На каждом этапе деятельности, от добычи до продажи, компаниям нефтегазовой отрасли приходится принимать стратегически важные решения, на которые влияет множество факторов. Даже небольшая ошибка способна привести к потере ресурсов, поэтому все больше внимания уделяется интеллектуальным ИТ-решениям. Они позволяют оптимизировать управленческие задачи, повысить эффективность работы предприятия и оценить риски.
Операционный директор Embedika Михаил Хорьков рассказал IT World, кто и как сегодня оптимизирует процессы в нефтегазовой отрасли. Ниже приводим текст оригинальной статьи.
Применение ML-технологий в нефтегазовой отрасли
Исследование, проведенное McKinsey&Company, показало, что эффективное использование цифровых технологий в нефтегазовой отрасли может снизить капитальные затраты на 20%, операционные издержки по разведке и добыче на 3–5% и до 50% сократить расходы на переработку. Среди всех технологий особую роль сегодня играет искусственный интеллект. Так, мировой рынок применения искусственного интеллекта (ИИ) в нефтегазовой отрасли в 2022 году оценивался в $2,3 млрд. Он продолжает активно расти и, по прогнозам, к 2028 году достигнет $4,4 млрд.
В России технологическая трансформация нефтегазовых компаний началась с цифровизации бэк-офиса и стандартных обеспечивающих функций. Сегодня, когда поддерживающие процессы достаточно автоматизированы, нефтегазовая промышленность находится на новом этапе своего развития. Все больше компаний в отрасли осознают необходимость цифровой трансформации всей цепочки создания ценности — от геологоразведки и добычи до переработки и сбыта. Поэтому фокус смещается на оптимизацию управления физическими активами и поддержку принятия решений на каждом этапе. Как правило — с помощью внедрения алгоритмов машинного обучения (ML) и искусственного интеллекта (AI).
Например, в области разведки и добычи нефтегазовых месторождений применение геоинформационных систем (ГИС) и алгоритмов машинного обучения позволяет анализировать геологические данные и проводить более точную оценку запасов нефти и газа. Это помогает компаниям прогнозировать объемы добычи и оптимизировать процессы бурения. А автоматизированные системы мониторинга и контроля позволяют оперативно реагировать на возникающие проблемы и вовремя проводить профилактическое обслуживание, снижая риски аварийных ситуаций.
Как показывает практика, чем более полными и содержательными являются информационные внутрикорпоративные ресурсы компании, тем выше надежность принятых управленческих решений. Поэтому первый этап на пути к внедрению ИИ на всей цепочки создания ценности — объединение документации компании, необходимой для анализа и извлечения информации, и оптимизация работы с данными, которая сопровождает весь цикл деятельности, от разведки месторождений до сбыта. Внедрение ML-решений позволяет эффективно управлять технической документацией и интегрировать ее в цифровые двойники и ERP-системы. Это помогает управлять неструктурированными данными, разбросанными по разрозненным хранилищам.
Возможности ML-решений для работы с информацией
Вместе с цифровизацией активов и технологических процессов формируется запрос на управление жизненным циклом большого количества сопутствующей документации, например: распорядительной, технологических инструкций, паспортов, различных стандартов с требованиями к сырью, продукции, персоналу, логистике, безопасности, а также устанавливающие параметры работы оборудования, персонала, цехов и др. Эти документы требуют регулярной обработки и анализа для обеспечения их связанности, непротиворечивости и актуальности для принятия управленческих решений в ходе эксплуатации активов и разработке новых.
Внедрение ML-решений для управления технической документацией в нефтегазовой отрасли может принести значительные эффекты, включая сокращение времени, затрачиваемого на обработку документов, повышение точности данных, улучшение качества анализа и снижение рисков, связанных с ошибками в документах. Используя интеллектуальные алгоритмы, система извлекает данные из документов, объединяя их в единый источник информации.
Можно выделить несколько основных возможностей подобных ML-решений:
● Распознавание и классификация текста. Например, системы распознавания оптического текста (OCR) могут извлекать текст из отсканированных документов, позволяя автоматически преобразовывать их в электронный формат. Классификация текста позволяет автоматически разделять документы на категории, что упрощает их поиск и обработку.
● Извлечение структурированной информации. ИИ-сервисы могут извлекать данные из контрактов, такие как даты, суммы или условия, а также положения их технической документации о требованиях безопасности. Это позволяет упростить процесс анализа документов, сократить время, затрачиваемое на их обработку, и повысить прозрачность информации для принятия решений.
● Автоматическое заполнение форм и отчетов. Так, система может автоматически заполнять отчеты о добыче нефти и газа на основе данных, полученных от мониторинговых систем или сенсоров. Это сокращает ручной труд и повышает точность данных, а также снижает вероятность ошибок при заполнении.
● Автоматическое контролирование и проверка документов. Системы машинного обучения могут находить и предупреждать о возможных ошибках или несоответствиях в документах, таких как контракты или технические спецификации. Это помогает снизить риски, связанные с неправильными или некорректными документами, а также повышает качество и точность документации.
● Автоматизация процессов управления документами. Например, системы автоматического индексирования и каталогизации позволяют быстро находить нужные документы на основе ключевых слов или фраз. Это упрощает доступ к информации и ускоряет процессы принятия решений.
Барьеры внедрения
Внедрение ML-решений, как правило, происходит по инициативе руководителей дочерних компаний, ответственных за конкретные функции (например, добыча или транспортировка), научно-технологических центров или IT-подразделений, обеспечивающих взаимодействие на всей цепочке производства. Несмотря на их стремление повысить эффективность работы и качество принятых решений, они сталкиваются с препятствиями.
Так, можно выделить три основных барьера внедрения ML-решений:
● Отсутствие готовых решений. Технически невозможно предоставить универсальную готовую систему, так как каждая компания имеет свою уникальную специфику и требования. Необходимо создать индивидуальную модель и интегрировать ее в информационную систему конкретного бизнеса. Именно использование адаптированных под специфику решений может принести нефтегазовым компаниям весомые преимущества.
● Необходимость совместной работы и вложения времени. Внедрение подобные решений требует времени, разметки данных и привлечения экспертов компании для интерпретации информации. Для достижения первых результатов и видимых эффектов потребуется около года. Привлечение готовой команды, специализирующейся на обучении искусственного интеллекта, позволит увеличить скорость реализации проектов и повысить эффективность работы сотрудников.
● Доступ к достаточным объемам данных. Для обучения моделей необходимы большие объемы эталонных данных, которые будут использоваться для сравнения и определения отклонений. Только на их основе искусственный интеллект сможет обучаться и повышать точность рекомендаций.
Сегодня внедрение умных технологий в нефтегазовую отрасль остается прерогативой лидеров, которые уже активно внедряют их собственными силами или с привлечением крупных подрядчиков. Однако со временем количество успешных примеров будет расти, интеллектуальные сервисы продолжат развиваться и дорабатываться. Это позволит технологиям масштабироваться, а компаниям, следующим за лидерами рынка, даст толчок к внедрению и использованию подобных решений.
.png)
.png)
