Внедрение ИИ в нефтегазовом секторе в России и мире
Рынок искусственного интеллекта в мировой нефтегазовой отрасли к концу 2024 г. оценивался почти в $3 млрд и, как предсказывают аналитики, перескочит планку в $5 млрд к 2029 г. Средние темпы роста – более 11 % в год, подчеркивают эксперты Mordor Intelligence.
Крупные нефтегазовые компании уже давно используют ИИ-технологии для оптимизации самых различных операций: поиска новых месторождений, геологоразведки, наращивания эффективности добычи и модернизации методов управления старыми месторождениями.
В России тренды те же самые: по данным Минэнерго РФ, накопленный эффект от внедрения искусственного интеллекта в российской нефтегазовой отрасли может дойти до 700 млрд руб. в год, а суммарный эффект за период с 2025 по 2040 год аналитики оценивают в районе 5,4 трлн. руб. Это означает, что из модной игрушки ИИ постепенно превращается в зрелую и полезную технологию, которая способна сделать индустрию более устойчивой.
Как машинное обучение применяют в геологоразведке
Искусственный интеллект уже серьезно повлиял на классические методы поиска, разведки и разработки нефтегазовых месторождений. По информации экспертов Oilfield Technology, за последние 10 лет количество открываемых нефтегазовых месторождений упало на 20–30 %, а свыше 40 % только что открытых скважин оказываются сухими – об этом, в частности, говорят аналитики Национального бюро морских проектов Норвегии.
Очевидно, что перед разработкой скважины компания хочет быть уверенной в том, что деньги и ресурсы не будут потрачены напрасно. Перед началом бурения специалистам требуется проанализировать огромный объем спутниковых снимков, сейсморазведочных, геохимических и электромагнитных карт, просмотреть все исторические данные о бурении и добыче.
Алгоритмы машинного обучения способны довольно быстро строить сложные геологические модели. Они все лучше распознают, анализируют и интегрируют между собой разнородные данные – это и спутниковые изображения нужных локаций, и геофизические полевые данные, и картинка с дронов.
В итоге нефтегазовые компании с помощью ИИ сегодня с высокой точностью и скоростью анализируют колоссальные массивы данных, снижая вероятность ошибок. Так, машинное обучение позволяет анализировать геологические и производственные задачи – к примеру, выявлять аномалии в геологических структурах. ИИ-модели помогают искать перспективные территории, предлагают места для бурения скважин и наиболее оптимальные методы разработки на той или иной территории.
Как рассказал на одном из отраслевых форумов руководитель центра цифровых технологий ПАО «Газпром нефть» Михаил Корольков, ИИ способен интерпретировать границы слоев скважины по результатам сейсмических исследований за 7 дней, а раньше на это требовался месяц.
Важный момент: ИИ способен корректировать свои модели с учетом новой информации и обновлять прогнозы. Это помогает компаниям экономить время и деньги на долгие полевые и производственные исследования и мониторинг местности. В конечном итоге снижается объем бессмысленного бурения, уменьшается негативное влияние отрасли на экосистему.
ИИ-аналитика помогает обработать большие объемы накопленной информации, обнаружить закономерности, скрытые порой даже от опытных профессионалов индустрии. В то же время ИИ еще остается в первую очередь помощником специалистов – полностью автономных ИИ-агентов, принимающих критичные решения, отрасль пока не увидит.
В то же время, прогнозируют аналитики, в ближайшие три года ИИ поможет нефтегазовым корпорациям обрабатывать данные с точностью до 80 % со скоростью, которая превышает человеческие возможности в 1500 раз.
Зачем ИИ-технологии нужны на уже разработанных месторождениях
Для управления старыми нефтяными и газовыми скважинами ИИ также активно используется. Некоторые из них почти истощены, и специалистам непросто держать уровень добычи на нужном уровне. ИИ-системы способны анализировать ретроспективные данные, например, о пластовом давлении, межскважинных связях, остаточных запасах, объемах добычи и закачки воды. С учетом всех этих факторов реально нарастить добычу или хотя бы предсказать точные сроки полного истощения.
Кейс 1: гибридный симулятор месторождений Heologic Group основан на физической модели INSIM (это численная имитационная модель межскважинного пространства). ИИ-решение позволяет смоделировать процессы внутри пластов, помогая определять межскважинные связи, оценивать запасы и выдает рекомендации по геолого-техническим мероприятиям.
«Роснефть», «Газпромнефть» и «Лукойл» сообщали о том, что внедряют системы с искусственным интеллектом для обработки геологических данных, автоматизации бурения и работы оборудования. Среди них ИИ-системы управления скважинами, которые регулируют давление и подачу нефти, предсказывают простои и аварийные ситуации. ИИ-системы анализируют информацию с датчиков на оборудовании и строят прогнозы для эффективного планирования работ по техобслуживанию.
К слову, специалисты все чаще говорят, что ИИ-инструменты начнут заменять физическое оборудование внутри скважин – оно попросту перестанет быть нужным.
Кейс 2: Компания Shell внедрила систему ИИ-предиктивного обслуживания, которая объединяет цифровых двойников оборудования с данными сенсоров для анализа состояния насосов и компрессоров в реальном времени. Результаты: сокращение незапланированных простоев примерно на 40 %, снижение затрат на техобслуживание на 25 %, увеличение эксплуатационного ресурса оборудования.
Кейс 3: Компания Saudi Aramco ищет утечки в трубопроводах с помощью Edge AI. ИИ-устройства на уровне периферии анализируют датчики акустики и давления на трубопроводах. Таким образом, компании удается предотвращать крупные разливы и другие инциденты.
Как ИИ анализирует сырье
Алгоритмы машинного обучения также помогают определять категории качества сырья. К примеру, нефть и газ требуется разделить на категории, учитывая их физические и химические характеристики.
Собираются данные о параметрах каждого образца сырья. Это может быть плотность, вязкость, содержание серы и пр. Используя алгоритмы классификации из машинного обучения, инженеры обучают модель на этих данных. Она изучает признаки каждого образца и выявляет что-то общее. Обученную модель можно использовать, чтобы определять категории новых образцов сырья.
Методы машинного обучения, которые используются в нефтегазовой отрасли
Разберем подробнее, какие методы машинного обучения сегодня актуальны в нефтегазовом секторе.
Контролируемое обучение (Supervised Learning)
Модель обучается на размеченных данных, где известен правильный ответ (например, «авария / не авария», «дебит = X»). Типовые алгоритмы: линейная и логистическая регрессия, Random Forest, Gradient Boosting (XGBoost, LightGBM), нейронные сети.
Где применяется: прогноз отказов оборудования (насосы, компрессоры, турбины), прогноз дебита скважин, оценка давления, температуры, расхода, классификация технического состояния оборудования.
Плюс: высокая точность при наличии качественных исторических данных.
Минус: требует больших массивов размеченных данных.
Неконтролируемое обучение (Unsupervised Learning)
Модель сама ищет скрытые структуры и закономерности в данных без заранее заданных меток. Типовые алгоритмы: k-means, DBSCAN, иерархическая кластеризация, методы снижения размерности (PCA, t-SNE).
Где применяется: выявление аномалий в телеметрии оборудования; кластеризация скважин по режимам работы; анализ поведения пластов; поиск нетипичных режимов эксплуатации.
Плюс: не нужны размеченные данные.
Минус: результаты требуют интерпретации специалистом.
Полуконтролируемое обучение (Semi-Supervised Learning)
Комбинация контролируемого и неконтролируемого обучения – часть данных размечена, большая часть нет.
Где применяется: диагностика оборудования, когда аварийных данных мало; анализ редких событий (утечки, аварии, выбросы); работа с историческими архивами, где метки неполные.
Плюс: эффективно при дефиците размеченных данных.
Минус: сложнее в реализации и настройке.
Глубинное обучение (Deep Learning)
Использование многослойных нейронных сетей для выявления сложных нелинейных зависимостей. Типовые архитектуры: CNN (сверточные сети), RNN / LSTM (временные ряды), Autoencoders.
Где применяется: анализ временных рядов датчиков; интерпретация сейсмических данных; цифровые двойники оборудования; прогноз параметров бурения в реальном времени.
Плюс: высокая точность при сложных данных.
Минус: требует вычислительных ресурсов и больших датасетов.
Обучение с подкреплением (Reinforcement Learning)
Алгоритм учится принимать решения, получая «награду» за правильные действия.
Где применяется: оптимизация режимов бурения; управление технологическими процессами; оптимизация добычи и закачки; интеллектуальные системы управления (APC + AI).
Плюс: подходит для динамических процессов.
Минус: сложен для внедрения в критических системах.
Анализ временных рядов (Time Series ML)
Модели, ориентированные на данные, изменяющиеся во времени. Алгоритмы и подходы: ARIMA + ML, LSTM, Prophet + ML, гибридные физико-ML-модели
Где применяется: мониторинг давления и температуры; прогноз производственных показателей; обнаружение ранних признаков отказов.
Плюс: хорошо работает с потоковыми данными.
Минус: чувствителен к качеству данных.
Гибридные модели (Physics-Informed ML)
Совмещение физических моделей и машинного обучения.
Где применяется: моделирование пластов; прогноз добычи; оптимизация разработки месторождений; цифровые двойники.
Плюс: высокая интерпретируемость и устойчивость.
Минус: требует участия предметных экспертов.
Методы обнаружения аномалий (Anomaly Detection)
Поиск отклонений от нормального режима работы. Алгоритмы: Isolation Forest, Autoencoders, One-Class SVM.
Где применяется: утечки в трубопроводах; аварийные режимы оборудования; нарушения технологических процессов.
Плюс: раннее предупреждение аварий.
Минус: возможны ложные срабатывания.
Подведем итог: нужно признать, что пока нефтегазовую отрасль непросто назвать передовой в работе с большими данными и искусственным интеллектом. Компании активно перенимают опыт работы с большими данными у финансового сектора, запускают пилотные проекты, прорабатывают экспериментальные сценарии, проверяют гипотезы.
Однако динамика ежегодного роста инвестиций в ИИ-решения говорит о том, что дальше их будет только больше, ведь ИИ уже сегодня дает реальные конкурентные преимущества сервисным и буровым компаниям. За счет ИИ удается снизить издержки на 10–20 % и увеличить выручку как минимум на 10 %, если сравнивать с более консервативными игроками нефтегазового сектора.
