Машинное обучение в нефтегазовой отрасли

Новые информационные технологии – искусственный интеллект и в частности, машинное обучение как процесс создания самообучающихся алгоритмов – способны изменить не только интернет и информационную сферу. Вполне успешно внедряется машинное обучение и в тяжелой промышленности, включая нефтегазовую отрасль. Используется машинное обучение в этой отрасли пока не очень широко, но потенциально такие алгоритмы могут применяться:

• при подборе способов увеличения нефтеотдачи месторождений;
• при оптимизации маршрутов транспортировки нефти и газа любым способом;
• при построении логистики снабжения оборудованием для нефтедобычи;

• для построения прогнозов разработки новых месторождений;
• для анализа потребления и цен на энергоносители.

Нефтегазовая отрасль промышленности имеет несколько важных особенностей, которые обуславливают необходимость поиска инновационных решений – это непрерывность и высокая сложность технологической цепи, которая начинается с геологической разведки, а заканчивается доставкой нефти и газа потребителям. Это географическое разделение места добычи и места переработки, причем эти места могут быть разделены десятками тысяч километров. Оборудование эксплуатируется в сложных условиях, и даже современная геология не всегда может предсказать какие-либо факторы, которые повлияют на отдачу месторождения.

Например, основанная на машинном обучении система прогнозирования и предупреждения инцидентов при эксплуатации нефтегазовых скважин и насосных установок на морских платформах позволила компании British Petroleum снизить общие затраты на эксплуатацию на два миллиона долларов. И все благодаря тому, что время простоя перед ремонтом было сокращено за счет улучшенного распределения усилий ремонтных бригад.

Корпорация General Electric Oil & Gas внедрила алгоритмы машинного обучения с целью оптимизировать расписание диагностики нефтегазового оборудования, благодаря чему время простоя в ожидании обслуживания сократилось. Сенсоры, которые компания устанавливает на технике, непрерывно снабжают алгоритмы машинного обучения данными для автоматизированного анализа, и теперь диагностика проводится именно там, где стоит ожидать проблем.

Превентивное выявление неисправностей снижает аварийность, за счет чего также происходит увеличение добычи и снижение ее стоимости.

Важным элементом машинного обучения в нефтегазовой отрасли является концепция «цифрового месторождения», по сути компьютерной модели реального месторождения, на которой можно отрабатывать самые разные прогнозы и модели. Данные для цифрового месторождения поступают с места добычи, для чего скважина или несколько скважин снабжаются сенсорами, связанными в единую систему. Такой подход позволяет повышать уровень добычи нефти и газа, снижать расходы, предсказывать нештатные ситуации и устранять их причины. Благодаря этому многие нефтегазовые компании, в частности, Shell, Chevron, British Petroleum снижают себестоимость добычи полезных ископаемых на 8-10% и продлевают сроки эксплуатации оборудования на 20%.

Алгоритмы машинного обучения также могут помочь в выявлении аномалий процесса добычи ресурсов. Современные нефтяные и газовые месторождения оборудованы огромным количеством датчиков, но информацию, которая поступает с них, может эффективно обработать лишь самообучающаяся система, сделать это вручную невозможно. Искусственный интеллект позволяет спрогнозировать возможные проблемы, включая и те, причина которых в геологических аномалиях, не обнаруженных вовремя. Немаловажной является и возможность получения рекомендации настройки режима добычи. Основная задача здесь – оптимизировать режим работы насосов, что у человека сделать попросту не получится, поскольку он не имеет или не может обработать всех данных, необходимых для этого.

И конечно, машинное обучение помогает в вопросах, связанных с логистикой и экономикой. Так, соответствующие алгоритмы позволяют создавать точные и адекватные бизнес-модели добычи и транспортировки энергоресурсов. Нефтегазовая отрасль, негибкая по причине сложной производственной структуры, благодаря применению машинного обучения становится более приспособленной к достаточно волатильным ценам на нефть и газ. Благодаря таким подходам снижаются потери от перепроизводства и недостатка мощностей для хранения.

Наиболее глобальным и при этом наименее пока разработанным направлением является автоматизация в геологической разведке – а именно, создание системы построения геологических моделей на основании имеющихся больших данных в этой области. Это позволит снизить неопределенность, свойственную геологической разведке в целом. Ведь только примерно каждая вторая из разведывательных скважин в итоге разрабатывается – ожидается, что машинное обучение сможет снизить количество непродуктивных разведывательных скважин.

Компания AVADA MEDIA разрабатывает различные программные решения в области искусственного интеллекта и машинного обучения. Мы реализуем проекты самого разного масштаба по всему миру и готовы предложить создание алгоритмов машинного обучения в том числе и для нефтегазовой отрасли, от разведки и добычи до переработки и продажи нефтепродуктов и газа.