Реферат искусственный интеллект в нефтегазовой отрасли

Обновлено: 02.07.2024

Три миллиона баррелей нефти в день добываются Национальной нефтяной компанией Абу-Даби

Для переработки этой нефти, операции должны быть максимально эффективными. Нефтеперерабатывающие заводы должны избегать самого главного виновника, который может привести к остановке производственных процессов - непредвиденного обслуживания.

Например, если сломается компрессор - и нефтеперерабатывающий завод должен приостановить производство, пока он ремонтируется, - это повредит конечному результату.

Для оптимизации производства используют следующие технологии:

1) Цифровой двойник предприятия

Цифровой двойник — виртуальный прототип реального объекта, группы объектов или процессов. Это сложный программный продукт, который создается на основе самых разнообразных данных. Цифровой двойник не ограничивается сбором данных, полученных на стадии разработки и изготовления продукта — он продолжает собирать и анализировать данные во время всего жизненного цикла реального объекта, в том числе с помощью многочисленных IoT-датчиков.

Технология даёт возможность моделировать самые разные ситуации, которые могут возникать на производстве. Таким образом, цифровой двойник позволяет подбирать наиболее адекватные сценарии проведения технологических процессов, чтобы избежать сбоев и форс-мажоров.

Цифровой двойник завода должен позволить смоделировать ситуации с учетом различных факторов: от расположения оборудования, перемещения работников и проведения операций по ремонту до реакции приборов на изменение показателей солнечного освещения или какие-то чрезвычайные ситуации, объясняет эксперт. Это лишь примеры испытаний, моделирования и воздействий. Все зависит от задач бизнеса и типа изделия или объекта.

Для построения комплексной модели двойника используются численные методы моделирования физических процессов в материалах объекта. Это помогает прогнозировать реакцию изделия на эксплуатационные нагрузки, например, с помощью метода конечных элементов (FEA — Finite Element Analysis). С помощью этого метода можно моделировать поведение сложных систем путём разбиения их на множество элементов (клеток), достаточно малых для того, чтобы рассматривать их свойства как однородные. Метод широко используется для решения задач механики деформируемого твёрдого тела, теплообмена, гидродинамики и электродинамики.

Также применяются CAD-модели (англ. computer-aided design/drafting, средства автоматизированного проектирования), которые несут информацию о внешнем виде и структуре объектов, материалах, процессах, размерах и прочих параметрах. Используются также FMEA-модели (Failure Mode and Effects Analysis, анализ видов и последствий отказов), основанные на анализе надежности систем. Они могут объединять математические модели отказа со статистической базой данных о режимах отказа. Фактически это методология проведения анализа и выявления наиболее критических шагов производственных процессов.

Некоторые эксперты выделяют три типа двойников: цифровые двойники-прототипы (Digital Twin Prototype, DTP), цифровые двойники-экземпляры (Digital Twin Instance, DTI) и агрегированные двойники (Digital Twin Aggregate, DTA).

Так, на одном из европейских нефтеперерабатывающих предприятий система предиктивной аналитики Schneider Electric позволила предсказать сбой большого компрессора за 25 дней до того, как он случился. Это сэкономило компании несколько миллионов долларов.

Решение включило в себя множество различных пакетов — предиктивная аналитика, real-time визуализация, система моделирования различных сценариев работы предприятия и различных инцидентов. Также проект предполагал моделирование и оптимизацию энергопотребления.

2) Анализ данных с помощью программного обеспечения Honeywell Forge

программное обеспечение Honeywell Forge безопасно собирает данные и обрабатывает их с помощью аналитики, определенной в библиотеке моделей AI.

Благодаря этому партнерству с ADNOC мы работаем над разработкой предписывающих рекомендаций, включая оптимальное время для поддержки актива и различные ключевые показатели эффективности (KPI) для мониторинга и постоянного улучшения операций.

Например, вместо того, чтобы выполнять необходимое техническое обслуживание каждые две недели - независимо от того, нуждается ли оборудование в работе или нет, - идеи могут спроектироваться именно тогда, когда необходимо техническое обслуживание.

Искусственный интеллект (ИИ) как научное направление представляет собой наглядный пример интеграции различных научных областей. Специалисты в естественно-научных областях и вычислительных науках изучают свойства и функционирование живых систем, пользуясь сходными методами. В целом, искусственный интеллект — это самостоятельная область научных исследований, которая сформировалась в результате достижений в математике и логике и основана на накопленных человечеством знаниях о живой и неживой природе.

Практически с самого начала ученые, занимавшиеся этим новым направлением научных знаний, предположили, что к конструктивному определению и моделированию мышления полезно идти от специфики задач, вводя искусственный интеллект как механизм, необходимый для их решения. Таким образом, искусственный интеллект в современном понимании — это совокупность методов и инструментов решения различных сложных прикладных задач, использующих принципы и подходы, аналогичные размышляющему над их решением человеку или процессам, протекающим в живой или неживой природе.

Еще одно определение искусственного интеллекта — ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать задачи так, как делал бы размышляющий над их решением человек.

Искусственный интеллект основывается на самообучаемых искусственных нейронных сетях (ИНС) [1]. Что в свою очередь представляет систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов) (рисунок 1).

Рис. 1. Схема многослойной искусственной нейронной сети

Возможность обучения — одно из главных преимуществ нейронной сети перед традиционными алгоритмами. Обучить нейронную сеть, то есть дать понять, что от нее требуется на выходе. Процесс обучения сводится к подстройке весов сети с наименьшей ошибкой. Алгоритм обучения представлен на рисунке 2.

Рис. 2. Процесс обучения нейронной сети

Во всем мире стало бурно развиваться направление прикладной математики, специализирующееся на искусственных нейронных сетях. В основном, ИНС используют для распознания образов такие гиганты высоких технологий как Google, Yandex и д.р.

С учетом мировых и российских инновационных тенденций в нефтяной отрасли происходит модернизация нефтегазовой промышленности в сферах высоких технологий и интеллектуализации месторождений.

Табл. 1. Опыт нефтегазовых компаний по интеллектуализации месторождений

В работе [2] проведен системный анализ основных направлений развития цифровых и интеллектуальных месторождений. По мнению автора, нефтегазовая отрасль имеет все необходимое для цифровых и интеллектуальных преобразований. В целом, инновационные процессы будут осуществлять эффективную модернизацию нефтегазовой промышленности России на новом витке развития, а именно в сферах высоких технологий и интеллектуализации месторождений. В основе цифровых и интеллектуальных технологий нефтегазовой отрасли лежит использование методов искусственного интеллекта (рисунок 4).

Рис. 4. Результаты исследования применения методов интеллекта в нефтегазовой отрасли

В Томском государственном университете рассмотрена возможность использования искусственных нейронных сетей для оценки ожидаемой дополнительной добычи нефти в результате выполнения выравнивания профиля приемистости (ВПП) на нагнетательных скважинах [3]. На примере фактически проведенных в 2012 г. операций по ВПП на одном из месторождений была оценена погрешность прогнозирования эффективности данных мероприятий посредством разработанной модели искусственной нейронной сети. В сравнении с гидродинамическим моделированием, разработанная математическая модель позволила получить прогнозные показатели за гораздо меньший срок при сопоставимой точности предсказания.

В работе [4] проводили попытку установить влияние параметров и показателей разработки нефтяного месторождения на конечный КИН. Рассматривали метод линейной регрессии и моделирование нейронной сетью для оценки и прогноза КИН. Было произведено 7000 эпох обучения, в результате которой расчеты показали очень высокую точность предсказания КИН.

Как видно из работ других специалистов, в мире, в последние время бурно стараются развивать новую прикладную область математики, специализирующуюся на искусственных нейронных сетях в нефтяной промышленности. Зачастую, решить однозначно проблему получается не всегда. В большинстве случаев это связано с недостаточной достоверностью входных данных для обучения модели, или же их количества. Необходимые данные для создания ИНС должны быть максимально точными.

В последние годы нефтегазовая отрасль претерпевает изменения, а в энергетическом секторе появляются новые технологии, помогающие решать задачи цифровой экономики. Искусственный интеллект уже стал технологическим трендом, но какое применение он может найти нефте- и газодобывающей промышленности? Умар Али занимается исследованиями применения искусственного интеллекта (ИИ) в оффшорной нефтегазовой промышленности.

Искусственный интеллект (ИИ) очень разносторонняя область, однако в нефтегазовой отрасли преобладают в основном два направления: машинное обучение и анализ данных.

Машинное обучение позволяет компьютерным системам обучаться и интерпретировать данные без участия человека, улучшая свою работоспособность путем итераций специфических операций. В рамках оффшорной нефтегазовой отрасли это позволяет компаниям контролировать сложные внутренние процессы и быстро реагировать на проблемы, появление которых люди предугадать не смогли.

Машинное обучение также можно использовать для моделирования различных ситуаций, используя специальные модели данных для прогнозирования, которые нацелены на поиск и определение шаблонов на основе различных входных данных. Нефтегазовая промышленность в этом случае может использовать ИИ для моделирования потенциальных последствий новых разработок или оценить экологический риск нового проекта до того, как он будет претворен в жизнь.

Анализ данных использует ИИ для получения информации из данных с помощью нейронных сетей, которые помогают связать обрывки информации друг с другом и создать более полную картину из существующей информации. Оффшорная нефтегазовая промышленность может использовать анализ данных, чтобы сделать более доступными сложноструктурированные данные, полученные во время разработки нефтяных и газовых месторождений, что позволит компаниям открывать для себя новые возможности по добыче или более эффективно использовать существующие инфраструктуры.

Управление по делам нефти и газа (Oil and Gas Authority) использует ИИ аналогичным образом в работе первого в Великобритании Национального Хранилища Данных по нефти и газу (National Data Repository), которое было запущено в марте 2019 года.

NDR содержит 130 терабайт, что примерно равняется восьми годам фильмов в HD-качестве о геофизических, инфраструктурных, полевых и скважинных данных. Имеющиеся данные охватывают более 12 500 скважин, 5000 сейсмических исследований и 3000 трубопроводов.

NDR использует ИИ для интерпретации этих данных. OGA надеются, что смогут с его помощью открыть новые перспективы в области нефти и газа и увеличить показатели добычи существующих инфраструктур.

OGA ожидает, что платформа, в основе которой лежит ИИ, станет частью энергетического перехода нефтегазовой отрасли Великобритании, а данные о коллекторах и инфраструктуре послужат хорошей базой для будущих проектов по улавливанию, использованию и хранению углерода.

Системы искусственного интеллекта SparkCognition будут использоваться в аналитической платформе под названием SparkPredict, которая отслеживает наземные и подводные установки более чем 30 морских сооружений.

Платформа SparkPredict использует алгоритмы машинного обучения для анализа данных, поступающих с датчиков, что позволяет компании выявлять неоптимальные операции и надвигающиеся сбои до их возникновения.

Shell начала использовать аналогичное программное решение в сентябре 2018 года, когда зародилось ее сотрудничество с Microsoft, чтобы включить платформу программного обеспечения Azure C3 Internet of Things в работу своих оффшорных операций.

Платформа использует ИИ для повышения эффективности во всех областях оффшорной инфраструктуры Shell, от бурения и добычи до расширения возможностей сотрудников и обеспечения их безопасности.

ИИ уже задействован в ряде секторов нефтегазовой промышленности в рамках глобальных нововведений для цифрового преобразования операций по разведке и добыче полезных ископаемых. Но каким видится будущее технологий искусственного интеллекта в нефтегазовой отрасли?

Индустрия, похоже, с готовностью приняла цифровые технологии, такие как ИИ, и с оптимизмом смотрит на потенциал этой технологии.

Старший вице-президент Aker BP Пер Гаральд Конгельф говорил:

Senior-менеджер компании IBM Брайан Гошер также высказался на эту тему:

Отрасль нефти и газа является одной из самых активных в плане внедрения искусственного интеллекта (ИИ) и машинного обучения. Пандемический кризис в 2020 году придал импульс к ускорению цифровой трансформации и внедрению технологии. Только в нефтегазовой промышленности ИИ был оценен в 89 млн долларов в 2019 году, и ожидается, что среднегодовой темп роста составит 10,14% с 2021 по 2026 год. Минэнерго оценивает накопленный эффект от внедрения ИИ в российском нефтегазе в размере 700 млрд руб./год.

Нефтегазовые компании серьезно экспериментируют с современными технологиями для повышения своей эффективности и доходов. Используя искусственный интеллект в нефтегазовых операциях, корпорации могут разрабатывать алгоритмы для ведения бурения на суше и на дне океана. Организации по всему миру стараются сделать процессы разведки и добычи более эффективными и оптимизированными.

Инструменты искусственного интеллекта могут помочь нефтегазовым компаниям в оцифровке записей и могут автоматизировать анализ собранных геологических данных, что может привести к потенциальному выявлению проблем, таких как коррозия трубопроводов или увеличение использования оборудования. Машинное обучение позволяет компаниям также улучшать производительность и добычу.

ИИ имеет множество приложений в нефтегазовой отрасли, например, оптимизация добычи с помощью компьютерного зрения для более быстрого анализа сейсмических и геологических данных, минимизация времени простоя для профилактического обслуживания нефтегазового оборудования, понимание коллектора и моделирование для прогнозирования рисков коррозии нефти с целью снижения затрат на техническое обслуживание.

Аналитики компании Smartgopro подготовили Обзор кейсов применения цифровых технологий в нефтегазовом секторе в 2019-2020 гг. Получить обзор можно бесплатно, по запросу:

Цифровые двойники и ИИ сегодня влияют на деятельность многих промышленных предприятий: их используют все крупнейшие лидеры отрасли. Одна из их важных функций — предоставление информации о состоянии оборудования и рисках безопасности.

Оптимизация техпроцесса с помощью цифрового моделирования «позволила сократить удельный расход дорогостоящих добавок на 12% без потери качества продукции, а эффект экономии от внедрения технологии в масштабах предприятия оценивают примерно в 50-60 млн руб. в год.

В основе системы лежит принцип видеоконференции. Главная идея – проведение онлайн включения инженеров и узкопрофильных специалистов территориально-распределенной команды непосредственно в ходе ремонтных работ. Система представляет собой взрывозащищенные шлемы удаленной поддержки, соединенных с планшетами и программными продуктами для обеспечения бизнес-процессов, которые используются на промышленных участках.

Технологический подход позволил исключить неточности во время сложных операций и обеспечить своевременное вмешательство инженерной поддержки.

В рамках проектов по мониторингу промышленной безопасности на ряде предприятий холдинга внедряется решение по автоматизированному удаленному мониторингу безопасности на буровых установках и внедрение системы контроля правил дорожного движения. Эти разработки включают применение имеющегося опыта в ранее реализованных проектах и разработку новых интеллектуальных решений.

Предотвращение утечек и рисков аварии. Самообучающаяся программа и интеллектуальные роботы компании Сhevron.

Компания Chevron применяет алгоритм раннего нахождения утечек из нефтепроводов и газопроводов. База инновации — проверка акустических сигналов и видеопотока. Система под названием Catalyst Program включает технологию искусственного интеллекта с самообучением. Анализируя поступающую с трубопровода информацию, вычислительный центр Catalyst определяет наличие небольших утечек, грозящих превратиться в крупную аварию. Благодаря раннему обнаружению проблем их можно значительно быстрее ликвидировать.

Американская компания также с каждым годом активнее использует интеллектуальных роботов для повышения безопасности и надежности при снижении затрат. За счет использования роботов-змей, БПЛА и других разно-функциональных машин с передовым оборудованием, компания исключает доступ человека в ограниченное пространство, избегает работы на высоте, расширяет возможности реагирования на чрезвычайные ситуации и трансформирует свои операции.

Экономические результаты и прогнозы.

Внедрение ИИ в технологические процессы предприятия достаточно быстро окупается – с его помощью сокращаются простои и обеспечивается непрерывность процесса. Используя цифровые технологии в сочетании с ИИ, компании могут по-новому и более эффективно решать традиционные проблемы, связанные с эксплуатацией оборудования.

Технологии машинного обучения наряду с нейронными сетями и интернетом вещей, позволяют автономно находить угрозы безопасности и уведомлять о них сотрудников. В условиях повышенной опасности, они успевают среагировать на проблему еще до того, как произойдет катастрофа.

Применение видео аналитики, составление тепловых карт, анализ наличия комплектов средств индивидуальной защиты на работниках, контроль опасных зон – снижает уровень травматизма в среднем на 50%.

Прогноз оптимизации затрат при использовании технологий предиктивной аналитики составляет 15-20% численности штата ремонтных бригад и уменьшения времени простоя оборудования во время ремонтов.

Развитие систем искусственного интеллекта организует промышленную автоматизацию на принципиально другом уровне. Отрасль продолжит развивать проекты использования искусственного интеллекта и машинного обучения, согласованных с датчиками и другими устройствами Интернета вещей, для снижения затрат и оптимизации использования человеческого ресурса, а главное – обеспечения производственной безопасности.

При этом, отсутствие дополнительных и квалифицированных специалистов по ИИ является серьезным препятствием, отмечают эксперты, которое необходимо преодолеть с точки зрения достижения необходимого уровня внедрения ИИ во всех бизнес-операциях.

Многим предметным экспертам, инженерам и операторам придется за очень короткий период времени осваивать новые навыки и довериться искусственному интеллекту и другим современным технологиям.

Так, компания Royal Dutch Shell PLC начала в 2020 году расширение онлайн-программы, которая обучает своих сотрудников навыкам искусственного интеллекта, что является частью усилий по сокращению расходов, совершенствованию бизнес-процессов и увеличению доходов.

Интересует консультация и варианты индивидуальных программ корпоративного обучения цифровой трансформации для руководителей и сотрудников Вашей компании? Закажите индивидуальную консультацию для вашей компании:

Можете посмотреть видео запросив доступ на конференцию "Digital OiL&Gas" , которая проходила 17-19 февраля 2021 года , рекомендуем сделать это прямо сейчас.

Добыча природных ископаемых, особенно нефти и газа, всегда была одним из самых прибыльных занятий. Ежегодно страны, обладающие столько ценными запасами, получают суммарно пять миллиардов тонн сырой нефти и четыре миллиарда тонн газа. Крупные производители используют инновации и готовы на значительные инвестиции в искусственный интеллект, в частности. Как технология меняет бизнес нефтегазовых компании в России и за рубежом?

Для начала давайте вспомним, что нефтеносный пласт находится на глубине почти трех километров, и поэтому о его масштабах, ценности и изменениях можно судить только по косвенным признакам. А как мы можем смоделировать ситуацию, не доступную глазу, без помощи технологий?

На рынке добычи нефтегаза существует большое количество стран-экспортеров, и конкурентная ситуация диктует необходимость постоянно сокращать затраты при увеличении добычи, чего невозможно добиться без использования ИТ в самом ключевом бизнес-процессе добычи. Этот факт подтверждают аналитики. Gartner утверждает, что разработка концепции интеллектуального месторождения поможет добывающим компаниям сократить расходы на 5% и увеличить объем добычи на 2%. Сколько добывают нефти и газа в год? Вспомните о пяти и четырех миллиардах тонн, и сразу станет понятно, что даже такой малый процент будет достаточным основанием для огромных инвестиций в развитие технологий, и особенно в решения на базе искусственного интеллекта. Разведочное бурение с помощью ИИ, анализ данных сейсмических исследований, к примеру, помогает компаниям делать меньше тестов при разведке месторождений и бурить меньше скважин – колоссальная экономия денег и времени.

То, что нефтегазовая отрасль уже активно использует решения на базеAI, подтверждает объем рынка этих решений: в 2019 году добывающая промышленность потратила на них больше $2 миллиардов, а через 6 лет рынку предрекают двукратный рост. Фокусные области, в которых AI востребован, – геологоразведка, добыча и стратегическое планирование.

Несмотря на то, что глобальные игроки AI-рынка, такие как Accenture или Oracle, сотрудничают с нефтегазовыми предприятиями, последние стремятся либо создавать собственные решения или выбирают системы, разработанные очень фокусно.

Используемые в нефтегазе AI-продукты глобально решают несколько задач. Первая – сбор и анализ данных при работе над новыми и текущими проектами по разработке месторождений.

Среди успешных примеров – сотрудничество Shell с Microsoft в использовании облачного комплекса Azure C2 IoT на своих месторождениях. А British Petroleum недавно выбрал решение от BelmontTechnology, чья платформа Sandy собирает и анализирует огромный пласт геологических, геофизических, исторических и резервуарных данных по будущим проектам и проектирует на их базе графы знаний.

Подобный кейс недавно описан в Великобритании, где для группы добывающих предприятий создана National Data Repository, хранилище, которое аккумулирует 130 Терабайт данных из 12 с половиной тысяч скважин.

Еще одна важная задача, решаемая системами на базе искусственного интеллекта в нефтегазе – предотвращение сбоев и аварийных ситуаций. Хорошим примером может служить кейс AkerSolutions, внедривших систему Spark Cognition для мониторинга данных от наземных и подводных установок. Cистема позволяет предсказывать возможные поломки и предпринимать действия по их предотвращению.

Наконец, добывающие компании научились с помощью искусственного интеллекта лучше прогнозировать цены на ресурсы. AI может имитировать поведение участников нефтегазового рынка и делать высокоточный прогноз цен на газ и нефть, что влияет на качество планирования.

Получается, что искусственный интеллект не только оптимизирует основные бизнес-процессы добывающих предприятий, но и становится хоть и небольшим – по сравнению с основной выручкой, – но источником дохода для нефтегаза.

Читайте также: