CC BY
0
ЭКОНОМИКА
УДК 622.276
О СОВРЕМЕННОМ РАЗВИТИИ НЕФТЕГАЗОВОЙ ЭКОНОМИКИ
Н.А. Еремин, В.Е. Столяров, И.К. Басниева, П.Н. Еремина
Рассматривается развитие нефтегазовой экономики в современных условиях. Ключевым фактором, сдерживающим инновационное развитие российского нефтегазового комплекса, является недостаточность высокопроизводительных вычислительных систем. К важнейшим нефтегазовым задачам, требующим привлечения суперкомпьютинга, относятся задачи управления нефтегазовым производством в реальном масштабе времени на основе цифровой нефтегазовой экосистемы.
Ключевые слова: нефтегазовая экономика, эволюция, цифровая нефтегазовая экосистема, суперкомпьютинг.
При современном состоянии нефтегазовой отрасли, мир может столкнуться с острым дефицитом нефти и газа из-за недоинвестирования отрасли. Организация стран-экспортеров нефти (ОПЕК) в своем обзоре прогнозировала на 2023 г. рост инвестиций в разведку и добычу нефти и газа со стороны стран, не входящих в ее состав, на 10 % до $474 млрд Для поддержания текущего уровня добычи углеводородов, по оценкам ПАО Роснефть, необходимо вложить около $17 трлн до 2040 г. В 2022 г. инвестиции в добычу нефти в России выросли на 17,7 % до 1,8 трлн руб. В I квартале 2023 г. нефтекомпании «продолжали активно инвестировать», но во II квартале началось постепенное снижение вложений, которое продлилось до конца года. В результате инвестиции в 2023 г. снизились на 7,6 % по сравнению с 2022 г. и составили 1,68 трлн руб. Ожидаемый рост спроса на нефть в мире в 2023 году оправдался, в основном, за счет Азиатских стран.
Заместитель Председателя Правительства РФ Александр Новак отмечал, что возможно падение добычи нефти в России до 515 млн т в 2023 г. (-3,7 % к прошлому году). Это произойдет из-за того, что Россия решила добровольно уменьшить добычу в 2023 году на 500 000 барр./сутки. Общее сокращение добычи нефти странами ОПЕК+, включая Россию, составит 1,66 млн барр./сутки. На динамику добычи нефти в России будут влиять ограничение экспорта российского сырья, санкционный запрет на поставки
оборудования и технологий для добычи нефти в страну и установленный недружественными странами потолок цен на нефть, поставляемую из России, в $60/барр.
Для сохранения текущего уровня добычи нефти в России российским нефтяникам в 2024-2030 гг. придется ежегодно наращивать инвестиции на 62 млрд руб (источник: Kasatkin Consulting). Возможны три сценария развития добычи нефти до 2030 г. Первый предполагает, что добычу в 20242030 гг. удастся сохранить на уровне 2023 г., при условии наращивания инвестиций на 62 млрд руб. ежегодно, т. е. суммарно на 434 млрд руб. Второй сценарий развития событий до 2030 г. основывается на том, что размер инвестиций в добычу нефти в России не увеличится и останется на уровне 2023 г. В этом случае объем производства нефти снизится на 20,2 % и составит в 2030 г. 411 млн т. Третий сценарий предусматривает рост инвестиций на 90 млрд руб. ежегодно и достижение к 2030 г. уровня в 2,3 трлн руб. в год. При этом сценарии развития добыча нефти в России вырастет почти на 11 % в сравнении с 2023 г.
Россия в 2022г увеличила экспорт нефти в Индию в 19 раз, до 41 млн т, в Китай - на 28%, до 89 млн т. Мощности магистральных нефтепроводов к 2026 году будут увеличены на 32 млн т. Россия и Вьетнам обсуждают участие в разработке Северо-Пуровского месторождения в Западной сибири. Компания «Роснефть» подтвердила на 2023 г. транспортировку 30 млн т нефти по нефтепроводу «Сковородино-Мохэ». Поставки РФ нефти в Азиатские страны уже в мае 2022 г. впервые превысили объем экспорта в Европейские страны.
В 2022 г. был принят закон, который увеличил налог на добычу полезных ископаемых (НДПИ) в 2023-2025 гг. для нефтедобывающих компаний. По расчетам правительства, за три года бюджет страны должен получить от повышения НДПИ на нефть, 629 млрд руб. РФ увеличивает экспорт газа в Азию к 2030 г. в 5 раз - до 170 млрд куб. м. Газ будет переходным топливом на фоне декарбонизации, спрос на него к 2030 г. вырастет до 10 %, на сжиженный природный газ (СПГ) - до 54 %. Новые СПГ-заводы на Ямале и Гыдане к 2030 г. обеспечат производство СПГ на уровне 100 млн т.
Обеспечение ускоренного внедрения цифровых технологий в экономике - одна из важнейших задач и приоритетов развития России, которые определены Указом Президента РФ от 7 мая 2018 г. №2 204 «О национальных целях и стратегических задачах Российской Федерации на период до 2024 года». Значительное ускорение внедрения цифровых технологий в нефтегазовой экономике достигается в среде так называемых цифровых нефтегазовых экосистем (рис. 1).
Экосистема в природе - это место обитания сообщества живых организмов, связанных между собой обменом веществ и энергией.
Цифровая нефтегазовая экосистема - это пространственно-временная система экономических отношений, между поставщиками и потребителями нефтегазовых услуг/товаров с использованием рыночного конкурентного ценообразования на единой цифровой платформе с обработкой больших геоданных в режиме реального времени.
ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССОВ
Управление по сценариям
Прогнозирование осложнений
Роботизация рутинных операций
К
А Ш
Облачное управление Др»
Операционный контроль
Онлайн-моннторинг КПЭ {о}
Контроль качества
ЦИФРОВИЗАЦИЯ ОБЪЕКТОВ
Мультисенсоризация
К
Я *
Цифровой двойник объектов
Цифровой оператор и супервайзер
Центр сбора и обработки геоданных
Грндинг - системы передачи больших геоданных
Приграничный компьютинг
Нефтегазовый интернет вещей
Суперскважина
Рис. 1. Цифровая нефтегазовая экосистема «технологические объекты - цифровые АСУТП - цифровая платформа - центр управления
Производством»
Интеллектуализация процессов нефтегазового производства включает в себя: управление по сценариям развития; прогнозирование осложнений; роботизацию рутинных операций; облачное управление; операционный контроль; онлайн-мониторинг КПЭ и контроль качества [1]. Цифровизация нефтегазовых объектов опирается на мультисенсоризацию; создание цифровых двойников объектов; инновационное развитие в области цифрового оператора и супервайзера; развертывание центров сбора и обработки больших геоданных; гридинг-системы передачи больших геоданных; приграничный компьютинг на сенсорах и датчиках; нефтегазовый интернет вещей и суперскважины (бионические скважины).
Цифровая составляющая нефтегазовой экосистемы включает в себя: геологические/техногенные и инфраструктурные объекты; мульти-сенсор-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. Технологическая составляющая цифровой нефтегазовой экосистемы состоит из производственных блоков: поиск и разведка углеводородов; бурение скважин; разработка; добыча углеводородного сырья; транспорт; хранение; переработка; нефтегазохимия; 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, передачи, 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, нано-агенты) и макроструктур (таких как, геологические провинции, уникальные месторождения).
Одной из важных задач цифровой нефтегазовой экосистемы является интеграция вычислительных ресурсов нефтегазового интернета устройств, подключенных к Интернету. К 2030 г. число устройств достигнет 25 млрд штук, из них на нефтегазовый интернет вещей Р1оТ будет приходиться до 3 млрд штук. Растущие потребности в вычислительных ресурсах привели к тому, что традиционная модель «клиент-сервер» развивалась по трем направлениям, или вычислительным парадигмам (рис. 2).
Рис. 2. История развития вычислительных парадигм (по [4])
Непрерывное развитие высокопроизводительных кластеров привело к созданию пета- и экзамасштабных суперкомпьютерных центров и сервисов облачных вычислений. 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. Системы Frontier и Summit в Оак-Ридж, в одной из 17 Национальных лабораторий США [ 2], остаются системами № 1 и 2 в рейтинге TOP500. Система Frontier является единственной системой с производительностью HPL в 1,102 экзафлоп/с [3 - 4]. 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 (рис. 3). 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 [5]. 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 Cyberia с производительностью 12 Тфлопс. Обеспечение конкурентоспособности продукции нефтегазового комплекса России на мировом рынке требует 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.
600 June 2022
500 • China • United States • Japan • France 1 73 128 33 22
400
300
Germany • Canada 31 14
200
100 United Kingdom 12
• Russia 7
June 2019 June 2020 • Italy 6
Ф China # United States Japan • Rest of world 73
June 2022
Carada
United Kingdom
Germany Russia
Netherlands # Ireland в Italy в Rest of world
Рис. 3. Распределение суперкомпьютеров из списка TOP500 по странам
по состоянию на июнь 2022 г.
В настоящее время НИЦ «Курчатовский институт» эксплуатирует расположенные в Москве, Протвине 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 Тиер-1 и Тиер-2 глобальной грид-инфраструктуры Большого ад-ронного коллайдера (БАК), и которые можно подключить к нефтегазовым ЦОД в Москве и Геленджике, рис.4.
Рис. 4. Гридинг-развитие инфраструктуры Российского ГРИД для интенсивных операций с большими геоданными (РДИГ) на основе использования группы кластеров и суперкомпьютеров, Источник: по НИЦ "Курчатовский институт ", Объединенный
вычислительный кластер
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.
Линейный рост вычислительных ресурсов (центральных и графических процессоров, пропускной способности широкополосных каналов передачи больших геоданных) (рис. 4) не может удовлетворить экспоненциально растущий спрос со стороны нефтегазовых интернет устройств, непрерывно производящих огромное количество геоданных. Это противоречие привело
к появлению приграничных (Edge Computing) или периферийных вычислений, развитие которых началось в 21 веке [6-7]. Целью приграничных или периферийных вычислений является реализация координации между облачным компьютингом и вычислениями на периферийных сенсорах [8], т. е. полное использование простаивающих вычислительных ресурсов на периферийном сенсоре для обработки геоданных на месте их генерации, и перенос вычислительных задач на более удаленные ресурсы только тогда, когда периферийных 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 суперкомпьютинга и кибербезопасности в реальном режиме времени [9-10].
Развитие любой вычислительной парадигмы, как правило, следует за переходом от небольших локальных вычислений к межрегиональным, а затем к вычислениям внутри всей вертикально интегрированной нефтегазовой компании. В эпоху Web 3.0 пользователи нефтегазовых компаний будут не только обрабатывать большие геоданные и владеть ими, но также распространять их внутри своей компании.
Заключение
Нефтегазовый Интернет вещей (PIoT) использует инфраструктуру Интернета, чтобы обеспечить взаимосвязь и поток геоданных между различными сетями внутри цифровой нефтегазовой экосистемы. Среда с нулевым доверием и механизм стимулирования в экосистеме нацелены на обеспечение более интенсивного обмена большими геоданными и новыми геознаниями, инновационными технологиями внутри нефтегазовой компании. Суперкомпьютинг позволяет обеспечить достаточную вычислительную мощность для поддержки распределенного сбора, хранения и обработки больших геоданных с использованием нефтегазового Интернета вещей -PIoT. Цифровая нефтегазовая экосистема нацелена на обеспечение широкомасштабного совместного принятия решений как в существующих, так и вновь создаваемых нефтегазовых киберфизических системах, и будет стимулировать более частую смену вычислительных парадигм, в том числе в нефтегазовом производстве.
Научная статья подготовлена в рамках выполнения государственного задания, номер гос. рег. № НИОКТР в РОСРИД122022800270-0.
Список литературы
1. Цифровизация нефтегазового производства: проблемы, вызовы и риски / А. Н. Дмитриевский [и др.] // НИПИ Нефтегаз ГНКАР/ Socar Proceedings. 2023. № S2. С. 001-008.
2. Wang H., Chen S. Insights into the Application of Machine Learning in Reservoir Engineering: Current Developments and Future Trends. Energies, 2023. 16(3), 1392.
3. Purbey, R., Parijat, H., Agarwal, D., Mitra, D., Agarwal, R., Pandey, R. K., & Dahiya, A. K. (2022). Machine learning and data mining assisted petroleum reservoir engineering: a comprehensive review. International Journal of Oil, Gas and Coal Technology, 30(4), 359 [Электронный ресурс]. https://doi.org/10.1504/ijogct.2022.124412
4. Leveraging artificial intelligence and machine learning in software engineering: current trends and future directions. (2023). International Research Journal of Modernization in Engineering Technology and Science. [Электронный ресурс]. https://doi.org/10.56726/irjmets40422
5. Искусственный интеллект и его возможности в развитии нефтегазовой отрасли / В. С. Че [и др.] // Финансовая экономика. 2023. № 1. С. 163165.
6. Innovative technologies for preventing absorption of drilling mud during well construction / A. D. Chernikov [et al ]// Bulletin of the Tula State University. Earth Sciences. 2022. No. 2. P. 399-414.
7. Development of a Software Tool for Visualizing a Mine (Wellbore) in the Industrial Drilling of Oil Wells / F. Abu-Abed, K. Pivovarov, V. Zhironkin, S. Zhironkin // Processes. 2023. Vol. 11. No. 2. P. 624.
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.
9. Martinez V. Estimating Continuous Production Well Flow Rates Using Ensemble Machine Learning and Deep Learning Algorithms Day 1 Mon, October 02, 2023.
10. Discussion on Improving the Technical Level of Oil Field Energy Saving // Foreign Language Science and Technology Journal Database Engineering Technology. 2022.
Еремин Николай Александрович, д-р техн. наук, гл. науч. сотр., зав. Аналитическим центром, [email protected], Россия, Москва, Институт проблем нефти и газа Российской академии наук,
Столяров Владимир Евгеньевич, науч. сотр., [email protected], Россия, Москва, Институт проблем нефти и газа Российской академии наук,
Басниева Ирина Каплановна, науч. сотр., [email protected], Россия, Москва, Институт проблем нефти и газа Российской академии наук,
Еремина Полина Николаевна, лаборант, pollerm@,mail.ru, Россия, Москва, Российский государственный университет нефти и газа им. И.М. Губкина
ON THE MODERN DEVELOPMENT OF THE OIL AND GAS ECONOMY N. A. Eremin, V.E. Stolyarov, I.K. Basnieva, P.N. Eremina
The article discusses the development of the oil and gas economy in modern conditions. The key factor holding back the innovative development of the Russian oil and gas complex is the lack of high-performance computing systems. The most important oil and gas tasks that require the use of supercomputing include the tasks of managing oil and gas production in real time based on a digital oil and gas ecosystem.
Key words: oil and gas economy, evolution, digital oil and gas ecosystem, supercomputing.
Eremin Nikolay Alexandrovich, doctor of technical sciences, chief sciences officer, head of analytical center, [email protected], Russia, Moscow, Institute of Oil and Gas Problems of the Russian Academy of Sciences,
Stolyarov Vladimir Evgenyevich, scientist. officer, [email protected], Russia, Moscow, Institute of Oil and Gas Problems of the Russian Academy of Sciences,
Basnieva Irina Kaplanovna, scientist. officer, [email protected], Russia, Moscow, Institute of Oil and Gas Problems of the Russian Academy of Sciences,
EreminaPolinaNikolaevna, laboratory assistant, _pollerm@,mail.ru, Russia, Moscow, Gubkin Russian State University of Oil and Gas
Reference
1. The revolution of negative production: problems, production and Russia / A. N. Dmitrievsky [et al.] / / SOCAR of Labor. 2023. No. S2. pp. 001-008 .
2. Wang H., Chen S. Understanding the applications of machine learning in place development: current developments and current trends. Energy industry, 2023. 16(3), 1392.
3. Perbi R., Parijat H., Agarwal D., Mitra D., Agarwal R., Pandey R. K. and Dahiya. K. (2022). Machine Learning and Data Mining in Oil Field Development: A General Overview International Journal of Oil, Gas and Coal Technologies, 30 (4), 359. https://doi.org/10.1504/ijogct.2022.124412
4. The use of artificial intelligence and machine learning in software development: current trends and actions for the future. (2023). International Scientific Research Journal on Modernization of Engineering Technologies and Science https://doi.org/10.56726/irj-mets40422
5. Artificial intelligence and its capabilities in the development of the oil and gas industry / In S. Che [et al.] // Financial economics. 2023. No. 1. pp. 163-165.
6. Innovative technologies for ensuring the absorption of drilling mud during the construction of wells / A. D. Chernikov [et al. ] / / Bulletin of Tula State University. Earth Sciences. 2022. No. 2. pp. 399-414.
7. Software development for visualization of mines (borehole)in industrial oil drilling Abu-Abed, K. Pivovarov, V. Zhironkin, S. Zhironkin // in progress. 2023. Volume 11. No. 2. p. 624.
8. Dmitrievsky, V. Stolyarov. E., Erin N. A. Topical issues and indicators of digital transformation at the final stage of oil and gas production of fields // Scientific and technical
journal", - it is said in production". Scientific works of NIPI Neftegaz SOCAR Special issue of the journal SOCAR Proceedings. 2021. No.2. R. 001-013.
9. Martinez V. Estimation of production rates of wells with continuous operation using integrated machine learning and deep learning algorithms Day 1 Monday, October 02, 2023
10. Review of the fulfillment of the technical task of energy saving in oil fields // foreign scientific and technical journal Database Engineering Technology. 2022.
УДК 622.272:622.363.2
ОСНОВНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ КАЛИЙНОЙ ПРОМЫШЛЕННОСТИ В МИРЕ В НАСТОЯЩЕЕ ВРЕМЯ
А.Н. Земсков, Н.А. Липницкий, М.Ю. Лискова
Производство калийных удобрений - важный элемент обеспечения продуктами питания населения Земли. Основными разработчиками калийных месторождений являются Канада, Россия, Беларусь, которые владеют примерно 90 % мировых запасов калийных солей. В последние годы Узбекистан, Туркменистан и Казахстан активно взялись за развитие своей калийной промышленности. Разработка калийных месторождений в последние десятилетия характеризуется увеличением глубины разработки, что предъявляет новые серьезные требования к технологии горных работ и горному оборудованию.
Ключевые слова: калийные месторождения, геологические запасы, логистика доставки, экспертная оценка, горнотехнические условия, проходческо-добычные комбайны.
Численность населения Земли неуклонно растет. По прогнозам ООН, к 2050 году на планете будет более 9,7 млрд человек, сейчас - примерно 7,9 млрд, т.е. за 28 лет население Земли увеличится на 1,8 млрд [1].
Чтобы обеспечить такое количество людей продовольствием, нужно наращивать сельскохозяйственное производство, а для этого необходимо использовать еще больше удобрений. К настоящему времени с использованием удобрений производится уже больше половины всех продуктовпита-ния, особенно в высокоразвитых странах.
Большинство стран не имеют собственных запасов калия и уже сейчас 25,9 % (почти 2 млрд человек) населения Земли испытывают проблемы с продуктами питания. Каждый год количество голодающих на Земле увеличивается на 10 млн.
Калийная отрасль - одна из самых консолидированных в мире, три страны (Канада, Россия и Беларусь) владеют, по разным данным, от 83,3 до 90,9 % всех мировых запасов калийных солей.
Калийные удобрения более эффективно влияют на величину урожая, если их применять в комплексе с азотными и фосфорными удобрениями. В
