Автор: Наталья Ланцова
Специалист по моделированию потоков в пористых средах и разработке программных решений для нефтегазовой отрасли – об инвестиционной привлекательности проектов с участием ИИ, непрогнозируемости влияния цифровизации на рынок труда и альтернативных путях повышения эффективности
Искусственный интеллект сегодня играет важнейшую роль в нефтегазовой отрасли, дополняя традиционные инструменты поиска, разведки и разработки ресурсов. По прогнозам аналитической компании Mordor Intelligence, в 2025 году объем рынка ИИ в этом сегменте экономики составит 3,54 млрд долларов, а к 2030-му вырастет почти вдвое – до 6,40 млрд долларов. Эта динамика объясняется тем, что нефтегазовые компании все глубже интегрируют ИИ-решения в системы предиктивного обслуживания, автоматического контроля скважин и управления производственными процессами. Однако делать ставки только на ИИ не стоит, считает специалист по компьютерному моделированию потоков в пористых средах и разработке программных решений для сложных геологических систем в нефтегазовой отрасли Александр Журавлев, которому принадлежит ряд авторских методик и технологий, внедренных в деятельность компаний «Лукойл», «Роснефть», «Сургутнефтегаз». Мы поговорили с Александром Журавлевым о том, какие разработки на основе ИИ помогают крупнейшим нефтегазовым компаниям сохранять свое лидерство и в какие технологии они будут инвестировать в ближайшем будущем.
– Аналитика предсказывают значительный рост рынка искусственного интеллекта в нефтегазе. Вы занимаетесь подобными проектами около 20 лет. Согласны с этим прогнозом?
– Да, этот прогноз представляется реалистичным, так как применение ИИ в нефтегазовой отрасли активно расширяется. Развитие технологий машинного обучения, цифровых двойников и интеллектуальных систем управления позволяет существенно повысить эффективность процессов добычи, транспортировки и переработки углеводородов. В последние годы компании все больше интегрируют ИИ-решения в системы предиктивного обслуживания, автоматического контроля скважин и управления производственными процессами. Эти технологии позволяют снижать операционные расходы, увеличивать добычу и минимизировать экологические риски, что делает их инвестиционно привлекательными. А вообще довольно сложно предсказать, к чему именно это приведет. С одной стороны, использование моделей искусственного интеллекта делает решение задач более доступным и снижает востребованность в большом количестве специалистов. Это может усложнить ситуацию на рынке труда, поскольку спрос на традиционные профессии снизится. Но, с другой стороны, ИИ делает получение результатов более доступным и дешевым, что, в свою очередь, дает возможность большему числу компаний и заинтересованных сторон использовать эти технологии для решения своих задач. Это может привести к расширению рынка и появлению новых возможностей. Таким образом, процесс крайне сложный, и точно спрогнозировать количественные изменения непросто. Однако можно с уверенностью сказать, что область применения ИИ будет только расти, и его влияние на отрасль продолжит увеличиваться.
– Ряд ваших проектов с использованием инструментов на базе ИИ нацелен на повышение операционной эффективности предприятий нефтегазового сектора. Например, для «Роснефти» вы разработали решение по программной оптимизации технологических процессов, основанный на математических алгоритмах. Как отразилось на доходах компании его внедрение?
– Оптимизация технологических процессов в нефтегазовой отрасли требует точных вычислительных моделей, основанных на анализе больших данных. В рамках данного проекта я разработал алгоритмы машинного обучения и физико-математические модели, позволяющие в реальном времени оценивать параметры производственного процесса и предлагать корректировки для его оптимизации. Важным элементом была интеграция методологий цифрового двойника, что позволило моделировать различные сценарии работы оборудования и выбирать наиболее эффективные режимы эксплуатации. Такой подход, по нашим оценкам на основе имеющихся данных, должен был приводить к увеличению доходности производства до 7% в течение года.
– Технологии на основе ИИ имеют значительный потенциал для экономии средств в нефтегазовой отрасли, но вы не всегда используете их в своих проектах. Если не ошибаюсь, для «Роснефти» вы разработали физико-математические модели расчета температуры нефти и газа в эксплуатационных скважинах, которые обеспечили компании существенную экономию. В тот раз вы обошлись без ИИ. Почему?
– ИИ – мощный, но далеко не единственный инструмент повышения эффективности нефтегазовых технологических процессов. Физико-математические модели позволяют глубже понять природу физических процессов в скважине и пластах и корректировать параметры добычи. Ключевым преимуществом моей разработки стало то, что компания смогла отказаться от приобретения дорогостоящего коммерческого программного обеспечения и вместо этого использовать мою разработку. Это позволило значительно сократить затраты, сохранив высокий уровень точности расчетов и надежности прогнозирования. Внедрение этой модели позволило прогнозировать изменение температуры нефти и газа в стволе скважины, учитывать динамику теплообмена с породой и влияние различных эксплуатационных факторов. Это дало возможность более точно рассчитывать оптимальные режимы работы оборудования, предотвращать перегрев или переохлаждение флюидов, а также минимизировать энергозатраты. В результате компания сэкономила значительные средства как на программном обеспечении, так и на операционных расходах.
– Инструменты на базе ИИ играют важную роль в прогнозировании технологических параметров газоконденсатных месторождений. Знаю, что по заказу той же «Роснефти» вы изучали применение машинного обучения для решения этой задачи. К каким результатам привело ваше исследование?
– В рамках данного исследования был проведен обширный анализ существующих подходов к прогнозированию параметров газоконденсатных месторождений с применением машинного обучения. В процессе были разработаны и протестированы различные модели, включая сверточные нейронные сети, рекуррентные нейронные сети и многошаговые авторегрессионные модели. Результатом исследования стало создание программного комплекса, который позволяет существенно повысить точность прогнозирования параметров месторождений и улучшить качество оценки рисков. По оценкам, внедрение данного решения привело к повышению надежности оценки рисков на 30%, что делает его ценным инструментом для оптимизации управления разработкой газоконденсатных месторождений. Разработанный комплекс может использоваться нефтегазовыми компаниями для повышения точности прогнозов и принятия более обоснованных решений в процессе эксплуатации месторождений.
– Вы были докладчиком на International Petroleum Technology Conference – одной из крупнейших и наиболее престижных отраслевых международных конференций, объединяющей ведущих ученых, инженеров и управленцев сферы нефтегаза из разных стран. Какой актуальной проблеме было посвящено ваше выступление?
– Мой доклад на International Petroleum Technology Conference был посвящен учету микропористости в моделировании относительных фазовых проницаемостей. В работе была предложена двухфазная модель на основе уравнений Дарси-Бринкмана для двухфазного течения в гибридной системе, включающей макропористые и микропористые области. Подход позволил скорректировать кривые относительной проницаемости с учетом микропористости, что дает более точные прогнозы для разработки нефтяных месторождений. Эта тема определенно является мейнстримной, так как значительная часть запасов нефти относится к трудноизвлекаемым. Такие породы содержат макро- и микропоры с разными физическими свойствами, и эта работа направлена на изучение этих характеристик, что в перспективе может помочь сделать трудноизвлекаемые запасы более доступными для добычи.
– Вы активно публикуетесь в ведущих отраслевых журналах, а в одном из них – Geoenergy Science and Engineering — также являетесь рецензентом. Какие направления разработки на основе ИИ в нефтегазовой сфере представляют для вас сегодня наибольший профессиональный интерес?
– Среди направлений, которые кажутся мне наиболее перспективными, могу назвать применение машинного обучения для прогнозирования дебита скважин – для этого требуется разработка алгоритмов, учитывающих сложные геологические и эксплуатационные факторы. Еще одна первоочередная задача отрасли – оптимизация работы трубопроводных сетей, этому может помочь использование ИИ для минимизации затрат на транспортировку углеводородов. Наконец, меня интересует такое направление, как моделирование сложных пористых сред, то есть создание новых методов, учитывающих многофазные течения в гетерогенных породах. Все эти исследования направлены на повышение точности математических прогнозов и эффективности инженерных решений.