Газпром нефть ведет разработку Data Science для анализа больших объемов промышленной информации с применением методов машинного обучения

Специалисты Научно-технического центраГазпром нефти (НТЦ) совместно с инжиниринговым центром МФТИ начали разработку алгоритмов, основанных на методах машинного обучения.

Об этом 1 августа 2017 г сообщает Газпром нефть.

Разработка алгоритмов машинного обучения ведется в рамках реализации направления Технологической стратегии Газпром нефти — Электронной разработки активов (ЭРА).

По информации компании, данная технология позволит повысить качество эксплуатационных данных, получаемых из скважин, а также выявлять новые закономерности.

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.

Внедрение разрабатываемых методов позволит в 2 раза 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.

Как отмечает Газпром нефть, 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 (ГРП);

- 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 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.

Обсудить на Форуме