Признайтесь, когда речь заходит о добыче нефти, перед глазами встают техасские пейзажи и механические «качалки» на фоне закатного неба. Кто-то увидит еще трубы-факелы, сжигающие попутные газы, а может еще и буровую платформу где-то на морском шельфе. Само собой, добыча нефти — бизнес тяжелый и сопряженный с определенными рисками. Огромные машины, буровые станки, опасность взрыва и пожара. Нефтедобыча в сознании масс — дело, несомненно, брутальное, для крепких рабочих и почти таких же крепких инженеров.
Все вы одновременно и правы, и ошибаетесь. Да, нефть добывали и добывают с помощью «качелей», но весь этот образ, который мы получили из кино и сериалов, уже не соответствует полной картине; прогрессивные компании все активнее начинают внедрять последние достижения из области IT. Современные нефтяники одновременно используют последние наработки в обработке BigData, ИИ, машинного обучения и многих других. Ниже, опираясь на опыт компании Aramco Innovations, будет несколько примеров того, насколько глубоко IT-технологии проникли в такой, казалось бы, классический и инертный бизнес, как нефтедобыча.
Стоит начать с того, о чьих кейсах пойдет речь. Aramco Innovations — российское представительство исследовательской организации, которая входит в структуру национальной нефтедобывающей компании Саудовской Аравии Saudi Aramco. Последняя является крупнейшим нефтедобытчиком на планете и целиком принадлежит Королевству Саудовская Аравия. Конкретно Aramco Innovations занимается для материнской организации исследованиями в области искусственного интеллекта (ИИ), высокопроизводительных вычислительных систем и наноматериалов. Компания недавно открыла офис в Москве, как в одном из наиболее перспективных мест для организации научной работы в сферах ИИ, BigData и машинного обучения.
Если взять в руки толковый словарь и открыть его на «геомоделировании», то мы получим примерно следующее определение: это проектирование и создание картографических изображений на основе визуализации исходных, производных или итоговых данных. Очевидно, что в нефтяной отрасли геомоделирование занимает одно из центральных мест. Значительная часть расходов нефтяных компаний по всему миру (и речь идет не только об Saudi Aramco, а вообще о всех нефтедобытчиках) приходится именно на разведку с последующим моделированием залегания углеводородов.
Согласно общепринятой концепции геомоделирование можно разложить на следующие этапы:
Фактически, трехмерное моделирование залежей — это многоступенчатый, сложный процесс оценки месторождения по целому ряду признаков, хотя на первый взгляд может показаться, что достаточно лишь определить, «откуда» и «докуда» и залегают углеводороды.
Зачем вообще нужны геомодели месторождения после старта добычи? Понятно, что классический процесс извлечения углеводородов из недр начинается с непосредственной разведки месторождения. Геологи строят его карту, на основе которой создается полная компьютерная модель всего резервуара. Делается это для того, чтобы выработать стратегию по разработке месторождения, наиболее выгодно размещать нефтяные скважины, минимизировать потери от смещения пластов и избежать аварий в ходе добычи.
Схематическая иллюстрация наиболее выгодного расположения нефтяной вышки для добычи нефти
Как можно понять, четкость подобной модели резервуара с течением времени снижается из-за того, что ни одна модель не может со 100% точностью предсказать все изменения в структуре породы и самого месторождения в процессе добычи нефти. Выше мы привели схематический пример нефтяного месторождения, но в реальности все намного сложнее. К примеру, Saudi Aramco занимается разработкой крупнейшего в мире нефтяного месторождения Гавар, открытого еще в 1948 году. В нем залегает до 10-12 млрд тонн нефти, а общая площадь месторождения составляет ~5300 квадратных километров.
То есть, мы приходим к тому, что даже разведанные активные месторождения требуют постоянного изучения и моделирования, хотя бы для того, чтобы понимать, где стоит бурить, а где это уже бесполезно либо слишком дорого. При этом нужно помнить, что залегать полезные ископаемые могут на гигантских площадях, то есть бурение и добыча происходят одновременно во множестве точек. Рассчитать и предсказать изменения в структуре месторождения вручную практически невозможно, поэтому задача по моделированию активных месторождений переходит в плоскость разработки IT-систем и обработки больших массивов данных.
Именно тут начинается работа для IT-специалистов в областях ИИ, BigData и машинного обучения. Примерно с 1960-х нефтяные компании стали собирать массу данных о разрабатываемых месторождениях. С течением времени эта информация превратилась в огромный поток всевозможных данных, получаемых как во время разведки, так и в процессе бурения и добычи. На основании этой информации специалисты хотят обучать нейросети для более быстрого и четкого моделирования поведения разрабатываемых месторождений в ближайшем будущем.
В этом направлении было проведено уже достаточно много работы и проведен ряд исследований. Так, в одном из них на вход нейросети подаются следующие типы данных о месторождении:
На выходе исследователи получают прогнозы по температуре, давлению, структуре и уплотнению породы и даже рекомендованному расстоянию между вышками. Кроме оценки самих месторождений подобные системы можно использовать и для прогнозирования проблем во время бурения и самой добычи, что предвосхищает аварии, поломки и возникновение незапланированных убытков.
Если говорить о бурении, то стоит вспомнить о каротажных кривых и изучении скважин. Каротаж — это метод геофизического исследования скважин. Конечно, наиболее очевидный путь оценки структуры скважины — это подъем керна — выпиливание породы с последующим физическим изучением всего «столба». Однако инженеры-бурильщики не дадут соврать: сам процесс выпиливания и подъема керна стоит чудовищных денег и сопряжен с целым рядом технических трудностей. В первую очередь, это долго. Одно дело — пробурить скважину, поднимая на поверхность измельченную породу в буровом растворе, а другое — вырезать столб и поднять его в том виде, в котором он залегал. По этой причине современный каротаж использует геофизические зонды, которые спускаются в скважину для изучения стенок скважины и околоскважинного пространства и сбора информации «изнутри».
Каротажные зонды оснащаются целым спектром пассивных и активных датчиков. Пассивные датчики собирают информацию о магнитном и самопроизвольно возникающем электрическом поле, естественном гамма-излучении и так далее. Активные датчики — это приемники и источники искусственно созданных электрических, акустических и других полей и излучений. С помощью каротажного зонда геофизики собирают информацию на некоторых интервалах скважины, которые потом формируются в каротажные кривые.
Пример построенных каротажных кривых по нескольким параметрам
Собранные из скважины данные в дальнейшем обрабатываются геологами, и это очень кропотливый и трудоемкий процесс, который зачастую происходит в ручном режиме.
Aramco Innovations работает над созданием систем интерпретации каротажных кривых на базе технологий машинного обучения. Большая часть работы с кривыми — это типичный monkey-job, который сводится к поиску точек зависимостей и различий с уже имеющимися у геологов данными. Машинное обучение как нельзя лучше подходит для выявления этих зависимостей в каротажных кривых с последующим формированием конечного отчета, который анализируется уже специалистом. Такой подход позволяет значительно увеличить эффективность исследований скважин и в разы ускоряет процесс оценки скважины и разведку в целом.
Также машинное зрение планируется использовать для анализа структуры глубинных пластов на базе полученных в ходе сейсморазведки изображений. Наибольшую ценность для геологов на них представляют нефтеносные горизонты и трещины в породе, которые могут представлять потенциальную угрозу в ходе добычи полезных ископаемых. Сейчас специалисты Aramco Innovations работают над тем, чтобы делегировать наиболее муторную и однообразную работу машинам, оставив людям лишь функцию итогового анализа и принятия решения.
Выше мы рассказали лишь о нескольких направлениях применения современных достижений IT-сферы в нефтедобыче. Их важность сложно переоценить: мы буквально живем в пластмассовом мире. Практически все предметы, окружающие нас, в той или иной степени были созданы либо из нефти и производных, либо из материалов, полученных за счет сжигания углеродного топлива.
В эти выходные, с 26 по 28 октября, Aramco Innovations совместно с Научным парком МГУ проводит в Москве Aramco Upstream Solutions Technathon, мероприятие посвященное применению технологий Искусственного Интеллекта для нефтяной отрасли.
Основная цель мероприятия — оценить и поощрить научный потенциал в сфере машинного обучения и искусственного интеллекта, а также найти потенциальных кандидатов, желающих присоединиться к команде Aramco Innovations. В первый день, 26 октября, с 12:00 до 16:00 все участники смогут прослушать научно-популярные лекции, посвященные задачам мероприятия. Цель лекций — дать представление о нефтедобыче тем, кто далек от индустрии. Лекции, как и сам технатон, абсолютно бесплатны.
Финал технатона состоится 28 октября, в его рамках будут награждены 3 команды-победителя, а также будут вручены 2 специальных приза за решения задач, отмеченных судьями. Призовой фонд технатона составляет 7000 долларов США (около 470 000 рублей). Участников ждёт 48 часов кодинга и работа с ведущими экспертами из научного центра Saudi Aramco.
В первую очередь к участию приглашаются IT-специалисты в области машинного обучения и ИИ, специалисты технических профессий, геологи и геофизики.
Подробнее с регламентом, расписанием и правилами мероприятия вы можете ознакомиться тут. Для участия в технатоне нужно пройти бесплатную регистрацию до 26 октября, 17:50 по МСК.
Ждем всех заинтересованных специалистов 26 октября, в 18:00 по адресу г. Москва, Научный парк МГУ, ул. Ленинские Горы, 1с77.
Если у вас возникли дополнительные вопросы по мероприятию, пишите на ab@codenrock.com или спрашивайте в Telegram-канале мероприятия.
Все вы одновременно и правы, и ошибаетесь. Да, нефть добывали и добывают с помощью «качелей», но весь этот образ, который мы получили из кино и сериалов, уже не соответствует полной картине; прогрессивные компании все активнее начинают внедрять последние достижения из области IT. Современные нефтяники одновременно используют последние наработки в обработке BigData, ИИ, машинного обучения и многих других. Ниже, опираясь на опыт компании Aramco Innovations, будет несколько примеров того, насколько глубоко IT-технологии проникли в такой, казалось бы, классический и инертный бизнес, как нефтедобыча.
Стоит начать с того, о чьих кейсах пойдет речь. Aramco Innovations — российское представительство исследовательской организации, которая входит в структуру национальной нефтедобывающей компании Саудовской Аравии Saudi Aramco. Последняя является крупнейшим нефтедобытчиком на планете и целиком принадлежит Королевству Саудовская Аравия. Конкретно Aramco Innovations занимается для материнской организации исследованиями в области искусственного интеллекта (ИИ), высокопроизводительных вычислительных систем и наноматериалов. Компания недавно открыла офис в Москве, как в одном из наиболее перспективных мест для организации научной работы в сферах ИИ, BigData и машинного обучения.
Геологическое 3D-моделирование месторождений
Если взять в руки толковый словарь и открыть его на «геомоделировании», то мы получим примерно следующее определение: это проектирование и создание картографических изображений на основе визуализации исходных, производных или итоговых данных. Очевидно, что в нефтяной отрасли геомоделирование занимает одно из центральных мест. Значительная часть расходов нефтяных компаний по всему миру (и речь идет не только об Saudi Aramco, а вообще о всех нефтедобытчиках) приходится именно на разведку с последующим моделированием залегания углеводородов.
Согласно общепринятой концепции геомоделирование можно разложить на следующие этапы:
- подготовка;
- структурное моделирование;
- создание трехмерной сетки;
- осреднение скважинных данных на ячейки трехмерной сетки;
- литолого-фациальное моделирование;
- петрофизическое моделирование;
- моделирование насыщения;
- 3D-подсчет запасов.
Фактически, трехмерное моделирование залежей — это многоступенчатый, сложный процесс оценки месторождения по целому ряду признаков, хотя на первый взгляд может показаться, что достаточно лишь определить, «откуда» и «докуда» и залегают углеводороды.
Зачем вообще нужны геомодели месторождения после старта добычи? Понятно, что классический процесс извлечения углеводородов из недр начинается с непосредственной разведки месторождения. Геологи строят его карту, на основе которой создается полная компьютерная модель всего резервуара. Делается это для того, чтобы выработать стратегию по разработке месторождения, наиболее выгодно размещать нефтяные скважины, минимизировать потери от смещения пластов и избежать аварий в ходе добычи.
Схематическая иллюстрация наиболее выгодного расположения нефтяной вышки для добычи нефти
Как можно понять, четкость подобной модели резервуара с течением времени снижается из-за того, что ни одна модель не может со 100% точностью предсказать все изменения в структуре породы и самого месторождения в процессе добычи нефти. Выше мы привели схематический пример нефтяного месторождения, но в реальности все намного сложнее. К примеру, Saudi Aramco занимается разработкой крупнейшего в мире нефтяного месторождения Гавар, открытого еще в 1948 году. В нем залегает до 10-12 млрд тонн нефти, а общая площадь месторождения составляет ~5300 квадратных километров.
То есть, мы приходим к тому, что даже разведанные активные месторождения требуют постоянного изучения и моделирования, хотя бы для того, чтобы понимать, где стоит бурить, а где это уже бесполезно либо слишком дорого. При этом нужно помнить, что залегать полезные ископаемые могут на гигантских площадях, то есть бурение и добыча происходят одновременно во множестве точек. Рассчитать и предсказать изменения в структуре месторождения вручную практически невозможно, поэтому задача по моделированию активных месторождений переходит в плоскость разработки IT-систем и обработки больших массивов данных.
Именно тут начинается работа для IT-специалистов в областях ИИ, BigData и машинного обучения. Примерно с 1960-х нефтяные компании стали собирать массу данных о разрабатываемых месторождениях. С течением времени эта информация превратилась в огромный поток всевозможных данных, получаемых как во время разведки, так и в процессе бурения и добычи. На основании этой информации специалисты хотят обучать нейросети для более быстрого и четкого моделирования поведения разрабатываемых месторождений в ближайшем будущем.
В этом направлении было проведено уже достаточно много работы и проведен ряд исследований. Так, в одном из них на вход нейросети подаются следующие типы данных о месторождении:
- информация об интенсивности гамма-излучения;
- пористость;
- плотность;
- насыщенность водой;
- и другие.
На выходе исследователи получают прогнозы по температуре, давлению, структуре и уплотнению породы и даже рекомендованному расстоянию между вышками. Кроме оценки самих месторождений подобные системы можно использовать и для прогнозирования проблем во время бурения и самой добычи, что предвосхищает аварии, поломки и возникновение незапланированных убытков.
Интерпретация данных и каротажные кривые
Если говорить о бурении, то стоит вспомнить о каротажных кривых и изучении скважин. Каротаж — это метод геофизического исследования скважин. Конечно, наиболее очевидный путь оценки структуры скважины — это подъем керна — выпиливание породы с последующим физическим изучением всего «столба». Однако инженеры-бурильщики не дадут соврать: сам процесс выпиливания и подъема керна стоит чудовищных денег и сопряжен с целым рядом технических трудностей. В первую очередь, это долго. Одно дело — пробурить скважину, поднимая на поверхность измельченную породу в буровом растворе, а другое — вырезать столб и поднять его в том виде, в котором он залегал. По этой причине современный каротаж использует геофизические зонды, которые спускаются в скважину для изучения стенок скважины и околоскважинного пространства и сбора информации «изнутри».
Каротажные зонды оснащаются целым спектром пассивных и активных датчиков. Пассивные датчики собирают информацию о магнитном и самопроизвольно возникающем электрическом поле, естественном гамма-излучении и так далее. Активные датчики — это приемники и источники искусственно созданных электрических, акустических и других полей и излучений. С помощью каротажного зонда геофизики собирают информацию на некоторых интервалах скважины, которые потом формируются в каротажные кривые.
Пример построенных каротажных кривых по нескольким параметрам
Собранные из скважины данные в дальнейшем обрабатываются геологами, и это очень кропотливый и трудоемкий процесс, который зачастую происходит в ручном режиме.
Aramco Innovations работает над созданием систем интерпретации каротажных кривых на базе технологий машинного обучения. Большая часть работы с кривыми — это типичный monkey-job, который сводится к поиску точек зависимостей и различий с уже имеющимися у геологов данными. Машинное обучение как нельзя лучше подходит для выявления этих зависимостей в каротажных кривых с последующим формированием конечного отчета, который анализируется уже специалистом. Такой подход позволяет значительно увеличить эффективность исследований скважин и в разы ускоряет процесс оценки скважины и разведку в целом.
Также машинное зрение планируется использовать для анализа структуры глубинных пластов на базе полученных в ходе сейсморазведки изображений. Наибольшую ценность для геологов на них представляют нефтеносные горизонты и трещины в породе, которые могут представлять потенциальную угрозу в ходе добычи полезных ископаемых. Сейчас специалисты Aramco Innovations работают над тем, чтобы делегировать наиболее муторную и однообразную работу машинам, оставив людям лишь функцию итогового анализа и принятия решения.
Технатон Aramco Innovations
Выше мы рассказали лишь о нескольких направлениях применения современных достижений IT-сферы в нефтедобыче. Их важность сложно переоценить: мы буквально живем в пластмассовом мире. Практически все предметы, окружающие нас, в той или иной степени были созданы либо из нефти и производных, либо из материалов, полученных за счет сжигания углеродного топлива.
В эти выходные, с 26 по 28 октября, Aramco Innovations совместно с Научным парком МГУ проводит в Москве Aramco Upstream Solutions Technathon, мероприятие посвященное применению технологий Искусственного Интеллекта для нефтяной отрасли.
Основная цель мероприятия — оценить и поощрить научный потенциал в сфере машинного обучения и искусственного интеллекта, а также найти потенциальных кандидатов, желающих присоединиться к команде Aramco Innovations. В первый день, 26 октября, с 12:00 до 16:00 все участники смогут прослушать научно-популярные лекции, посвященные задачам мероприятия. Цель лекций — дать представление о нефтедобыче тем, кто далек от индустрии. Лекции, как и сам технатон, абсолютно бесплатны.
Финал технатона состоится 28 октября, в его рамках будут награждены 3 команды-победителя, а также будут вручены 2 специальных приза за решения задач, отмеченных судьями. Призовой фонд технатона составляет 7000 долларов США (около 470 000 рублей). Участников ждёт 48 часов кодинга и работа с ведущими экспертами из научного центра Saudi Aramco.
В первую очередь к участию приглашаются IT-специалисты в области машинного обучения и ИИ, специалисты технических профессий, геологи и геофизики.
Подробнее с регламентом, расписанием и правилами мероприятия вы можете ознакомиться тут. Для участия в технатоне нужно пройти бесплатную регистрацию до 26 октября, 17:50 по МСК.
Ждем всех заинтересованных специалистов 26 октября, в 18:00 по адресу г. Москва, Научный парк МГУ, ул. Ленинские Горы, 1с77.
Если у вас возникли дополнительные вопросы по мероприятию, пишите на ab@codenrock.com или спрашивайте в Telegram-канале мероприятия.