Курс на масштабирование
Одни из самых дорогостоящих процессов в нефтегазовой отрасли – геологоразведка и добыча: на их долю приходится 50–70% бюджета вертикально интегрированных компаний. При этом в России простые месторождения уже хорошо исследованы, и сейчас важно разрабатывать именно трудноизвлекаемые запасы. Поэтому для сокращения расходов требуются новые решения, которые не просто ускорят геологоразведочные процессы и помогут сэкономить ресурсы, но и обеспечат высокую точность планирования работ, ведь любая ошибка на ранней стадии резко увеличивает стоимость реализации проекта в дальнейшем.Таким стратегическим инструментом становятся нейросети, способные быстро обрабатывать колоссальные объемы данных сейсморазведки, геофизических исследований скважин, керна и других источников. В России уже существуют ИИ-решения, ускоряющие процессы геологоразведки. При этом речь идет о применении искусственного интеллекта для быстрого выполнения отдельных узких задач. Например, «Газпром нефть» разработала нейросеть для быстрого анализа данных с тысячи действующих скважин, что позволило обнаружить дополнительные залежи углеводородов в Ханты-Мансийском автономном округе и Томской области без необходимости создания новой инфраструктуры. Специалисты Центра компетенций Национальной технологической инициативы создали ИИ-систему для морской сейсморазведки, которая в режиме реального времени анализирует данные, учитывает погодные и навигационные условия и вычисляет оптимальные маршруты и графики проведения разведки на морском дне.
Вместе с тем отрасль испытывает потребность в выходе на новый уровень автоматизации и создании ИИ-продуктов для решения более масштабных задач. Например, для генерации готовых моделей месторождений: загружаем в сервис сырые данные сейсморазведки – и получаем трехмерное цифровое изображение объекта с определенными физическими параметрами, местами установки эксплуатационных и разведочных скважин и другими атрибутами.
При этом для обеспечения точности результата критически важными становятся способность ИИ работать с разрозненными данными и высокая вариативность технологий их обработки. Кроме того, для практического внедрения в отрасли необходимы решения, которые компании могут легко встраивать в свои экосистемы. Многие игроки рынка проводят научно-технические работы, но часто их результаты потом не находят применения – именно из-за того, что их тяжело встроить в рабочие процессы. По сути, необходим готовый модуль в виде набора алгоритмов, который компании могут использовать для создания собственных программ.
Не менее важно, чтобы в создании таких решений участвовали не только IT-специалисты. Необходимо привлекать геофизиков, геологов, петрофизиков, сейсмиков, инженеров-нефтяников, которые вместе смогут создать действительно полезный для бизнеса продукт, отвечающий запросам индустрии.
Еще точнее
Как раз над таким решением сегодня работает наша команда из десятков сотрудников НОЦ «Газпромнефть-Политех». Мы создаем набор алгоритмов, который позволит быстро получать точные и достоверные результаты интерпретации информации при поиске полезных ископаемых. Сейчас многие операции в геологоразведке, в том числе обработка сейсмических данных, выполняются вручную, и это занимает недели или даже месяцы. Проект, над которым мы работаем, позволит делать это за минуты, причем результаты будут такими же или еще более качественными, как если бы обработкой занимался человек.Например, если загрузить в алгоритм полученные сырые данные сейсморазведки, он выдает готовую 3D-модель месторождения с определенными физическими параметрами (плотность породы и др.) в каждой точке. Таким образом, специалисты получают четкое представление о том, где можно бурить эксплуатационную скважину и начинать добычу, а где необходимо провести дополнительные исследования и пробурить разведочную скважину.
Точность данных для более эффективного планирования работ достигается за счет комбинации технологий. К архитектуре типа Transformer, которая позволяет компьютеру понимать связи между всеми частями информации одновременно, а не по очереди, добавляются генеративные модели и методы шумоподавления.
Swin Transformer – нейросеть, изначально созданная для обработки изображений – оказалась очень полезной в сейсмике, где данные могут представлять собой визуальные карты или «картинки» сигналов от датчиков. В нашем случае нейросеть, обученная на информации об анализе сейсмоданных в ходе разработки десятков месторождений, способна находить в них скрытые закономерности и, исходя из общей структуры сигнала, восстанавливать информацию, если данные частично утеряны или искажены. Такой подход помогает достигать наиболее точных результатов и, в отличие от традиционных методов обработки, позволяет использовать меньшее количество исходных данных.
Интерполировать информацию с помощью ИИ можно не только при анализе сейсмоданных, но и для понимания свойств породы между скважинами. Благодаря обучению на известных данных каротажа алгоритм строит физически обоснованную модель недр, анализируя глубину и расположение скважин. Это дает точный прогноз изменений свойств породы между точками бурения и позволяет выявить наиболее перспективные для бурения зоны, избежать непродуктивных участков, что в итоге повышает эффективность разработки месторождения.
Важной особенностью продукта является то, что благодаря стратегическому партнерству с компанией «Газпром нефть» мы имеем возможность проверить эффективность его работы на полевом материале, хотя обычно для этого используются синтетические данные. Испытания алгоритма на «синтетике» уже подтвердили, что полученные с его помощью прогнозы по точности сопоставимы с теми, что получаются при использовании традиционных методов анализа. До конца этого года пройдет несколько этапов тестирования на полевых данных, которые предоставит партнер. Главные задачи – получение новых реальных данных для накопления их объема, интеграция с существующими системами компании и доводка точности алгоритмов. Планируется, что к 2027 г. разработка в виде программного модуля начнет решать реальные задачи «Газпром нефти» в сейсморазведке.
Барьеры и перспективы
Следующий этап в развитии ИИ-технологий для нефтегазовой отрасли – переход от разработки точечных решений к созданию комплексных автономных систем, которые не просто делают прогнозы, но и предлагают конкретные решения для оптимизации всех процессов, от разведки нового участка до управления добычей определенного месторождения. Речь идет о продуктах на базе физико-информированных нейросетей и мультиагентных моделей. Такие системы обрабатывают данные, поступающие в режиме реального времени, и используют для управления месторождением физически-обоснованные цифровые двойники – виртуальные копии объекта.Однако наряду со значительными возможностями здесь появляются серьезные риски. Первый – нарушение информационной безопасности: централизация управления и автономность систем создают новые уязвимости для внешних атак. Второй и главный риск связан с принципом «черного ящика»: специалистам тяжело интерпретировать «ход мыслей» нейросети – непонятно, как она пришла к тому или иному ответу, почему приняла то или иное решение. Это повышает вероятность технологических ошибок и недоверие специалистов к ИИ: более 90% из них готовы использовать ИИ как инструмент, но не готовы полностью ему доверять.
Специалистам еще предстоит найти решение этой проблемы. А пока единственным вариантом является выбор архитектуры алгоритма, объясняющего причину принятия того или иного решения. Это позволит эксперту лучше понять работу нейросети.
Массовое внедрение ИИ
Нефтегазовая отрасль уже близка к тому, чтобы перейти к массовому внедрению ИИ. По нашим оценкам, это произойдет в ближайшие два-три года, если мы сможем повысить прозрачность алгоритмов, обеспечить их безопасность и научить команды работать с новыми инструментами. Тогда искусственный интеллект станет по-настоящему полезным партнером.Автор: И. Жданов
