Цифровая нефть

На рисунке показано, как меняются с годами нефтяные месторождения. Сегодня они по своему качеству в тысячи раз уступают тем, что разрабатывались в середине прошлого столетия. Однако, несмотря на все трудности, в ближайшие 30–50 лет активная добыча нефти продолжится. Из нее делают не только топливо, ее компоненты широко используются в производстве пластика, синтетических тканей, полимерной пленки, красок и лаков, моющих средств и разнообразной бытовой химии. В повседневной жизни мы постоянно имеем дело с продукцией «нефтяного происхождения»: пластиковая мебель, детали бытовой техники, отделочные материалы, игрушки, одежда, лекарства и даже еда. Поэтому нефтедобывающие компании создают передовые технологии, позволяющие находить и разрабатывать сложные месторождения, добыча из которых еще в прошлом веке считалась невозможной.

Данные, сгенерированные в нефтяной индустрии за последние годы, сопоставимы по объему с информацией, которую формирует андронный коллайдер. На текущий момент оцифрованы все процессы и события, связанные с поиском и разработкой месторождений. Наверное, всем знакомо выражение: «данные — новая нефть». Для нашей отрасли оно актуально вдвойне, ведь данные приобретают колоссальную важность — опираясь на них, мы принимаем решение о бурении той или иной скважины.

Сколько геологов, столько и мнений

Мы имеем дело с объектами, которые находятся глубоко под землей. Увидеть их невозможно, а чтобы смоделировать, приходится использовать множество данных: сейсмических, геологических, данных бурения и т.д.

Важно не только собрать данные, необходимо их грамотно обработать. Использование искусственного интеллекта (ИИ) дает нам такую возможность. На основе данных строятся геолого-гидродинамические модели — цифровые двойники месторождений, показывающие, как под землей выглядит нефтеносный пласт. Сейчас это ключевой инструмент анализа при принятии решений о бурении.

В нефтегазовой сфере популярна поговорка: «Сколько геологов, столько и мнений». Поэтому мы стремимся создать как можно больше цифровых моделей месторождения, чтобы просчитать все риски, связанные с добычей, и точнее определить, где находится нефть. Каждый расчет — это часы работы. Алгоритмы машинного обучения позволяют ускорять процесс моделирования за счет объединения схожих для всех моделей деталей, что позволяет автоматически заполнять уже рассчитанные участки для каждой новой модели.

Кейс 1

Один из векторов применения машинного обучения — поиск дополнительных интервалов для бурения. Раньше нефтеносные пласты были мощными, их толщина могла достигать 50 метров, сейчас же приходится работать с 2–3-метровыми пластами. Без использования искусственного интеллекта обнаружить их было бы невозможно. Специалисты «Газпром нефти» создали программу для поиска новых залежей на старых месторождениях. Традиционные методы интерпретации данных не позволяли определить эти залежи из-за небольшого размера или сложного строения пласта. С точки зрения финансовых вложений это легкая нефть — ведь нам не нужно строить инфраструктуру с нуля.

Программа обрабатывает сотни гигабайт данных со скважин, расположенных на месторождении, анализируя около 60 тыс. результатов геофизических исследований одновременно, — подобный уровень вычислений недоступен для человека. Автоматическая обработка данных и поиск запасов с помощью самообучающегося алгоритма «Газпром нефти» занимают не более месяца.

Алгоритм был апробирован при добыче нефти на месторождениях вблизи полярного круга. Там данная разработка показала большой потенциал. В результате ее применения удалось добиться дополнительной добычи на уровне 70 баррелей нефти в сутки без затрат на дополнительное бурение и создание инфраструктуры, и это всего лишь один из примеров. На следующем этапе компания применит систему на группе месторождений, совокупный потенциал которых оценивается в 3 млн баррелей нефти.

Кейс 2

Еще один кейс — применение компьютерного зрения для определения состава горной породы. Этот инструмент позволяет очень быстро выделять нефтенасыщенные участки.

Когда нефтяники бурят скважину, они извлекают образцы породы (керн) и фотографируют их. В среднем за год в компании отбирается около 3–5 км такой породы. Теперь достаточно прислать фотографии керна с месторождения, и специалисты, обработав их с помощью компьютерного зрения, дадут заключение о наличии нефти в пласте.

Кейс 3

Чтобы добыть нефть, необходимо пробурить вертикальную скважину, выйти на уровень нефтеносного пласта и продолжить горизонтальное бурение по нему на протяжении около 1,5 км. По сложности это сродни высокоточной хирургической операции. Кроме того, невозможно увидеть, что происходит под землей, поэтому специалист опирается только на показания приборов. Чтобы управлять этим процессом эффективно, необходимо постоянно следить за параметрами и быстро принимать решения о направлении бурения.

Система предиктивной аналитики, внедренная в компании, позволила повысить точность решений до 90%. Анализируя данные предыдущих пробуренных участков, она формирует прогноз на ближайшие 10–15 метров, предсказывая, какой будет порода. Это позволяет оперативно менять траекторию скважины и точно следовать за изгибами пласта. До внедрения такого инструмента эффективность бурения составляла около 60–70%.

Куда мы движемся?

Какой станет нефтедобыча через 30 лет? Скорее всего, это будет замкнутое автоматизированное производство. Многих специалистов пугает образ будущего, в котором всех заменят умные машины. Однако существующие профессии никуда не денутся. Но от геологов и инженеров нефтегазовой отрасли будет требоваться умение взаимодействовать с искусственным интеллектом и правильно интерпретировать результаты, которые он выдает.