Перспективные технологии Big Data в нефтяном инжиниринге: опыт компании «Газпром нефть»

М.М. Хасанов, (ПАО «Газпром нефть»), Д.О. Прокофьев, PhD, О.С. Ушмаев, Б.В. Белозеров, Р.Р. Гильманов, А.С. Маргарит, Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)

Источник: Журнал «Нефтяное хозяйство»

Аналитическая компания IDC представила в декабре 2012 г. отчет Big Data, Bigger Digital Shadows, Biggest Growth in the Far East, в котором прогнозировалось, что объемы информации будут удваиваться каждые 2 года в течение следующих 8 лет. И в настоящий момент этот прогноз сбывается. Как отмечается в этих источниках данных, к 2020 г. объем данных в мире достигнет 40 трлн Гб, т.е. на каждого жителя Земли будет приходиться по 5200 Гб данных (рис. 1).

Рис. 1. Общий объем цифровых данных в мире

Аналитики подсчитали, что в 2015 г. глобальные расходы на бизнес-аналитику и работу с большими данными (Big Data) достигли 122 млрд долл. США, а уже к 2020 г. показатель увеличится до 187 млрд долл. США. Крупнейшими направлениями, которые предоставляют наибольшие возможности для получения доходов в сфере бизнес-аналитики и работы с большими данными, в IDC называют следующие: дискретное производство (22,8 млрд долл.), банковский сектор (22,1 млрд долл.) и непрерывное (процессное) производство (16,4 млрд долл.).

Весь мир вступает в эпоху новой парадигмы индустриального развития — Индустрия 4.0. Эволюция индустриальных периодов прошла уже три ключевых этапа. В XVIII веке мир переживал эпоху механического производства, движимого паром и водой, начиная с ХХ века — период конвейерного производства и электрификации, на рубеже 70-х годов ХХ века в производство были привнесены электроника и ИТ-технологии. И наконец сейчас наступила эпоха умных роботов, интернета и киберфизических систем. К сожалению, нефтегазовая индустрия в этом плане значительно отстает и лишь находится в полушаге от того, чтобы полностью перейти в следующий эволюционный этап — Индустрию 4.0. Ключевая идея концепции Индустрии 4.0 — это объединение физического и виртуального миров, где основными элементами производства станут киберфизические системы. Одним из ключевых аспектов Индустрии 4.0 являются технологии обработки и моделирования на основе колоссального объема данных — технологии Big Data (BigData technologies).

Обзор технологий Big Data

В настоящее время технологии Big Data являются одним из ключевых драйверов развития информационных технологий. Это направление, относительно новое для российского бизнеса, получило широкое распространение в западных странах. Это связано с тем, что в эпоху информационных технологий, особенно после бурного развития социальных сетей, по каждому пользователю стало накапливаться значительное количество информации, что в итоге дало развитие направлению Big Data. Дополнительно появилось большое число датчиков, собирающих огромные объемы производственной информации.

В широком смысле понятие Big Data охватывает совокупность математических и информационных технологий (рис. 2) по следующим направлениям:

— работа с большими массивами данных;

— интеллектуальный анализа данных;

— предиктивная аналитика, включая машинное обучение.

Наиболее успешные примеры внедрения технологий Big Data в медицине, молекулярной генетике и генной инженерии, трейдинге, сфере услуг.

Рис. 2. Совокупность технологий Big Data

Области применения технологий Big Data в нефтяном инжиниринге

По запросу Big Data поисковик библиотеки SPE выдает более 13100 ссылок. Однако успешных кейсов в мировом нефтяном инжиниринге немного. Это связано с характерной для многих фундаментальных отраслей исторически-наследованной инерционностью. На протяжении длившегося около 10 лет периода высоких цен на нефть информационные технологии не рассматривались как значимый драйвер роста в нефтяной промышленности. Современные реалии диктуют необходимость оптимизации процессов и повышения операционной эффективности в нефтегазовом секторе.

Большое число успешных проектов реализовано в области автоматизации обработки данных, например, в проектах по созданию цифровых месторождений, и в предиктивной аналитике для оценки надежности и прогнозирования осложнений при эксплуатации оборудования в различных технологических процессах, преимущественно в бурении [1], подбора методов увеличения нефтеотдачи и др. По оценочным расчетам компании внедрение систем предиктивной аналитики на основе анализа больших данных в бурении позволяет сократить сроки строительства скважин на 30 %, а общую стоимость скважины, включая заканчивание и освоение, на 15 % [1]. Также посредством инструментов Big Data успешно решается широкий круг задач в логистике: от оптимизация транспортных маршрутов и схем поставок оборудования до повышения эффективности работы АЗС. Одним из перспективных, но не новым направлением является прогнозирование отказа погружного оборудования. Так, компания BP имеет успешный опыт внедрения системы для прогнозирования и упреждения осложнений при эксплуатации скважин установками электроцентробежных насосов на морских платформах [2, 3]. Уже в ходе тестового применения технологии компании удалось снизить эксплуатационные затраты на 2 млн долл США и более за счет повышения межремонтного периода работы скважин и уменьшения времени простоя в ожидании ремонта.

Согласно приведенной на рис. 3 матрице в ПАО «Газпром нефть» были выделены первоочередные направления для внедрения технологий Big Data. Наиболее перспективными видятся те, в которых априорное моделирование не позволяет получить достоверные и своевременные результаты.

Основными недостатками априорного моделирования являются:

— ограниченная область применения моделей;

— низкая скорость вычисления (невозможность решения широкого круга задач в онлайн-режиме);

— большие трудозатраты на создание модели и обработку результатов;

— повышенные требования к количеству и качеству входных данных для сложных моделей.

Рис. 3. TreeMap — выделение бизнес-процессов, приоритетных для внедрения технологий Big Data

Опыт применения технологий Big Data в ПАО «Газпром нефть»

В связи с текущей внешней конъюнктурой «Газпром нефть», как и другие нефтегазовые компании, столкнулась с необходимостью повышения операционной эффективности и оптимизации существующих бизнес-процессов. Помимо оптимизации процессов традиционными инструментами: бережливое производство, рационализаторство, секвестирование инвестиционного портфеля, акцент сделан на высокотехнологичные инструменты. Изучив мировой опыт, проанализировав стратегии крупнейших игроков рынка ИТ (IBM, Google, Amazon и др.), компания определила, что технологии Big Data и когнитивной аналитики в ближайшей перспективе займут одни из ключевых позиций в портфеле технологий энергетического сектора [4, 5].

Согласно результатам полномасштабной диагностики, выполненной совместно с ведущими мировыми вендорами по консалтингу в сфере ИТ и технологического развития, перспективными для внедрения технологий Big Data признано более 20 бизнес-факторов из 130 в блоке upstream ПАО «Газпром нефть».

Выделены приоритетные задачи:

— поиск объектов-аналогов;

— обработка массивов данных сейсморазведки;

— суррогатное геолого-гидродинамическое моделирование;

— восстановление исторических эксплуатационных данных;

— комплексирование и анализ данных исследований в масштабах месторождения;

— обработка данных исследований в режиме реального времени;

— обработка данных скважинных операций и методов увеличения нефтеотдачи;

— выявление и прогнозирование осложнений в режиме реального времени;

— автоматизация процессов сбора, обработки и подготовки больших массивов данных в рамках проекта «Цифровое месторождение».

Отдельные компоненты технологий Big Data опробованы или применяются для решения бизнес-задач по прогнозу эффективности сложных геолого-технических мероприятий, кластеризации скважин по фациальным признакам, автоматизации интерпретации результатов сейсмических исследований и др.

Одним из примеров подобных проектов является внедрение предиктивной аналитики в процессы управления электроцентробежными насосами, выполненное совместно с компанией Teradata. Целью пилотного проекта под названием «Аналитика самозапусков установок электроцентробежных насосов после аварийных отключений электроэнергии», реализация которого завершилась в августе 2015 г., стало использование инструментов Big Data для выявления причин сбоев автоматического перезапуска насосов после аварийного отключения электропитания. Для проведения исследований рабочая группа, в которую вошли специалисты Научно-технического центра, IT-департамента ПАО «Газпром нефть» и компании Teradata, использовала более 200 млн записей, полученных в 2014 г. с контроллеров систем управления на 1649 скважинах, а также записи рестартов напряжения из аварийных журналов. Изучение и анализ этой информации с использованием традиционных инструментов оказались невозможны из-за большого объема неструктурированных данных: в каждой модели системы управления применяются различные форматы записей. При этом решение задачи осложнялось зависимостью работы насосов от множества различных факторов: скважинных условий, условий эксплуатации, схемы электроснабжения и др. С помощью аналитической системы все данные были обработаны, созданы визуализированные модели цепочек событий, относящиеся к самозапуску насосов, а также карты вероятностного распределения причинно-следственных связей. Применение инструментов Big Data позволило не только сформировать и проверить набор различных гипотез о причинах сбоев в автозапуске, но и получить информацию о ранее неизвестных взаимосвязях в работе насосного оборудования, в частности, о появлении в ряде случаев эффекта турбинного вращения, приводящего к обратному сливу нефти при отключении электропитания насоса. И это только первый шаг, который компания сделала на пути к применению технологий Big Data.

Однако подобный процесс «точечного» применения технологий Big Data не позволяет получить прорывного эффекта, способного кардинально повысить эффективность текущей деятельности. В связи с этим в компании инициирован ряд полномасштабных проектов, где технологии Big Data являются основополагающими. Совместно с компанией IBM разрабатываются алгоритмы для автоматизации процесса выбора оптимальной системы разработки вновь вводимых месторождений и оптимизации режимов работы скважин на длительно разрабатываемых месторождениях для максимизации добычи. Применение данной технологии позволит компании уже на этапах планирования подбирать наиболее эффективную технологию освоения месторождений, а при их дальнейшей эксплуатации интегрально рассматривать все процессы, происходящие в пласте, и повышать эффективность выработки остаточных извлекаемых запасов. Эффект от внедрения данной технологии оценивается компанией в 1 млн т потенциальной дополнительной добычи.

На основе когнитивных технологий реализуется проект, направленный на поиск пропущенных интервалов по данным геофизических исследований скважин. Потенциальный эффект от его внедрения оценивается на уровне 500 тыс. т дополнительной добычи на текущих добычных активах. Запущен проект интеллектуального поиска объектов-аналогов по заданному набору критериев с помощью машинного обучения. В результате его реализации ожидается сокращение затрат на 4 млрд руб. до 2025 г.

Дополнительно «Газпром нефть» уделяет особое внимание накоплению и распространению критически важных производственных знаний. В информационной Системе Распространения Знаний внедряется технология гибридного интеллектуального поиска, способная отвечать на запросы пользователей, поданные на естественном языке. Например, если запрос сформулирован в формате «Что является наилучшим методом геологоразведки для поиска месторождений нефти и газа», то система выдаст ответ «С наивысшей долей вероятности это сейсморазведка, хотя также применяется электро- и гравиразведка» и отсортирует результаты по релевантности на основе источников и документов, индексируемых системой.

Все перечисленные технологии направлены на повышение эффективности существующих процессов и создание технологического задела в ПАО «Газпром нефть». Внедрение данных технологий позволит бизнесу получить ряд уникальных преимуществ.

1. Повышение качества и своевременности принятия производственных решений на основе геолого-гидродинамических моделей (ГГДМ) за счет повышения качества цифровых моделей, сокращения длительности цикла ГГДМ и минимизации влияния «человеческого фактора» при интерпретации исследований.

2. Повышение обоснованности и качества принятия инвестиционных решений в условиях сверхвысокой неопределенности в исходных данных, а зачастую их недостатка.

В рамках подхода к поиску открытых инноваций в смежных областях (фармацевтическая, аэрокосмическая, телекоммуникационная и др.) с целью выявления перспективных технологий запущен проект совместно компанией «Иннопрактика» — одним из ведущих вендоров по научно-технологическому брокериджу. К работе над проектом привлечены команды ведущих ученых, инженеров и экспертов в области когнитивных и информационных технологий со стороны «Газпромнефть НТЦ» и МГУ.

Согласно технологической стратегии Блока разведки и добычи в компании задан вектор развития информационных технологий, предполагающий эволюционный переход от систем поддержки принятия решений к полноценным экспертным системам, решающим широкий круг задач с минимальным участием человека.

Таким образом, ни одна современная компания не обходится без обработки цифровой информации, и темпы роста объема информации с каждым днем повышаются. Качество обработки и полнота информации являются залогом принятия правильных управленческих решений. На «плаву» большого потока информации останутся те компании, которые правильно понимают проблему и адекватно занимаются ее решением, в том числе развивая и внедряя технологии Big Data.

Список литературы

1. Jacobs T. Automated Drilling Technologies Showing Promise//JPT. — 2015. — V. 67. — № 6 (June).

2. Rawi Zaid. Machinery Predictive Analytics//SPE 128559. — 2010.

3. Stone P. Introducing Predictive Analytics: Opportunities//SPE 106865. — 2007.

4. How advanced analytics can drive productivity.

5. Big Success With Big Data.

Возврат к списку