Top.Mail.Ru

«ИИ-решениями сегодня охвачено не более 10% отрасли нефтегазодобычи»

Для решения каких задач искусственный интеллект может применяться в нефтедобывающих компаниях? Какова экономическая эффективность его применения и сроки окупаемости конкретных решений? Есть ли оценки объема этого рынка в России? Насколько конкурентоспособны российские разработки на мировой рынке и есть ли к ним интерес за рубежом? Мы поговорили об использовании искусственного интеллекта в нефтегазодобыче с Дмитрием Коротеевым, основателем компании Digital Petroleum, профессором Сколтеха.

— Где еще применим ИИ в отрасли, помимо проектирования новых скважин? Какие направления самые перспективные?

— Направлений много. Первое — это автоматизация и ускорение геомоделирования, когда по разрозненным данным различных геофизических исследований собирается трехмерная модель залежи. Сейчас это делается наполовину в ручном режиме, и много этапов этого процесса можно автоматизировать.

Второе направление — ускорение различных симуляторов. В частности, симуляторов пластовых течений. Глубокие нейронные сети — специальные архитектуры сверток и разверток сложных пространств — помогают быстрее прогнозировать, как жидкости в пласте ведут себя после разбуривания и запуска скважин.

Есть и более экзотические темы, например, работа с цифровым керном. Это ситуация, когда трехмерное изображение керна автоматически интерпретируется с помощью нейронных сетей: система определяет, где поры, где минеральный скелет. Дальше может моделироваться течение на микромасштабе, чтобы понимать, как капельки нефти условно ведут себя в реальных порах под землей.

Автогеомоделирование может иметь огромный экономический эффект, потому что модели, построенные с помощью объективных инструментов искусственного интеллекта, скорее всего, меньше подвержены потенциальным экспертным ошибкам. Вероятность разбуривания сухих скважин меньше, а это огромные сэкономленные деньги. Бурение само по себе — это, наверно, самое очевидное приложение ИИ сейчас. По реальным временным данным с помощью ИИ можно прогнозировать различные аварии и сильно экономить на их предотвращении. Если мы ускорим гидродинамическое моделирование пластовых систем, то получим возможность перебирать больше разных вариантов разработки месторождений и выбирать супер-оптимальный вариант с минимальными затратами на то же бурение с максимальным выходом нефти при минимальной закачке жидкости.

Что-то конкретное выделить сейчас нельзя, все направления перспективны. Можно выделить только то, что имеет наибольший эффект на практике прямо сейчас — это бурение и некоторые элементы автоматизации геомоделирования. В будущем что-то может выстрелить сильнее.

— Есть ли какие-то оценки того, насколько отрасль нефтегазодобычи охвачена сегодня ИИ-решениями?

— Назвать какие-то точные оценки трудно. Мое личное мнение как основателя компании, которая такие решения внедряет: перспектива охвата очень большая. Текущую степень охвата ИИ-инструментами оцениваю в 5-10%.

— Насколько сегодня рынок насыщен предложениями со стороны разработчиков? Много ли компаний работает у нас в стране на этом рынке? Какой годовой объем этого рынка?

— В России таких компаний мало, их можно пересчитать по пальцам одной руки. Арабский рынок тоже слабо насыщен, а вот западный рынок сильнее. На арабском рынке можно насчитать десяток компаний и порядка сотен — в США.

Тяжело оценивать годовой объем, потому что мы этот рынок только строим, можно сказать, своими руками. Мы проводили такое упражнение по оценке рынка 3,5-4 года назад. В России мы оценивали перспективы на 2025 год — получили оценку около миллиарда долларов. Сейчас эта оценка, думаю, более-менее актуальна. По миру ее можно умножить на 5-10.

— Как создаются ИИ решения для отрасли?

— Расскажу свой опыт. Есть группа людей, часть из которых понимает технологическую проблему, и верит, что ее можно решить, ускорить, сделать процессы менее аварийными. Другая группа знает, что происходит в мире алгоритмов машинного обучения, оптимизации и так далее. Они начинают взаимодействовать, и формируется некоторая концепция, гипотеза того, как алгоритмы могут помочь решить проблему.

Чтобы гипотезу доказать, опровергнуть или заключить, что она частично верна и надо ее переделать, начинается поиск реальных данных, связанных с этой проблемой. На этих данных пробуют различные алгоритмы. Если работает — хорошо, а если нет, пытаются применить несколько разных алгоритмов. Затем решают, идем дальше или не идем. В тот момент, когда по какой-то из проблем принято решение двигаться дальше, потому что алгоритм отработан неплохо, начинается проектирование полноценного программного обеспечения, чтобы пользователи могли видеть удобный интерфейс и пользоваться этими алгоритмами, не залезая в программные коды руками. Еще одно большое дело — донести пользователям, что это полезно. Не все в это верят, а некоторые боятся, что их заменит машина.

— Насколько быстро такие решения окупаются?

— Окупаемость у таких решений неплохая. Рынок, как я уже говорил, очень маленький и нишевый по количеству потенциальных продаж. По деньгам рынок неплохой для маленьких компаний вроде нашей. Есть условно пять доступных решений, из них активно продаются два. Период окупаемости - 1-2 года, если пытаться все делать на собственные средства или средства с предыдущих проектов.

— Существует или возможен экспорт российских ИИ-решений в нефтегазодобыче зарубеж? Насколько наши решения в этой области конкурентны на мировом рынке?

— Да, безусловно. Мы более чем конкурентоспособны технологически. Я не могу раскрывать детали, но, в частности, наша компания очень активно работает с арабскими коллегами.

— Насколько сложно или просто готовить кадры для работы в области разработки и применения ИИ в ТЭК? Где их брать?

— Сложно. ИТ-кадры и алгоритмистов с учетом специфики нефтегазовой отрасли никто не готовит. Может быть, моя группа в Сколтехе этим занимается. Здесь важно не столько готовить кадры непосредственно под нефтегаз. Главное — подбирать ребят из области Data Science и Computer Science, которые не стесняются работать с не очень аккуратными и не очень хорошими данными. Если их подобрать и если им интересно разбираться с физикой процессов, которые происходят под землей, то дальше процесс разработки алгоритмов идет хорошо.

Мой опыт говорит, что лучше всего брать для разработки алгоритмов достаточно молодых людей только с университетской скамьи, которые только что защитили кандидатские диссертации. Также должно быть несколько очень опытных людей, которые давно занимаются разработкой программных продуктов, оболочек. Такая комбинацияпозволяет продуктивно работать. Опытных людей мы ищем по дружбе.

— Расскажите о 2-3 конкретных кейсах внедрения ИИ в нефтегазовой отрасли: какие задачи стояли, как они решались, какие результаты получены?

— Начну с бурения. Один из наших продуктов позволяет по реальным временным данным, которые практически с любой буровой передаются через спутник в центр сопровождения бурения в компаниях, давать прогнозы возможных осложнений при бурении. Если пользователь видит, что в данный момент времени на скважине №132 из 150 бурящихся возникает вероятность осложнения определенного типа, он может принять решение по изменению параметров самого бурения — уменьшить нагрузку, изменить буровой раствор и так далее. Это позволяет предотвратить аварии, каждая из которых может стоить миллионы и даже пару десятков миллионов рублей. Экономика здесь очень простая. Само программное обеспечение стоит единицы-десятки миллионов рублей. Стоимость каждой предотвращенной аварии может доходить до десятков миллионов рублей, а таких аварий в год в компаниях среднего масштаба происходят сотни. Если из этих аварий хотя бы десятки предотвратить, экономический эффект уходит в бесконечность.

Второй кейс — у нас есть инструмент, который автоматически распознает типы горных пород по фотографиям керна. Керн — это материал, который извлекается из скважины, и его фотографируют либо в лабораториях, либо на месторождении. Чтобы построить геологическую модель, специалисты-петрофизики описывают керн: загружают эти фотографии себе на компьютер и буквально отмечают, какая глубина какому типу породы соответствует. По типу породы можно определить, возможны ли там залежи нефти или газа. Делают это в ручном режиме и долго. Мы натренировали глубокие нейронные сети делать это быстро. Фактически само распознавание пород происходит в миллион раз быстрее, чем это делается экспертом. Но машине нужно эти фотографии загрузить, сделать некоторые пометки, как привязывать их к конкретной глубине в скважине, и т.д. С учетом этой последовательности действий доказанное ускорение всего процесса сейчас — не в миллион, а в семь раз. Тут тоже выгода понятна - в семь раз быстрее описал, быстрее построил геологическую модель, быстрее оценил, где нефть или газ, быстрее начал разведочное и добычное бурение, быстрее получил первую нефть.