
Ежедневно по стальным артериям Единой системы газоснабжения России на тысячи километров прокачиваются сотни миллионов кубометров топлива. Этот гигантский организм живет по строгим законам термодинамики и гидравлики, где малейший сбой давления, микротрещина в шве или усталость металла газоперекачивающего агрегата способны привести к масштабным последствиям. На протяжении десятилетий контроль за этой колоссальной инфраструктурой держался на опыте инженеров-диспетчеров, строгих регламентах планово-предупредительных ремонтов и ногах линейных обходчиков, в любую погоду инспектирующих трассы в глухой тайге и полярной тундре. Однако промышленная история газовой отрасли показывает, что каждый технологический скачок здесь был связан с поиском баланса между человеческим контролем и автоматизацией.
В 1960–1970-х годах, в эпоху строительства первых трансконтинентальных магистралей, управление строилось на локальной релейной автоматике и голосовой связи. К 1990-м и 2000-м годам отрасль перешла к системам телемеханики и SCADA: в диспетчерские центры хлынули потоки данных с датчиков давления, температуры и расхода. Но к началу 2020-х годов объем генерируемой телеметрии превысил физические возможности человеческого восприятия. Классические алгоритмы фиксировали уже свершившееся отклонение от нормы, тогда как перед инженерами встала задача иного порядка — научиться предсказывать поведение трубы и оборудования до того, как проблема станет критической.
Ответом на этот вызов стало внедрение систем искусственного интеллекта, которые на практике дочерних обществ «Газпром трансгаз» превратились из абстрактного цифрового тренда в рабочий инструмент обеспечения промышленной безопасности. Сегодня нейросети и алгоритмы машинного обучения берут на себя задачи, ранее требовавшие многочасового рутинного труда или сопряженные с риском для персонала. Так, в «Газпром трансгаз Томск» на маршруты патрулирования компрессорных станций вышли автономные роботизированные обходчики с лазерными газоанализаторами, способные самостоятельно обнаруживать микроутечки метана. В «Газпром трансгаз Казань» вычислительные комплексы с физически-информированными моделями в реальном времени оценивают состояние линейной части трубопроводов, предупреждая аварийные режимы. Более того, технологии добрались и до кабинетной рутины: генеративные языковые модели уже сверяют многостраничные акты скрытых работ с проектной документацией при строительстве газопроводов, сокращая сроки приемки объектов.
О том, как алгоритмы обучаются понимать физику газовых потоков, какие барьеры импортозамещения и кибербезопасности приходится преодолевать на объектах критической инфраструктуры и почему искусственный интеллект не заменяет инженера, а превращает его в пилота сложнейшей цифровой системы, — пойдет речь далее.
Еще с советских времен принято считать, что самый оптимальный путь решения той или иной инженерной задачи лежит через самые простые пути. Прошли многие годы и казалось бы этот простой принцип должен претерпеть изменения, поскольку технические системы стали значительно сложнее. Но нет! Все сложные разработки по-прежнему находятся через простые решения. В области транспортировки газа, при решении задач прогнозирования, эксплуатации и разработки новых технологий традиционно применение физико-математических моделей. В тоже время, применение инструментов на основе искусственного интеллекта, которые позволяют анализировать большие массивы данных для оптимизации процесса принятия решения становится все более привычным в повседневной практике.
Главный герой дня – нейросеть, которая в скором времени станет такой же обыденной частью производства, каковой сегодня является автоматизация. Для непосвященных в тему слово звучит пока малопонятно, даже пространно, но иметь дело с искусственным интеллектом (ИИ) рано или поздно придется не только тем, кто его придумывает. В чем мы убедились, побывав на профильном совещании по вопросу внедрения ИИ в производственно-технологические процессы дочерних обществ. Затраченное время не только позволило узнать о том, что в данном направлении планирует «Газпром трансгаз Сургут», но и в целом обогатило новыми знаниями.
История вопроса
К тематике искусственного интеллекта Газпром стал подбираться не вчера. Углубляясь в историю, еще в 1974 году в нашей отрасли, далекой тогда от автоматизации, впервые была проведена одна из работ по проектированию генеральных схем обустройства газовых и нефтяных месторождений. Помогла она получить ранее недоступные, высоко детальные данные о подземном строении пластов.
Методично (и сообразно времени) компания развивала подобные технологии на протяжении последующих десятилетий. Нынешний этап, связанный с разработкой систем АСУ ТП – очередной запрос времени, где искусственный интеллект призван стать, как минимум, помощником инженеров в части принятия оперативных и управленческих решений, а как максимум – сам обеспечивать автоматизированное управление процессами того же ремонта.
Прошедшее совещание ПАО «Газпром» стало первым и установочным, где специалисты дочерних обществ, проектных институтов и организаций, сторонних разработчиков обменялись мнениями о том, что требуется производству и в каких направлениях двигаться, поделились отдельными наработками «на местах». Конечным результатом подобных встреч должна стать выработанная стратегия, масштабирование и тиражирование взятых за основу развития проектов.
Зачем это нужно
Искусственный интеллект в производстве нужен чтобы облегчить работу людей, повысить качество управления техническими процессами. В глобальном же плане этого требует рынок. Мировой спрос на газ в течение ближайших 25 лет вырастет на 43%, при этом его доля в мировом топливно-энергетическом балансе достигнет 26%, и это будет самая большая доля газа в топливно-энергетическом мировом балансе. На такие результаты, по словам главы Газпрома Алексея Миллера, произнесенным на ПМГФ-2023, повлияет новая парадигма – природный газ в деле электрификации мирового конечного потребителя. Рост спроса на электроэнергию, в свою очередь, будет вызван такими процессами, как цифровизация, работа с большими банками данных и искусственным интеллектом.
То есть, получается, что искусственный интеллект мы создаем как для решения задач собственного производства, так и для обеспечения задач других отраслей, сфер экономики, социальных инфраструктур, рост потребления которых также будет вызван развитием у них искусственного интеллекта.
Что нас обязывает
С точки зрения бизнеса внедрять технологии искусственного интеллекта в жизнь нас обязывает стремление к эффективной работе. А как госкомпанию – Указы Президента и Правительства страны об ускоренном развитии ИИ в Российской Федерации.
В 2023 году глава государства поручил обеспечить включение мероприятий по внедрению технологий ИИ как приоритета в программы инвестиционного развития компаний с госучастием (Россия, по словам Владимира Путина, должна стать одним из лидеров в области ИИ и использовать его потенциал для повышения эффективности экономики, социальной сферы и обороны).
Легли задачи и в основу стратегии цифровой трансформации ПАО «Газпром». Актуализируются они и в методических рекомендациях Министерства цифровых технологий. Предвосхищая эту работу, Газпром поручил дочерним обществам представить в компанию предложения по применению ИИ в рамках целевой архитектуры.
Сфер приложения искусственного интеллекта в Газпроме несколько. Они предполагают создание сети полигонов для цифровизации производства и апробации цифровых инициатив. К разработкам предъявляются не просто требования в замещении импорта, а технологической независимости, локализации ресурсов и технической поддержки.
Где применять
Основой для инноваций могут стать такие инициативы, как разработка комплексных алгоритмов в управлении интегрированными технологическими цепочками с применением искусственного интеллекта; применение облачных технологий; разработка и испытание цифровой платформы управления производственно-технологическими процессами.
Использовать и тиражировать идеи искусственного интеллекта также предлагается в таких областях, как первичная обработка обеспечения достоверности измерений и входных данных в производственной ИУС АСУ ТП. А также в составе цифровых двойников в производственных комплексах и оптимизации технологических процессов для сокращения операционных затрат.
Также на нейросети возлагаются надежды в оперативном мониторинге и диагностике состояния технологического оборудования; в использовании информационных роботов для реализации функций управления инцидентами, контроле отказов и неисправностей, их локализации, разработке мер по их недопущению.
Свою эффективность они могут показать в системах поддержки принятия управленческих решений, в том числе диспетчерского управления. И наконец большого эффекта от ИИ ожидают в сфере разработки интеллектуальных алгоритмов для систем автоматизации, реализации усовершенствования процедурного, комплексного управления технологическими цепочками.
Как человек, но не вместо него
То есть, нейросеть должна стать как человек, работать как человек, выдавать результат – как человек. В то же время заменить его она полностью не сможет. Да, нейросети окружают нас повсюду: Алиса расскажет погоду на день и сможет поддержать разговор, навигатор построит быстрый маршрут до работы, а умная лента покажет подборку новостей по интересам. Все эти функции были сделаны для удобства, в помощь человеку и не в последнюю очередь ради экономии его времени.
Свое место, не выходя за его рамки, будет занимать и искусственный интеллект в производстве – анализировать потоки данных, делать выводы, строить прогнозы. И, по большому счету, выступать ассистентом. Ни в коем случае не заменяя человека и его опыт.
КОММЕНТАРИИ ЭКСПЕРТОВ
Сергей Галимуллин, заместитель главного инженера по автоматизации, метрологическому обеспечению и связи:
– Мы все больше работаем с системами, где появляется огромное количество датчиков и средств измерений. В таком массиве данных ориентироваться непросто. Искусственный интеллект позволяет оптимизировать работу – благодаря ему у тех же сменных инженеров отпадет необходимость анализировать большой объем поступающей информации. ИИ это произведет сам на основе множества исходных и данных, выдавая инженеру фактически готовое решение.
ООО «Газпром трансгаз Сургут» уже участвует в нескольких проектах, реализуя на своей базе технологии, которые можно отнести к искусственному интеллекту. В частности, в диагностике, где, как минимум, три направления связаны со сбором, обработкой данных и выдачей предварительных результатов технического состояния оборудования. А недавно нашим предприятием подписано соглашение о сотрудничестве с ВНИИгазом о разработке математической модели и алгоритмов машинного обучения по теме реализации системы контроля и управления техническим состоянием технологического оборудования компрессорной станции с использованием методов ИИ.
Павел Сизиков, начальник отдела по эксплуатации компрессорных станций:
– Конечно, инженерам нужны электронные помощники в принятии решений, и чем выше их возможности, тем лучше. Систем, способных полностью заменить человека на производстве, пока, конечно, нет. Текущий уровень развития данных технологий скорее ориентирован на выявление отклонений в работе оборудования, обработку большого массива данных и выдачу информации для принятия решений. Поскольку ИИ работает онлайн, накапливая и обрабатывая ретроспективные данные, уже имеются некоторые инструменты прогнозирования техсостояния. Эволюция развития ИИ идет как по пути построения точных математических моделей, так и по пути аналитики фактов (самообучение).
Вообще идеальный вариант искусственного интеллекта – это когда такие системы позволят нам полностью управлять процессами надежности, прогнозировать с высокой точностью вероятность отказа, планировать объемы и сроки обслуживания и ремонта, потребность в запасных частях исходя из состояния оборудования и оптимальных финансовых затрат. Над приближением этого светлого будущего мы и работаем.
Архитекторы цифрового интеллекта: кто и как развивает ИИ в газовой отрасли России и мира
Внедрение искусственного интеллекта в газотранспортной и нефтегазовой индустрии давно вышло за рамки экспериментальных лабораторий отдельных корпораций. Сегодня над созданием алгоритмов, способных управлять многокилометровыми трубопроводами и перерабатывающими комплексами, параллельно работают крупнейшие энергетические гиганты, специализированные научные центры и технологические компании по всему миру. При этом акценты в развитии технологий в России и за рубежом во многом схожи, но имеют собственную специфику.
Российский контур: суверенные платформы, физика процессов и промышленные роботы
В России ключевым драйвером развития промышленного ИИ выступают вертикально интегрированные энергетические компании в тесной связке с отечественными разработчиками программного обеспечения и академическими институтами. Главный фокус здесь сделан на импортонезависимость, безопасность критической информационной инфраструктуры и создание гибридных моделей, объединяющих машинное обучение с законами физики.
- Группа «Газпром» и научные центры отрасли. Помимо дочерних обществ «Трансгаза», системную работу ведут профильные научные подразделения, такие как «НИИгазэкономика» и «Газпром ВНИИГАЗ». В рамках платформы «Газпром.Цифра.Искусственный интеллект» здесь создаются нейросимвольные модели для управления Единой системой газоснабжения. Одним из ярких примеров выступает модуль «НейроПХГ», который прогнозирует отбор газа из подземных хранилищ, а также программный комплекс «Волна», опробованный на магистральном газопроводе «Сила Сибири» и в «Газпром трансгаз Казань» для нестационарного моделирования и поиска утечек.
- «Газпром нефть» и экосистема промышленных ассистентов. Компания выступает одним из лидеров цифровизации в российском ТЭК, выстраивая ИИ-инструменты по всей производственной цепочке — от геологоразведки до транспортировки и логистики. Специалисты компании обучили отраслевую большую языковую модель на базе более чем 50 тысяч технических регламентов, энциклопедий и словарей с учетом узкопрофильного сленга инженеров. Кроме того, здесь создаются мультиагентные системы: инженер может сформулировать задачу в обычном текстовом чате, а нейросеть самостоятельно обратится к двум сотням баз данных и цифровых двойников скважин или трубопроводов, чтобы предложить оптимальный режим эксплуатации.
- Технологические партнеры: «Сбер», «Ростелеком» и Cognitive Pilot. Энергетики активно привлекают ведущих ИТ-игроков. Так, в партнерстве со «Сбером» на базе нейросети GigaChat в «Газпром трансгаз Томск» автоматизирована проверка исполнительной строительной документации, а дочерние структуры банка разрабатывают алгоритмы прогнозирования внутренней и внешней коррозии трубопроводов. Совместно с компанией Cognitive Pilot и приборостроителями из «Пергам Инжиниринг» созданы беспилотные наземные платформы с лазерными газоанализаторами для автономного патрулирования компрессорных станций.
Мировой опыт: превентивная диагностика, спутниковый мониторинг и оптимизация сетей
На глобальном рынке внедрение искусственного интеллекта в газовом секторе развивается по пути интеграции данных со спутников, беспилотников и распределенных оптоволоконных датчиков. Крупнейшие мировые операторы трубопроводов и нефтегазовые корпорации делают ставку на максимальную автоматизацию контроля целостности труб и снижение углеродного следа.
- Европейские проекты и интеллектуальная защита труб. В Европе особое внимание уделяется продлению срока службы разветвленной газотранспортной сети и предотвращению коррозии. Показательным примером служит международный проект GIANT (Gas Integrated and Automated Network Technology), в рамках которого разрабатываются системы управления катодной защитой газопроводов на базе рекуррентных нейронных сетей. Алгоритмы в реальном времени анализируют блуждающие токи и состояние грунта, динамически регулируя защитный ток и предсказывая износ изоляции еще до появления очагов ржавчины.
- Североамериканские трубопроводные операторы (TC Energy, Williams Companies, Enbridge). Крупнейшие операторы газопроводов в США и Канаде активно используют машинное обучение для анализа данных внутритрубной диагностики. Специальные «умные поршни», проходящие внутри трубы под давлением газа, собирают терабайты магнитных и ультразвуковых данных. Нейросети распознают микротрещины, вмятины и расслоения металла в десятки раз быстрее инженеров-дефектоскопистов, сопоставляя текущие показатели с архивами прошлых прогонов за последние десять лет. Параллельно алгоритмы компьютерного зрения анализируют спутниковые снимки высокого разрешения, отслеживая оползни, размывы грунта и несанкционированные земляные работы в охранной зоне магистралей.
- Транснациональные корпорации и сервисные гиганты (Shell, ExxonMobil, SLB, Baker Hughes). Международные энергетические и нефтесервисные компании развивают комплексные облачные платформы для предиктивного обслуживания газоперекачивающего и компрессорного оборудования. Например, системы промышленного ИИ от компании Baker Hughes (платформа Bently Nevada) и SLB непрерывно считывают вибрационные и акустические сигнатуры турбин и компрессоров на газовых магистралях и заводах СПГ. Алгоритмы выявляют малейший дисбаланс ротора или деградацию подшипников за несколько недель до критической поломки, позволяя оператору провести точечный ремонт без экстренной остановки прокачки газа.
Таким образом, и в России, и за рубежом индустрия движется в едином направлении: от реактивного реагирования на инциденты к созданию автономных самодиагностирующихся систем, где искусственный интеллект становится связующим звеном между физическим оборудованием и человеком.
От предсказания аномалий к автономному управлению: итоги и горизонты промышленного ИИ
Опыт газотранспортных предприятий группы «Газпром трансгаз» наглядно доказывает, что искусственный интеллект в тяжелой индустрии окончательно перешел из разряда экспериментальных технологий в категорию базовых производственных инструментов. Внедрение машинного обучения, компьютерного зрения и генеративных моделей позволило решить главную задачу современной эксплуатации — сместить фокус с ликвидации последствий инцидентов на их раннее прогнозирование. Сочетание классических законов газовой динамики с возможностями нейросетей сделало невидимые процессы внутри стальных магистралей прозрачными, снизило нагрузку на персонал при работе с большими массивами телеметрии и документацией, а также заложило фундамент для перехода к обслуживанию оборудования по его фактическому состоянию.
Вместе с тем текущие достижения являются лишь ступенью к более глубокой трансформации отрасли. В ближайшие годы вектор развития промышленного ИИ в газотранспортном секторе будет определяться тремя ключевыми направлениями. Во-первых, это переход от отдельных аналитических модулей к единым гибридным цифровым двойникам всей Единой системы газоснабжения, способным в автоматическом режиме балансировать режимы работы сотен компрессорных станций с учетом погодных аномалий и колебаний спроса. Во-вторых, ожидается масштабирование мультимодальных автономных систем: наземные роботы и беспилотные летательные аппараты будут объединяться в единые роевые сети мониторинга, самостоятельно планирующие маршруты облета и передающие данные непосредственно в диспетчерские центры. В-третьих, критически важным трендом остается создание полностью суверенного программно-аппаратного стека — от отечественных нейроморфных процессоров и датчиков до защищенных корпоративных языковых моделей, способных работать в закрытом контуре объектов критической информационной инфраструктуры без риска утечки данных.
Часто задаваемые вопросы (FAQ)
Заменит ли искусственный интеллект инженеров и линейных обходчиков на газопроводах?
Нет, речь идет не о замене специалистов, а о трансформации их роли. Алгоритмы и роботы берут на себя монотонный сбор данных, первичный анализ телеметрии и патрулирование труднодоступных или опасных участков. Окончательное принятие решений при нештатных ситуациях, верификация сложных диагнозов оборудования и управление стратегическими режимами работы газотранспортной системы остаются за человеком, который получает более точный инструмент для работы.
Насколько безопасно доверять управление объектами повышенной опасности нейросетям, склонным к ошибкам?
В газовой отрасли не применяются модели «черного ящика», способные на непредсказуемые действия. Используются так называемые физически-информированные нейросети (PINN), жестко ограниченные фундаментальными уравнениями термодинамики, гидравлики и прочности материалов. Кроме того, на объектах критической инфраструктуры ИИ выступает преимущественно в роли системы поддержки принятия решений (советчика), а любые управляющие воздействия проходят через многоуровневые контуры промышленной автоматики и блокировок безопасности.
Какое главное препятствие мешает повсеместному внедрению ИИ на всех газопроводах страны?
Основным барьером является не дефицит самих алгоритмов, а качество и стандартизация исходных данных, а также требования кибербезопасности. Для обучения точных моделей необходимы огромные массивы размеченной исторической телеметрии с сотен тысяч датчиков, часть из которых на старых участках трубопроводов требует модернизации. Параллельно предприятия решают сложную задачу интеграции новых цифровых платформ в строгий контур защиты критической информационной инфраструктуры при полном отказе от зарубежного программного обеспечения.
Какой реальный экономический и экологический эффект дает применение ИИ в «Трансгазе»?
Экономический эффект складывается из трех составляющих: оптимизации расхода топливного газа на компрессорных станциях, продления межремонтного ресурса дорогостоящих газоперекачивающих агрегатов и многократного ускорения проверки строительной документации. Экологический эффект выражается в оперативном выявлении микроутечек метана с помощью лазерных газоанализаторов на роботах и беспилотниках, что минимизирует выбросы парниковых газов в атмосферу и повышает общую экологическую безопасность транспортировки энергоресурсов.

