Направления развития когнитивных технологий в периметре Блока разведки и добычи компании «Газпром нефть»

В.В. Яковлев (ПАО «Газпром нефть»), М.М. Хасанов, д.т.н., А.Н. Ситников, Д.О. Прокофьев, PhD, А.А. Пустовских, к.ф.-м.н., А.С. Маргарит, М.В. Симонов, Д.С. Перец, Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)

Источник: Журнал «Нефтяное хозяйство»

В настоящее время технологии, основанные на алгоритмах машинного обучения, определяют направление развития не только информационных технологий, но и современной промышленности, в том числе нефтяной [1]. Наибольшее число успешных проектов реализовано в области автоматизации обработки данных, например, в проектах по созданию цифровых месторождений, в предиктивной аналитике для оценки надежности и прогнозирования осложнений в процессе эксплуатации оборудования, в различных технологических процессах, выборе методов увеличения нефтеотдачи и др. [2]. В соответствии с мировыми трендами [3] компания «Газпром нефть» активно внедряет когнитивные технологии в производственную деятельность для повышения эффективности бизнес-процессов. Данные технологии позволяют сокращать сроки ввода месторождений в эксплуатацию и повышать эффективность принимаемых решений за счет интеграции тех данных, которые не использовались ранее в анализе [4], что в свою очередь дает новый вектор для развития. Ранее в компании был проведен анализ, по итогам которого выделены приоритетные направления внедрения когнитивных технологий:
– обработка массивов данных сейсморазведки;
– геолого-гидродинамическое моделирование;
– комплексирование и анализ результатов исследований в масштабах месторождения;
– обработка данных исследований и скважинных операций в режиме реального времени;
– выявление и прогнозирование осложнений в режиме реального времени;
– автоматизация процессов сбора, обработки и подготовки больших массивов данных.

Поиск когнитивных технологий

В настоящее время в компании ведется работа по поиску и внедрению в данные направления когнитивных технологий и разработке собственных уникальных решений. Для поиска и внедрения новых технологий в области искусственного интеллекта ПАО «Газпром нефть» активно развивает сотрудничество с лидерами цифровых технологий, передовыми российскими и международными университетами и научными центрами. Наиболее успешное взаимодействие осуществляется в партнерстве с такими организациями, как IBM, Сколтех, МФТИ, «Иннопрактика» и др.

В условиях высоких требований бизнеса к предлагаемым решениям необходимо внедрение эффективного инструмента поиска и адаптации технологий, отличающегося от стандартных подходов [5]. Таким инструментом является созданная Цифровая студия – специализированная платформа для ускорения трансформации Блока разведки и добычи (БРД) путем интеграции c глобальной цифровой экосистемой. В периметр интересов студии входят технологии Индустрии 4.0: искусственный интеллект, виртуальная реальность, промышленный интернет, продвинутая аналитика и визуализация. Ключевой задачей цифровой студии является акселерация инновационных проектов от идеи до готового к реализации решения в течение не более 6 мес (рис. 1).

1.png
Рис. 1. Принципиальная схема Цифровой студии

Для достижения поставленных результатов планируется выделить Цифровую студию в отдельную структуру, в рамках которой будут работать независимые проектные команды и вестись взаимодействие с партнерским окружением, состоящим из технологических компаний, университетов, НИИ, инкубаторов, стартапов и венчурных фондов.
ПАО «Газпром нефть» ставит перед собой цели не только внедрять когнитивные технологии в производственную деятельность для повышения эффективности бизнес-процессов, но и развивать внутренние компетенции по направлениям цифровых технологий. Например, в рамках проекта «Поиск направлений применения и реализация технологий Big Data в периметре БРД ПАО «Газпром нефть», который был реализован совместно с компанией «Иннопрактика», была проведена серия технологических сессий. На них рассматривались различные аспекты применения когнитивных технологий в информационных технологиях, медицине, нефтегазовой и других отраслях. Проводили технологические сессии представители Сколтеха, НИУ Высшей школы экономики, компании Yandex Data Factory и МГУ. В рамках данного проекта также выполнены патентные исследования, которые показали близкий к экспоненциальному рост числа патентов по применению методов анализа больших данных, машинного обучения и искусственного интеллекта в нефтяной отрасли за последние 10 лет. При этом было отмечено, что число патентов российских нефтегазовых компаний по данным тематикам составляет менее 1 %. В настоящее время Россия находится на ранней стадии развития технологий и необходимо пользоваться возможностью стать одним из лидеров по направлению цифровизации производства [6].
Еще одной важной составляющей формирования компетенций по когнитивным технологиям компании является активное взаимодействие с инновационным окружением: участие в форумах, специализированных конференциях, организация семинаров и др. Только в 2017 г. было проведено более 20 подобных мероприятий. По их результатам определены новые направления развития компетенций по когнитивным технологиям, перспективные темы для взаимодействия с зарубежными компаниями в сфере Индустрии 4.0.
Для мотивации сотрудников Научно-технического центра компании проводится конкурс на лучшее решение производственных задач с помощью методов интеллектуального анализа данных. Данный конкурс позволил вовлечь около 10 % специалистов компании в процесс изучения технологий машинного обучения, продемонстрировал высокий интерес и открытость к когнитивным технологиям, используемым в производстве.

Реализация проектов

В рамках цифровизации БРД не только определены отдельные бизнес-процессы и задачи, где в первую очередь требуется трансформация, но и выстроена системная работа по полномасштабному внедрению технологий Индустрии 4.0 по всей цепочке создания стоимости актива (рис. 2).
Каждый проект представляет собой комплекс взаимоувязанных инициатив и охватывает максимум приоритетных задач в пределах обозначенных областей.

Когнитивный геолог. На данный момент время, затрачиваемое геологом на предварительную обработку данных, занимает более 70 % общего времени, необходимого для принятия решения от получения исходных данных до получения заключения. Данный проект направлен на внедрение технологий игрового обучения в режиме реального времени и алгоритмов машинного обучения обработки больших данных для ускорения циклов геолого-разведочных работ за счет автоматизации рутинных трудозатрат. Использование накопленного опыта и базы знаний позволяет анализировать меньшее (до 30 %) количество исходной информации для принятия решения без снижения качества.

2.png
Рис. 2. Цепочка создания стоимости актива

Цифровое бурение. По направлению бурения реализуются проекты, дающие возможность в первую очередь повысить эффективность сопровождения этого процесса. В компании и прежде всего в Центре сопровождения бурения активно внедряются предиктивные системы поиска разладок и предотвращения возможных внештатных ситуаций. Получены положительные результаты по апробации разрабатываемого инструмента по определению литологических разностей на забое скважины в режиме реального времени, что позволяет специалистам корректировать направления бурения до получения данных LWD. Интеллектуальный помощник, наблюдая за ходом бурения, позволит минимизировать вероятность выхода скважины из целевого интервала и повысить эффективную длину ствола горизонтальных скважин до 91 %.

Центр управления проектами. Системный подход к управлению проектами с поддержкой искусственного интеллекта даст возможность существенно сократить время до получения «первой нефти». Для мониторинга работ планируется создание сети многофункциональных экспертных центров, в функции которых входят сбор первичной информации, интегрированный анализ и выполнение прогноза на основе накопленного опыта и аналогов. Предусмотрены моделирование многовариантных сценариев развития событий и оценка вероятностей появления каждой реализации. При необходимости корректировки проводится оптимизация плана работ и на основе рекомендаций интеллектуальной системы осуществляются оптимальные мероприятия. Комплексный подход к сопровождению проектов позволит сократить время на реализацию крупного проекта до 3 лет и увеличить соответствие фактических и ожидаемых результатов до 90 %.

Когнитивный инжиниринг. Решением задач концептуального инжиниринга: определение профиля добычи, числа скважин, кустов, производительности инфраструктуры – занимаются команды, в состав которых входят профильные специалисты по геологии и разработке, бурению, технологиям добычи, обустройству, стоимостному и экономическому анализу. Однако восприятие и анализ объема данных и несистемной инфор мации, экспоненциально возрастающего на ранних этапах освоения актива, выходит за рамки человеческих возможностей. Методы анализа больших данных позволят находить взаимосвязанные ключевые решения в условиях высоких геологических, технических и экономических неопределенностей.
Для эффективного управления стоимостью проектов в ПАО «Газпром нефть» применяются современные методы стоимостного инжиниринга, т.е. управление инвестициями в инфраструктуру для достижения максимального производственного эффекта с минимальными затратами. По расчетам, более 80 % инвестиционной программы компании в области разведки и добычи при использовании инструментов стоимостного инжиниринга может быть спрогнозировано с высокой точностью, от этого зависит принятие решений по реализации крупных проектов. По оценкам, внедрение технологий машинного обучения позволит увеличить этот показатель до 90 %.

Центр управления добычей.Текущие макроэкономические показатели и условия рентабельности месторождений на поздних стадиях их разработки предъявляют максимальные требования к эффективности процесса принятия решений в кратчайшие сроки. Одним из наиболее оптимальных способов их выполнения является организация мультидисциплинарных центров по управлению добычей. Однако устранение преград в кроссфункциональном взаимодействии без цифровых технологий не позволяет добиться качественных изменений эффективности. По оценкам, запуск центра позволит достичь 15%-ного снижения операционных затрат, существенного сокращения простоев и потерь.

Самообучающийся помощник инженера-нефтяника. Большое число задач и инструментов на этапе эксплуатации месторождения предъявляет повышенные требования к компетенциям специалистов по разработке и добыче. Вусловиях постоянно растущего фонда скважин и ввода новых месторождений даже при умеренном повышении производительности труда возникает необходимость увеличения численности персонала для сохранения качества принимаемых решений. Альтернативным вариантом является внедрение интеллектуальных помощников инженеров.
Самообучающиеся алгоритмы, построенные на принципах машинного обучения, использующие реальные и синтетические данные, позволят выдавать в автоматическом режиме оптимальные рекомендации по вводу новых скважин, геолого-техническим мероприятиям (в том числе по базовому фонду), ремонтам, промысловым исследованиям и др.
Реализация данного пула проектов осуществляется в рамках одного из главных направлений Технологической стратегии БРД «Электронная Разработка Активов» (ЭРА). В 2017 г. программа развития направления ЭРА была актуализирована с учетом современных цифровых трендов для соответствия актуальным производственным и бизнес-задачам подразделений «Газпром нефти». В рамках проектов ЭРА создаются программные решения, которые могут использоваться как элементы, предназначенные для сборки «Цифрового месторождения» на каждом конкретном активе компании. Выбор модулей зависит от особенностей и потребностей актива.

2018-01-23_1113.png

В последние годы доля проектов в портфеле программы ЭРА, в которых технологии Индустрии 4.0 являются определяющими, возросла до 40 %. В ключевых направлениях, напрямую влияющих на достижение стратегических ориентиров БРД, например, в функции «Геология и Разработка», этот показатель превышает 50 %. Развитие и имплементация новых технологий позволяют решить большинство основных производственных задач в БРД с применением интеллектуальных инструментов (см. таблицу).
Разрабатываемые когнитивные модели органично дополняют традиционные знания и инструменты нефтяного инжиниринга, соответствуют идеологии принятия решений в компании: проактивности, кросс-функциональности, проработке всего пространства возможных решений, детальному анализу неопределенностей и др.


Выводы

1. Направление развития когнитивных технологий определяется задачами технологической стратегии и бизнес-потребностями БРД.
2. Когнитивные модели являются не замещающими технологиями, а органично дополняющими традиционные знания и инструменты нефтяного инжиниринга.
3. Стратегия цифровизации БРД предполагает системный и преемственный процесс реализации проектов в рамках Индустрии 4.0.
4. Когнитивная трансформация меняет парадигму месторождения: от цифрового до интеллектуального, не требующего участия человека при принятии большинства решений. Интеллектуальное месторождение в свою очередь невозможно создать без цифровой основы, охватывающей все процессы БРД, поэтому конечной целью ИТ-активностей является создание Цифрового Двойника БРД.
5. Цифровизация нефтяной отрасли предопределяет переход от потоковых операций к системному интегрированному анализу при поддержке искусственного интеллекта.

Список литературы

1. Перспективные технологии Big Data в нефтяном инжиниринге: опыт компании «Газпром нефть» / М.М. Хасанов, Д.О. Прокофьев, О.С. Ушмаев [и др.] // Нефтяное хозяйство. – 2016. – № 12. – С. 76–79.
2. Технологическое развитие Блока разведки и добычи ПАО «Газпром нефть» / В.В. Яковлев, М.М. Хасанов, Д.О. Прокофьев, А.В. Шушков // Нефтяное хозяйство. – 2016. – № 12. – С. 6–10.
3. Zaid Rawi. Machinery Predictive Analytics//SPE 128559. – 2010.
4. Akande Kabiru O. Comparative Analysis of Feature Selection-Based Machine Learning Techniques in Reservoir Characterization// SPE 178006-MS. – 2015.
5.Gaganis Vassilis.Machine Learning Methods to Speed up Compositional Reservoir Simulation // SPE 154505-MS. – 2012.
6. The Most Important Big Data Concepts and What They Mean [Электронный ресурс] // Datafloq: [сайт]. URL: http://datafloq.com/read/important-big-data-concepts-what-they-mean/2988

References

1. Khasanov M.M., Prokof'ev D.O., Ushmaev O.S. et al., Promising Big Data technologies in petroleum engineering: the experience of the Gazprom Neft PJSC(In Russ.), Neftyanoe khozyaystvo = Oil Industry, 2016, no. 12, pp. 76–79.
2. Yakovlev V.V., Khasanov M.M., Prokof'ev D.O., Shushkov A.V.,Technological development in Upstream Division of Gazprom Neft PJSC(In Russ.), Neftyanoe khozyaystvo = Oil Industry, 2016, no. 12, pp. 6–10.
3. Zaid Rawi, Machinery predictive analytics, SPE 128559, 2010.
4. Akande Kabiru O., Comparative analysis of feature selection-based machine learning techniques in reservoir characterization, SPE 178006-MS, 2015.
5. Gaganis V., Machine learning methods to speed up compositional reservoir simulation, SPE 154505-MS, 2012.
6. The most important Big Data concepts and what they mean, URL: http://datafloq.com/read/important-big-data-concepts-what-theymean/2988

Возврат к списку