Как BigData и Machine Learning в нефтегазовой отрасли

Как Big Data и Machine Learning в нефтегазовой отрасли экономит миллиарды

Согласно заявлению Валерия Селезнева, первого зампреда Комитета по энергетике Госдумы РФ, сделанному в сентябре 2018 г. на VIII ежегодной конференции «Нефтегазопереработка-2018», нефтегазовая отрасль в России является главным источником валютных и налоговых поступлений страны. На ее долю приходится порядка 12% всего промышленного производства и более 40% поступлений в бюджет. Однако, несмотря на почти вековую отечественную историю этой индустрии, ее современное состояние сопровождается множество проблем, решить которые должны новейшие информационные технологии [1]. В частности, задачи оценки надежности и прогнозирования осложнений при эксплуатации оборудования с использованием машинного обучения Machine Learning в нефтегазовой отрасли, подбора методов увеличения нефтеотдачи, оптимизации транспортных маршрутов и схем поставок оборудования и продукции, а также прогнозирования эффективности разработки новых месторождений [2].

Данные направления обусловлены специфическими особенностями нефтегазовой отрасли [3]:

непрерывность сложной технологической цепочки – от геологоразведки до транспортировки нефте- и газопродуктов;
географическая распределенность промысловых и обрабатывающих объектов;
непрерывная эксплуатация дорогостоящего оборудования в агрессивных условиях.

Распределенная структура и большая капиталоёмкость индустрии приводят к ежедневному появлению множества разновариантных данных, которые необходимо собирать и анализировать с целью сокращения текущих расходов и повышения будущей прибыли. Это является стимулом внедрения технологий Big Data и Machine Learning в нефтегазовой отрасли в производственные процессы, в частности, систем прогностической или предиктивной аналитики [4].

Зарубежный опыт по использованию технологий Machine Learning в нефтегазовой отрасли

Сокращение сроков строительства скважин на 30 %, а общей стоимости скважины — на 15%

Благодаря системам прогнозирования и упреждения осложнений при эксплуатации скважин установками электроцентробежных насосов на морских платформах, компании British Petroleum удалось снизить эксплуатационные затраты более чем на 2 миллиона долларов за счет повышения межремонтного периода работы скважин и уменьшения времени простоя в ожидании ремонта [2].

Оптимизация расписания диагностических проверок нефтегазового оборудования

Аналогичные результаты показывает внедрение алгоритмов машинного обучения (Machine Learning) в одно из подразделений американской корпорации GE, General Electric Oil & Gas, которое производит оборудование для нефтегазового сектора. Сенсоры, установленные на продаваемой технике, оперативно собирают информацию о состоянии нефтедобычи. Автоматизированный анализ собранных данных позволял инженерам компании оптимизировать расписание диагностических проверок, улучшить эффективность использования оборудования и снизить время «простоя» за счет превентивного выявления возможных неисправностей. В результате этого наблюдается увеличение ежегодной добычи энергоресурсов и снижение убытков от неэффективного использования техники [5].

Снижение себестоимости добычи нефтепродуктов за счет концепции «цифрового месторождения»

Цифровым месторождением называют активы, которые оснащены набором систем мониторинга и удаленного контроля, а также специализированным программным обеспечением для производственных процессов [6]. Подход нацелен на прирост добычи нефти и газа, а также сокращение простоев и трудозатрат за счет оптимизации работ и снижения недоборов. Цифровые месторождения обеспечивают оптимальный технологический режим добычи нефти, что позволяет снизить себестоимость добычи на 7-10%, а себестоимость эксплуатации промыслового объекта – на 20%. Компании Shell, Chevron, BP и Schlumberger активно используют этот подход не только для непрерывного мониторинга за состоянием своих технологических систем и процессов, но и для прогнозного моделирования ожидаемых и внештатных ситуаций в краткосрочном и долгосрочном периодах.

цифровое месторождение с использованием Machine Learning в нефтегазовой отрасли — Использование Машинного обучения Machine Learning в нефтегазовой отрасли для цифровизации скважин

Отечественные реалии по использованию технологий Machine Learning в нефтегазовой отрасли

В нашей стране тоже есть успешные проекты внедрения предиктивной аналитики в предприятия нефтегазового сектора. Наиболее подробно в СМИ освещены результаты подразделений компании «Газпром» [2, 5, 6].

Выявление причин сбоев автоматического перезапуска насосов после аварийного отключения электропитания

В ПАО «Газпромнефть» были проанализированы более 200 миллионов разновариантных записей, полученных за год с контроллеров систем управления на 1649 скважинах, записи рестартов напряжения из аварийных журналов и факторы зависимости работы насосов от скважинных условий, особенностей эксплуатации, схемы электроснабжения и др.

Аналитические инструменты Big Data позволили сформировать и проверить набор гипотез о причинах сбоев и получить информацию о ранее неизвестных взаимосвязях в работе насосного оборудования, например, о появлении эффекта турбинного вращения, приводящего к обратному сливу нефти при отключении электропитания насоса.

Моделирование промысловых объектов и запуск цифровых месторождений

В настоящее время ПАО «Газпромнефть» исследует алгоритмы автоматизированного выбора оптимальной системы разработки вновь вводимых месторождений и оптимизации режимов работы скважин на длительно разрабатываемых объектах для максимизации добычи. Это позволит уже на этапах планирования подобрать наиболее эффективную технологию освоения месторождений, а при их дальнейшей эксплуатации – повысить эффективность выработки остаточных извлекаемых запасов. Потенциальный экономический эффект оценивается в 1 миллион тон дополнительной добычи. Еще запущен проект интеллектуального поиска объектов-аналогов по заданному набору критериев с помощью машинного обучения, реализация которого до 2025 г. позволит сократить затраты компании на 4 миллиарда рублей.

Проект по поиску пропущенных интервалов по данным геофизических исследований скважин, который может принести около 500 тысяч тонн дополнительной добычи на текущих добычных активах [2]. Экспертный анализ пропущенных интервалов показал, что цифровая модель месторождения позволяет выделить на 14% больше дополнительных эффективных толщин, чем показывают текущие результаты интерпретации данных используемых геоинформационных систем [5].

Выявление воровства газа

В 2018 г. «Газпром» разработал новый аналитический алгоритм для установки во всех своих дочерних газоснабжающих и газораспределительных компаниях. Например, сейчас наиболее остро проблема воровства стоит в Северо-Кавказском федеральном округе, где потери газа достигают 3,5 миллиарда кубометров в год, т.е. 16 миллиардов рублей. Планируется сократить дисбаланс учтенного и неучтенного топлива за счет непрерывного сбора данных о потреблении, их систематизации и мониторинга потребления по балансовым зонам. Прогнозируемая отслеживаемость – не менее 90% от всего объема потребления [6].

предиктивная аналитика BigData и Machine Learning в нефтегазовой отрасли — Использование инструментов предиктивной аналитики больших данных BigData в нефтегазовом секторе

Мы рассмотрели только некоторые примеры успешного внедрения технологий Big Data и Machine Learning в нефтегазовой отрасли. А какие именно методы, средства и инструменты анализа и обработки больших данных и машинного обучения используются для решения подобных и множества других задач, вы узнаете на наших практических курсах.

Мы предлагаем курсы для руководителей по основам Больших данных, обучение для администраторов кластеров Hadoop и NoSQL, курсы для инженеров по настройке pipelines для наполнения озера данных Data Lakes и, конечно, обучение для Data scientists — аналитиков по работе с большими данным и специалистов по машинному обучению.

Подробную информацию смотрите об обучении здесь. Ждем Вас на занятиях!

Источники

Как Big Data и Machine Learning в нефтегазовой отрасли экономит миллиарды

Зарубежный опыт по использованию технологий Machine Learning в нефтегазовой отрасли

Отечественные реалии по использованию технологий Machine Learning в нефтегазовой отрасли

Публикации по теме