Как искусственный интеллект трансформирует нефтегазовую отрасль России
621
© Elnur_ / Фотобанк Фотодженика Москва, 16 июл - ИА Neftegaz.RU. Несмотря на развитие возобновляемых источников энергии, уровень потребления ископаемого топлива (нефть, газ, уголь) остается на высоком уровне, составляя более 80% от общего мирового энергобаланса. Однако нефтегазовые компании сталкиваются с истощением месторождений, обводненностью скважин, устареванием оборудования, колебанием цен на энергоносители и другими сложностями. В таких условиях искусственный интеллект становится конкурентным преимуществом. Разберемся, где можно применять ИИ в этой отрасли, какие есть российские кейсы и с какими барьерами сталкиваются нефтегазовые компании.
Хотя оценки разнятся, большинство аналитиков сходятся во мнении, что ИИ может сделать добычу и переработку энергоносителей эффективнее и дешевле.
ИИ уже используется на всех ключевых этапах производственно-логистической цепочки: от разведки и добычи до транспортировки, переработки и сбыта. Вот ключевые направления:
Повышение точности поиска залежей углеводородов. Машинное обучение позволяет оптимизировать расположение разведочных скважин за счет выявления скрытых закономерностей в геологических данных. Эти взаимосвязи невозможно в полной мере обнаружить ни отдельному специалисту, ни даже коллективу экспертов за приемлемые сроки.
Как отмечает региональный директор Международного общества инженеров нефтегазовой промышленности SPE в регионе Россия и Каспий Алексей Борисенко, крупные месторождения нефти и газа требуют модернизации ИТ-инфраструктуры и соответствующих вычислительных мощностей. Частичные решения неэффективны. Наилучших результатов в внедрении ИИ добьются те компании, которые смогут контролировать максимальный объем генерируемых данных и выстроят устойчивую систему их сбора, обработки и анализа.
Нейросетевые технологии также применяются для анализа керна изучении образцов горных пород для оценки перспектив нефтегазоносности и оптимизации разработки месторождений. Увеличение вычислительных мощностей позволяет в разы ускорить расчет различных сценариев, моделирующих миграцию флюидов в насыщенном углеводородами пласте, в т.ч. благодаря различным вариантам реализации параллельных вычислений, рассказывает Алексей Борисенко.
Оптимизация бурения и добычи. Оптимизация достигается за счет ускорения обработки огромных объемов данных. Например, американская нефтяная компания ExxonMobil использовала машинное обучение для анализа данных о бурении. Прогностические модели помогли снизить количество внештатных ситуаций и повысить эффективность бурения.
Повышение уровня промышленной безопасности и диагностика проблем. Компьютерное зрение решает задачи по предотвращению аварий, травм и несчастных случаев. С его помощью можно контролировать соблюдение правил техники безопасности, проверять использование средств индивидуальной защиты, мониторить опасные ситуации в режиме реального времени и проверять соблюдение регламентов технологических процессов.
Технологии позволяют оперативно обнаруживать утечки углеводородов, идентифицировать участки трубопроводов, наиболее подверженных коррозии, и выявлять поломки оборудования. Об одном из ярких практических примеров рассказывает Александр Тараканов, доцент департамента больших данных и информационного поиска факультета компьютерных наук НИУ ВШЭ: ИИ применяют для раннего обнаружения потенциальных поломок оборудования, например компрессоров, на основе анализа данных с множества датчиков. Такие системы позволяют не только сократить простой оборудования, но и существенно снизить издержки на техническое обслуживание.
Логистика и сбыт. С помощью моделей можно прогнозировать спрос и цену на продукцию, оптимальные маршруты поставок и графики загрузки НПЗ.
В будущем будет активно расширяться использование сенсоров и IoT-устройств для сбора данных о технологических процессах, а также применение продвинутых алгоритмов машинного обучения и управления для оптимизации этих процессов. Кроме того, возрастает интерес к предиктивной аналитике, интеллектуальному планированию добычи и интеграции цифровых двойников скважин и месторождений. Все это открывает значительные перспективы повышения эффективности и устойчивости отрасли, подчеркивает Александр Тараканов.
Роснефть реализует проект Цифровое месторождение. ИИ используют для анализа данных сейсморазведки. Это помогает существенно оптимизировать процессы поиска и добычи углеводородов.
В Татнефти совместно с ИТМО разработали умную платформу на основе больших языковых моделей для сотрудников компании. Система отвечает на вопросы из разных областей знаний компании, проводит мозговые штурмы и помогает принимать значимые стратегические решения.
Лукойл использует программный модуль Управление разработкой зрелых месторождений с применением нейронных сетей с 2022 г. Технологии нужны для выбора оптимального режима закачки. Нейросетевое управление уже внедрено на месторождениях в Пермском крае.
Низкое качество и разрозненность данных. ИИ требует структурированных данных, которых часто нет на старых месторождениях и объектах. По словам Алексея Борисенко, информация хранится в различных форматах и системах, что значительно осложняет ее консолидацию. Простой пример паспорт скважины - часто такой документ существует на бумажном носителе, заполненный вручную, и в лучшем случае оцифрован в формате PDF или графическом файле. Анализ такой информации с использованием машинных методов остается крайне затруднительным.
Географическая специфика нефтегазовой отрасли. Месторождения часто расположены в труднодоступных и малоизученных регионах с неразвитой инфраструктурой (болота, пустыни, арктические зоны). Это создает дополнительные сложности для сбора и передачи данных. Внедрение ИИ-технологий становится катализатором развития инфраструктуры таких регионов, особенно в части создания надежных каналов связи. Яркий пример реализуемый на севере России проект трансарктического подводного кабеля Полярный экспресс пропускной способностью до 100 Тб/с, который обеспечит растущие потребности в обработке больших данных на арктических нефтегазовых проектах.
Недостаток специалистов. Компании сталкиваются с нехваткой дата-сайентистов, у которых есть и математическая подготовка, и понимание нефтегазовой специфики. По словам Александра Тараканова, дефицит квалифицированных кадров в области искусственного интеллекта ощущается достаточно остро. Конкуренция за специалистов в ИИ высока как в индустрии в целом, так и в нефтегазовом секторе. Специалисты, имеющие опыт применения ИИ в нефтегазе, ценятся на рынке, в том числе и в BigTech-компаниях, благодаря экспертизе в машинном обучении. Это, в свою очередь, усиливает кадровый голод и внутри самой отрасли.
Одна из возможных траекторий подготовки таких специалистов переподготовка уже занятых в индустрии нефтегаза инженеров. Например, Алексей Борисенко к моменту поступления на программу профессиональной переподготовки Специалист по Data Science уже более 10 лет работал экспертом в нефтегазовой отрасли. После защиты диплома он перешел с позиции эксперта в нефтегазовой области на позицию инженера по интерпретации данных и сейчас работает на проекте, связанном с обработкой цифрового сигнала высокочастотных колебаний давления при гидравлическом разрыве пласта. Параллельно Алексей участвует в проектах по разработке моделей машинного обучения для прогнозирования физических процессов в скважине. Поэтому с подготовкой кадров могут помочь вузы. Так, Центр непрерывного образования на базе ФКН НИУ ВШЭ обучает сотрудников компаний цифровым навыкам, в том числе, работе с данными и ИИ.
Инерционность отрасли. Многие решения в нефтегазе принимаются с оглядкой на безопасность, регуляторные требования и долгие циклы инвестирования, что замедляет внедрение инноваций.
Импортозамещение. Некоторые российские решения строились на зарубежных платформах и облаках, и сейчас требуется полная или частичная замена на отечественные аналоги.
Регуляторные риски и риски кибербезопасности. Строгие требования к защите информации и противодействию цифровым угрозам необходимы. В каждой нефтегазовой компании, независимо от ее масштаба и бизнес-модели, существуют собственные отлаженные процессы и стандарты по кибербезопасности, исключающие использование данных за пределами организации. Однако проблемы, с которыми сталкиваются нефтяники и газовики на производстве схожи, и без совместной работы над поиском оптимальных решений с применением методов ИИ здесь не обойтись, подчеркивает Алексей Борисенко.
Компании, которые быстрее интегрируют ИИ в ключевые процессы, смогут повысить эффективность на зрелых месторождениях, снизить потери и ускорить принятие решений. Однако для масштабного эффекта отрасли нужны системное развитие цифровой инфраструктуры и подготовка кадров с глубоким пониманием технологий и отраслевой специфики.
Основные направления применения
Согласно данным Минэнерго России, накопленный эффект от внедрения ИИ в нефтегазовой отрасли страны может составить 700 млрд руб. в год, а суммарный эффект за период с 2025 по 2040 гг. оценивается в 5,4 трлн руб. Выгон Консалтинг оценивает суммарный эффект для российских нефтегазовых компаний от применения генеративного искусственного интеллекта в 343 млрд руб. в год.Хотя оценки разнятся, большинство аналитиков сходятся во мнении, что ИИ может сделать добычу и переработку энергоносителей эффективнее и дешевле.
ИИ уже используется на всех ключевых этапах производственно-логистической цепочки: от разведки и добычи до транспортировки, переработки и сбыта. Вот ключевые направления:
Повышение точности поиска залежей углеводородов. Машинное обучение позволяет оптимизировать расположение разведочных скважин за счет выявления скрытых закономерностей в геологических данных. Эти взаимосвязи невозможно в полной мере обнаружить ни отдельному специалисту, ни даже коллективу экспертов за приемлемые сроки.
Как отмечает региональный директор Международного общества инженеров нефтегазовой промышленности SPE в регионе Россия и Каспий Алексей Борисенко, крупные месторождения нефти и газа требуют модернизации ИТ-инфраструктуры и соответствующих вычислительных мощностей. Частичные решения неэффективны. Наилучших результатов в внедрении ИИ добьются те компании, которые смогут контролировать максимальный объем генерируемых данных и выстроят устойчивую систему их сбора, обработки и анализа.
Нейросетевые технологии также применяются для анализа керна изучении образцов горных пород для оценки перспектив нефтегазоносности и оптимизации разработки месторождений. Увеличение вычислительных мощностей позволяет в разы ускорить расчет различных сценариев, моделирующих миграцию флюидов в насыщенном углеводородами пласте, в т.ч. благодаря различным вариантам реализации параллельных вычислений, рассказывает Алексей Борисенко.
Оптимизация бурения и добычи. Оптимизация достигается за счет ускорения обработки огромных объемов данных. Например, американская нефтяная компания ExxonMobil использовала машинное обучение для анализа данных о бурении. Прогностические модели помогли снизить количество внештатных ситуаций и повысить эффективность бурения.
Повышение уровня промышленной безопасности и диагностика проблем. Компьютерное зрение решает задачи по предотвращению аварий, травм и несчастных случаев. С его помощью можно контролировать соблюдение правил техники безопасности, проверять использование средств индивидуальной защиты, мониторить опасные ситуации в режиме реального времени и проверять соблюдение регламентов технологических процессов.
Технологии позволяют оперативно обнаруживать утечки углеводородов, идентифицировать участки трубопроводов, наиболее подверженных коррозии, и выявлять поломки оборудования. Об одном из ярких практических примеров рассказывает Александр Тараканов, доцент департамента больших данных и информационного поиска факультета компьютерных наук НИУ ВШЭ: ИИ применяют для раннего обнаружения потенциальных поломок оборудования, например компрессоров, на основе анализа данных с множества датчиков. Такие системы позволяют не только сократить простой оборудования, но и существенно снизить издержки на техническое обслуживание.
Логистика и сбыт. С помощью моделей можно прогнозировать спрос и цену на продукцию, оптимальные маршруты поставок и графики загрузки НПЗ.
В будущем будет активно расширяться использование сенсоров и IoT-устройств для сбора данных о технологических процессах, а также применение продвинутых алгоритмов машинного обучения и управления для оптимизации этих процессов. Кроме того, возрастает интерес к предиктивной аналитике, интеллектуальному планированию добычи и интеграции цифровых двойников скважин и месторождений. Все это открывает значительные перспективы повышения эффективности и устойчивости отрасли, подчеркивает Александр Тараканов.
Российские кейсы внедрения ИИ в нефтегазе
Многие российские нефтегазовые компании уже внедряют искусственный интеллект. Например, у Газпром нефти есть онлайн-платформа Цифровой двойник сейсморазведки. Система объединяет данные с 1999 г. по более чем 800 геологоразведочным объектам во всех регионах деятельности компании. Программа комплексно оценивает новые проекты и предлагает решения с точки зрения распределения ресурсов и методов геологоразведки.Роснефть реализует проект Цифровое месторождение. ИИ используют для анализа данных сейсморазведки. Это помогает существенно оптимизировать процессы поиска и добычи углеводородов.
В Татнефти совместно с ИТМО разработали умную платформу на основе больших языковых моделей для сотрудников компании. Система отвечает на вопросы из разных областей знаний компании, проводит мозговые штурмы и помогает принимать значимые стратегические решения.
Лукойл использует программный модуль Управление разработкой зрелых месторождений с применением нейронных сетей с 2022 г. Технологии нужны для выбора оптимального режима закачки. Нейросетевое управление уже внедрено на месторождениях в Пермском крае.
Сложности внедрения
Несмотря на обширные возможности применения искусственного интеллекта в нефтегазовой отрасли, есть проблемы, которые затрудняют массовое внедрение технологий.Низкое качество и разрозненность данных. ИИ требует структурированных данных, которых часто нет на старых месторождениях и объектах. По словам Алексея Борисенко, информация хранится в различных форматах и системах, что значительно осложняет ее консолидацию. Простой пример паспорт скважины - часто такой документ существует на бумажном носителе, заполненный вручную, и в лучшем случае оцифрован в формате PDF или графическом файле. Анализ такой информации с использованием машинных методов остается крайне затруднительным.
Географическая специфика нефтегазовой отрасли. Месторождения часто расположены в труднодоступных и малоизученных регионах с неразвитой инфраструктурой (болота, пустыни, арктические зоны). Это создает дополнительные сложности для сбора и передачи данных. Внедрение ИИ-технологий становится катализатором развития инфраструктуры таких регионов, особенно в части создания надежных каналов связи. Яркий пример реализуемый на севере России проект трансарктического подводного кабеля Полярный экспресс пропускной способностью до 100 Тб/с, который обеспечит растущие потребности в обработке больших данных на арктических нефтегазовых проектах.
Недостаток специалистов. Компании сталкиваются с нехваткой дата-сайентистов, у которых есть и математическая подготовка, и понимание нефтегазовой специфики. По словам Александра Тараканова, дефицит квалифицированных кадров в области искусственного интеллекта ощущается достаточно остро. Конкуренция за специалистов в ИИ высока как в индустрии в целом, так и в нефтегазовом секторе. Специалисты, имеющие опыт применения ИИ в нефтегазе, ценятся на рынке, в том числе и в BigTech-компаниях, благодаря экспертизе в машинном обучении. Это, в свою очередь, усиливает кадровый голод и внутри самой отрасли.
Одна из возможных траекторий подготовки таких специалистов переподготовка уже занятых в индустрии нефтегаза инженеров. Например, Алексей Борисенко к моменту поступления на программу профессиональной переподготовки Специалист по Data Science уже более 10 лет работал экспертом в нефтегазовой отрасли. После защиты диплома он перешел с позиции эксперта в нефтегазовой области на позицию инженера по интерпретации данных и сейчас работает на проекте, связанном с обработкой цифрового сигнала высокочастотных колебаний давления при гидравлическом разрыве пласта. Параллельно Алексей участвует в проектах по разработке моделей машинного обучения для прогнозирования физических процессов в скважине. Поэтому с подготовкой кадров могут помочь вузы. Так, Центр непрерывного образования на базе ФКН НИУ ВШЭ обучает сотрудников компаний цифровым навыкам, в том числе, работе с данными и ИИ.
Инерционность отрасли. Многие решения в нефтегазе принимаются с оглядкой на безопасность, регуляторные требования и долгие циклы инвестирования, что замедляет внедрение инноваций.
Импортозамещение. Некоторые российские решения строились на зарубежных платформах и облаках, и сейчас требуется полная или частичная замена на отечественные аналоги.
Регуляторные риски и риски кибербезопасности. Строгие требования к защите информации и противодействию цифровым угрозам необходимы. В каждой нефтегазовой компании, независимо от ее масштаба и бизнес-модели, существуют собственные отлаженные процессы и стандарты по кибербезопасности, исключающие использование данных за пределами организации. Однако проблемы, с которыми сталкиваются нефтяники и газовики на производстве схожи, и без совместной работы над поиском оптимальных решений с применением методов ИИ здесь не обойтись, подчеркивает Алексей Борисенко.
Выводы
Создание полностью автономных добывающих комплексов в обозримом будущем остается маловероятным. Тем не менее, растущая потребность в оптимизации затрат и повышении эффективности добычи в условиях глобального энергоперехода и декарбонизации делает особенно перспективными направления разработки цифровых двойников месторождений и комплексной автоматизации производственных процессов через интеграцию с IIoT и робототехникой.Компании, которые быстрее интегрируют ИИ в ключевые процессы, смогут повысить эффективность на зрелых месторождениях, снизить потери и ускорить принятие решений. Однако для масштабного эффекта отрасли нужны системное развитие цифровой инфраструктуры и подготовка кадров с глубоким пониманием технологий и отраслевой специфики.