Повысить скорость и точность геологической модели месторождения, оценить тысячи вариантов разработки актива и выбрать оптимальную, научиться с ювелирной точностью управлять бурением в режиме реального времени — все это и многое другое доступно интеллектуальным технологиям, рожденным новой индустриальной революцией. В план цифровой трансформации блока разведки и добычи компании включены все этапы жизненного цикла месторождения.
Благодарим редакцию корпоративного журнала "Сибирская нефть" ПАО «Газпром нефть» за предоставление данного материала.
Добычу нефти большая часть людей воспринимает как очень традиционную сферу. Действительно, сравните фотографии с месторождений 1970–1980-х и с любого современного нефтедобывающего актива. Те же вышки, может немного модернизированные, та же фонтанная арматура, даже системы сбора и подготовки нефти, на первый взгляд, не особенно изменились. Разве что штанговые насосы-качалки в Сибири сегодня уже редкость.
Но это все только на первый взгляд. За традиционным фасадом современных месторождений сегодня скрывается совершенно новый мир, конфигурацию которого определяет сложность задач, которые приходится решать нефтяникам: вовлечение в разработку трудноизвлекаемых и нетрадиционных запасов, выход в новые труднодоступные регионы добычи, вывод на положительную рентабельность проектов, которые раньше считались просто нереализуемыми. Все эти задачи практически невозможно решить без использования технологий Индустрии 4.0.
В разговорах о возможностях применения цифровых технологий в промышленности речь, как правило, заходит в первую очередь об оптимизационных эффектах от внедрения инновационных решений в операционную деятельность. К сегменту разведки и добычи этот подход, конечно, тоже применим, однако стадия эксплуатации месторождения — важный, самый длительный, но изначально не определяющий этап жизни актива. Неверные решения, принятые на ранних стадиях инвестиционного цикла — в ходе разведки месторождения, формирования проекта разработки, практически невозможно компенсировать на более поздних, а если и возможно, то цена таких корректировок, как правило, оказывается непомерно высокой. Первые ответы на ключевые вопросы дают геологи, задача которых — собрать по крупицам максимальное количество существующих данных о месторождении, проанализировать, найти взаимосвязи между ними и составить из этого картину строения недр.
Сейчас на проведение оценки геологических объектов и получение ответа на главный вопрос: возможно ли организовать рентабельную добычу, уходит от года до двух лет. Но, даже потратив такое количество времени, эксперты, как правило, не оценивают вероятность успеха выше, чем в 60%. Учитывая, что более 70% времени исследований тратится на предварительную обработку данных, то есть, по большей части, на рутинные операции, в «Газпром нефти» предположили, что можно, хотя бы частично, решение задачи передать искусственному интеллекту.
Проект, который получил название «Когнитивный геолог», предполагает создание самообучающейся модели геологического объекта, которая будет математически обрабатывать исходную информацию и выдавать конечный результат, оценивать вероятность правильности ответов и выдавать рекомендации о необходимости проведения дополнительных исследований для повышения уверенности в успехе.
За счет этого время, необходимое на интерпретацию геологических данных, предполагается сократить примерно в шесть раз. То, на что людям нужен год, машина будет делать за два месяца, при этом извлекая на 30% больше полезной информации из того же изначального объема данных.
Рассчитывать на то, что искусственный интеллект уже в следующем году начнет каждые два месяца штамповать модели новых месторождений, конечно, не приходится, но и приз очень велик — успех станет настоящим отраслевым прорывом мирового значения.
Вместе с партнерами из IBM Research специалисты «Газпром нефти» уже приступили к созданию интеллектуального озера данных, куда будет стекаться геологическая информация, полученная в ходе различных исследований в разных регионах, на разных месторождениях, систематизироваться, классифицироваться, каталогизироваться, причем в неизменном виде, чтобы не разрушались неявные сегодня взаимосвязи, которые впоследствии искусственный интеллект может найти и применить в своих вычислениях.
Саму возможность создания когнитивного геолога «Газпром нефть» и IBM планируют тестировать в рамках пилотного проекта «Когнитивный геолог-ученик», исследуя с помощью цифровых решений простой, хорошо изученный геологический объект, информация о котором не содержит особых противоречий и неясностей.
I. Поиск и оценка. «Когнитивный геолог»
От последовательной обработки данных и построения ряда моделей к непосредственному расчету целевых значений на основе единой математической модели резервуара.
Когда геологические модели созданы, решение об освоении месторождения принято, необходимо создавать схему его разработки. И это тоже этап, на котором неправильные решения могут обернуться огромными потерями от создания неэффективной инфраструктуры, а попадание в точку способно обеспечить хорошую доходность даже активу с изначально отрицательной рентабельностью.
Схема современного концептуального инжиниринга, в рамках которого определяется профиль добычи, число скважин, кустов, производительность инфраструктуры, строится на работе большого количества команд, сформированных из специалистов по геологии и разработке, бурению, технологиям добычи, обустройству, стоимостному и экономическому анализу. Однако объем входящей информации на этом этапе освоения месторождения таков, что оценить все возможные варианты и конфигурации разработки актива, учесть все существующие связи и взаимозависимости между элементами системы не сможет ни одна самая профессиональная команда. Поэтому в итоге год-два работы выливался в два-три конечных варианта, из которых и выбирался лучший. Однако уверенности в том, что действительно рассмотрены все хорошие варианты и, соответственно, выбран лучший, при такой схеме нет. Уверенности добавило включение в цикл концептуального проектирования машинного пересчета вариантов.
Схема работы такой системы напоминает сборку конструктора без инструкции. Существует исходный набор деталей, роль которого выполняют концептуальные модели различных вариантов скважин, схем кустования, систем нефтесбора и нефтеподготовки. Готовый продукт, который необходимо получить, — концепт разработки месторождения с наилучшими параметрами. Машина перебирает огромное количество различных сочетаний моделей, оценивает их совместимость, экономику. Уже сегодня выбор увеличился с двух до 1 тыс. вариантов, имеющих право на существование, при этом с четко оцифрованными плюсами и минусами, а срок прохождения этапа уменьшился с двух лет до шести месяцев.
Эффективность такого подхода уже доказана на практике. Именно с помощью инжиниринга нового уровня удалось вывести на положительную рентабельность проект разработки Восточно-Мессояхского месторождения, который «ушел в минус» после того, как на практике не полностью подтвердилась геологическая модель. Оценка огромного количества вариантов корректировки концепции и в итоге выход на такие решения, как, например, увеличение длины горизонтального участка скважин, повышение плотности сетки бурения, позволили добавить к NPV проекта около 60 млрд рублей и успешно начать эксплуатацию актива.
Сегодня технология используется при реализации всех новых крупных проектов, однако ее потенциал далеко не исчерпан. Если в процесс оценки возможных вариантов конфигурации систем разработки месторождения ввести в качестве исходных данных различные реальные ограничения, например, доступ к ресурсам, сроки, финансовые возможности, и полностью передать этот процесс на откуп машинному интеллекту, то на выходе удастся получить не лучший теоретически, а приближенный к идеалу с точки зрения реализации вариант. Сама же реализация проекта также предоставляет массу возможностей для цифровой оптимизации.
II. Выбор и определение. «Когнитивный инжиниринг»
От выбора и проработки подходящего варианта «Fit for Purpose» и целенаправленному подбору лучшего способа реализации «Design to Value».
Что такое освоение крупного актива? Это работа сотен подрядных организаций: проектировщиков, строителей, поставщиков оборудования и материалов, связанных с компанией и друг с другом сотнями тысяч документов. Даже с учетом использования системы электронного обмена проектной и исполнительной документацией такой масштаб не может не вызывать серьезных задержек в передаче важной информации и, самое неприятное, ее искажения при прохождении по цепочке инстанций, у каждого элемента которой (будь то человек или организация), помимо общих, есть и какие-то персональные интересы и мотивы. В результате — соответствие фактической ситуации плану на уровне 60% и пять лет на реализацию крупного проекта.
В «Газпром нефти» посчитали, что за счет организационной и цифровой оптимизации пятилетку вполне можно выполнить за три года и довести баланс в системе «план/факт» до 90%. Все эти оптимизационные решения будут упаковываться в программу «Центр управления проектами». Точнее, это будет не один, а целая сеть многофункциональных экспертных центров, собирающих информацию о реализации проекта практически в режиме реального времени, анализирующих ее и, исходя из результатов анализа, строящих прогноз развития ситуации. В финале в этих же центрах будут строиться оптимизационные модели текущих планов и задач и вырабатываться конкретные корректирующие мероприятия.
Очевидно, что первой важной технологической задачей в рамках создания Центра управления проектами станет формирование системы получения оперативной и достоверной информации из каждой точки, значимой для реализации проекта. Работа в этом направлении уже началась, главным полигоном для отработки технологий создания «всевидящего проектного глаза» стало Новопортовское месторождение в ЯНАО. Там уже началось 3D-сканирование строящихся объектов с помощью лазеров. На Новопортовском опробованы мультиагентные технологии: доставка на месторождение материалов и оборудования баржами в короткий безледовый период оптимизировалась за счет создания ежедневно обновляемых скользящих графиков движения судов и потребления МТР (материально-технических ресурсов), учитывающих такие ограничительные факторы, как мощность перевалки и хранения, сроки вовлечения ресурсов в производство.
Еще одной важной задачей для технологий Индустрии 4.0 в рамках ЦУП станет оптимизация планов реализации проектов с помощью цифровых моделей.
Максим Шадура, начальник управления информационных технологий, автоматизации и телекоммуникаций блока разведки и добычи «Газпром нефти»:
Направления цифровой трансформации блока разведки и добычи определяются, в первую очередь, вызовами, которые сегодня стоят перед компанией: ухудшением ресурсной базы, необходимостью управлять достаточно большим количеством некрупных проектов и стабилизировать и повышать эффективность добычи на истощенном фонде. При этом проекты с использованием когнитивных технологий охватывают весь жизненный цикл месторождения. В начале этого цикла принимаются единичные высокорисковые инвестиционные решения с большим призом, в конце стоимость решений гораздо ниже, но зато намного больше их количество. В начале цикла информацию об объекте приходится собирать по крупицам, в конце мы имеем дело с колоссальным потоком информации. Мы понимаем, какие технологии будут наиболее эффективны на каждом из этапов, и сегодня занимаемся созданием дорожных карт трансформации, меняющих саму парадигму месторождения: от автоматизации процессов к их интеллектуализации, где большую часть работы выполняет искусственный интеллект.
III. Определение и реализация. «Центр управления проектами»
От управления подрядчиками на основании электронного обмена проектной и исполнительной документацией к целостной мгновенной оценке ситуации и интегрированному подбору оптимальных решений на основе оперативных первичных данных.
Разработка месторождения, особенно на начальных этапах, — это бурение, бурение и еще раз бурение. А разработка современных месторождений — это высокотехнологичное бурение. Сложность решаемых задач просто фантастическая: основываясь на геологической модели, на глубине в несколько километров необходимо попасть в пласт толщиной 2–3 м и километр вести по нему скважину, оперативно реагируя на изменения конфигурации продуктивного горизонта, которые отслеживаются с помощью датчиков, установленных на буровом инструменте. С оперативностью реакции как раз и проблема. Дело в том, что датчики, передающие информацию об условиях бурения, установить на долото невозможно — они расположены в 17 м от него, а значит, специалисты, контролирующие ситуацию из Центра сопровождения бурения (ЦСБ), расположенного в Санкт-Петербурге, получают информацию о том, что скважина вышла из продуктивного горизонта, с задержкой в 20–30 минут. При трехметровой толщине пласта за это время траектория бурения с ним может разойтись на очень значительное расстояние. Ликвидировать эту 17-метровую слепую зону — одна из основных задач проекта «Цифровое бурение».
Решение проблемы — в построении обучаемой математической модели, которая по таким параметрам, как нагрузка на буровом инструменте, сопротивление, температура, вибрация, скорость проходки, будет делать вывод об изменениях условий в самой дальней точке скважины в режиме реального времени. В ЦСБ специалисты-геологи смогут оперативно скорректировать траекторию бурения и уточнить геологическую модель месторождения, параллельно сформировав дополнительный пакет данных для дальнейшего обучения «цифрового бура».
Ликвидация зоны невидимости — не единственная сфера применения математической модели бурения. Технологам она позволит по косвенным данным превентивно прогнозировать возможные нештатные ситуации, определять оптимальные режимы работы оборудования. За счет дальнейшего обучения и усложнения в будущем модель сможет определять в реальном времени продуктивность пласта, выдавать рекомендации о наиболее оптимальной траектории строительства скважины и даже оценивать экономическую эффективность разбуривания конкретного горизонта.
IV. Бурение. «Цифровое бурение»
От сопровождения высокотехнологичного бурения интегрированной командой экспертов к полноценному прогнозу результатов на основе машинного анализа первичных данных сопровождения бурения.
Эффективность оптимизации отдельных элементов системы разработки на этапе эксплуатации актива значительно снижается. Однако здесь уже внедрено множество прогрессивных оптимизационных решений, на базе которых можно строить комплексную модель повышения эффективности.
Например, в «Газпромнефть-Хантосе» уже создан цифровой двойник системы механизированного подъема жидкости, представляющий собой параметрическую статистическую модель, калибрующуюся под работу реального оборудования по данным контрольно-измерительных приборов. В нее включены все элементы производственного комплекса — от скважины до сдачи нефти: насосы, системы нефтесбора, резервуарный парк. Расхождения параметров работы реального оборудования с идеальным режимом, который воспроизводит модель, позволяют автоматически диагностировать поломки, аварии, искать «узкие места», подбирать оптимальные режимы, оценивать влияние параметров одного элемента на всю систему, находя оптимальные варианты изменения ее конфигурации.
Там же, в ХМАО, создана система планирования и управления внутрискважинными работами, учитывающая движение транспорта, перемещение рабочих бригад, наличие необходимых ресурсов, ограничения по времени. Еще одна система — мониторинга автотранспорта — позволяет «сшивать» информацию о передвижениях автотранспорта, обслуживающего месторождение, и управлять логистикой.
Сегодня информация от всех этих систем уже поступает в единый Центр управления добычей (ЦУД), где работает команда, сформированная из специалистов различных служб, которая анализирует данные и выбирает оптимальные производственные решения в целом по месторождению с учетом всех трех систем.
В будущем в ЦУД планируется создать цифровые двойники систем поддержания пластового давления, утилизации газа и обеспечения электроэнергией, обеспечив управление всеми энергетическими потоками и построив таким образом комплексную схему управления активом. По предварительным подсчетам, это вдвое должно сократить потери и на 15% — операционные затраты.
V. Эксплуатация. «Центр управления добычей»
От эффективного управления отдельными производственными дисциплинами к комплексному управлению эффективностью актива на основе первичных данных.
Текст: Сергей Орлов, Фото: Legion Media, Инфографика: Татьяна Удалова
