et al.] // Applied Geophysics. – 2025. – DOI 10.1007/s11770-025-1178-z.

7. Lundberg, S. M. A Unified Approach to Interpreting Model Predictions / S. M. Lundberg, S.-I. Lee // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 4765–4774.

8. Ahmadi, M. Data-Driven Modeling of Oil Saturation from Dielectric Logs Using Ensemble Regression, Dimensionality Reduction and Anomaly Detection Machine Learning Algorithms / M. Ahmadi, M. Bagheri, A. Sadeghi // SPE Annual Technical Conference and Exhibition. – 2023. – Paper SPE-215078-MS.

9. Patel, D. Oil and gas flow anomaly detection on offshore naturally flowing wells using deep neural networks / D. Patel, M. Shah, K. Patel // Journal of Petroleum Science and Engineering. – 2024. – Vol. 234. – Art. 109876.

10. Hassan, N. Unsupervised machine learning model for predicting anomalies in subsurface safety valves and application in offshore wells during oil production / N. Hassan, A. El-Sayed, S. Ibrahim // Journal of Petroleum Exploration and Production Technology. – 2023. – Vol. 13. – P. 2211–2225.

11. Zhao, Q. Varying-scale HCA-DBSCAN-based anomaly detection method for multi-dimensional energy data in steel industry / Q. Zhao, M. Li, Y. Sun // Information Sciences. – 2023. – Vol. 645. – Art. 119479.