Вход.
Вход
Введите в поля данные, выданные Вам администратором. На сайте существует разграничение доступов.

Забыли пароль?

При потере всех данных обратитесь к администратору rgo@gazo.ru

Новости и статьи

| Все новости

«Газпром нефть» развивает технологии машинного обучения

1 Августа 2017

Специалисты Научно-технического центра «Газпром нефти» совместно с инжиниринговым центром МФТИ начали разработку алгоритмов, основанных на методах машинного обучения. Технология позволит повысить качество эксплуатационных данных, получаемых из скважин, а также выявлять новые закономерности. Внедрение разрабатываемых методов позволит вдвое сократить время оперативного анализа эксплуатационных данных, оперативно учитывать найденные новые закономерности при дальнейшей разработке месторождений, подбирать оптимальные методы разработки для увеличения добычи нефти, при этом сокращая затраты.

В процессе разработки месторождений решения о применении различных методов увеличения добычи принимаются на основе эксплуатационных данных, поступающих из скважин. Замерные эксплуатационные данные (дебит жидкости, нефти, обводненность продукции, значения забойного давления) поступают со всех скважин компании, кроме этого формируются месячные данные по добыче и данные техрежимов, также имеется информация о проведенных исследованиях и физических характеристиках пласта и добываемой жидкости и газа.

В то же время, качество этих данных не всегда позволяет провести полноценный анализ: может отсутствовать информация для определенных временных интервалов, некоторые измерения не всегда соответствуют физической модели или не согласовываются друг с другом. Присутствие в отчетах некорректных данных может быть вызвано как сбоем в работе замерного оборудования, так «человеческим фактором».

Определить ошибку силами специалистов компании не всегда возможно, а некорректная информация повлечет за собой неверные выводы о текущем состоянии скважин и месторождения в целом, вследствие чего могут быть приняты неверные решения по проведению геолого-технических мероприятий (ГТМ). В большинстве случаев под ГТМ подразумеваются различные действия, позволяющие повысить добычу: гидроразрыв пласта, обработка пласта различными составами, приводящая к повышению добычи, бурение боковых стволов скважины, ремонтные работы и т.д. Разрабатываемые инструменты за счет использования методов машинного обучения, повысят скорость обработки и анализа больших объемов информации, которые поступают с месторождения. Кроме того, используемые инструменты машинного обучения позволят интегрировать разнородные данные, проанализировать каждый мегабайт имеющейся информации, что приведет к появлению новых выводов, способных вывести качество данных на новый уровень. Это, несомненно, повлияет на повышение эксплуатационных показателей.

Применение методов Data Science (наука о данных) дает возможность обрабатывать огромные массивы данных (Big Data), выявлять новые закономерности и учитывать их в дальнейшем для построения прогнозов (машинное обучение и интегрированные физические модели), доопределять отсутствующие значения. В рамках проекта уже сформированы алгоритмы поиска некорректных значений и восстановления пропущенных данных, определения процессов взаимовлияния скважин друг на друга, а также классификация скважин по степени отклонениям текущей продуктивности от возможной для скважин, находящихся в схожих геологических условиях. В результате, применение новых алгоритмов может существенно повысить скорость и эффективность работы специалистов по разработке месторождений, снизить риски принятия неверных капиталоемких решений по разработке, вызванных «человеческим фактором», и уменьшить время простоя скважин, создав «интеллектуального помощника» для специалиста разработчика — того, кто никогда не спит, моментально считает и практически не ошибается.

Разработка алгоритмов машинного обучения ведется в рамках реализации направления Технологической стратегии «Газпром нефти» — Электронной разработки активов (ЭРА). Это стратегия развития IT-проектов «Газпром нефти» в сфере разведки и добычи, которая охватывает все основные направления деятельности: геологоразведка, геология, бурение, разработка, добыча, обустройство месторождений.

«Цифровые технологии меняют подходы нефтяных компаний к выбору вариантов разработки и эксплуатации месторождений. Новейшие способы работы с информацией позволяют повысить эффективность использования собираемых на месторождениях данных, принимать более взвешенные решения. Именно на это нацелено одно из направлений нашей Технологической стратегии — оптимизировать разработку активов при помощи современных информационных технологий», — сказал первый заместитель генерального директора «Газпром нефти» Вадим Яковлев.

«Анализ больших данных как инструмент позволяет значительно увеличить ценность актуальной информации. Поиск скрытых нетривиальных зависимостей и комплексный анализ неструктурированной разнотиповой информации даст второе дыхание „запылившимся на полке“ данным. В современной нефтегазовой отрасли принятие решение базируется на данных, объём которых растет со временем экспоненциально.Big Data-парадигма позволяет адаптировать бизнес-стратегии под такие „взрывающиеся“ темпы роста данных. При этом современные методы анализа данных, такие, например, как машинное обучение, сверточные нейронные сети, позволяют дать принципиально новый подход к решению актуальных проблем. Восстановление качества промысловых данных с месторождений является реальным примером реализации этого подхода совместными усилиями Научно-технического центра „Газпром нефть“ и команды Инжинирингового центра МФТИ», — сказал генеральный директор Инжинирингового центра МФТИ Тимур Тавберидзе.

СПРАВКА

Data Science — это комплексный подход для анализа больших объемов информации с применением методов машинного обучения. Технология имеет хорошие перспективы для применения в нефтегазовой отрасли. Это набор алгоритмов, который анализирует «сырые» промысловые данные, и на их основе «учится» классифицировать, выявлять скрытые взаимосвязи, которые не сможет обнаружить человек, а также извлекать из них новую полезную информацию.

Пресс-служба ПАО «Газпром нефть»

0