Добывать с умом

Павел СОРОКИН
Заместитель министра энергетики России

Аннотация. Искусственный интеллект в добыче нефти позволит сохранить конкурентоспособность отрасли на мировом рынке и увеличит налоговую базу. Однако для ускоренного внедрения новых инструментов необходимо формирование системы регулирования данных для их наиболее эффективного использования.
Ключевые слова: геологоразведка, бурение скважин, искусственный интеллект, повышение эффективности.

Abstract. Artificial intelligence in oil production will keep the industry competitive in the global market and increase the tax base. However, for the accelerated introduction of new tools, it is necessary to form a data regulation system for their most effective use.
Keywords: geological exploration, well drilling, artificial intelligence, efficiency improvement geological exploration, well drilling, artificial intelligence, efficiency improvement.

Добывать становится сложнее

Роль нефтедобывающей отрасли в экономике России трудно недооценивать. На нее приходится около 15 % ВВП, 40 % экспорта в денежном выражении, более 9 трлн руб­лей в год или 45 % доходов федерального бюджета (в 2020 г. из-за снижения цен на нефть ожидается 3 трлн руб.). Отрасль несет также важную социально-­экономическую функцию развития нефтедобывающих регионов – ХМАО, Татарстан, Башкирия, Томская обл. и т. д.
В настоящее время нефтегазовая отрасль сталкивается с целым рядом проблем, которые снижают ее конкурентоспособность на мировом рынке. Общей проблемой является постепенное исчерпание запасов разрабатываемых месторождений и падение добычи нефти в традиционных нефтедобывающих регионах. Наибольшие темпы падения добычи сегодня приходятся на ключевой нефтедобывающий регион России – Западную Сибирь, добыча в которой за последние десять лет снизилась на 10 %, до 288 млн тонн.
Это связано с двумя факторами. Во-первых, согласно данным инвентаризации экономики разработки месторождений, проведенной по поручению Правительства России, из 30 млрд тонн извлекаемых запасов нефти России только 36 % является рентабельным в текущих макроэкономических условиях. Это связано с ухудшением возможностей освоения: ростом обводненности, необходимостью строительства дорогостоящих скважин сложной конструкции, низкой проницаемостью и расчлененностью коллекторов, уходом в краевые зоны и пласты с небольшими толщинами и так далее. Все это не только увеличивает себестоимость добычи, но и повышает риски неподтверждения планируемых показателей разработки из-за сложности моделирования процессов и ошибок при бурении, например, выходом из продуктивного пласта при горизонтальном бурении. В результате, по некоторым активам фактическая рентабельность бурения может значительно отличаться от планов, а запасы не подтверждаться.

Во-вторых, качество воспроизводства ресурсной базы также ухудшается. Средний размер открытий новых месторождений в 2015–1019 гг. составил 9–14 млн тонн (без учета нескольких крупных на шельфе и Пайяхского месторождения). Прирост запасов в последние годы во‑многом обеспечивается доразведкой в действующих регионах добычи, а также переоценкой запасов. При этом технологическая сложность геологоразведки значительно повышается. В основном, в традиционных регионах прирост происходит за счет поиска пропущенных залежей или бурения на глубокие горизонты. Однако, важно понимать, что пропуск перспективных пластов при использовании традиционных методов интерпретации данных связан с их небольшим размером и сложностью строения. Поэтому необходимо применять совершенно новые технологии разведки и моделирования активов. Освоение глубоких горизонтов требует увеличения инвестиций. Так, например, для доюрского комплекса Западной Сибири капитальные затраты на поисковое бурение сопоставимы с Арктикой – от 500 млн руб. и более за скважину. С точки зрения крупных открытий, наиболее перспективным регионом является Арктика и шельф. Здесь уже было сделано несколько крупных открытий за последние годы – Нептун, Тритон, Пайяха с суммарными запасами более 1,3 млрд тонн нефти. Однако, эти бассейны мало изучены и, с учетом высокой стоимости поискового бурения, здесь необходимо применять совершенно новые технологии моделирования для эффективной локализации залежей углеводородов.
Таким образом, вопрос будущего российской нефтедобывающей отрасли связан с опережающим технологическим развитием и повышением эффективности. Только это позволит сохранить положение одного из самых низких по себестоимости производителей на мировой кривой предложения нефти.

Искусственный интеллект в помощь

Мировая нефтяная отрасль всегда являлась одним из самых высокотехнологичных секторов, и новые решения здесь внедряются одной из первых. Так, появление новой электроники и IT-продуктов, способных решать сложные задачи, привело к технологическому буму в отрасли 1970–2010‑х гг.: появлялись новые методы повышения нефтеотдачи, создавались программы моделирования и интерпретации данных геологоразведки и так далее. Одним из стимулов развития отраслевых технологий в мире стало ухудшение сырьевой базы с 1990‑х гг. из-за истощения части крупнейших месторождений. Если с 1980‑х по 1990‑е гг. мировые запасы выросли на 60 %, то за период с 1990‑х по 2000‑е гг. – всего на 4 %. Еще одним драйвером развития нефтедобывающей отрасли стал рост конкуренции на мировых энергетических рынках, что повлекло необходимость оптимизации бизнес-­процессов и цепочек поставок.
Происходящие сейчас повсеместно процессы цифровой трансформации в нефтегазовой отрасли начались одними из первых. Прежде всего это связано со значительным потенциальным эффектом от внедрения новых решений в технологические и бизнес-­процессы компаний. Поэтому отрасль активно заинтересована в новых инструментах. Одним из приоритетных направлений в части цифровой трансформации нефтегазовой отрасли является внедрение методов искусственного интеллекта по всей производственной цепочки в отрасли – от разведки до АЗС.
Наибольший эффект от применения методов искусственного интеллекта будет в сегменте разведки и добычи, где вопросы прогнозирования залежей углеводородов и моделирования процессов освоения месторождений имеют критически важное значение для итоговой эффективности проектов. Это уже доказано в рамках пилотов, реализуемых компаниями.

Среди наиболее показательных примеров применения этих методов можно назвать интеллектуальную обработку и интерпретацию данных сейсморазведки. Обработка данных сейсморазведки является одним из ключевых этапов геологоразведки, качество выполнения которого напрямую влияет на успешность проекта геологического изучения. В производственном цикле ГРР-обработка сейсмики занимает наибольшее время и длится от 6 до 12 месяцев в зависимости от сложности геологического строения месторождения. В настоящее время подбор оптимальных параметров обработки, а также проведение процедур контроля качества промежуточных и итоговых результатов, выполняется специалистами-­обработчиками «в ручном» режиме. Все это увеличивает сроки и повышает риски ошибок.
Алгоритмы искусственного интеллекта дают возможность автоматизировать рутинные операции, в результате чего повышается качество интерпретированных данных и снижаются сроки анализа. По предварительным данным такой метод позволяет сохранить до 6 % инвестиций за счет сокращения количества нерентабельных опций. Это позволит увеличить ожидаемую стоимость проекта ГРР (EMV) для компании до 15 % за счет сокращения сроков и снижения неэффективных инвестиций.
Увеличение выработанности крупных активов в традиционных регионах добычи Западной Сибири и Урало-­Поволжья ставит перед компаниями стратегическую задачу по сдерживанию темпов падения производства на них и поиску скрытых запасов. Однако, при отсутствии полного набора качественных данных (данные прошлого века уже устарели или не полные) существенную часть объектов невозможно выявить с помощью традиционных петрофизических методов. Необходимы новые подходы, в том числе создание детальных цифровых моделей месторождений на основе вероятностных вычислений.
В рамках одного из пилотных проектов применения этой когнитивной системы на действующем нефтепромысле на основе анализа геологических данных и информации со скважин нейросеть смогла предсказать участки, где находятся потенциальные интервалы с залежами нефти, которые было невозможно выявить традиционными способами. В результате удалось добиться дополнительного притока нефти без затрат на бурение и создание инфраструктуры.

В процессе строительства скважины очень важно контролировать сам процесс бурения и всю поступающую со скважины информацию. Контроль процесса бурения позволяет снизить риск наступления непредвиденных ситуаций на скважине. В настоящее время вероятность предотвратить аварию напрямую связана с опытом и внимательностью специалиста, сопровождающего строительство скважины, так как практически любая внештатная ситуация имеет ряд предвестников. При этом, в случае возникновения аварийных осложнений увеличивается непроизводительное время (НПВ), что повышает стоимость скважины.
Применение предиктивной аналитики для предсказания осложнений на основе имеющихся исторических данных позволяет снизить непроизводительное время на 15 %, что в свою очередь сократит стоимость скважин на 3–5 %.
Это только единичные примеры внедряемых решений. В целом направления использования искусственного интеллекта можно разделить на 4 больших группы: для геологоразведки и интерпретации данных, при бурении, при эксплуатации оборудования, для экологии и промышленной безопасности. Это произведет целую цепочку позитивных эффектов: ускорение сроков ввода активов за счет сокращение времени на анализ, снижение объемов нерентабельного бурения за счет повышения качества моделирования месторождений, сокращение капитальных затрат за счет выбора оптимальной траектории бурения, уменьшение аварийных случаев на месторождениях и операционных издержек за счет подбора оптимального режима работы оборудования. Очевидно, что внедрение новейших технологий выгодно и с точки зрения бизнеса. Оно дает увеличение стоимости активов за счет ускорения сроков ввода в разработку, прирост запасов и добычи за счет выявления пропущенных залежей и ведет к повышению инвестиционной эффективности операций за счет сокращения человеческих ошибок.
В денежном выражении суммарный эффект для отрасли в 2025–2040 гг. за счет снижения расходов от нерентабельных операций и прироста КИН на действующих активах может составить по предварительным оценкам 2,95 трлн руб. Для государства за аналогичный период эффект может составить 2,45 трлн руб­лей за счет увеличения налоговой базы в виде ввода дополнительных запасов в разработку.

Прогресс будет зависеть от данных

Конечно, важно понимать и то, что эффективность развития и внедрения методов искусственного интеллекта напрямую связана с входящими данными для обучения моделей. Для наглядности цикл, который проходит любое решение при разработке, состоит из следующих этапов:
Этап 1. Переработка и структурирование входящей информации.
Этап 2. Выбор данных (признаков) для обучения модели.
Этап 3. Выбор и обучение модели на данных.
Этап 4. Анализ результатов моделирования с фактом.
По итогам анализа сходимости модели с фактом на пилотных проектах решение отправляется на доработку и дополняется новыми данными для повышения эффективности (в случае наличия). Количество таких итераций может быть значительным и зависит напрямую не только от эффективности алгоритма, но и от качества и количества входящих данных, которых он использует. Чем больше данных и выше их качество, тем быстрее алгоритм может приблизиться к реально происходящим процессам и применен в производстве.
Таким образом, данные являются ключевой ценностью для отрасли в эпоху цифровой трансформации. Однако, процесс их получения сложный и дорогостоящий. Так стоимость 1 куба сейсмики составляет около 150 млн руб­лей (всего отрасль тратит порядка 40 млрд руб­лей в год), а процесс получения и анализа до 1,5 лет. Бурение требует 4–5 месяцев анализа при стоимости современных поисково-­разведочных скважин более 300 млн руб. Поэтому повышение эффективности именно в этом направлении – ключевая задача для отрасли и регуляторов.
Впрочем, на текущий момент имеется ряд барьеров для эффективного использования данных. Кооперация в части обмена информацией у российских компаний низкая. У каждого есть данные только по своим активам, что сужает возможности отрасли. Естественно, требовать полной открытости от компаний нельзя. Это вопрос их конкурентоспособности. Однако, полностью закрываться тоже неправильно. В это же время, у крупнейших иностранных нефтесервисных и IT-подрядчиков аккумулируются значительные массивы данных по всей отрасли. В результате, уровень конкурентоспособности российской отрасли и ее продуктов снижается. Поэтому было бы правильно рассмотреть возможность обмена в части отдельных приоритетных направлений, например, исследований трудноизвлекаемых запасов или новых регионов. Ключевым препятствием этому на текущий момент является отсутствие регулирования в области промышленных данных, что создает риски для участников обмена. В частности, отсутствует понятие промышленных данных в юридической плоскости, не закреплены права сторон при обмене, отсутствуют единые стандарты данных, методики анонимизации данных и так далее.
В отличие от взаимоотношений внутри бизнеса, которые носят коммерческий характер, в России существует законодательно закрепленный инструментарий сбора отраслевых данных. В соответствии с федеральным законом «О недрах» вся первичная и интерпретированная геологическая информация подлежит сдаче в федеральный фонд геологической информации, его территориальные фонды и фонды субъектов Российской Федерации. При этом для первичной информации устанавливается срок коммерческой тайны 3 года, интерпретированной – 5 лет. Остается и ряд существенных препятствий для использования компаниями этих данных. В частности, отсутствуют единые стандарты предоставления данных, отмечается недостаток инструментария их верификации. Чаще всего, данные хранятся в разрозненных архивах, исторические данные не всегда оцифрованы, а данные по технологии и экономике передаются только при утверждении производственно-­технической документации. Все это значительно сокращает возможность использования собираемых данных. При этом во всех ведущих нефтедобывающих странах создано более 26‑ти цифровых платформ отраслевых данных, которыми активно пользуются участники отрасли. Наиболее известными из них являются Национальный банк данных NDR в Великобритании и Национальный банк данных Diskos в Норвегии. Помимо просто структурированных дата сетов, эти банки предоставляют всем участникам отрасли полноценные сервисы по моделированию, а также имеют в наличии постоянно действующие геологические модели шельфа, что позволяет компаниям искать эффективные ресурсы.
Приоритетной задачей для государства должна стать поддержка отрасли в части кооперации за счет создания понятным правил сбора, хранения и оборота промышленных данных. А также создание цифровой платформы отраслевых данных. Тем более база у Минприроды России и Минэнерго России в действующих ГИС уже имеется.