Модели управления закачкой воды и химических реагентов на основе машинного обучения и их воздействие на сохранение гидрологических балансов и качество поверхностных вод

Аннотация

Исследование посвящено разработке и оценке гибридных моделей управления закачкой воды и химических реагентов на основе машинного обучения для снижения экологических рисков и сохранения гидрологических балансов при промышленной эксплуатации подземных горизонтов. Целью является количественно показать, как предиктивно-оптимизационный контур управления способен одновременно повысить технологическую устойчивость процесса и улучшить качество поверхностных вод, минимизируя диффузные и аварийные выбросы. Материалы и методы включают синтетически-реалистичный датасет более 2,5 млн записей за пятилетний период с часовым шагом, объединяющий телеметрию закачки, параметры глубинного оборудования и гидрохимический мониторинг; стек Python/Pandas/NumPy/Scikit-learn/TensorFlow применен для построения ансамблевой регрессии (XGBoost) для 24–72-часового прогноза БПК5, ХПК, хлоридов, сульфатов и взвешенных веществ, LSTM-классификатора аномалий для раннего выявления утечек и оптимизационной надстройки на генетическом алгоритме для подбора расхода, давления и состава с учетом целевой функции эффективность–экологический ущерб. Верификация выполнена методами hold-out и k-fold (k=5). Результаты показывают технологический выигрыш: снижение среднего расхода реагента А на 19,05% и реагента Б на 11,30%, уменьшение коэффициента вариации давления нагнетания на 72,32%, сокращение нештатных остановок на 78,57% и доли непроизводительной закачки на 71,41%; экологические эффекты выражаются в снижении среднегодовых концентраций хлоридов с 48,17 до 21,33 мг/л, сульфатов и взвешенных веществ на 33–43%, возвращении нефтепродуктов и БПК5 к фоновым значениям в контрольном створе. Корреляционный анализ фиксирует разрыв сильных связей между нестабильностью процесса и загрязнением (r до 0,83 при традиционном управлении → r меньше 0,2), а точность прогноза уровней грунтовых вод достигает средней относительной ошибки 1,66%, что позволяет упреждающе удерживать водный баланс. Обсуждение подчёркивает переход от реактивного к проактивному управлению, синергетический эффект снижения вариативности и риска, а также перспективы масштабирования через интеграцию с цифровыми двойниками и методами обучения с подкреплением.