ОПЫТ ИСПОЛЬЗОВАНИЯ БОЛЬШИХ ДАННЫХ В РОССИЙСКИХ НЕФТЯНЫХ КОМПАНИЯХ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 62

К.И. Баширов, М.С. Костенко, А.М. Дятлов

ОПЫТ ИСПОЛЬЗОВАНИЯ БОЛЬШИХ ДАННЫХ В РОССИЙСКИХ НЕФТЯНЫХ КОМПАНИЯХ

Доклад посвящён опыту использовании Больших Данных в нефтяной сфере промышленности в России, а также как они эффективны при внедрении в производство. В частности, был рассмотрен этот способ на примере компании ПАО «Газпром нефть».

Ключевые слова: жидкости, нефть, Большие Данные, Газпром, технологии, оптимизация, ИТ

Нефтегазовые компании в процессе своей деятельности получают петабайты данных каждый день, использование больших данных открывает возможности анализа и предсказания развития трендов в области геологии, инженерии, производства и наилучшего способа использования оборудования для достижения наиболее оптимальных результатов работы на всех стадиях своей деятельности, начиная от разведки и добычи, заканчивая переработкой и реализацией готовой продукции. Наиболее успешное применение данной технологии способствует снижению издержек и получению максимальной прибыли за счет использования взаимодополняющих методов предсказания.

Сбор данных может осуществляться не только на стадии добычи и переработки, но и при прогнозировании стоимости продукции, что в целом дает общее представление об оптимизации бизнес-процессов компании, для выбора наилучшего производственного цикла, что в целом повышает возможности компании на рынке.

Для каждого производственного цикла можно выделить следующие преимущества использования технологии больших данных:

Разведка - моделирование и предсказание наиболее вероятных участков добычи с потенциально оптимальными объемами сырья;

Добыча - сбор и переработка данных в целях оптимизации использования оборудования и способов добычи.;

Переработка - улучшение методов и результатов переработки сырья в конечную продукцию в зависимости от цен на рынке, а также для сохранения ресурса перерабатывающего оборудования;

Транспортировка - большие данные позволят выявить потенциальные потребности того или иного сырья в соответствующих регионах а также выявить наиболее оптимальную нагрузку на средства доставки;

Реализация - в данном разделе большие данные способствуют максимальной отдачи при прогнозировании рынка регионов, в целях определения потенциально-прибыльных потребностей в том или ином виде сырья, а также его количества.

По оценочным расчетам компании ПАО «Газпром нефть» внедрение систем предиктивной аналитики на основе анализа больших данных в бурении позволяет сократить сроки строительства скважин на 30 %, а общую стоимость скважины, включая заканчивание и освоение, на 15 % [1]. Также посредством инструментов Big Data успешно решается широкий круг задач в логистике: от оптимизация транспортных маршрутов и схем поставок оборудования до повышения эффективности работы АЗС. Одним из перспективных, но не новым направлением является прогнозирование отказа погружного оборудования. Так, компания BP имеет успешный опыт внедрения системы для прогнозирования и упреждения осложнений при эксплуатации скважин установками электроцентробежных насосов на морских платформах [2, 3]. Уже в ходе тестового применения технологии компании удалось снизить эксплуатационные затраты на 2 млн долл США и более за счет повышения межремонтного периода работы скважин и уменьшения времени простоя в ожидании ремонта.

В ПАО «Газпром нефть» были выделены первоочередные направления для внедрения технологий Big Data. Наиболее перспективными видятся те, в которых априорное моделирование не позволяет получить достоверные и своевременные результаты.

Основными недостатками априорного моделирования являются:

© Баширов К.И., Костенко М.С., Дятлов А.М., 2019.

Научный руководитель: Куличков Сергей Владимирович - кандидат технических наук, доцент, Дальневосточный федеральный университет, Россия.

Вестник магистратуры. 2019. № 8-2(95)

ISSN 2223-4047

— ограниченная область применения моделей;

— низкая скорость вычисления (невозможность решения широкого круга задач в онлайн-режиме);

— большие трудозатраты на создание модели и обработку результатов;

— повышенные требования к количеству и качеству входных данных для сложных моделей.

В связи с текущей внешней конъюнктурой «Газпром нефть», как и другие нефтегазовые компании, столкнулась с необходимостью повышения операционной эффективности и оптимизации существующих бизнес-процессов. Помимо оптимизации процессов традиционными инструментами: бережливое производство, рационализаторство, секвестирование инвестиционного портфеля, акцент сделан на высокотехнологичные инструменты. Изучив мировой опыт, проанализировав стратегии крупнейших игроков рынка ИТ (IBM, Google, Amazon и др.), компания определила, что технологии Big Data и когнитивной аналитики в ближайшей перспективе займут одни из ключевых позиций в портфеле технологий энергетического сектора [4, 5].

Согласно результатам полномасштабной диагностики, выполненной совместно с ведущими мировыми вендорами по консалтингу в сфере ИТ и технологического развития, перспективными для внедрения технологий Big Data признано более 20 бизнес-факторов из 130 в блоке upstream ПАО «Газпром нефть».

Выделены приоритетные задачи:

— поиск объектов-аналогов;

— обработка массивов данных сейсморазведки;

— суррогатное гео лого-гидродинамическое моделирование;

— восстановление исторических эксплуатационных данных;

— комплексирование и анализ данных исследований в масштабах месторождения;

— обработка данных исследований в режиме реального времени;

— обработка данных скважинных операций и методов увеличения нефтеотдачи;

— выявление и прогнозирование осложнений в режиме реального времени;

— автоматизация процессов сбора, обработки и подготовки больших массивов данных в рамках проекта «Цифровое месторождение».

Отдельные компоненты технологий Big Data опробованы или применяются для решения бизнес -задач по прогнозу эффективности сложных геолого-технических мероприятий, кластеризации скважин по фациальным признакам, автоматизации интерпретации результатов сейсмических исследований и др.

Одним из примеров подобных проектов является внедрение предиктивной аналитики в процессы управления электроцентробежными насосами, выполненное совместно с компанией Teradata. Целью пилотного проекта под названием «Аналитика самозапусков установок электроцентробежных насосов после аварийных отключений электроэнергии», реализация которого завершилась в августе 2015 г., стало использование инструментов Big Data для выявления причин сбоев автоматического перезапуска насосов после аварийного отключения электропитания. Для проведения исследований рабочая группа, в которую вошли специалисты Научно-технического центра, IT-департамента ПАО «Газпром нефть» и компании Teradata, использовала более 200 млн записей, полученных в 2014 г. с контроллеров систем управления на 1649 скважинах, а также записи рестартов напряжения из аварийных журналов. Изучение и анализ этой информации с использованием традиционных инструментов оказались невозможны из-за большого объема неструктурированных данных: в каждой модели системы управления применяются различные форматы записей. При этом решение задачи осложнялось зависимостью работы насосов от множества различных факторов: скважинных условий, условий эксплуатации, схемы электроснабжения и др. С помощью аналитической системы все данные были обработаны, созданы визуализированные модели цепочек событий, относящиеся к самозапуску насосов, а также карты вероятностного распределения причинно-следственных связей. Применение инструментов Big Data позволило не только сформировать и проверить набор различных гипотез о причинах сбоев в автозапуске, но и получить информацию о ранее неизвестных взаимосвязях в работе насосного оборудования, в частности, о появлении в ряде случаев эффекта турбинного вращения, приводящего к обратному сливу нефти при отключении электропитания насоса. И это только первый шаг, который компания сделала на пути к применению технологий Big Data.

Однако подобный процесс «точечного» применения технологий Big Data не позволяет получить прорывного эффекта, способного кардинально повысить эффективность текущей деятельности. В связи с этим в компании инициирован ряд полномасштабных проектов, где технологии Big Data являются основополагающими. Совместно с компанией IBM разрабатываются алгоритмы для автоматизации процесса выбора оптимальной системы разработки вновь вводимых месторождений и оптимизации режимов работы скважин на длительно разрабатываемых месторождениях для максимизации добычи. Применение данной технологии позволит компании уже на этапах планирования подбирать наиболее эффективную технологию освоения месторождений, а при их дальнейшей эксплуатации интегрально рассматривать все

процессы, происходящие в пласте, и повышать эффективность выработки остаточных извлекаемых запасов. Эффект от внедрения данной технологии оценивается компанией в 1 млн т потенциальной дополнительной добычи.

На основе когнитивных технологий реализуется проект, направленный на поиск пропущенных интервалов по данным геофизических исследований скважин. Потенциальный эффект от его внедрения оценивается на уровне 500 тыс. тонн дополнительной добычи на текущих добычных активах. Запущен проект интеллектуального поиска объектов-аналогов по заданному набору критериев с помощью машинного обучения. В результате его реализации ожидается сокращение затрат на 4 млрд руб. до 2025 г.

Дополнительно «Газпром нефть» уделяет особое внимание накоплению и распространению критически важных производственных знаний. В информационной Системе Распространения Знаний внедряется технология гибридного интеллектуального поиска, способная отвечать на запросы пользователей, поданные на естественном языке. Например, если запрос сформулирован в формате «Что является наилучшим методом геологоразведки для поиска месторождений нефти и газа», то система выдаст ответ «С наивысшей долей вероятности это сейсморазведка, хотя также применяется электро- и гравиразведка» и отсортирует результаты по релевантности на основе источников и документов, индексируемых системой.

Все перечисленные технологии направлены на повышение эффективности существующих процессов и создание технологического задела в ПАО «Газпром нефть». Внедрение данных технологий позволит бизнесу получить ряд уникальных преимуществ.

1. Повышение качества и своевременности принятия производственных решений на основе геолого-гидродинамических моделей (ГГДМ) за счет повышения качества цифровых моделей, сокращения длительности цикла ГГДМ и минимизации влияния «человеческого фактора» при интерпретации исследований.

2. Повышение обоснованности и качества принятия инвестиционных решений в условиях сверхвысокой неопределенности в исходных данных, а зачастую их недостатка.

В рамках подхода к поиску открытых инноваций в смежных областях (фармацевтическая, аэрокосмическая, телекоммуникационная и др.) с целью выявления перспективных технологий запущен проект совместно компанией «Иннопрактика» — одним из ведущих вендоров по научно-технологическому бро-кериджу. К работе над проектом привлечены команды ведущих ученых, инженеров и экспертов в области когнитивных и информационных технологий со стороны «Газпромнефть НТЦ» и МГУ.

Согласно технологической стратегии Блока разведки и добычи в компании задан вектор развития информационных технологий, предполагающий эволюционный переход от систем поддержки принятия решений к полноценным экспертным системам, решающим широкий круг задач с минимальным участием человека.

Таким образом, ни одна современная компания не обходится без обработки цифровой информации, и темпы роста объема информации с каждым днем повышаются. Качество обработки и полнота информации являются залогом принятия правильных управленческих решений. На «плаву» большого потока информации останутся те компании, которые правильно понимают проблему и адекватно занимаются ее решением, в том числе развивая и внедряя технологии Big Data.

Библиографический список

1.Jacobs T. Automated Drilling Technologies Showing Promise//JPT. — 2015. — V. 67. — № 6 (June).

2. Machinery Predictive Analytics/ Rawi Zaid /SPE 128559. — 2010.

3. Introducing Predictive Analytics: Opportunities/ Stone P SPE 2017.

4. Подземное хранение гелия / С.А. Хан и др. - М.: Институт компьютерных исследований, 2015. - 272 c.

5. Насонов, Егор Владимирович Экономическая безопасность транспортировки нефтепродуктов / Насонов Егор Владимирович. - М.: LAP Lambert Academic Publishing, 2015. - 156 c.

6. Кудрявцев, Н. А. Глубинные разломы и нефтяные месторождения / Н.А. Кудрявцев. - М.: Государственное научно-техническое издательство нефтяной и горно-топливной литературы, 2017. - 220 c.

БАШИРОВ КОНСТАНТИН ИГОРЕВИЧ - ассистент, Дальневосточный федеральный университет, Россия.

КОСТЕНКО МАКСИМ СЕРГЕЕВИЧ - магистрант, Дальневосточный федеральный университет, Россия.

ДЯТЛОВ АРТЁМ МАКСИМОВИЧ - студент-бакалавр, Дальневосточный федеральный университет, Россия.