antfor.ru
За последние десять лет цифровая индустрия пережила значительный рост, радикально преобразовав каждый аспект нашей жизни. Будь то вход в онлайн-маркетплейс, запись на прием в поликлинику или включение ноутбука или планшета — эти привычные повседневные действия являются результатом внедрения цифровых продуктов. Большинство людей принимают эти достижения как должное, порой даже не осознавая, что многочисленные специалисты из различных областей науки и техники стоят за разработками, облегчающими нашу жизнь. Но без сомнения, цифровая индустрия в ближайшие десятилетия будет оставаться ключевым компонентом во всех сферах, включая промышленный сектор.
Нефтегазовая отрасль — не исключение, в частности бурение нефтяных и газовых скважин, в ходе которого генерируется огромное количество данных. За каждый час производства буровых работ возникают тысячи гигабайт данных, начиная от простых параметров траектории скважины и заканчивая сложными имиджами геофизических каротажей горных пород, показывающими скважину изнутри. Игнорирование этих данных и небрежность в их получении, обработке и хранении является расточительством крайне ценного ресурса, который мог бы принести значительную финансовую выгоду. Поэтому понимание ценности цифровизации и наличие соответствующих фреймворков является одним из сегодняшних столпов устойчивого экономического развития отрасли.
Зачастую инженеры-эксперты в области бурения имеют недостаточный опыт в анализе и обработке данных. Это не их вина: в связи с бурным развитием отрасли во время их учебы в учебной программе просто еще могло не быть курса по науке о данных, а в некоторых учебных заведениях такого курса нет и сегодня. И это в то время, когда аналитики данных и специалисты по обработке данных пользуются огромным спросом по всему миру! Каждая компания, от крупнейшей транснациональной корпорации до предприятия малого бизнеса, понимает, что наличие нужных навыков в нужное время может принести ценные преимущества и конкурентное превосходство. Именно поэтому наличие таких навыков стало чрезвычайно важным. И именно поэтому большинство компаний в нефтегазовой отрасли сегодня ищет будущих сотрудников, способных работать с данными, анализировать их и делать соответствующие выводы автономно. А современные платформы анализа данных, направленные на демократизацию машинного обучения и искусственного интеллекта, такие как DataIku, Microsoft Azure, Databricks и т. д., предоставляют возможность управлять данными даже без навыков программирования.
В этой связи особый интерес для отрасли представляют специалисты, работающие на стыке буровой инженерии и информационных технологий. Одним их таких профессионалов является Айрат Фахрылгаянов — редкий эксперт, который обладает уникальным сочетанием пятнадцатилетнего опыта одновременно в области инжиниринга в бурении и в сфере науки о данных. За время своей работы он разработал и внедрил новые подходы к бурению с точки зрения анализа данных и машинного обучения, которые кардинально преобразили индустрию. Например, Айрат использовал оригинальный подход к анализу больших данных, который значительно снизил затраты и время простоя. Он успешно руководил проектом по оптимизации процессов бурения и значительному снижению отказов при бурении на одном из самых сложных месторождений в мире. В основе проекта лежало применение алгоритмов машинного обучения для принятия решений. Одно из главных в России профессиональных изданий нефтегазовой отрасли, ПроНедра, в 2020 году публиковало статью, которая освещала этот проект и обсуждала значительную роль науки о данных и цифрового анализа данных в повышении эффективности бурения, в частности, в свете реального применения этих инструментов Айратом Фахрылгаяновым.
Айрат ФахрылгаяновВ процессе бурения — передачи механической и гидравлической энергии к рабочему инструменту — из-за неоднородной природы горных пород возникают потери энергии, шоки и вибрации на забое. Эти проблемы могут вызвать механические повреждения и отказы компонентов низа бурильных колонн и привести к снижению эффективности бурения и ухудшению финансовых результатов. Так, на одном из российских буровых проектов были зафиксированы значительные отказы скважинных приборов на забое, что привело к существенным финансовым и репутационным издержкам. Предложенное Айратом Фахрылгаяновым решение использовало большие данные и машинное обучение для анализа высоко-детализированных данных. Целью этого подхода было найти корреляции между параметрами бурения на поверхности и вибрациями на забое для оптимизации эффективности бурения. Проект предусматривал стандартизацию и автоматизацию процессов сбора и обработки данных для обеспечения их согласованности и качества.
Применение алгоритмов деревьев решений и случайного леса к набору данных, полученных на 30 скважинах, привело к выводам, противоречащим общепринятым. На основе этих выводов была выполнена корректировка параметров бурения для минимизации вибраций на забое, что повысило надежность инструмента, улучшило производительность бурения и сократило количество спуско-подъемных операций. Успех команды Фахрылгаянова заинтересовал профессионалов и рассматривается в настоящее время как имеющий широкий потенциал для применения во всей отрасли.
Кроме того, Айрат впервые в нефтяной отрасли предложил подход на основе машинного обучения для анализа, идентификации и прогнозирования способности генерирования пространственной интенсивности. Это решение позволило расширить возможности компоновок низа бурильного инструмента по набору необходимых параметров траектории скважины без увеличения затрат и рисков. Полученные в ходе работы впечатляющие результаты внедрения алгоритмов машинного обучения были представлены во время ежегодной всемирной конференции Общества инженеров-нефтяников (Society of Petroleum Engineers), проходившей в Абу-Даби в 2021 году. Представленное на конференции инновационное применение машинного обучения (ML) для решения проблем наклонно-направленного бурения, в частности сосредоточенное на прогнозировании пространственной интенсивности, имеет решающее значение для проектирования траекторий скважин. В то время, как традиционные методы прогнозирования в значительной степени зависят от опыта и интерпретации данных о пробуренных скважинах отдельными специалистами, что может быть времязатратным, неточным и субъективным, Айрат Фахрылгаянов предложил использовать машинное обучение для анализа огромных объемов данных о бурении для выявления ключевых параметров, влияющих на пространственную интенсивность. Этот подход позволяет проводить анализ данных, получаемых с соседних скважин, в реальном времени, обеспечивая многопараметрическую корреляцию между параметрами бурения и возможностью развивать необходимую пространственную интенсивность.
Применив алгоритмы машинного обучения к данным с пяти соседних скважин, команда Фахрылгаянова добилась стабильного увеличения пространственной интенсивности на 50 % при использовании оптимизированных параметров бурения. Это продемонстрировало потенциал машинного обучения для повышения точности прогнозирования пространственной интенсивности и оптимизации выбора конфигураций компоновок низа бурильного инструмента и параметров бурения.
Нельзя также не отметить отставание во внедрении методов машинного обучения в нефтегазовой отрасли, несмотря на обилие данных, генерируемых современными буровыми технологиями, такими как роторно-управляемые системы (RSS) и приборы измерения при бурении (MWD). Работы Айрата показали, что применение даже базовых алгоритмов машинного обучения эффективно способствует преодолению часто встречающихся проблем наклонно-направленного бурения, сокращению непроизводительных затрат времени и избежанию дополнительных издержек. Предложенная им методология включает использование линейной регрессии для установления многопараметрической корреляции, которая может предсказывать пространственную интенсивность более точно, чем традиционные методы. Этот подход позволяет целостно оценить влияние всех параметров бурения и помогает в эффективном планировании траекторий скважин и выборе подходящих технологий.
Проведенные исследования демонстрируют важность подготовки данных и необходимость высококачественных, точных наборов данных для использования алгоритмов машинного обучения. Несмотря на проблемы сбора данных в существующих условиях бурения, полученные практические результаты демонстрируют, что выбранный подход имеет заметный потенциал для значительного улучшения эффективности бурения и снижения рисков. Работа Айрата Фахрылгаянова наглядно демонстрирует возможности искусственного интеллекта в бурении и предполагает, что дальнейшие результаты могут быть достигнуты путем применения более сложных алгоритмов обучения, таких как нейронные сети.
Хотя г-н Фахрылгаянов активно участвует в цифровизации буровых операций, он также зарекомендовал себя и как эксперт в области технологии и оптимизации процессов бурения как таковых. Он и его команда успешно внедрили различные инновационные технологии бурения на многих нефтяных месторождениях России. Например, в Западной Сибири они разработали и внедрили новую технику бурения боковых стволов в многозабойных скважинах с использованием автономной роторной управляемой системы. Эта техника заметно сократила время строительства каждой скважины, что привело к совокупной ежегодной экономии более 60 рабочих дней и сокращению выбросов CO2 на тысячи кубических метров. Кроме того, Айрат Фахрылгаянов внедрил новый дизайн низа бурильной колонны, что позволило снизить уровень отказов на 50 %.
Искусственный интеллект, несомненно, в обозримом будущем станет основой эффективного развития отрасли и устойчивой экономики. А с учетом постоянно растущей сложности добычи и высоких технологических требований в современной нефтегазовой промышленности, применение машинного обучения и искусственного интеллекта может стать ключом к достижению новых уровней эффективности и безопасности. Но еще важнее то, что цифровизация с использованием машинного обучения и искусственного интеллекта является универсальным подходом, применимым не только в нефтегазовой отрасли, но и во многих других областях. Поэтому вклад таких специалистов, как Айрат Фахрылгаянов, в цифровизацию экономики в целом нельзя недооценивать. И вклад этот крайне важен не только для преодоления текущих вызовов, но и для обеспечения инновационного развития и повышения конкурентоспособности страны на мировом рынке.
