USD ЦБ — 61,60 +0,27
EUR ЦБ — 72,18 +0,47
Brent — 78,48 −0,43%
пятница 25 мая 10:14

Последние новости

Аналитика // Проекты

Как извлечь 50 миллиардов долларов из данных о нефти и газе

18 января 2018 г., 15:43Neftegaz.RU3051

Машинное обучение и большие данные помогут мировой нефтегазовой индустрии сэкономить 50 млрд долл США за 10 лет, считают аналитики McKinsey. Как именно компании смогут получить эту выгоду?

Ответ можно дать сразу - с помощью данных.

Их так много, что обрабатывать их должен не только человек.

Пока мы извлекаем пользу вручную или с помощью бизнес-приложений лишь из 5% данных, накопленных за последние 100 лет.

В некоторых случаях эта цифра еще меньше. Например, морская нефтяная платформа (МЛСП) или сухопутная буровая установка (БУ) заполнены датчиками, но только 1% собранной информации подвергается анализу. Все остальное хранится в виде архива, скрывая множество полезных для бизнеса сведений.

Извлечь пользу из оставшихся 99% информации предстоит разными методами, самый продвинутый из которых на сегодня - машинное обучение. Современные компьютеры могут видеть, читать, слышать, понимать, взаимодействовать с человеком и внешним миром. Они могут учиться без программистов. Они способны вместо человека искать закономерности в исторических данных, чтобы воспользоваться результатами в будущем.

Во всем мире машинное обучение уже используется в распознавании речи, жестов, рукописного текста, в медицинском и техническом диагностировании, в борьбе онлайн-мошенничеством и спамом, классификации документов, биржевом техническом анализе, финансовом надзоре. Нефтегазовые компании уже сейчас могут переложить на технологию машинного обучения рутинные операции в области финансов, закупок, бухгалтерского и налогового учета, обслуживания складов, добычи и ремонтов. Для каких отраслевых задач машинное обучение применимо уже сегодня?

Статистические данные для снижения рисков бурения

Трудность извлечения запасов углеводородов постоянно растет, на смену вертикальным скважинам пришли горизонтальные, многоствольные, многозабойные. Это привело к тому, что стоимость работ существенно выросла, как и цена ошибок при бурении. Снизить риски при бурении позволяет, в частности, геонавигация: в реальном времени специалисты отслеживают, насколько геологическая модель соответствует поступающим фактическим данным о бурении, и корректируют ее, чтобы бурить с большей точностью и избегать возможных осложнений.

Данные обо всех событиях в процессе бурения за сутки собирают в суточные буровые рапорты. Их формат в каждой компании свой. Отчеты копятся в pdf-формате на корпоративных серверах и практически никак не используются, хотя это ценный источник данных о рисках при бурении и способах обойти их.

До сих пор эту информацию использовали только инженеры компаний, которые специализируются на сервисах сопровождения бурения. Консультанты в этой области, приступая к работе, собирают отчеты за максимально длинный отрезок времени, просматривают каждый документ, загружают цифры в сводные таблицы и только тогда определяют, какие риски были в бурении в прошлом и как их избежать при работе с похожими скважинами. Эти операции сегодня можно автоматизировать методами машинного обучения и в результате существенно упростить процесс и объемы данных, используемых для анализа.

Распознавание видеоконтента с дронов

Многие нефтегазовые компании высоко оценивают потенциал беспилотных летательных аппаратов (БПЛА) для контроля процессов добычи, транспортировки нефти и газа, а также для оценки состояния наземного оборудования. Более того, собственно дроны доступны и просты в использовании. При этом, несмотря на то что полет уже сейчас может проходить полностью в автоматическом режиме, анализом видео- и фотоматериалов в большинстве случаев занимается оператор. Это трудоемкая задача. Кроме того, только опытный оператор сможет извлечь из визуального контента полезную информацию. Таким образом, именно на этапе обработки видео- и фотоматериалов, полученных с помощью дронов, у нефтегазовых компаний больше всего сложностей.

Пилотный проект в области распознавания видеоконтента с дронов выполнили в лаборатории SAP Next-Gen Lab в РГУНиГ им. Губкина. В ВУЗе разработали и протестировали сценарий, который предполагает использование диспетчерской с операторами и дронов для визуального наблюдения за ходом производства, оценки состояния оборудования и сбора показаний приборов учета, расположенных в труднодоступных местах.

Методы компьютерного обучения используются при обработке визуальной информации о состоянии оборудования, доступ к которому затруднен или с которым нет каналов связи для передачи технологических параметров. Камера БПЛА при облете оборудования записывает видео, затем с помощью технологии компьютерного зрения распознаются показания приборов. Далее информация передается в базу данных с соответствующей привязкой к конкретному оборудованию и времени.

Мониторинг состояния активов

Большая часть критического оборудования для месторождений и производства сегодня поставляется со встроенными датчиками. Таким образом компании могут собирать данные о его состоянии. Пилоты в этой области показывают, что анализ данной информации также можно облегчить методами машинного обучения. Например, компания Mtell разработала решение на базе SAP HANA для предиктивных ремонтов в нефтегазе. В нем используются алгоритмы машинного обучения и нейросеть, которые распознают паттерны, связанные с работой оборудования. Система анализирует состояние компрессоров, насосов, двигателей, трансформаторов и т.д., автоматически посылая уведомления в систему управления ремонтами для планирования ремонтов и замен. Аналитика в реальном времени помогает свести к минимуму поломки оборудования.

Прогнозирование энергопотребления

Электроэнергия составляет весомую долю в себестоимости нефтепродуктов, поэтому многие компании ищут возможность сэкономить на энергопотреблении. Кроме учета и аналитики, подход бережливого энергопотребления подразумевает точное планирование и спланированные заранее закупки на оптовом рынке.

Планирование - это сбор статистики событий, исторических данных за прошлые периоды и учет множества параметров о будущем, в т.ч. погоды, ремонтов и режимов работы оборудования, планов по добыче и/или переработке сырья. Учесть все параметры, выявить взаимосвязи и определить их влияние на итоговый объем энергопотребления при ручном планировании практически невозможно. Для лучшего результата необходимо находить и применять оптимальные математические модели, инструменты хранения и обработки огромного массива исторических данных. Тесты автоматизированного планирования с элементами предиктивной аналитики и машинного обучения в российских нефтегазовых компаниях показывают отклонения от фактического потребления не более чем на 1%.

Анализ счетов

Многим бухгалтерам знакома такая ситуация. Заключен рамочный договор на поставку нефтепродуктов. Компания сделала несколько продаж, затем выставила счета клиенту. По одному договору один счет может быть выставлен на несколько заказов, платеж может прийти по нескольким счетам и т.д.

Бухгалтер потратит свое рабочее время на сопоставление договора со счетами. Например, получен 1 млн рублей, но нужно выяснить, за какой заказ. Платеж может быть не равен счету, платеж и счет могут быть в разных валютах, могут быть неправильно указаны реквизиты или наименование клиента и др. На исправление ошибок и неточностей бухгалтеры могут тратить часы.

Подобные операции сегодня можно выполнить методами компьютерного обучения. Программа автоматически обучается на основе действий бухгалтеров и применяет эти знания для будущих платежей. Она может выявить закономерности в хозяйственных операциях и соотнести счета на основе полученных критериев с определенной степенью достоверности. Если достоверность равна заданной или выше, сопоставление счета с договором происходит автоматически. Если достоверность низкая, вопросом займется специалист.

Почему нельзя оставить эту работу человеку? Результаты проектов SAP с использованием продуктов, созданных по принципам машинного обучения, например SAP Cash applications, показывают, что расчеты становятся быстрее, рутинные ручные операции минимизируются, дебиторская задолженность уменьшается. Бухгалтеры могут уделить больше внимания анализу исключительных ситуаций, открываются возможности структурной оптимизации предприятия - другими словами, «машины» помогают работать продуктивнее.

Автоматическая обработка резюме

Ни один специалист по подбору кадров не будет спорить с тем, что больше всего времени он тратит на просмотр заявок от кандидатов на вакансии. Нужно отфильтровать очевидно нерелевантных соискателей, затем открыть и проанализировать резюме подходящих, затем связаться с «финалистами». Если на какие-то позиции нужно вести массовый набор, число резюме и заявок может измеряться 1000ми. Кадровик в таких случаях проводит за просмотром резюме большую часть дня. А в это время кандидаты проводят часы на сайтах по поиску работы, выставляют многочисленные фильтры при поиске вакансий, вчитываются в требования и ждут ответа от потенциального работодателя.

В крупных компаниях, где есть потребность в быстром анализе потока резюме, формируется концепция «умного» рекрутмента. Этот подход подразумевает, что анализ резюме, описание вакансий, поиск и отбор кандидатов происходит с использованием методов машинного обучения, в том числе Text Mining. Цель автоматизированного процесса - найти лучших кандидатов с минимальными трудозатратами специалистов по подбору персонала. Хедхантеры в итоге смогут уделить время приоритетным вопросам, в том числе оценить больше кандидатов.

Корпоративный чат-бот

Есть мнение, что целое поколение специалистов выросло с мобильными устройствами в руках и готово общаться в корпоративной среде только через мессенджеры или чаты. Через этот канал связи сотрудники скоро смогут решать несложные задачи, такие как подача заявления на отпуск, поиск шаблонов документов, обращение в техподдержку по поводу неисправности компьютера. Через чаты они также могут получать оповещения от HR или от бухгалтерии. Современные технологии помогают облегчить общение еще больше за счет доступа к функциям через голосовые команды пользователя. Общаться с ними на «том конце провода» будет программа - чат-бот, использующий методы машинного обучения.

Для каждой из описанных задач приведен пример инструмента, в котором есть компонент машинного обучения. Однако стоит учитывать, что этот метод обработки данных работает в связке с продуктами, отвечающими за получение информации, ее предварительную обработку и хранение, а также аналитику. Сумма этих технологий поможет построить цифровое нефтегазовое предприятие.

С. Полевой, директор департамента нефтегазовой промышленности SAP CIS


Neftegaz.RU context