Предложена цифровая модель оценки эффективности строительства скважин, основанная на автоматизированном определении операций в процессе бурения, их агрегации и обработки на специализированной цифровой платформе. Представлена функциональная схема внедрения в РУП «ПО «Белоруснефть» системы автоматизированного мониторинга эффективности строительства скважин, включающей в себя расчет ключевых показателей эффективности и скрытого непроизводительного времени, определение которого позволяет установить дополнительные временные ресурсы к снижению продолжительности цикла строительства скважин. Путем анализа статистических данных выработана методика подбора оптимальных режимных параметров бурения, при которых достигаются наибольшие значения
механических скоростей для данных геологических условий без перегрузки и повышенного износа бурового
оборудования, а также определения оптимизированных норм времени на выполнение различных технологических операций в процессе бурения скважин. Показан пример прогнозирования осложнений с применением средств машинного обучения и искусственного интеллекта.

The authors present digital model for assessing the efficiency of well construction, based on the automated determination of operations during drilling, aggregation and processing on a specialized digital platform. A functional diagram of the implementation of an automated monitoring system for the efficiency of well construction in the Republican Unitary Enterprise “Production Association “Belorusneft” is presented, including the calculation of key
performance indicators and hidden non-productive time, the determination of which allows you to establish additional time resources to reduce the duration of the well construction cycle. By analyzing statistical data, a methodology has been developed for selecting optimal drilling parameters at which the highest values of mechanical speeds
are achieved for these geological conditions without overloading and increased wear of drilling equipment, as well
as determining optimized time standards for performing various technological operations in the process of well
drilling. An example of complications forecast using machine learning and artificial intelligence is shown.