Нейросеть в нефтегазовой промышленности: как искусственный интеллект помогает развивать отрасль

Искусственный интеллект зарекомендовал себя в качестве мощного инструмента автоматизации производства и ускорения принятия управленческих решений во многих сферах. В том числе и в нефтегазовой промышленности. Вклад этой отрасли (и в целом топливно-энергетического комплекса) в бюджет, в экономику РФ сейчас является превалирующим, и в ближайшей перспективе это наверняка не изменится. Поэтому внедрение подобных технологий, их планомерное развитие имеет здесь особое значение. 

Какие задачи можно отдать на откуп ИИ в нефтегазовой промышленности уже сейчас? Что он будет уметь делать в недалёком будущем? Какие барьеры мешают внедрять искусственный интеллект в данную отрасль? Эти вопросы требуют детального рассмотрения. 

ИИ в нефтегазе: ключевые моменты 

Классический ИИ с глубоким машинным обучением уже больше 10 лет успешно применяется в нефтегазовом секторе — как в РФ, так и за рубежом. Данные технологии действительно делают эффективнее и разведку, и добычу, и дальнейшую переработку. Расчёты показывают, что в среднем внедрение ИИ:

• способно увеличить производительность компаний нефтегазовой отрасли на 20−30%;
• снизить затраты на обслуживание и ремонт на 15−25%; 
• уменьшить время простоя оборудования на 20−40%; 
• повысить точность прогнозирования и планирования на 25–35%; 
• улучшить безопасность на производственных площадках на 15−30%. 

Что касается генеративного ИИ (так называют разновидность искусственного интеллекта, модели которого умеют создавать в соответствии с введёнными запросами новый контент — текст, картинки, видеоролики, музыку, программный код и т.д.), то пока его пытаются внедрять в свою деятельность лишь наиболее продвинутые российские компании отрасли. 

Отдача от инвестиций в подобные технологии может превзойти многие смелые ожидания. Согласно исследованию агентства «Выгон Консалтинг», при ежегодных затратах в 100 млрд рублей совокупный отраслевой эффект от внедрения генеративных нейросетей в нефтегаз, в ТЭК может составить примерно в 340 млрд рублей в год. 

Впрочем, есть несколько преград, которые мешают развитию этого направления, развитию собственных отечественных ИИ-моделей: 

• Прежде всего это дефицит вычислительных мощностей. Графических процессоров А100 (или сравнимых с ними), которые применяются сегодня в российских компаниях и дата-центрах, здесь явно недостаточно. Нужно приобретать десятки тысяч графических процессоров нового поколения — H100. И на это требуются сотни миллиардов долларов. 
• Существует определённая нехватка качественных данных для обучения и дообучения генеративных моделей. На их подготовку, безусловно, тоже требуются огромные расходы. 
• Дефицит кадров. Необходимо значительное количество профессионалов, которые, с одной стороны, обладают отраслевыми знаниями, а с другой, умеют составлять методики обучения нейросетей, разрабатывать практические на основе описываемых технологий. 

При всём этом убыстрить процесс внедрения генеративного ИИ в нефтегазовую промышленность вполне возможно. Для этого нужно создать такую ситуацию, при которой прорывные ИИ-продукты распространялись бы сразу на всю отрасль. Это позволило бы игрокам нефтегазового сектора не изобретать одно и то же, а действовать в какой-то степени сообща. 

Какие задачи сегодня решают нейросети в нефтегазовой промышленности 

Распознавание текстов, графиков, формул, таблиц, поиск требуемой информации в базах и её обобщение, формирование отчётов по образцам и шаблонам – с этими вещами давно успешно справляется ИИ. И всё это актуально практически для любой отрасли. 

Однако в нефтегазовой промышленности данные технологии могут использоваться и для специфических целей: 

• Для более качественной интерпретации данных сейсмических исследований и разведочного бурения (это, среди прочего, даёт возможность снизить число скважин). 
• Для оценки ожидаемой дополнительной добычи нефти/газа в результате выравнивания профиля приёмистости на нагнетательных скважинах. 
• Для совершенствования приборов измерения и каротажа (так называется одна из разновидностей геофизических исследований). 
• Для 3D-печати необходимых элементов оборудования прямо на месторождении. 
• Для прогнозирования коэффициента извлечения углеводородов на основании имеющихся параметров и показателей разработки месторождения. 
• Для моделирования гидродинамических процессов, прогнозирования эффективности применения противотурбулентной присадки в нефтепроводах. 
• Для прогнозирования повреждённости магистральных газопроводов дефектами коррозионного растрескивания под напряжением. 
• Для оперативной диагностики нефтегазового оборудования, автоматизации планирования техобслуживания, ремонтных работ и т. д. 

В целом искусственный интеллект способен оптимизировать огромный перечень процессов благодаря тому, что очень оперативно выявляет закономерности и делает выводы на их основе. Специалисту-человеку остаётся только ознакомиться с выкладками нейросети и верифицировать их. 

А вскоре, как утверждают эксперты, ИИ возможно будет использовать для создания очень качественных комплексных моделей месторождения. На основе гигантского массива данных они могли бы давать высокопрофессиональные рекомендации по эффективной разработке. В частности, они могли бы посоветовать, как правильнее обустроить месторождение, где расположить те или иные объекты и т. д. 

Пока таких моделей ещё не существует, но с учётом сегодняшних темпов развития ИИ эксперты полагают, что до их появления остаётся совсем немного. И уже к 2030 году они, вероятно, станут привычным инструментом планирования месторождений. 

Примеры уже работающих ИИ-решений 

Ведущие компании в российской нефтегазовой отрасли прикладывают немало усилий для того, чтобы поставить себе на службу нейросети. Несколько примеров удачных решений на их основе как раз представлены ниже. Важно, впрочем, заметить, что это только крохотная часть того, что уже реально применяется на практике. 

«Газпром нефть»

В 2023-м данной компанией была запущена система на базе ИИ для формирования рецептур моторных масел. Её назвали «Алхимик». Благодаря ей срок моделирования новых продуктов теперь составляет не полгода как ранее, а 1–2 месяца. 

Система опирается на солидную базу данных — в ней содержатся результаты лабораторных тестов и опытных испытаний за полтора десятка лет. Для генерирования новой рецептуры нужно лишь задать ключевые характеристики будущего масла (допустим, зольность, температуру вспышки, щелочное число), а также информацию о моторе, в котором оно будет использоваться. «Алхимик» сопоставляет введённые параметры с базой данных и самостоятельно создаёт комбинации основ смазочных материалов. 

Составы, предлагаемые системой, тестируются специалистами Научно-исследовательского центра смазочных материалов (он расположен в Подмосковье). Причём благодаря «Алхимику» учёные сразу имеют в своём распоряжении рецептуры масел с высоким потенциалом. Соответственно, они могут без лишних отлагательств сосредоточиться на улучшении их свойств. По имеющимся сведениям, ИИ помог таким образом усовершенствовать уже больше двух сотен рецептур. 

«Лукойл»

Здесь уже достаточно давно используется модуль на базе ИИ, именуемый УРЗМ (Управление разработкой зрелых месторождений). Он анализирует историю функционирования скважин (как нагнетательных, так и добывающих), а затем предлагает оптимальные режимы эксплуатации для них. То есть такие режимы, которые позволяют по максимуму использовать потенциал пласта и инфраструктурных мощностей. 

Практика показывает, что с помощью модуль УРЗМ вполне возможно: 

• снизить оборот непроизводительных отборов жидкости; 
• увеличить объём добычи или свести к минимуму темпы её падения (в зависимости от конкретного месторождения); 
• уменьшить операционные затраты, добиться дополнительной прибыли. 

Стартовые проекты по применению данной нейросети были реализованы на двух месторождениях — Повховском и Тевлинско-Русскинском. Затем началось тиражирование данной технологии и на других объектах «Лукойла». 

«Роснефть» 

В феврале 2023-го корпорация «Роснефть» начала использовать нейросети при интерпретации данных сейсморазведки. Сотрудники ООО «РН-КрасноярскНИПИнефть» (эта организация относится к научно-проектному блоку «Роснефти») на основе ИИ создали программный продукт, в разы сокращающий длительность одного из начальных этапов обработки подобных данных. 

Чтобы обработать сейсморазведочную информацию объёмом 300 км2 «вручную» человеку требуется до 80 часов. В свою очередь «умный» алгоритм справляется с этим за 7 часов без каких-либо подсказок со стороны. 

Описываемое ИИ-решение (оно, кстати, существует в формате веб-приложения) не только значительно сокращает трудозатраты, но и позволяет полностью забыть о факторе субъективной оценки. Его работа основывается исключительно на строгих математических моделях. 

«Татнефть» 

Для определения перспективных залежей компания применяет специальный программный комплекс на основе ИИ «Нейрос». Он умеет сравнивать участки сейсмической записи и выдавать распределение вероятности нефтеносности на них. 

В рамках подготовки сейсмических материалов к нейросетевому анализу здесь используется 8 уникальных программ, воплощённых на языке Python. В их числе — программа для работы с segd-файлами (они как раз предназначены для записи и сохранения сейсмики), программа для объёмного построения глубинных разломов, программа для оперирования результатами инклинометрических измерений… Сильная сторона «Нейроса» заключается именно в том, что он способен иметь дело с большими объёмами информации в различных форматах. 

Данный комплекс был отмечен престижной наградой конкурса «50 лучших инновационных идей для Республики Татарстан». И первую свою апробацию он прошёл ещё в 2020 году — тогда с его помощью обрабатывались данные сейсмопартий в Татарстане, Самарской области и в Ненецком автономном округе. «Нейрос» сразу показал свою высокую эффективность. Его выкладки были учтены при осуществлении поисково-разведочного бурения на этих площадях. 

Несомненно, ИИ двигает нефтегазовую промышленность вперёд, качественным образом трансформирует её. И отечественные компании прекрасно осознают весь потенциал данных технологий. При этом с каждым днём нейросети продолжают совершенствоваться, развиваться. И здесь крайне важно – уметь быстро адаптироваться, не допускать сильного отставания. Конкретно сейчас в России необходимо сделать упор на развитие собственных генеративных ИИ моделей. Их применение в отечественном нефтегазе может сыграть важную роль в интенсификации импортозамещения и обеспечении технологического суверенитета.