Специалисты Научно-технического центра Газпром нефти (НТЦ) совместно с инжиниринговым центром МФТИ начали разработку алгоритмов, основанных на методах машинного обучения.
Об этом 1 августа 2017 г сообщает «Газпром нефть».
Для любознательных напомним, что Машинное обучение (МО) - это общепринятая терминология, означающая класс методов искусственного интеллекта, характеризующихся возможностью обучения в процессе применения решению множества похожих задач, а не решению конкретной задачи.
Использование методов МО - это IT- тренд настоящего времени.
В IT-быту активно используется МО в части отлова спама в электронной почте, группирование новостных материалов по их тематике, ПО для распознавание лиц и тд.
Пришло время активизировать методы МО в нефтегазе.
Разработка алгоритмов МО ведется в рамках реализации направления Технологической стратегии Газпром нефти - Электронной разработки активов (ЭРА).
Данная технология позволит повысить качество эксплуатационных данных (ЭД), получаемых из скважин, а также выявлять новые закономерности.
В общем смысле слова, Data Science - это наука о данных, раздел IT, изучающий проблемы анализа, обработки и представления данных в цифровой форме.
Специалисты Data Science - золотой фонд каждой компании.
Умение обнаружить закономерности в данных, извлечь знания из данных в обобщенной форме - ценится во всем мире.
Data Science - это комплексный подход для анализа больших объемов информации с применением методов МО.
Технология имеет хорошие перспективы для применения в нефтегазовой отрасли промышленности.
Это набор алгоритмов со следующей последовательностью:
- анализ «сырых» промысловых данных,
- «обучение» навыкам классификации данных,
- выявление скрытых взаимосвязей, не видных глазу человека,
- формирование новой полезной информации.
Внедрение методов МО позволит:
- в 2 раза сократить время оперативного анализа ЭД,
- оперативно учитывать найденные новые закономерности при дальнейшей разработке месторождений,
- подбирать оптимальные методы разработки для увеличения добычи нефти,
- сократить затраты на получение ЭД и выявление закономерностей.
Именно на основе ЭД, поступающих из скважин, принимаются решения о применении различных методов увеличения добычи нефти и газа.
ЭД включают:
- замерные эксплуатационные данные (дебит жидкости, нефти, обводненность продукции, значения забойного давления) со всех скважин компании,
- месячные данные по добыче и данные техрежимов,
- информация о проведенных исследованиях и физических характеристиках пласта и добываемой жидкости и газа.
Качество ЭД не всегда позволяет провести полноценный анализ по следующим причинам:
- может отсутствовать информация для определенных временных интервалов,
- некоторые измерения не всегда соответствуют физической модели или не согласовываются друг с другом,-
- некорректные данные, вызванные сбоем в работе замерного оборудования или человеческим фактором.
Определить ошибку силами специалистов компании не всегда возможно, а некорректная информация повлечет за собой неверные выводы о текущем состоянии скважин и месторождения в целом, вследствие чего могут быть приняты неверные решения по проведению геолого-технических мероприятий (ГТМ).
В большинстве случаев под ГТМ подразумеваются различные действия, позволяющие повысить добычу:
- гидроразрыв пласта (ГРП);
- обработка пласта различными составами, приводящая к повышению добычи, бурение боковых стволов скважины;
- ремонтные работы и т.д.
Преимущества применения МО и Data Science:
- разрабатываемые инструменты повысят скорость и эффективность обработки и анализа больших объемов информации, которые поступают с месторождения;
- возможность интегрировать разнородные данные, проанализировать каждый мегабайт имеющейся информации, что приведет к появлению новых выводов, способных вывести качество данных на новый уровень.
- возможность обрабатывать огромные массивы данных (Big Data), выявлять новые закономерности и учитывать их в дальнейшем для построения прогнозов (МО и интегрированные физические модели), доопределять отсутствующие значения;
- снижения рисков принятия неверных капиталоемких решений по разработке, вызванных человеческим фактором;
- уменьшение времени простоя скважин, создав «интеллектуального помощника» для специалиста разработчика - того, кто никогда не спит, моментально считает и практически не ошибается.
В рамках проекта уже проведена следующая работа:
- сформированы алгоритмы поиска некорректных значений и восстановления пропущенных данных,
- сформированы алгоритмы определения процессов взаимовлияния скважин друг на друга,
- сделана классификация скважин по степени отклонениям текущей продуктивности от возможной для скважин, находящихся в схожих геологических условиях.
Газпром нефть анонсировала публике работы по ЭРА еще в начале 2016 г.
В январе 2016 г компания начала проектировать собственную информационную систему GeoMate.
В рамках ПМЭФ-2016 в г Санкт-Петербурге с IBM был подписан Меморандум о взаимопонимании (МОВ) в части сотрудничества при реализации проекта ЭРА Технологической стратегии Газпром нефти путем создания новых IT-инструментов и ПО для оптимизации процессов геологоразведки (ГРР), проектирования, разработки и эксплуатации месторождений.
Уже в декабре 2016 г Газпром нефть и IBM начали внедрение технологий МО в процесс анализа и интерпретации данных геофизических исследований скважин.
Через 1 год, в рамках ПМЭФ-2017 к МОВ -2016 было подписано дополнение о координации и определении потенциальной структуры стратегического партнерства в долгосрочной перспективе при созданию новых IT-инструментов и ПО для ЭРА с использование комплекса IT- технологий: когнитивного анализа данных (поиск закономерностей в неструктурированных данных), МО, высокопроизводительных вычислений (обработка больших объемов данных, big data).
На этом же форуме «Газпром нефть» подписала соглашение о сотрудничестве с Yandex Data Factory (YDF) на использование методов МО в бурении скважин.
Нынешнее решение о сотрудничестве с МФТИ выглядит довольно своевременно в условиях импортозамещения и усиления антироссийских санкций.
Нужно ли внедрять методы МО при анализе ЭД?
