Интервью начальника департамента цифровых технологий и геологической экспертизы НТЦ «Газпром нефти» Бориса Белозерова – «Эра умной разведки»

Борис Белозеров, начальник департамента цифровых технологий и геологической экспертизы НТЦ «Газпром нефти», рассказывает о новейших цифровых решениях для эффективного изучения недр.

Аналитический журнал «Нефть и Капитал»: часть 1 и часть 2 external-icon.png


Технологии BigData и машинного обучения, новейшие методы моделирования открывают новые возможности для изучения и разработки нефтегазовых месторождений, для получения и обработки большого количества геологической, физико-химической и иной информации и для принятия оптимальных решений на ее основе.

По данным Научно-технического центра (НТЦ) «Газпром нефти», внедрение интеллектуальных систем и цифровых инструментов на всех этапах разведки и разработки месторождений позволяет увеличить чистый дисконтированный доход (NPV) активов до 20%.

О наиболее актуальных цифровых проектах в области изучения и разработки месторождений, многие из которых еще находятся в стадии испытаний, в беседе с корреспондентом «НиК» Ириной Роговой рассказывает начальник департамента цифровых технологий и геологической экспертизы НТЦ «Газпром нефти» Борис Белозеров.

Борис Белозеров: Цифровые инструменты позволяют вскрывать новые горизонты недр

– Сегодня, пожалуй, наиболее пристальное внимание «Газпром нефти» и НТЦ уделяется созданию инструментов для оптимизации производственных процессов в секторе разведки и добычи. Для этого направления нами разработана линейка уникальных цифровых решений, в числе которых есть абсолютные ноу-хау. Например, это проект «Цифровой керн», который представляет собой цифровую лабораторию исследований кернового материала.

НТЦ «Газпром нефти» ежегодно проводит лабораторный анализ порядка 3 тыс. метров керна и около 500 проб пластовых флюидов. Полученные данные позволяют выполнять достоверную оценку запасов месторождения, тем самым снижая различные риски и повышая доходность проектов.

Цифровой керн

Почему именно этот проект мы считаем одним из наиболее важных по направлению «Разработка месторождений», и в первую очередь – для трудноизвлекаемых запасов? Потому что на сегодняшний день не существует других способов изучить свойства низкопроницаемого пласта. Во-первых, это очень долго. Во-вторых, в любом случае нет возможности на 100% воссоздать в эксперименте точно такие же гидродинамические условия и процессы, как внутри пласта в реальности. Хотя мы собрали большой объем информации по образцам керна именно на основе лабораторных экспериментов, которые у нас проводятся в огромных количествах. Но получение данных в лаборатории – это слишком дорогой и долгий процесс.


В чем еще существенный недостаток лабораторных методов исследования керна? Изучив опытным путем один образец, мы, так или иначе, разрушаем его, то есть теряем исходные физико-химические свойства и не можем на том же образце воспроизвести какие-либо новые действия. Поэтому в рамках «Цифрового керна» мы запустили проект «Цифровая фильтрационная лаборатория», который нацелен на создание прототипной модели, или так называемого «цифрового двойника» пласта.

В чем суть: мы извлекаем из скважины керн, помещаем в томограф высокого разрешения и получаем, условно говоря, цифровую копию продуктивного пласта. При этом вся его структура и особенности воспроизведены с высокой степенью детализации. С помощью такой цифровой копии мы можем в дальнейшем моделировать различные эксперименты. Например, процесс фильтрации флюида через образец керна. Или смоделировать воздействие на него различных реагентов и т.д.


Данная методика позволяет, во-первых, получить достаточно быстрое решение, потому что мы имеем дело с моделью эксперимента, во-вторых, отпадает необходимость проводить реальные испытания: достаточно изучить свойства и поведение цифрового двойника пласта, затем отправить в лабораторию образцы керна, на которых можно провести валидацию – исследовать точечные процессы для подтверждения и донастройки модели. И если физический эксперимент выявил какие-то отклонения, мы адаптируем те или иные параметры модели и уже на цифровых двойниках керна проводим дальнейшие исследования. Данная методика будет востребована для изучения всех низкопроницаемых объектов, то есть для всех наших трудноизвлекаемых запасов – в первую очередь баженовских и ачимовских залежей.

Помимо экономии времени и средств, «Цифровой керн» дает нам главное преимущество – доступ к свойствам пласта на микроуровне.

Потому что во многих случаях из-за слишком малых размеров поровых каналов провести реальные испытания невозможно. В том числе нельзя в лабораторных условиях быстро и надежно обеспечить необходимое давление внутри пор, чтобы получить объективные данные о скорости фильтрации флюидов или воды. Такие испытания в реальном режиме могут занимать около 9-12 месяцев. Процесс долгий потому, что мы имеем дело с микроскопическими размерами пор. Цифровые методы все это компенсируют и позволяют получать более точные и качественные данные о свойствах пласта с любыми характеристиками проницаемости.

Второй существенный плюс – мы можем неограниченно «проводить» (моделировать) цифровые эксперименты, чтобы получить максимум данных о характеристиках пласта и подобрать к нему оптимальные решения. Прежде всего, нас интересуют оптимальные условия фильтрации, чтобы понимать, с какой скоростью обеспечить закачку воды на скважинах для максимального извлечения нефти из пласта. Если в среднем мы можем достать из пласта порядка 40% потенциальных запасов (в силу разных особенностей месторождения), то с помощью методов увеличения нефтеотдачи (МУН) процент извлечения можно поднять до 60-80% – в зависимости от того, какую химическую композицию применять, в каких пропорциях, в каком объеме и т.д.

Поэтому мы видим большие перспективы применения «цифрового керна» в решении такой задачи, как сфокусированный отбор химических композиций для разработки методов увеличения нефтеотдачи.

С помощью цифровой модели можно подобрать к пластам такие же точечные подходы, как, например, в персонифицированной медицине, когда методы диагностики и лечения подбираются строго с учетом индивидуальных особенностей организма.

Мы дополнили базовый инструментарий «Цифрового керна» опцией молекулярного моделирования – когда программа не просто воссоздает флюид и скорость его течения, а показывает, каким образом молекулы нефти, воды и других компонентов внутрискважинной среды и молекулы введенных химических веществ взаимодействуют между собой. Проанализировав все варианты, мы можем с помощью методов машинного обучения подобрать наиболее сбалансированный вариант химической композиции, уникальный для конкретной скважины или участка месторождения.

Кроме того, мы можем положить цифровую копию кернового материала на сервер и хранить ее сколько угодно долго – до тех пор, когда снова возникнет потребность в этом материале: для уточнения или получения новых данных или для построения модели разработки пластов с похожими свойствами.

«Цифровой керн» – один из недавних проектов НТЦ. В настоящее время мы дополняем его различными необходимыми опциями.

Интерпретация микроизображений керна

Геологическое изучение труднодоступных месторождений связано с исследованием и сравнительным анализом большого количества образцов пород, в том числе на микроуровне. Это необходимо для получения наиболее полной информации о структуре пласта и, прежде всего, о фильтрующих свойствах микроскопических пор и зерен. В этом случае самым ценным источником данных служат многочисленные изображения срезов керна, полученные в результате микрофотосъемки.

Например, по распределению зерен на снимке можно определить, в каких условиях образовывалась та или иная порода, как будет фильтроваться из них флюид.

Это довольно узкая область знаний, поэтому раньше информацию такого рода могли использовать, условно говоря, полтора-два специалиста в компании, которые непосредственно занимаются этим направлением. Совместно с коллегами из Инжинирингового центра МФТИ мы разработали такой инструмент, который на основе технологий компьютерного зрения может анализировать и интерпретировать огромное количество микроскопических фотоснимков срезов пласта. Компьютер сам находит и выделяет нужные сегменты на изображении породы, отмечая все важные показатели и свойства, которые затем могут использовать в своей работе геологи или петрофизики. Точно так же работают, например, различные графические программы по распознаванию лиц.

Технология интерпретации микроскопических изображений керна, во-первых, позволяет получать большой массив дополнительной информации, которой раньше в принципе не было в распоряжении исследователей.

Например, с помощью компьютерного анализа фотографий можно получать более точные распределения цветности, пористости и другие важные показатели и физические свойства изучаемого пласта.

Во-вторых, удлиняя цепочку изучения керна, мы тем самым создаем модель его цифрового двойника, который может бессрочно храниться на сервере и быть доступным по первому требованию. То есть геологи теперь могут не выезжать в поля, а исключительно по фотографиям в системе поиска аналогов вернуться к тому или иному образцу породы и сопоставить его свойства с образцами из множества других скважин, в том числе из других регионов нефтегазодобычи. Это значительно сокращает как скорость геофизического исследования скважин (ГИС), так и неопределенность данных по месторождению.


Сама возможность понять физическую структуру разрабатываемого участка по одной или нескольким фотографиям существенно снижает потенциальные риски и затраты при освоении месторождения. Потому что в арсенале специалистов-геологов и петрофизиков появляются дополнительные знания не только о микроскопическом строении пласта, но и о лучших практиках ГИС и разработки скважин. С помощью нового инструментария эти знания могут быть извлечены из архива и реплицированы на других объектах компании. Система интерпретации изображений керна уже была применена на Восточно-Мессояхском месторождении.

А в целом наша задача состоит в том, чтобы создать единое хранилище данных о месторождениях. Потому что ключевая проблема всей мировой нефтянки, а не только отечественной, – это создание базы оцифрованных и так называемых «размеченных», или отрисованных, изображений, которые служат основой для методов машинного обучения.

Дело в том, что вся работа современных нейросетей так или иначе построена на сопоставлении данных. Именно таких данных сегодня катастрофически не хватает в отрасли. Поэтому в рамках НТЦ в настоящее время мы отдельно работаем над созданием базы оцифрованной и размеченной информации, на которой затем сможем использовать все современные технологии машинного обучения, обработки данных и т.д.

Умная разведка

«Когнитивный геолог» также один из новейших цифровых проектов НТЦ, который позволяет оптимизировать процесс обработки геофизической информации и геологических данных, от полевой съемки до получения итогового результата ГРР.

Основная задача «когнитивного геолога» – интеграция различных данных, получаемых на всех этапах геологоразведки, включая сейсмику, поисковое бурение, отбор керна, аэрофотосъемку и т.д. Вся информация поступает на обработку в единую базу. С помощью методов машинного обучения и искусственного интеллекта мы фактически заменяем большое количество рабочих моделей для каждого из типов информации на одну метамодель, которая позволяет нам на каждый момент времени получать объективное знание о степени перспективности той или иной зоны разведки.

Сфера применения – любой геологоразведочный проект, где необходимо провести геофизическую съемку, пробурить поисковую скважину и найти перспективный участок, на котором можно будет вести добычу с наибольшей эффективностью.

То есть функция «Когнитивного геолога» – максимально изучить регион разведки и потенциальной добычи в как можно более сжатые сроки. До сих пор проекты ГРР у нас в среднем занимали от 3 до 5 лет. Причем большая часть времени уходила как раз на обработку и анализ полученных материалов.

Автоматизированный процесс интерпретации данных позволяет сократить время полевых изысканий до полугода – максимум года.

Например, мы получаем значительную экономию, имея доступ к ранее собранным результатам сейсмики с близлежащих месторождений или в соседних регионах с похожими условиями. Затем с помощью все тех же методов машинного обучения подбираем такие критерии оценки, которые автоматически выделяют из данного блока геофизической информации наиболее перспективные зоны.


Широкую область задач для проекта мы видим в оптимизации поиска перспективных зон труднодоступных месторождений. Как я уже отмечал, применение для ТРИЗ стандартных методов интерпретации данных, которые сейчас повсеместно используются, невозможно. Например, обрабатывая сейсмику с ТРИЗ традиционными методами, мы не получаем четкого ответа, с какими пластами нам придется работать. Сейчас вся получаемая информация одновременно интегрируется и интерпретируется. За счет этого мы значительно сокращаем время разведки и получаем больше данных. С помощью нового инструмента у нас появилась возможность «прогнать» старые данные или получить недостающие по новым перспективным толщинам. Кроме того, мы сокращаем на 2-3 года процесс получения ответа на главный вопрос любого проекта геологоразведки – куда нам бурить ту или иную скважину.

Умное бурение

Внедрение интеллектуальных систем в процесс бурения относится к числу приоритетных направлений разработок НТЦ «Газпром нефти» в силу того, что компания ежегодно бурит более тысячи скважин. Это самые капиталоемкие проекты в разработке месторождений. В рамках НТЦ в 2012 году был создан Центр управления бурением «ГеоНавигатор», на базе которого внедряются новейшие технологии, в том числе цифровые. Последние цифровые решения по бурению реализуются совместно с IBM и Сколковским институтом науки и технологий (Сколтехом). Мы назвали этот проект «Умное бурение», по аналогии с другими когнитивными моделями в НТЦ.


Зачастую мы бурим горизонтальную скважину протяженностью 2,5 км с погружением до 1,5-2 км. И нам необходимо ее привести в нефтяной толще, шириной от 5 до 7 м. А нужная информация о том, где находится бур, начинает поступать только по прошествии какого-то времени. Именно для этих целей мы создаем цифровой инструмент (на основе методов машинного обучения, нелинейных регрессий и т.д.), который позволит трансформировать данные о работе механизмов в информацию о динамике продвижения бура в пласте. То есть по сути, используя косвенную информацию, можно будет определять состав пласта и понимать – находимся мы в нужной толще или вышли за ее пределы и должны срочно скорректировать направление движения.

Проект «Умное бурение» тестируется пока только в пилотном варианте на ряде месторождений «Газпром нефти».

Что касается технологий заканчивания скважин, то здесь роль цифровых методов существенно возрастает, так как сама по себе технология заканчивания – очень дорогостоящая вещь. Цифровые технологии именно в этом сегменте бурения пока еще не внедряются широко, но перспективы для их применения есть, и большие.

Первое и самое быстрое, что можно сделать, – создать геомеханические модели. Мы можем в данном случае применять также метамоделирование или машинное обучение, чтобы геохимическая модель работала в реальном режиме и могла в любой момент давать информацию из скважины.

Второе направление – поиск оптимального заканчивания на основе лучших практик. Допустим, мы уже пробурили тысячу скважин и где-то получили оптимальное заканчивание (которое при минимальной скорости при одинаковых свойствах пласта дает лучшие показатели работы скважины), а где-то оно было наиболее удачным. Соответственно, мы можем, описав прошлый опыт с помощью графиков и многомерных моделей, совместить его с лучшими результатами практики на других объектах, в том числе других компаний. Тем самым модель будет постоянно оптимизироваться.


Везде, где стоит задача оптимизации чего-то бы то ни было, цифровые решения идут всегда впереди прочих. В конце первого квартала 2018 года в ходе реконструкции скважины на Южно-Приобском месторождении «Газпромнефть-Хантос» (ХМАО) было завершено бурение бокового ствола с горизонтальным окончанием длиной более 700 метров, что является рекордным показателем для компании. Общая длина скважины составила 3,6 тыс. метров.

Борис Белозеров: Цифровые методы начинают работать на повышение доходности нефтегазовых активов

– Как я уже говорил, для того чтобы инструментарий любого цифрового направления, будь то «Цифровой керн», «Умное бурение» или «Умная добыча», заработал максимально эффективно, компании в первую очередь необходимо развивать IT-платформу цифровой лаборатории по всему спектру производственных задач, от изучения свойств пласта до извлечения углеводородов.

Цифровые двойники месторождений

Один из наших ключевых проектов по цифровому сопровождению разработки месторождений – поиск аналогов на основе данных машинного обучения, который разрабатывается в настоящее время в партнерстве с Томским политехническим университетом, компанией «ЭКО-Томск» и IBM.

Мы работаем на объектах, на которых всегда не хватает данных. Именно поэтому мы вынуждены переходить к методам подбора аналогов, особенно когда выходим в новые регионы или на новые участки старых месторождений. Что касается «гринфилдов», данных на таких месторождениях особенно мало, они обрывочны, поэтому задача разведки сначала сводится к вопросу: а что здесь может быть? Какие могут быть амплитуды температур, уровни давления, диапазоны фильтрационных свойств пласта и другие параметры? Поэтому мы вынуждены искать аналогии, суммируя полученные данные с других участков и скважин. Обычно на это мобилизуется один или два специалиста (как правило, геолог или петрофизик), у которых уходит на подобную работу 40% времени. И только 20% – на принятие решений и практические действия по разработке актива.

Поэтому мы приступили к созданию инструмента, который, во-первых, будет быстро осуществлять поиск аналогов на основе машинного обучения. Во-вторых, в дальнейшем система сама будет извлекать из базы данных компании необходимые распределения параметров на основе продвинутой функции подобия. Затем геолог проанализирует все данные уже в собранном виде.

Сейчас в систему вводятся новые инструменты – с тем чтобы она не просто выдавала распределения по параметрам, но, к примеру, могла составлять типовой профиль добычи по месторождениям-аналогам. Таким образом, пробурив новую скважину, мы будем наверняка знать, в каких условиях она может выйти на нужный темп добычи нефти.

Это уже не просто программа для поиска аналогов, но еще и надежный аналитический инструмент, отвечающий на главный вопрос разведки: а что здесь может быть? При этом он может работать одновременно для разных групп профессиональных интересов. Для геологов – одни аналогии, для петрофизиков и геофизиков – другие, для разработчиков и буровиков – третьи и т.д. Система понимает, кто и о чем ее спрашивает; это, можно сказать, очеловечивает искусственный интеллект, но что важно – ускоряет и оптимизирует процесс разработки месторождений.

Следующим этапом развития данного инструмента может стать интеграция всех его потенциальных возможностей в единую информационную базу данных.


ГРП и другие методы интенсификации добычи

Важнейшее значение для бизнеса компании имеет максимальная отдача разрабатываемого пласта, особенно для выработанных месторождений и запасов категории ТРИЗ. Поэтому такое большое внимание уделяется технологиям воздействия на пласт.

Один из наших основных текущих проектов – это моделирование процессов гидроразрыва пласта (ГРП).

«Газпром нефть» начала активно применять ГРП в горизонтальных скважинах в 2011 году, сегодня эта операция применяется в большинстве из них (порядка 60%). Сейчас мы также много занимаемся молекулярным, или персонифицированным, моделированием химических композиций, в том числе для ГРП.

С помощью математических моделей, разработанных на базе Инжинирингового центра МФТИ по трудноизвлекаемым полезным ископаемым, мы создали свой собственный симулятор ГРП под названием «РОСТ».

Он позволяет моделировать рост трещин в пластах с трудноизвлекаемыми запасами – в баженовской свите и других низкопроницаемых или трещиноватых коллекторах.

В мире еще нет технологии, которая позволяла бы оценить на основе модели оптимальный и эффективный способ добычи из таких пластов. Если на традиционных месторождениях мы привыкли иметь дело с обычной «физикой», то на бажене совсем другие закономерности и множество нелинейных зависимостей, которые нужно просчитывать.

Надо сказать, что наиболее эффективные современные варианты решения самых различных производственных задач основаны на обработке все большего количества информации, что, в свою очередь, создает новые вызовы.


Bigdata и суперкомпьютеры

Чаще всего для решения задач с большими массивами данных прибегают к методам численного моделирования. Например, в авиастроении динамические характеристики воздушных судов изучают точно так же, как мы изучаем пласт. Чем ниже проницаемость, тем дольше длится расчет модели.

Сейчас есть цифровые решения, которые позволяют на основе уже имеющихся моделей агрегировать данные и создавать новую метамодель, которая с помощью инструментов многомерных регрессий и методов машинного обучения может воспроизводить поведение пласта с максимальной достоверностью.

Сейчас мы переносим метамодели на наши месторождения ТРИЗ, и не только.

Но прежде всего мы применяем метамоделирование в разработке низкопроницаемых коллекторов, поскольку там невозможно отсчитывать фильтрацию большеобъемных моделей численными методами.

Для обсчета метамоделей мы используем кластер суперкомпьютеров Санкт-Петербургского политехнического университета. Особенно это актуально для построения модели Приобского месторождения (разрабатывает дочернее предприятие компании «Газпромнефть-Хантос») – пожалуй, самого сложного с точки зрения создания «цифрового двойника». Цифровая модель Приобского месторождения содержит миллиарды ячеек (элементов данных – «НиК»). Полагаю, мы и дальше будем использовать уникальные мощности питерского Политеха. Наша задача как заказчиков цифровых решений состоит в том, чтобы как можно сильнее понизить вычислительную «сложность» цифровых моделей. Поскольку даже суперкомпьютер не сможет посчитать их с той скоростью, которая нам необходима.

Следует также отметить важную роль для эффективной разработки месторождения такого инструмента, как автоматизированная интерпретация данных гидродинамических исследований скважин. С точки зрения методики проведения процесс не самый сложный. В скважину спускается прибор для замера параметрических данных, которые затем анализируются с помощью инструментов машинного обучения. Сейчас вся аналитика выполняется «вручную». Кроме того, автоматизация гидродинамических исследований позволяет связать разные скважины между собой за счет интеграции данных. С одной стороны, это тоже служит заменой ручного труда, с другой – мы создаем цифровые двойники скважин и пласта.


Вторая жизнь месторождений

Один из наших проектов – поиск новых перспективных интервалов, который мы условно назвали «вторая жизнь месторождений». На лицензионных участках, разрабатываемых десятки лет, пробурено много скважин, но поскольку раньше разработка месторождений была гораздо проще, некоторые части извлекаемых запасов – в основном на менее перспективных по объему запасов и труднодоступных горизонтах – не были проанализированы из-за отсутствия необходимых технологий поиска.

Времена изменились, и наряду с поиском новых месторождений возникла насущная потребность возвращаться к повышению выработки старых.

Для этого был создан инструмент, который в автоматическом режиме анализирует экспертные данные, которые уже были интерпретированы в разное время на разрезах подобного типа. В том числе на тех скважинах, где похожие интервалы были найдены именно потому, что были целевыми, а не побочными.

Имея на руках готовую интерпретацию разреза, петрофизик и геолог практически заново открывают новые нефтегазоносные горизонты, изучая на новом технологическом уровне старые кривые каротажа, интерпретацию сейсморазведки и другие аналитические данные, которые в итоге позволяют сделать вывод о том, насколько перспективна та или иная зона поиска. Если пласт признается перспективным, то к работе подключаются другие эксперты, которые уже на месте проводят дополнительные геологические и геофизические изыскания. Причем в данном случае речь не идет о больших расходах на ГИС, ведь скважина уже пробурена, остается лишь опустить прибор на заданные глубины. И если нефть оттуда «пошла», то вновь разведанный пласт приобщается к дебиту действующей скважины.

Технология, в частности, успешно применяется для поиска интервалов, которые не были задействованы при эксплуатации старых скважин в «Газпромнефти – Ноябрьскнефтегазе» и «Газпромнефти – Муравленко» (дочерние предприятия компании в ЯНАО). Для таких активов критически важно найти зоны, которые можно дополнительно доразведать и приобщить к балансу компании.

Предварительный экспертный анализ пропущенных интервалов, аналогичных ряду скважин Приобского месторождения, показал, что цифровая модель позволяет выделить на 14% больше дополнительных эффективных толщин, чем показывают данные РИГИС (результаты интерпретации данных ГИС).


Отмечу, что в рамках проекта по поиску новых перспективных интервалов мы не просто сопоставили типы новых и старых данных о потенциале месторождений.

Мы построили автоматическую самообучающуюся модель, которая уже в первом приближении сообщает специалистам: на таких-то и таких-то старых скважинах имеется столько-то интервалов, которые, по расчетам машины, могут быть перспективными с такой-то долей вероятности.

Выводы машины основаны на данных из похожих типов разрезов. Петрофизик, проанализировав эту информацию, может одобрить или не одобрить сообщение искусственного интеллекта – поставить «лайк» или «дизлайк», как в соцсетях.

Если эксперт ставит «лайк» – значит, он подтверждает своей личной компетенцией качество автоматической интерпретации данных. Если «дизлайк» – это сигнал, что машина ошиблась или уровень дополнительной добычи на старой скважине не вполне удовлетворяет нормам рентабельности или другим важным критериям и т.д. Алгоритм запоминает выводы эксперта и улучшает в дальнейшем работу модели. Таким образом, прогностическая способность системы постоянно совершенствуется на основе методов машинного обучения.

Умный помощник инженера-нефтяника

«Когнитивный помощник», в отличие от «когнитивного геолога», не просто цифровой инструмент, а скорее интеллектуальная платформа, которая обучена следить за всеми компетенциями инженера-нефтяника, подсказывая нужные решения или подавая сигналы о возможности нештатной ситуации. Система видит месторождение в реальном времени, отслеживает параметрические данные, отмечает любые отклонения или закономерности в поведении показателей. Кроме того, «когнитивный помощник» анализирует работу скважины. И если она может работать лучше, то система предложит оптимизировать те или иные рабочие параметры скважины. Например, где-то раскрыть ее побольше, где-то подвести прибор и сделать дополнительные замеры.

Частично аналитические инструменты данного проекта уже внедряются, но мы хотим расширить его функционал. Во-первых, оснастить систему новыми инструментами, во-вторых, добавить голосовое управление.


Эффективная добыча данных

Оптимальных цифровых решений в нефтегазовой отрасли не хватает. Прежде всего информации, которая позволяет строить цифровые модели месторождений, а также различные системы на основе искусственного интеллекта – от умной разведки до эффективной добычи.

Поэтому нам необходима коллаборация. На базе НТЦ уже создан ряд научно-технологических партнерств в рамках разработки ТРИЗ.

Часть технологий мы готовы открывать для обмена данными – чтобы все наши цифровые модели развивались и улучшали свой функционал. И только часть разработок НТЦ, которые являются инструментами конкуренции, останутся нашим собственным ноу-хау.

Сегодня все глобальные игроки занимаются интеллектуальными системами для нефтесервиса.

Нейронные сети, как инструмент, во всем мире одинаковы, просто у нас они сконструированы по другому принципу: мы внедряем цифровые модели там, где они никогда не внедрялись на Западе.

Мы создаем не просто цифровую функцию, а искусственный интеллект для эффективного управления нефтедобычей. По оценке консалтинговых фирм в области цифровизации, в основном цифровые технологии за прошедшие несколько лет успешно внедрялись в области бурения и добычи. «Газпром нефть» же, в свою очередь, уделяет большое внимание инструментам для эффективной разработки и внедряет большое количество цифровых инициатив в области геологии и разработки месторождения, цифровизируя системный взгляд на процессы нефтяного инжиниринга.

Возврат к списку