procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»procyber-216Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringПрименение факторного анализа для редукции признакового пространства нагнетательных скважинFactor Analysis Application for Reduction of the Attribute Space of Injection WellsВирстюкА. Ю.VirstyukA. Yu.Nastua5.1991@mail.ruМикшинаВ. С.MikshinaV. S.Mikshinavs@gmail.ruСургутский государственный университетРоссияSurgut State UniversityRussian Federation20182603202002 (30)169174Copyright © Вирстюк А.Ю., Микшина В.С., 20202020Вирстюк А.Ю., Микшина В.С.Virstyuk A.Y., Mikshina V.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/216

В данной статье рассмотрена проблема определения эффективности работы нефтяных скважин. Проведены выбор и краткое описание показателей работы нагнетательных скважин, оказывающих косвенное влияние на основную характеристику нефтяной скважины – дебит. Между выделенными характеристиками нагнетательных скважин установлена взаимозависимость, в связи с чем проведен факторный анализ с целью объединения их в группы (факторы), независимые между собой. Для определения и прогнозирования эффективности работы нефтяных скважин между полученными факторами и дебитом установлена зависимость в виде уравнения регрессии. Для проведения многомерного анализа исходных данных применен программный пакет статистической обработки данных Statistica.

The article considers the problem of determining the efficiency of oil wells. A choice and a brief description of performance indicators of injection wells are presented. These indicators have the indirect effect on the main feature of an oil well – the production rate. The correlation between highlighted characteristics is established; therefore the factor analysis to combine them into the independent groups (factors) is carried out. The regression equation for determining and predicting the efficiency of wells is applied to describe the relation between obtained factors and the production rate. Software package STATISTICA is used for the multivariate analysis of the initial data.

факторный анализнагнетательная скважинанефтяная скважинаfactor analysisinjection welloil wellReferencesВирстюк А. Ю. Разработка модуля по контролю нагнетательных скважин с неравномерным профилем приемистости // Север России: стратегии и перспективы развития : материалы II Всерос. науч.-практич. конф. 2016. Сургут, 2016. С. 140.Вирстюк А. Ю. Разработка модуля по контролю нагнетательных скважин с неравномерным профилем приемистости // Север России: стратегии и перспективы развития : материалы II Всерос. науч.-практич. конф. 2016. Сургут, 2016. С. 140.Вирстюк А. Ю., Микшина В. С. Применение математических моделей для оценки эффективности работы добывающих скважин // Информационная безопасность регионов России (ИБРР-2017) : материалы юбилейной X Санкт-Петербургской межрегион. конф. СПб., 1–3 ноября 2017 г. СПб. : СПОИСУ, 2017. С. 373–374.Вирстюк А. Ю., Микшина В. С. Применение математических моделей для оценки эффективности работы добывающих скважин // Информационная безопасность регионов России (ИБРР-2017) : материалы юбилейной X Санкт-Петербургской межрегион. конф. СПб., 1–3 ноября 2017 г. СПб. : СПОИСУ, 2017. С. 373–374.Тихомиров Н. П. Методы эконометрики и многомерного статистического анализа. М. : Экономика, 2011. 647 с.Тихомиров Н. П. Методы эконометрики и многомерного статистического анализа. М. : Экономика, 2011. 647 с.Токарев М. А., Чинаров А. С. Статистические методы прогноза нефтеотдачи и оценки эффективности воздействия на пласт : моногр. Уфа, 2007. 96 с.Токарев М. А., Чинаров А. С. Статистические методы прогноза нефтеотдачи и оценки эффективности воздействия на пласт : моногр. Уфа, 2007. 96 с.Халафян А. А. Statistica 6: стат. анализ данных. М. : БиномПресс, 2007. 512 с.Халафян А. А. Statistica 6: стат. анализ данных. М. : БиномПресс, 2007. 512 с.Basilevsky A. Statistical factor analysis and related methods: theory and applications. John Wiley & Sons, Inc., 2008. 737 p.Basilevsky A. Statistical factor analysis and related methods: theory and applications. John Wiley & Sons, Inc., 2008. 737 p.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Second Edition. Springer, 2009. 764 p.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Second Edition. Springer, 2009. 764 p.James G.,Hastie T., Tibshirani R., Witten D. An Introduction to Statistical Learning: With Applications in R. Springer, 2013. 426 p.James G.,Hastie T., Tibshirani R., Witten D. An Introduction to Statistical Learning: With Applications in R. Springer, 2013. 426 p.Marques de Sá J. P.. Applied Statistics Using SPSS, Statistica, MATLAB and R. Springer, 2007. 505 p.Marques de Sá J. P.. Applied Statistics Using SPSS, Statistica, MATLAB and R. Springer, 2007. 505 p.Kettaneh N., Berglund. A. PCA and PLS with very large data sets // Computational Statistics & Data Analysis. 2005. Vol. 48. P. 69–85.Kettaneh N., Berglund. A. PCA and PLS with very large data sets // Computational Statistics & Data Analysis. 2005. Vol. 48. P. 69–85.

The authors declare that there are no conflicts of interest present.