Об эксперте: Руслан Марданов, начальник отдела сопровождения разработки зарубежных месторождений в «ЛУКОЙЛ-Инжиниринг», эксперт в секторе Upstream.
По данным Mordor Intelligence, в 2024 году расходы мирового нефтегазового сектора на ИИ-решения составили почти $3 млрд, а к 2029 году они должны превысить $5 млрд. Но все же распространение технологий происходит не так быстро — в чем причины этого и какие перспективы?
Что мешает использовать ИИ в нефтегазовой отрасли
Искусственный интеллект — мощнейший инструмент развития нефтяной промышленности. Уже сегодня алгоритмы машинного обучения повышают точность определения местоположения запасов. Сенсоры и предиктивный анализ позволяют предотвращать поломки и аварии, а также оптимизировать график технического обслуживания. Кроме того, с помощью ИИ специалисты могут улучшать процессы и внедрять более экологичные технологии.
Однако, несмотря на высокий потенциал искусственного интеллекта, есть определенные сдерживающие факторы.
- Компании нефтегазового сектора используют определенные технологии и системы, которые не всегда совместимы с новыми ИИ-решениями. Чтобы все получилось, нужно модернизировать инфраструктуру и интегрировать ИИ — это длительный и дорогостоящий процесс. Требуются значительные инвестиции в разработку и оптимизацию решений, приобретение вычислительных мощностей и обучение персонала. Для многих компаний, особенно в условиях нестабильных цен на нефть, такие расходы могут быть неподъемными.
- Еще один барьер заключается в нехватке квалифицированных специалистов. Чтобы использовать ИИ, нужны люди, которые глубоко разбираются как в технологиях, так и в нефтегазовой отрасли.
- Требуется тщательное тестирование технологий. Сложность процессов отрасли наряду с высокими требованиями к безопасности диктует полагаться на проверенные методы. В некоторых случаях необходимость сертификации ИИ-решений, естественно, замедляет их распространение.
- Информации для использования технологий не всегда достаточно. Эффективность искусственного интеллекта зависит от качества и количества данных, применяемых для его обучения. Однако в нефтегазовой отрасли показатели могут быть разрозненными, неполными или недоступными для анализа, что ограничивает возможности использования алгоритмов.
Постепенно технологии становятся доступнее, а компании накапливают опыт их применения. Широкое распространение ИИ в нефтегазовой отрасли — это вопрос времени.
Зачем нефтегазовым компаниям нужен ИИ
Все компании осознают потенциал искусственного интеллекта и уже сегодня внедряют его для решения широкого спектра задач: геологоразведки, добычи, мониторинга оборудования, управления рисками и оптимизации производственных процессов. Опишу конкретные примеры использования ИИ в сфере.
Разведка и геологоразведка
ИИ помогает анализировать большие объемы геологических данных для более точного определения месторождений нефти и газа. Алгоритмы обрабатывают данные сейсморазведки, строят 3D-модели и анализируют сложные геологические структуры. Анализ исторических данных о пластовом давлении, работе скважин и добыче позволяет увеличить извлекаемые запасы на 5–10%. Учет результатов каротажа (метода исследования скважин, определяющего строение пород и их физические свойства) помогает оценить строение скважины и предсказать риски, например пескопроявление — процесс, при котором частицы песка попадают в призабойную зону.
«Газпром нефть» использует алгоритмы машинного обучения, чтобы интерпретировать сейсмические данные и создавать геологические модели. Это позволяет находить перспективные участки для бурения.
Оптимизация добычи
ИИ помогает оптимизировать процессы добычи. Анализ производственных данных позволяет управлять рисками, снижать затраты и разрабатывать более экологичные технологии. Для этого обрабатываются данные с датчиков и систем наблюдения, позволяющие в реальном времени регулировать давление, температуру и дебит скважин — объем жидкости (нефти, воды) или газа, добываемый за определенный период. Также используются сейсмические и геологические данные для поиска новых запасов, информация о работе скважин для повышения нефтеотдачи, данные мониторинга безопасности и энергопотребления.
В компании Shell алгоритмы машинного обучения анализируют данные с датчиков, установленных на оборудовании, — например, показатели температуры, давления, вибрации. На их основе проще принимать решения об оптимальной стратегии бурения, корректно рассчитывать давление, объем закачиваемых жидкостей и другие параметры. Система повышает эффективность работы, оптимизирует расходы и продлевает срок службы устройств.
В ЛУКОЙЛе ИИ активно применяется для управления разработкой зрелых месторождений. Например, IT-система «Управление разработкой зрелых месторождений с применением нейронных сетей» благодаря использованию алгоритмов машинного обучения анализирует взаимосвязь между нагнетательными скважинами (через них закачивается вода или газ для поддержания пластового давления) и добывающими скважинами (из них извлекается нефть или газ), рассчитывает оптимальные режимы их эксплуатации и помогает управлять содержанием воды в добываемой продукции. Это позволяет уменьшить объемы жидкости, извлекаемой вместе с нефтью, что повышает нефтеотдачу и снижает операционные затраты.
Предиктивное обслуживание и мониторинг оборудования
ИИ помогает прогнозировать возможные поломки и снижать затраты на обслуживание оборудования. Анализ данных с сенсоров позволяет заранее выявлять потенциальные неисправности, предотвращать аварии и продлевать срок службы механизмов. Сенсоры фиксируют ключевые параметры работы оборудования: температуру, давление, вибрацию, химический состав жидкостей. Эти данные используются для предиктивного анализа, который сравнивает текущие замеры с установленными нормами и прогнозирует возможные отклонения.
Система предиктивного анализа строит цифровой двойник оборудования — виртуальную модель механизма, которая имитирует его работу и позволяет тестировать различные сценарии. В бурении ИИ анализирует параметры работы долота, колонны труб, бурового раствора, скорости проходки и других критически важных компонентов. Чем раньше система обнаруживает проблему, тем выше шанс ее устранения без потерь. На основе ретроспективных данных с ранее пробуренных скважин ИИ продолжает обучаться, улучшая точность прогнозов.
В компании «ЛУКОЙЛ» ИИ применяется для мониторинга состояния оборудования и повышения эффективности буровых платформ. Анализируя данные с датчиков, алгоритмы выявляют малейшие отклонения в работе узлов, которые могут привести к поломке. Это позволяет оперативно корректировать процесс и снижать риски аварий. Подобные технологии также внедрены на предприятиях Chevron и Petrobras.
Безопасность и управление рисками
ИИ можно применять для улучшения систем безопасности на объектах. Так, «Роснефть» использует алгоритмы машинного обучения для мониторинга промышленных объектов и предотвращения аварийных ситуаций.
В компании Eni распознавание образов необходимо для анализа видео с камер наблюдения. Система помогает выявлять потенциально опасные ситуации и предотвращать инциденты — она выполняет несколько ключевых функций:
- контроль использования средств индивидуальной защиты (СИЗ). Алгоритмы распознают, носят ли сотрудники каски, защитные очки, перчатки и другую экипировку. Если работник появляется в опасной зоне без СИЗ, система может отправить уведомление ответственным лицам или вывести предупреждающее сообщение на мониторы;
- обнаружение несанкционированного доступа. Анализ видео с камер помогает выявлять проникновение в запрещенные или опасные зоны. Например, если сотрудник без допуска входит в зону хранения опасных веществ, система может автоматически отправить сигнал охране;
- выявление опасных действий и ситуаций. ИИ способен обнаруживать падения работников, длительное неподвижное состояние, которое может свидетельствовать об инциденте, или нахождение людей в потенциально взрывоопасных местах. Также система фиксирует опасные манипуляции с оборудованием — например, приближение к работающим механизмам без отключения их питания.
Автоматизация и роботизация
Искусственный интеллект позволяет оптимизировать такие процессы, как добыча, поиск месторождений, мониторинг оборудования. При его использовании можно сократить время на выполнение сложных операций. Например, Equinor и SLB в рамках эксперимента смогли увеличить скорость бурения на 60%, что привело к более быстрой сдаче скважин в эксплуатацию при одновременном снижении затрат и выбросов углерода. Цель этих компаний — прийти к полностью автономным буровым операциям.
Кроме того, благодаря ИИ снижается необходимость участия людей в мероприятиях. В начале 2024 года цифровые технологии SLB для автоматизации наземных работ, автономного бурения на забой и наклонно-направленного бурения позволили пробурить 99% участка длиной 2,6 км в режиме автономного управления. Это рекорд автономного бурения.
SLB поставляет несколько ИИ-решений для нефтегазовой отрасли, среди которых:
- цифровая среда DELFI. В виртуальном пространстве интегрирует полный цикл производственных задач различных этапов: геологоразведка, бурение, разработка месторождений, добыча, корпоративное управление активами. В процессах моделирования проектов используется искусственный интеллект, что минимизирует человеческий фактор;
- платформа машинного обучения. Компания предоставляет клиентам доступ к единой централизованной платформе для разработки, развертывания и управления приложениями ИИ и аналитики.
Что еще используют для автоматизации нефтегазовой отрасли
Искусственный интеллект — не универсальное решение, а лишь один из инструментов. Хотя он обладает высоким потенциалом, его эффективность напрямую зависит от объема и качества исходных данных. Помимо ИИ, важным направлением развития в нефтегазовой отрасли остается автоматизация всех этапов процесса.
В отрасли уже есть системы, которые позволяют бурить скважины с помощью роботов. На морских платформах добыча нефти и газа также может происходить без участия человека. Кроме того, диспетчеры дистанционно контролируют все этапы переработки нефтепродуктов. Это делает процессы более безопасными, экологичными и, как следствие, более эффективными, что положительно влияет на экономику проектов.
Однако для достижения таких результатов требуется много датчиков и контрольно-измерительных приборов, которые генерируют огромные объемы данных. Их анализ и контроль уже не под силу человеку, что естественным образом стимулирует развитие таких технологий, как big data, машинное обучение и искусственный интеллект.
Какую стратегию использовать, чтобы внедрить ИИ в нефтегазовую отрасль
Уже сейчас ИИ активно интегрируют в проектную и аналитическую деятельность: с помощью него сокращают время обработки больших данных, находят узкие места и определяют возможности оптимизации реализованных решений. В целом стратегия следующая:
- определить пилотные проекты для тестирования ИИ;
- обучить сотрудников и привлечь экспертов в области ИИ;
- найти разработчиков ИИ-технологий для адаптации к отрасли;
- разработать стандарты использования ИИ.
Спектр вовлечения и глубина интеграции ИИ в будущем будут неизменно расти. Компании станут все больше инвестировать в современные технологии для повышения эффективности и безопасности своих операций. Алгоритмы сыграют ключевую роль в переходе отрасли к более устойчивому и экологичному будущему, способствуя снижению выбросов и росту ответственности за состояние окружающей среды.
Несмотря на существующие барьеры, потенциал ИИ в нефтегазовой отрасли огромен, и его будут продолжать внедрять, чтобы увеличивать производительность и устойчивость сектора.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.