CC BY
33
УДК: 622.276
ЭВОЛЮЦИЯ ЦИФРОВОЙ НЕФТЕГАЗОВОЙ ЭКОСИСТЕМЫ
ОТ СУПЕРКОМПЬЮТИНГА К МЕТАКОМПЬЮТИНГУ
Н. А. Еремин
Рассматриваются тенденции эволюции цифровой нефтегазовой экосистемы от суперкомпьютинга к метакомпьютингу. Ключевым фактором, сдерживающим инновационное развитие российского нефтегазового комплекса, является нехватка высокопроизводительных вычислительных комплексов. К ключевым нефтегазовым задачам, требующим привлечения супер- и метакомпьютинга пета- и экзафлопсного уровня производительности (1015 и 1018 операций с плавающей точкой в секунду соответственно), относятся задачи управления «цифровым двойником» нефтегазового комплекса в целом, крупнейшего в мире Западно-Сибирского центра нефтегазодобычи и уникальных нефтяных и газовых месторождений в режиме реального времени, и подготовка высококвалифицированных нефтегазовых специалистов в этой области.
Ключевые слова: эволюция, цифровая нефтегазовая экосистема, суперкомпьютинг, метакомпьютинг.
Введение
Обеспечение ускоренного внедрения цифровых технологий в экономике - одна из важнейших задач и приоритетов развития России, которые определенны Указом Президента РФ от 7 мая 2018 г. № 204 «О национальных целях и стратегических задачах Российской Федерации на период до 2024 года». В 2007 году в Томском государственном университете российской компанией «Т-Платформы» с участием ИПС РАН сдан в эксплуатацию суперкомпьютерный центр на базе супер-ЭВМ СКИФ СуЬепа с производительностью 12 Тфлопс. Член-корреспондент РАН, главный научный сотрудник Института вычислительной математики и математической геофизики СО РАН Сергей Кабанихин в своем докладе на заседании Президиума РАН отметил, что к 2026 году Новосибирский суперкомпьютерный центр планирует создать суперкомпьютер с производительностью 1 EFLOPS [1]. В качестве одного из путей решения стратегически важной проблемы для НГК следует рассмотреть инновационную технологию метакомпьютинга [2, 3]. Хотя само понятие «метакомпьютинг» не является новым. Оно возникло вместе с развитием высокоскоростной сетевой инфраструктуры в начале 90-х годов и ранее относилось к объединению нескольких разнородных высокопроизводительных вычислительных ресурсов в распределённой сети для решения одной задачи.
Метакомпьютинг — это новая вычислительная парадигма, целью которой является использование всех доступных вычислительных ресурсов, подключенных к Интернету и оснащенных широкополосными системами передачи больших данных [4].
Системы Frontier и Summit в Ок-Ридж, в одной из 17 Национальных лабораторий США [5], остаются системами №№ 1 и 2 в рейтинге TOP500. Система Frontier сих пор является единственной системой с производительностью HPL в 1,102 экзафлоп/с. Здесь HPL (High Performance Computing Linpack Benchmark) — тест производительности вычислительной системы, на основе результатов которого формируется современный список лучших в мире суперкомпьютеров TOP500. Тесты производительности LINPACK служат мерой измерения вычислительной производительности компьютеров при обработке чисел с плавающей запятой. Созданы Джеком Донгаррой в 1979, и измеряют скорость решения компьютером плотной системы линейных уравнений Ax=b, где A является матрицей размера n на n. Производительность, измеренная эталонным тестом LINPACK показывает количество операций над 64-битными числами с плавающей запятой (сложений и умножений), которые компьютер выполнял за секунду, соотношение, обозначаемое «FLOPS» (FLoating-point Operations Per Second). LINPACK - это аббревиатура линейного пакета системы. В настоящее время на территории США действуют 17 Национальных лабораторий (рис.1) [2]. Офисы научных лабораторий (на рисунке они обозначены зеленым цветом): 1 - Эймсская лаборатория (Ames Laboratory, 1947); 2 - Аргоннская национальная лаборатория (Argonne National Laboratory, 1946); 3 - Брукхейвенская национальная лаборатория (Brook-haven National Laboratory, 1947); 4 - Национальная ускорительная лаборатория им. Энрико Ферми (Фермилаб) (Fermi National Accelerator Laboratory, 1967); 5 - Национальная лаборатория имени Лоуренса в Беркли (Lawrence Berkeley National Laboratory, 1931); 6 - Окриджская национальная лаборатория (Oak Ridge National Laboratory, 1943); 7 - Тихоокеанская северозападная национальная лаборатория (Pacific Northwest National Laboratory, 1965); 8 - Лаборатория физики плазмы Принстонского университета (Princeton Plasma Physics Laboratory; 1951); 9 - Национальная ускорительная лаборатория SLAC (SLAC National Accelerator Laboratory, 1962) и 10 -Лаборатория Джефферсона (Thomas Jefferson National Accelerator Facility, 1984). Лаборатории Министерства энергетики США (на рисунке они обозначены желтым цветом): 1 - Национальная лаборатория Айдахо (Idaho National Laboratory; 1949); 2 - Национальная лаборатория энергетических технологий (National Energy Technology Laboratory; 1999); 3 - Национальная лаборатория по изучению возобновляемой энергии (National Renewable Energy Laboratory, 1977) и 4 - Саванна-Риверская национальная лаборатория (Savannah River National Laboratory; 1952). Лаборатории Национального управления по ядерной безопасности США (NNSA) (на рисунке они обозначены синим цветом): 1 - Ливерморская национальная лаборатория (Lawrence Livermore National Laboratory, 1952); 2 - Лос-Аламосская национальная лаборатория (Los Alamos National Laboratory, 1943) и 3 - Сандий-ские национальные лаборатории (Sandia National Laboratories, 1948, 1956).
Рис. 1. Местоположение 17 Национальных лабораторий Министерства энергетики США по состоянию на 01.01.2023 г. [5]
Цифровая составляющая нефтегазовой экосистемы включает в себя: геологические/техногенные и инфраструктурные объекты - мультисенсор-ные измерения - системы передачи больших геоданных - центры обработки больших геоданных и систематизацию геоинормации - формирование новых научных знаний - построение цифровых двойников и моделей - облачные технологии и постоянные хранилища массивов геоинформации. Технологичная составляющая цифровой нефтегазовой экосистемы состоит из производственных блоков: поиск и разведка углеводородов - бурение -разработка - добыча - транспорт - хранение - переработка - нефтегазохи-мия - логистика сырья и маркетинг товарной продукции. Инновационная составляющая цифровой нефтегазовой экосистемы: формирование целевых требований по созданию цифровых технологий и оборудования - научные основы разработки - цифровой полигон для ускоренной разработки опытного образца оборудования и технологий - опытно-промышленная эксплуатация - серийное производство - сертификация наземного, подземного и подводного оборудования и технологий - вывод на рынок - масштабную реализацию созданных в процессе инвестиций образцов продукции и средств управления.
Технологии искусственного интеллекта, используемые в цифровых полигонах, способствуют отладке и подготовке к сертификации инновационных технологий и оборудования. Научно-технологическая революция в оптоволоконной сенсорике обеспечивает рост возможностей по сбору, пе-
редачи, хранению и обработки гигантских массивов слабоструктурированных геоданных, а развитие высокопроизводительных вычислительных комплексов от суперкомпьютинга к метакомпьютингу созданию мега, гига-и терамоделей как микромира (таких как, керн, наноагенты) и макроструктур (таких как, геологические провинции, уникальные месторождения) нефтегазовой экосистемы, см. рис. 2.
Рис. 2. Терамодель нефтегазоносной провинции Арабского залива, Saudi
Aramco, 2014 г
Одной из важных целей метакомпьютинга является интеграция вычислительных ресурсов 1оТ, подключенных к Интернету. К 2030 г. их число достигнет 25 млрд штук, из них на нефтегазовый интернет вещей Р1оТ будет приходится до 3 млрд штук. Совокупная вычислительная мощность сотни таких устройств Р1оТ может быть эквивалентна мощности одного персонального компьютера. Серьёзным вызовом для метакомпьютинга являются огромные масштабы и сильно разнородные функциональные структуры устройств Р1оТ, что создают серьезные проблемы для их согласованной работы. Процесс сбора данных с устройств Р1оТ требует точной синхронизации по времени, в силу того, что устройства Р1оТ имеют разные циклы сбора данных, а результаты сбора данных и их асинхронная переда-
ча могут привести к серьезным проблемам (неполные данные, пропуски в данных, противоречивые данные, временная неопределенность). Эти проблемы следует решать с помощью метакомпьютинга с использованием методов искусственного интеллекта, так как например, они были решены в задаче предупреждения осложнений при строительстве скважин с применением систем машинного обучения [6-11].
Растущие потребности в вычислительных ресурсах привели к тому, что традиционная модель «клиент - сервер» развивалась по трем направлениям или вычислительным парадигмам (рис. 3).
Больше вычислительной мощности и данных
Кчнент- ( серверная модель 1
Больше устройств, меньше размер
Серверный компьютер
1960
Опора на внутренние серверы ятя предоставления сетевых услуг
Интерфейсный компьютер
Грид -вычисления
Облачные вычисления
1990 2000
Подключение офисов Высокопроизводительные к серверной части облачные платформы
Интернета
Персональный «Узел к узлу» или
компьютер J одноранговые сети
1970
Малые вычислительные сети
Кибер-мир
2000
Крупномасштабные одноранговые вычислительные сети
Терминальный компьютер
Г
Повсеместные PIoT
вычисления вычисления
мир
1990
Устройства PIoT участвуют в вычислениях
2000
Присоединение PIoT-устройств к сети
На основе нулевого доверия интегрируйте все простаивающие ресурсы в сеть, чтобы обеспечить надежные отказоустойчивые вычислительные услуги.
»
Периферийные вычисления
»
метавычнсленля
2010
Совместная работа в облаке и на периферийных устройствах
Рис. 3. История развития вычислительных парадигм (по [4])
Непрерывное развитие высокопроизводительных кластеров привело к созданию пета- и экзамасштабных суперкомпьютерных центров и сервисов облачных вычислений (рис.4).
2008 2012 2017 2022
Рис. 4. Эволюция развития высокопроизводительных вычислительных комплексов пета- и экзамасштабных суперкомпьютерных центров в национальной лаборатории США в Оак-Ридж
Системы Frontier и Summit в Оак-Ридж, в одной из 17 Национальных лабораторий США [5], остаются системами № 1 и 2 в рейтинге
TOP500. Система Frontier является единственной системой с производительностью HPL в 1,102 экзафлоп/с (рис. 4 и 5).
Рис. 5. Система Frontier с производительностью HPL в 1,102 экзафлоп/с национальной лаборатории США в Оак- Ридж
Как видно из рис. 6, Россия теперь представлена в Top500 сразу семью суперкомпьютерами: Галушкин, Червоненкис и Ляпунов компании Яндекс, Christofari Neo и Christofari Сбербанка, Ломоносов-2, МГУ и GROM, оператора МТС. Обеспечение конкурентоспособности продукции нефтегазового комплекса России на мировом рынке требует незамедлительного принятия на государственном уровне адекватного комплекса мер по созданию отечественных технологий высокопроизводительной обработки больших геоданных и построения тера модели крупнейшего в мире Западно-Сибирского центра нефтегазодобычи и петамоделей уникальных месторождений.
С привлечением средств федерального бюджета США в последние годы реализуется программа «суперкомпьютеризация» системы университетского образования, т.е. установка в каждом университете супер-ЭВМ классов Тера и Петафлопс.
Слияние кибернетического и физического миров нефтегазового производства способствует дальнейшему объединению трех категорий вычислительных парадигм, а именно облачного компьютинга, одноранговых сетей и PIoT компьютинга. Линейный рост вычислительных ресурсов (центральных и графических процессоров, пропускной способности широ-
кополосных каналов передачи больших геоданных, рис. 7) не может удовлетворить экспоненциально растущий спрос со стороны Р1оТ устройств, непрерывно производящих огромное количество геоданных.
Рис. 6. Распределение суперкомпьютеров из списка Т0Р500 по странам
по состоянию на июнь 2022 г.
Это противоречие привело к появлению Edge Computing или пере-ферийных вычислений, развитие которых началось в 21 веке. Цель Edge computing или переферийных вычислений является реализация координации между облачным компьютингом и вычислениями на переферийных сенсорах, т. е. полное использование простаивающих вычислительных ресурсов на переферийном сенсоре для обработки геоданных на месте их генерации, и перенос вычислительных задач на более удаленные ресурсы только тогда, когда переферийных вычислительных ресурсов недостаточно. В результате достигается снижение нагрузки, связанной с передачей больших объемов геоданных в ядре оптоволоконной сети и дорогостоящей обработкой больших геоданных в облаке, при одновременном повышении производительности метакомпьютинга и кибербезопасности в реальном режиме времени.
Рис. 7. Развитие инфраструктуры Российского ГРИД для интенсивных операций с большими геоданными (РДИГ), Источник: по НИЦ "Курчатовский институт", Объединенный вычислительный кластер
В настоящее время НИЦ «Курчатовский институт» эксплуатирует расположенные в гг. Москве, Протвино и Гатчине высокопроизводительные вычислительные комплексы, включая ФЦКП «Комплекс моделирования и обработки данных исследовательских установок мега-класса», созданные с использованием суперкомпьютерных технологий, а также один из тринадцати в мире крупнейших грид-центров, объединяющий ресурсные центры уровней ^ер-1 и ^ер-2 глобальной грид-инфраструктуры Большого адронного коллайдера (БАК), и которые можно подключить к нефтегазовым ЦОД в гг. Москве и Геленджике (см. рис.7). За год обрабатываются десятки миллионов задач, в том числе нефтегазовых. При этом показатели доступности и надёжности составляют 99,81 и 99,91 %. Эти комплексы подключены к национальной научной ГРИД инфраструктуре «Российский грид для интенсивных операций с данными» (РДИГ). В настоящее время ресурсы Российской научной ГРИД инфраструктуры включают более 30 тыс. вычислительных ядер, 40 ПБ дисковых и 40 ПБ ленточных массивов. Национальный удостоверяющий центр РДИГ в НИЦ «Курчатовский институт» обеспечивает аутентификацию российских исследователей в международных проектах.
Развитие любой вычислительной парадигмы, в том числе мета-компютинга, как правило, следует за переходом от небольших локальных вычислений к межрегиональным, а затем к вычислениям внутри всей вертикально интегрированной нефтегазовой компании. Метакомпьютинг использует двухэтапный цикл. На первом этапе создается метакомпьютер, ко-
торый интегрирует простаивающие ресурсы в небольшой области (например, на месторождении). На втором этапе привлекаются дополнительные ресурсы от нефтегазовой компании. В эпоху Web 3.0 пользователи нефтегазовых компаний будут не только обрабатывать большие геоданные и владеть ими, но также распространять их внутри контура своей компании.
Заключение
Нефтегазовый Интернет вещей (PIoT) использует инфраструктуру Интернета, чтобы обеспечить взаимосвязь и поток геоданных между различными сетями внутри нефтегазовой компании. Среда с нулевым доверием и механизм стимулирования в метакомпьютинге нацелена на обеспечение более интенсивного обмена большими геоданными и новыми геознаниями, инновационными технологиями внутри нефтегазовой компании. Суперкомпьютинг и метакомпьютинг позволят обеспечить достаточную вычислительную мощность для поддержки распределенного сбора, хранения и обработки больших геоданных с использованием нефтегазового Интернета вещей - PIoT. Симбиоз суперкомпьютинга и метакомпьютинга нацелен на обеспечение широкомасштабного совместного принятия решений как в существующих так и вновь создаваемых нефтегазовых киберфи-зических системах, и будут стимулировать более частую смену вычислительных парадигм, в том числе в нефтегазовом производстве.
Статья подготовлена в рамках выполнения государственного задания (тема «Фундаментальный базис энергоэффективных, ресурсосберегающих и экологически безопасных, инновационных и цифровых технологий поиска, разведки и разработки нефтяных и газовых месторождений, исследование, добыча и освоение традиционных и нетрадиционных запасов и ресурсов нефти и газа; разработка рекомендаций по реализации продукции нефтегазового комплекса в условиях энергоперехода и политики ЕС по декарбонизации энергетики (фундаментальные, поисковые, прикладные, экономические и междисциплинарные исследования)», номер гос. Рег. № НИОКТР в РОСРИД122022800270-0.
Список литературы
1. Дмитриевский А. Н., Еремин Н. А. Нефтегазовый суперкомпьютинг и цифровизация - состояние и тренды развития // Сб. науч. тр. «Супервычисления и математическое моделирование». Саров, 15-19 октября 2018 года. Саров: Российский Федеральный ядерный центр -Всероссийский научно-исследовательский институт экспериментальной физики, 2018. С. 62-64. EDN XYLIEH.
2. Филамофитский М. П. Система поддержки метакомпьютерных расчетов X-Com: архитектура и технология работы // Вычислительные методы и программирование. 2004. Т. 5. № 2. С. 1-9. EDN HKVCFT.
3. Эволюция системы метакомпьютинга X-Com / В. В. Воеводин, Ю. А. Жолудев, С. И. Соболев, К. С. Стефанов // Вестник Нижегородского университета им. Н.И. Лобачевского. 2009. № 4. С. 157-164. EDN KRSNAV.
4. Xiuzhen Cheng Meta Computing / Xiuzhen Chengy [and others] // Journal of latex class files, 2020. Vol. 18. No. 9. Р.1-11. DOI:10.48550/arXiv.2302.09501.
5. Дмитриевский А. Н., Еремин Н. А. Цифровые технологические полигоны и сланцевая революция // Недропользование XXI. 2022. Т. 93. № 1. С. 26-35. EDN DNMYPZ.
6. Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин: пат. № 2745136 C1 РФ. № 2020129671: заявл. 08.09.2020: опубл. 22.03.2021.
7. Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин: пат. № 2745137 C1 РФ. № 2020129673: заявл. 08.09.2020: опубл. 22.03.2021.
8. Дмитриевский А Н., Столяров В. Е., Еремин Н. А. Актуальные вопросы и индикаторы цифровой трансформации на заключительной стадии нефтегазодобычи промыслов // Научно-технический журнал «SOCAR Proceedings». Научные труды НИПИ Нефтегаз ГНКАР. Спецвыпуск SOCAR Proceedings Special Issue 2021. No.2 Р 001-013. http://dx.doi.org/10.5510/OGP2021SI200543.
9. Интеллектуальные системы предупреждения осложнений для безопасного строительства скважин / А. Н. Дмитриевский, Н. А. Еремин, А. Д. Черников, С. О. Бороздин // Безопасность труда в промышленности. 2022. № 6. С. 7-13. DOI 10.24000/0409-2961-2022-6-7-13. EDN WSKHDO.
10. Обеспечение безопасности строительства скважин на основе использования интеллектуальных систем раннего предупреждения осложнений / А. Н. Дмитриевский, Н. А. Еремин, М. Я. Гельфгат, А. И. Архипов // Труды Российского государственного университета нефти и газа имени И.М. Губкина. 2022. № 1(306). С. 40-51. DOI 10.33285/2073-9028-2022-1(306)-40-51. EDN UTEIWF.
11. Инновационные технологии предупреждения поглощения бурового раствора при строительстве скважин / А. Д. Черников, Н. А. Еремин, А. В. Замрий, С. П. Черных // Известия Тульского государственного университета. Науки о Земле. 2022. Вып. 2. С. 399-414. DOI 10.46689/22185194-2022-2-1-399-414. EDN QEGVHN.
Еремин Николай Александрович, д-р техн. наук, проф., гл. науч. сотр., ermn@mail.ru, Россия, Москва, Институт проблем нефти и газа Российской Академии наук (ИПНГ РАН); Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина (РГУ нефти и газа (НИУ) имени И.М. Губкина)
EVOLUTION OF THE DIGITAL OIL AND GAS ECOSYSTEM FROM SUPERCOMPUTING
TO METACOMPUTING
N. A. Eremin
The subject of the study is the consideration of trends in the evolution of the digital oil and gas ecosystem from supercomputing to metacomputing. The key factor constraining the innovative development of the Russian oil and gas complex is the lack of highperformance computing systems. The key oil and gas tasks requiring the involvement of super- and metacomputing of the peta and exaflop performance levels (1015 and 1018 floatingpoint operations per second, respectively) include the tasks of managing the "digital twin" of the oil and gas complex as a whole, the world's largest West Siberian oil and gas production center and unique oil and gas real-time monitoring of oil and gas fields, and training of highly qualified oil and gas specialists in this field.
Key words: evolution, digital oil and gas ecosystem, supercomputing, metacomputing.
Eremin Nikolay Alexandrovich, doctor of technical sciences, professor, leading science officer, ermn@mail.ru, Russia, Moscow, Institute of Oil and Gas Problems of the Russian Academy of Sciences (IPNG RAS); Gubkin Russian State University of Oil and Gas (National Research University) (Gubkin Russian State University of Oil and Gas (NRU))
Reference
1. Dmitrievsky A. N., Eremin N. A. Oil and gas supercomputing and digitalization -the state and trends of development // Sb. nauch. tr. Su-primary calculations and mathematical modeling. Sarov, October 15-19, 2018. Sarov: Russian Federal Nuclear Center - All-Russian Research Institute of Experimental Physics, 2018. pp. 62-64. EDN XYLIEH.
2. Filamofitskiy M. P. Support system for metacomputer calculations X-Com: architecture and technology of work // Computational methods and programming. 2004. Vol. 5. No. 2. pp. 1-9. EDN HKVCFT.
3. Evolution of the X-Com metacomputing system / V. V. Voevodin, Yu. A. Zho-ludev, S. I. Sobolev, K. S. Stefanov // Bulletin of the Lobachevsky Nizhny Novgorod University. 2009. No. 4. pp. 157-164. EDN KRSNAV.
4. Xiuzhen Cheng Meta Computing /Xiuzhen Chengy [and others] // Journal of latex class files, 2020. Vol. 18. No. 9. pp.1-11. DOI:10.48550/arXiv.2302.09501.
5. Dmitrievsky A. N., Eremin N. A. Digital Technological polygons and the shale revolution // Subsoil use XXI. 2022. Vol. 93. No. 1. pp. 26-35. EDN DNMYPZ.
6. Automated system for detecting and predicting complications during the construction of oil and gas wells: Patent No. 2745136 C1 of the Russian Federation. No. 2020129671: application 08.09.2020: publ. 22.03.2021.
7. Automated system for detecting and predicting complications during the construction of oil and gas wells: Patent No. 2745137 C1 of the Russian Federation. No. 2020129673: application 08.09.2020: publ. 22.03.2021.
8. Dmitrievsky A. N., Stolyarov V. E., Eremin N. A. Actual issues and indicators of digital transformation at the final stage of oil and gas production of fields // Scientific and Technical journal "SOCAR Proceedings". Scientific works of NIPI Neftegaz SOCAR. SOCAR Proceedings Special Issue 2021. No.2 P 001-013. http://dx.doi.org/10.5510/OGP2021SI200543 .
9. Intelligent complication prevention systems for safe well construction / A. N. Dmitrievsky, N. A. Eremin, A.D. Chernikov, S. O. Borozdin // Occupational safety in industry. 2022. No. 6. pp. 7-13. DOI 10.24000/0409-2961-2022-6-7-13. EDN WSKHDO.
10. Ensuring the safety of well construction based on the use of intelligent systems for early warning of complications / A. N. Dmitrievsky, N. A. Eremin, M. Ya. Gelfgat, A. I. Arkhipov // Proceedings of the Gubkin Russian State University of Oil and Gas. 2022. No. 1(306). pp. 40-51. DOI 10.33285/2073-9028-2022-1(306)-40-51. EDN UTEIWF.
11. Innovative technologies for preventing the absorption of drilling mud during the construction of wells / A.D. Chernikov, N. A. Eremin, A.V. Zamri, S. P. Chernykh // Izvesti-ya Tula State University. Earth sciences. 2022. Issue. 2. pp. 399-414. DOI 10.46689/22185194-2022-2-1-399-414. EDN QEGVHN.
УДК: 622.276
О ВОЗМОЖНОСТЯХ ПРИМЕНЕНИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РЕШЕНИИ НЕФТЕГАЗОВЫХ ЗАДАЧ
Н. А. Еремин, Д. А. Селенгинский
Рассматривается применение методов искусственного интеллекта в нефтегазовом производстве. В нефтегазовой отрасли внедрение методов искусственного интеллекта повышает показатели эффективности и производительности применяемых технологий. Это обеспечивает лучшие результаты, что делает инструменты ИИ важной технологией в работе отрасли. В данной статье рассматривается внедрение методов искусственного интеллекта для эффективного планирования, предупреждения осложнений и аварийных ситуаций, определения свойств породы-коллектора, оптимизации бурения и производственных мощностей. Обладая точным знанием проницаемости и пористости, инженеры могут разработать план разработки пласта и эффективно управлять извлечением углеводородов. Для прогнозирования пористости в моделях, основанных на искусственном интеллекте, используются данные каротажа и сейсмические характеристики. Прогноз проницаемости выводится путем рассмотрения различных типов данных каротажа скважин при моделировании методом искусственного интеллекта для прогнозирования. Методы искусственного интеллекта, которые могут быть обучены накопленной базой данных из реальных экспериментов, компьютерного моделирования и журналов с действующих месторождений, имеют возможность предсказывать возникновение осложнений и аварийных ситуаций. Инструменты искусственного интеллекта могут помочь в оптимизации производства, повышении эффективности добычи и извлечении углеводородов.
Ключевые слова: искусственные интеллект, нейронные сети, организация производства, выбор кадров, контроль рабочей техники, выявление аномалий, прогнозирование осложнений, бурение скважин, геолого-технологическая информация, предотвращение аварий, автоматизированная система, строительство скважин, нефтедобыча.
