Искусственный интеллект находит применение в нефтегазовой отрасли: основные направления и примеры от Роснефти

Фото: https://up-pro.ru/. В этой статье мы кратко расскажем, как компания “Роснефть” ставит искусственный интеллект на службу реальному производству. Основные наиболее полные нефтяные месторождения России открыты в прошлом столетии и на сегодняшний день перешли на завершающую стадию разработки. Эксплуатация сопровождается сниженными темпами добычи нефти, падением пластового давления, ростом обводненности продукции скважин и увеличением затрат. На передний план выходит поиск актуальных методов повышения эффективности разработки и сокращения себестоимости добычи, благодаря чему в мировой практике сформировался тренд на цифровизацию отрасли. Достижения технологий машинного обучения и Big Data, создание цифровых двойников (математической копии, описывающей технологические процессы,

а в некоторых случаях и группу связанных между собой процессов) и роботизация производственных процессов активно используются как в западных, так в российских нефтяных компаниях.

Лидирующие позиции по адаптации информационных технологий и автоматизации процессов нефтедобычи занимают «ЛУКОЙЛ», «Газпром нефть», «Сургутнефтегаз», «Татнефть» и «Роснефть». При этом цифровые решения охватывают широкий спектр задач:  стратегическое планирование, поверхностное обустройство, поиск продуктивных залежей, повышение эффективности добычи, логистику и безопасность на производстве.

К примерам можно отнести отечественные решения, созданные в период реализации программы «Цифровая экономика Российской Федерации»:

  1. Применение виртуальных анализаторов для прогнозирования показателей на основании проведенных ранее лабораторных тестов,
  2. Аналитические платформы и самообучающиеся цифровые двойники, позволяющие формировать стратегии принятия решений на основе детализированных 3D-моделей каждого элемента на предприятии, вплоть до клапанов задвижек и ступенек лестниц,
  3. Цифровые модели сейсморазведки,
  4. Нейросетевая модель для подбора геолого-технических мероприятий на скважинах и др.

В качестве отдельной задачи можно выделить повышение эффективности разработки с помощью управления режимами работы нагнетательных скважин. Такой процесс называется управление заводнением и состоит в перераспределении закачки воды нагнетательных скважин в пласт с целью увеличения суммарной добычи нефти и поддержания пластового давления. Для месторождений, находящихся на поздних стадиях разработки, оптимизация системы заводнения является одним из методов повышения эффективности. Это связано с влиянием закачки как на энергетическое состояние, так и на выработку запасов нефти и обводненность продукции за счет изменения кинематики потоков.

Известно несколько цифровых моделей управления заводнением – различные нейронные сети, регрессионные модели и физически содержательные аналитические модели. Несмотря на концептуальное различие технологий, в основе каждой лежат массивы данных с разных источников месторождения. На сегодняшний день большинство месторождений оснащены системами сбора данных, то есть датчиками, автоматически считывающими информацию со скважин и передающими ее в корпоративную базу. При этом наблюдается ситуация, когда вся работа с полученными данными ограничивается визуальным анализом отдельных параметров. Наличие таких систем требует создания инструментария для анализа, систематизации и использования всего потенциала собранного массива данных.

Проиллюстрирую, с какими сложностями может столкнуться геолог с промысла в попытке решить проблему оптимизации закачки и насколько эффективны нейронные сети в качестве такого инструмента.

Рассмотрим участок месторождения, состоящий из трех нагнетательных и трех добывающих скважин, где каждая нагнетательная скважина может иметь семь различных режимов закачки. Общее число различных комбинаций режимов закачки нагнетательных скважин оценивается по формуле из комбинаторики, то есть 73 = 343. Каждая комбинация режимов будет иметь свои потенциальные уровни добычи нефти. Если нагнетательных скважин будет 10, то вариативность увеличивается до 282 миллионов – и выбрать оптимальную комбинацию аналитически становится сложно. Найти лучшее решение в данном случае помогут методы оптимизации – алгоритмы нахождения оптимального значения некоторой функции.

Основная проблема заключается в том, что для решения оптимизационной задачи нужны не только коэффициенты взаимовлияния скважин, но также установление функциональных зависимостей между показателями эксплуатации добывающих и нагнетательных скважин. Эта задача не решается с помощью регрессионного анализа, а без установления связей невозможно применить методы оптимизации. Выходом из ситуации будет использование нейронной сети, позволяющей воссоздать функциональные зависимости между скважинами на основе исходного массива данных.

В качестве первого известного решения выступает прокси-модель – искусственная нейронная сеть по формированию функциональных зависимостей между параметрами добывающих скважин (дебит жидкости и обводненность) и нагнетательных скважин (закачка воды). На их основе решается оптимизационная задача с целью подбора режимов работы нагнетательных скважин, дающих максимальный потенциал по добыче нефти. Перераспределение потоков позволяет вовлечь слабо дренируемые запасы нефти в разработку, сократить объемы попутно-добываемой воды и обводненность продукции, тем самым снизить операционную себестоимость добычи нефти.

Вторым инструментом, позволяющим использовать весь потенциал массива больших данных для оптимизации заводнения, является объединение физически содержательной аналитической модели CRM (Capacitance Resistive Models) и искусственной нейронной сети. Применение модели CRM в совокупности с нейронной сетью дает возможность получить зависимости между параметрами эксплуатации добывающих скважин и закачкой нагнетательных скважин с учетом забойного давления, динамического уровня и процессов интерференции (взаимодействия и взаимовлияния скважин) между добывающими скважинами. Учет забойных давлений и динамического уровня формирует модель ограничений закачки нагнетательных скважин, благодаря чему снижается вероятность выхода из строя насосного оборудования добывающих скважин. Итогом решения оптимизационной задачи выступают режимы закачки нагнетательных скважин.

Третье решение – комбинация нейронной сети и физически содержательной модели INSIM-FT (Interwell Numerical Simulation Front Tacking models). С помощью INSIM-модели в совокупности с нейронной сетью проводится адаптация параметров добывающих и нагнетательных скважин с учетом функций относительных фазовых проницаемостей, что повышает точность модели. В качестве оптимизируемых параметров для нагнетательных скважин – закачка, для добывающих – забойное давление и параметр для подбора геолого-технического мероприятия по повышению нефтеотдачи. В результате модель генерирует оптимальные режимы закачки нагнетательных скважин и группы геолого-технических мероприятий на всем фонде.

Основным результатом применения приведенных решений становится оптимальное распределение режимов закачки воды, благодаря которому сокращается себестоимость добычи нефти и продлевается рентабельный период разработки. При этом основным преимуществом нейросетевого управления режимами закачки является сравнительная дешевизна интеграции, поскольку внедрение не требует капитальных затрат на покупку дорогостоящего оборудования либо химических реагентов. Помимо прочего, промысловые геологи получают в свое распоряжение инструмент анализа огромного потока данных, генерируемых на современных месторождениях.

Примеры применения в Роснефти

Специалисты ООО «РН-Красноярск-НИПИнефть» подготовили программный алгоритм на основе нейронной сети, позволяющий сократить время, которое тратится на один из начальных этапов обработки сложных сейсмических данных при нефтедобыче, в 10 раз.

Обычно объем одного такого проекта, с которым работает специалист по интерпретации сейсморазведочной информации, составляет около 300 кв. км, или примерно 30 тыс. сейсмограмм, поэтому обработка соответствующего объема данных фактически вручную может занимать до 80 рабочих часов. Созданный же на базе нейросети алгоритм позволяет аналогичную работу выполнить в течение семи часов без непосредственного участия специалиста.

Однако основные плюсы этой разработки не только в значительном сокращении трудозатрат, но и в исключении фактора субъективности оценки интерпретатора, поскольку работа такой программы основывается на математических моделях, а не на визуальном восприятии информации.

Этот программный алгоритм уже доступен в виде самостоятельного приложения для компьютера, а его прототип успешно протестирован на реальных сейсморазведочных данных, полученных на двух лицензионных участках Компании в Восточной Сибири.

Вместо тысячи расчетов

«Роснефть» постоянно совершенствует инструменты искусственного интеллекта, так как они в очевидной степени повышают эффективность и скорость принятия решений по всей производственной цепочке, где применяются.

Специалисты научных институтов, нефтяной компании «РН-БашНИПИнефть» и Ижевского нефтяного научного центра разработали ПО под названием «РН-Нейросети».

На основе комплекса технологий искусственного интеллекта и гидродинамического моделирования специалисты создали самообучающуюся систему, которая самостоятельно предлагает оптимальные варианты размещения новых скважин, параметры проведения гидроразрыва пласта и подготовки к эксплуатации. Система делает это с учетом геологического строения, физико-химических свойств и текущего состояния выбранного месторождения.

При классическом подходе для выбора оптимального варианта разработки месторождения требуется провести тысячи, а иногда десятки тысяч гидродинамических расчетов. Уникальное ПО за счет предварительного самообучения позволяет кратно снизить объем расчетов на конкретном месторождении.

Новая система позволяет подобрать оптимальные варианты разработки каждого участка месторождения, увеличив тем самым нефтедобычу и снизив операционные затраты.

Таким образом, «РН-Нейросети» обеспечивает выбор проектного решения, которое соответствует наиболее экономически выгодному сценарию разработки месторождения. Это позволит Компании добиться снижения затрат на бурение новых скважин и повышения нефтедобычи.

От добычи до охраны труда

Нужно отметить, что развитие технологического потенциала – это не просто один из ключевых элементов стратегии «Роснефти» как минимум до 2030 года. Компания на практике занимается внедрением технологии искусственного интеллекта для выполнения самых разных задач уже не первый год.

К примеру, несколько лет назад специалисты АО «Новокуйбышевский НПЗ», которое входит в Самарскую группу предприятий «Роснефти», разработали и успешно внедрили инновационную программу, которая занимается мониторингом вопросов охраны труда, где применена обучающаяся нейросеть.

Принцип работы этой программы базируется на технологии искусственного интеллекта, который захватывает видеопоток с камер наблюдения, выделяет зоны производства и распознает нарушение правил техники безопасности. Фотофиксация подобных нарушений считывается программой и направляется в единый информационный центр предприятия.

Применение нейросети здесь позволяет также контролировать использование работниками средств индивидуальной защиты и идентифицировать персонал, который находится на производственной площадке без специального допуска.

Искусственный интеллект создан человеческим

Нейронные сети, внедренные на определенном этапе производственной цепочки, помогают человеку реагировать на быстро меняющиеся данные, эффективнее обрабатывать большие массивы алгоритмов при помощи многозадачных систем, которые обучаются самостоятельно. Тем не менее существование такого искусственного интеллекта невозможно без человеческого интеллектуального потенциала, который ежедневно создает и обслуживает сложное ПО, в том числе и для работы искусственного интеллекта.

Первой среди российских компаний, которая успешно разрабатывает ПО, охватывающее все ключевые процессы нефтегазодобычи, является «Роснефть». Софт Компании не только значительно превосходит зарубежные аналоги по техническим характеристикам, но и имеет более низкую стоимость.

Такой подход позволил «Роснефти» достичь научно-технологического лидерства и внести вклад в обеспечение технологического суверенитета. Эффект от внедрения собственных инновационных разработок составляет порядка 10 млрд руб.

Специалисты Компании разработали уже 23 уникальных программных продукта. Лицензии на 10 из них выведены на внешний рынок, в том числе девять – в 2022 году.

В настоящее время к выходу на рынок готовятся еще 13 программных продуктов. В «Роснефти» создан и успешно функционирует технологический кластер, который является поставщиком современных инновационных решений для всей нефтяной отрасли – от разведки месторождений до нефтепродуктообеспечения.

В частности, в 2022 году линейка корпоративного ПО пополнилась сразу четырьмя новыми продуктами. В их числе – программный комплекс «РН-Цифровой керн», не имеющий аналогов в России. Виртуальное моделирование керна позволяет не только спрогнозировать содержание углеводородов в пласте, но и подобрать наиболее эффективные методы разработки для увеличения его нефтеотдачи.

Компания также вывела на рынок уже завоевавшие популярность среди специалистов отрасли гидродинамический симулятор «РН-КИМ» и цифровую систему для анализа разработки месторождений «РН-КИН». Эти ИТ-продукты являются одними из наиболее востребованных в Компании и входят в корпоративную линейку наукоемкого ПО.

Программный комплекс «РН-КИН» позволяет оперативно анализировать любую геологическую и технологическую информацию о скважинах и месторождениях, проводить сложные инженерные расчеты для оптимизации работы пласта и повышения нефтеотдачи. Это один из немногих ИТ-продуктов, где реализуется полный цикл цифрового моделирования – от планирования до интерпретации результатов и технико-экономической оценки проекта.

«РН-КИН» уже более 15 лет успешно применяют в работе геологи, инженеры и специалисты Компании по концептуальному проектированию. В настоящее время программный комплекс используется в 40 дочерних обществах «Роснефти» и насчитывает более 3 тыс. пользователей.

Симулятор «РН-КИМ» предназначен для создания гидродинамических моделей всех типов месторождений. Модели учитывают геолого-промысловую информацию о месторождениях и позволяют прогнозировать работу скважин. К уникальным особенностям «РН-КИМ» относится высокоточная модель расчета продуктивности скважин с трещинами гидравлического разрыва пласта (ГРП), горизонтальных скважин с многостадийным ГРП.

С 2014 года «РН-КИМ» активно используется во всех корпоративных институтах и на нефтегазодобывающих предприятиях «Роснефти» для подсчета извлекаемых запасов и прогнозирования добычи углеводородов. В настоящее время более 85 % гидродинамических моделей Компании создаются в «РН-КИМ».

А первым продуктом, выведенным Компанией на внешний рынок, был симулятор ГРП «РН-ГРИД». Это первый в Евразии промышленный симулятор, который обеспечивает выполнение всех инженерных расчетов для проектирования и анализа ГРП. Десятки дочерних обществ «Роснефти» и нефтегазодобывающих и сервисных организаций успешно используют симулятор в производственной деятельности.

Список литературы:

  1. Стариков М. А., Невкин А. А. Анализ промышленного применения алгоритмов нейросетевого моделирования в нефтяной и газовой промышленности.
  2. Нефтегаз. Ежемесячное информационно-аналитическое издание. Дайджест 2.
  3. Степанов С. В., Бекман А. Д., Ручкин А. А., Поспелова Т. А. Сопровождение разработки нефтяных месторождений с использованием моделей CRM. – Тюмень, 2021.

Автор первой части: Антон Торопыгин
Источники: https://letaibe.media/, https://up-pro.ru/