© 1995-2022 Компания «Инфосистемы Джет»
Цифровая нефть
Машинное обучение Машинное обучение

Как изменилась нефтедобывающая отрасль за последние 20 лет?

17.09.2020

Посетителей: 556

Просмотров: 489

Время просмотра: 2 мин.

Авторы

Спикер
Борис Белозеров Начальник Департамента цифровых технологий и геологической экспертизы Научно-технического центра компании «Газпром нефть»

Как изменилась нефтедобывающая отрасль за последние 20 лет

 

Что представляют собой цифровые двойники месторождений и почему они так важны

 

Как искусственный интеллект помогает добывать нефть там, где не работают традиционные подходы

 

 

Немного теории

 

Посмотрите любой американский фильм, затрагивающий тему нефтедобычи: нефтянику достаточно воткнуть в землю палку — и оттуда вырывается фонтан черной маслянистой жидкости. Но эти времена безвозвратно канули в прошлое. Нефтяная качалка перестала быть самым узнаваемым символом отрасли — технологии ушли далеко вперед. Сегодня это бизнес, использующий инновации, в котором на один доллар, вложенный непосредственно в добычу, приходится пять, которые идут на развитие обслуживающих направлений, в том числе ИТ.

Изменение нефтяных месторождений за последние 70 лет

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.

2–3 терабайта данных мы получаем при разведке одного месторождения.

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.

Уведомления об обновлении тем – в вашей почте

Этапы внедрения ML-моделей на предприятиях

Основные этапы внедрения ML-решений. Какова главная задача пилота? Что дает мониторинг работы ML-моделей?

Информационная безопасность АСУ ТП

Кибератаки на производственные процессы с каждым годом происходят все чаще, что побуждает компании искать способы защиты своих АСУ ТП и технологических циклов в целом. О том, на каком уровне находится этот аспект безопасности сегодня и как реализована защита в самих программных продуктах, мы побеседовали с представителями ведущих компаний — разработчиков АСУ ТП. В заочном круглом столе приняли участие Андрей Мельников, главный инженер по интеграции проекта OOO «Сименс», Илья Мухин, руководитель отдела компании «Иокогава Электрик СНГ», и Ян Сухих, руководитель направления по информационной безопасности Schneider Electric (Россия и СНГ).

«Для компаний с большими объемами бурения скважин создание Центра управления бурением дает практически мгновенный эффект»

В конце декабря 2015 года завершился проект создания мультидисциплинарного Центра сопровождения бурения (ЦСБ). Проект создания ЦСБ был инициирован «Газпром нефтью» для оптимизации и повышения эффективности процесса бурения скважин.

Аутсорсинг для промышленности

По оценке TAdviser, в последние 2 года российский рынок ИТ-аутсорсинга стабильно растет на 15–17%.

DevOps/NetOps заказывали? Автоателье для сетевиков

Что такое DevOps/NetOps? Объясняем на автомобилях. Когда компаниям необходимо DevOps/NetOps-решение? Как мы разрабатывали собственный продукт?

ML в промышленности: здесь и сейчас

Почему AI- и ML-решения особенно актуальны на крупном производстве? Кто должен быть драйвером цифровизации компании? Как выбирать подрядчиков для проектов?

«Информационная безопасность АСУ ТП – это всегда затратная часть для бизнеса…»

Мы беседуем с Дмитрием Латышевым, начальником отдела защиты информации ООО «Автоматика-сервис» (ГК «Газпром нефть»)

Мошенничество в промышленности: фрод ближе, чем вы думаете

В статье мы рассмотрим, какие метрики машинного обучения бывают и в каких случаях они применимы, разберем типичные ошибки.

О проектировании систем безопасности современного технического уровня

По оценкам, содержащимся в различных источниках информации, общий объем рынка технических средств (ТС) безопасности в России на 2004 г. составил по порядку величины несколько сот миллионов долларов (эта оценка может быть заниженной).   Из ...

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





    Спасибо!
    Вы подписались на обновления наших статей
    Подписаться
    на тему







      Спасибо!
      Вы подписались на обновления наших статей
      Оформить
      подписку на журнал







        Спасибо!
        Вы подписались на обновления наших статей
        Оформить
        подписку на новости







          Спасибо!
          Вы подписались на обновления наших статей
          Задать вопрос
          редактору








            Оставить заявку

            Мы всегда рады ответить на любые Ваши вопросы

            * Обязательные поля для заполнения

            Спасибо!

            Благодарим за обращение. Ваша заявка принята

            Наш специалист свяжется с Вами в течение рабочего дня