Последние несколько десятилетий связаны с увеличением интереса к различным методам цифрового моделирования, позволяющим повысить качество и скорость обрабатываемой информации. Основными задачами в первую очередь являются управление, классификация и прогнозирование. Подобным функционалом обладает искусственная нейронная сеть, главным преимуществом которой выступает возможность воспроизводить сложные нелинейные зависимости с большим количеством переменных величин. Ключевым свойством сети является способность к обучению, в ходе которого на основе выборки из представительных данных (исключая различные выборы или так называемые «шумы») происходит определение связей и взаимозависимостей между исходными параметрами. Скорость и качество обработки поступающей информации позволяют получать впечатляющие результаты и во многом упрощать работу специалистов в рамках производственных процессов, связанных с обработкой огромного количества поступающих данных.
Существует огромное множество видов нейронных сетей, которые можно классифицировать следующим образом:
1) по типу входной информации различают аналоговые нейронные сети (используют информацию в форме действительных чисел), двоичные нейронные сети (используют информацию, представленную в виде 0 и 1) и образные нейронные сети (используют информацию в виде образов: иероглифов, символов, знаков);
2) по характеру обучения выделяются сети с учителем (когда выходное пространство решений нейронной сети известно), без учителя (когда сеть сама формирует выходное пространство решений только на основе выходных воздействий, подобные сети еще называются самоорганизующимися) и с подкреплением (когда формируется система назначения штрафов и поощрений от среды);
3) по характеру настройки синапсов различают сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи) и с динамическими связями (весовые коэффициенты определяются путем настройки синаптических связей в процессе обучения);
4) по характеру связей выделяют сети прямого распространения (все связи направлены строго от входных нейронов к выходным (перцептрон Розенблатта, многослойный перцептрон, сети Ворда), рекуррентные сети (сигнал с выходных нейронов (скрытого слоя) частично передается обратно на вход (сеть Хопфилда, сеть Коско)).
Решение любой задачи с применением нейронной сети состоит из ряда этапов:
1. сбор, подготовка и нормализация данных для обучения, что является одним из самых сложных и в то же время самых важных этапов решения задачи. Данные должны отвечать следующим требованиям: репрезентативность (представление истинного положения вещей) и непротиворечивость (иначе качество обучение сети существенно ухудшится). Качество выборки данных, участвующих в обучении сети, напрямую влияет и на качество получаемого решения. Улучшение восприятия обеспечивается с помощью вспомогательных инструментов, таких как нормировка (осреднение данных разного порядка), квантование (выполняется над непрерывными величинами, для которых выделяется конечный набор дискретных значений), фильтрация (исключение «выбросов» или «зашумленных» данных);
2. выбор топологии сети осуществляется, исходя из поставленной задачи и данных для обучения. Так, для процесса настройки сети с учителем необходимо наличие для каждого параметра исходной информации «экспертной» оценки. В случае, когда верификация невозможна, логичным выбором является сеть, обучающаяся без учителя (например, самоорганизующаяся карта Кохонена или нейронная сеть Хопфилда);
3. экспериментальный подбор характеристики сети – число слоев, число блоков в скрытых слоях (для сетей Ворда), наличие или отсутствие обходных соединений, передаточные функции нейронов;
4. экспериментальный подбор параметров обучения– скорость обучения, качество сходимости данных, величина ошибки/штрафа, критерии завершения обучения (минимальная ошибка, ограничение по времени обучения);
5. обучение, в ходе которого осуществляется просмотр входных параметров последовательно или в случайном порядке (в зависимости от выбора пользователя). Стоит отметить, что вся исходная выборка данных делится сетью на две части – непосредственно обучающую выборку и тестовые данные. При этом принцип разделения является произвольным, что позволяет повысить качество настройки. Таким образом, если в процессе обучения на проверочных данных ошибка уменьшается, то сеть действительно выполняет обобщение. Если ошибка на обучающих данных продолжает уменьшаться, а ошибка на тестовых данных увеличивается, это значит, что сеть перестала выполнять обобщение и просто «запоминает» обучающие данные. Это явление называется переобучением сети или оверфиттингом. В таких случаях обучение обычно прекращают;
6. проверка адекватности обучения. Тестирование качества обучения нейросети необходимо проводить на примерах, которые не участвовали в ее обучении. При этом число тестовых примеров должно быть тем больше, чем выше качество обучения.
В настоящее время нейронные сети уже активно применяются ведущими нефтегазодобывающими компаниями в различных областях. Так, например, «Газпром нефть» в своем проекте «Когнитивный геолог» реализовала концепцию «искусственного интеллекта» (рис. 1) цифровой геологической модели, преимуществом которой выступает способность к самообучению [1]. Обработка и интерпретация данных сейсмических исследований и разведочного бурения происходит в шесть раз быстрее и в три раза точнее.
Также «Газпром нефть» рассматривает варианты использования искусственных нейронных сетей при проводке сложных скважин через тонкослоистые нефтенасыщенные пропластки. Отслеживание изменений в online-режиме основных параметров при бурении, таких как нагрузка на буровой инструмент, сопротивление, температура, вибрация, позволит максимально снизить риски выхода из продуктивного пласта. В обозримом будущем цифровая математическая модель на основе искусственных нейронных сетей, собирая косвенные данные, будет иметь возможность предсказывать возможные нештатные ситуации, рассчитывать оптимальные режимы работы оборудования, в режиме реального времени выполнять технико-экономическую оценку эффективности работ по разбуриванию целевых горизонтов.
Актуальным направлением также является создание «цифровых двойников», в чем компания «Газпром нефть» является передовым интегратором. «Цифровой двойник»– это математическая копия, описывающая технологические процессы, а в некоторых случаях и группу связанных между собой процессов. Использование искусственного интеллекта позволяет просчитать характеристики готового сырья, корректировать параметры процесса в зависимости от продукции, поступающей на установку. Способность к самообучению содействует постоянному обновлению цифровой модели, приводя ее к состоянию и свойствам реального объекта. Подобная технология реализована на двух технологических установках Омского нефтеперерабатывающего завода. В перспективе предполагается цифровизация всей последовательности формирования стоимости в направлении downstream – от транспортировки сырья на НПЗ до реализации готового сырья на АЗС (рис. 2).
Создание новых алгоритмов и применение нейронных сетей не только позволяет сократить время на обработку огромного количества поступающей информации, но и оптимизировать расходы, например, связанные с разведочным бурением. Так, специалистами НТЦ «Газпром нефти» и Московским физико-техническим институтом (национальным исследовательским университетом) (МФТИ) разработана самообучающаяся программа, которая позволяет прогнозировать свойства пород на месторождениях, что в свою очередь приводит к экономии денежных средств за счет оптимизации количества исследований и повышения качества их интерпретации. Данная разработка была интегрирована в информационную систему «ЭРА» (электронная разработка активов – включает в себя развитие основных направлений: геологоразведку, бурение, разработку, обустройство в плане применения IT-решений). Старт развития программы пришелся на 2012г., а в 2014 г. она становится ключевой структурой компании. В настоящее время более 30 проектов реализуются благодаря информационной системе «ЭРА» [1].
Одним из разработчиков цифрового роботизированного комплекса, способного к обучению и оптимизации производственных процессов, является компания Nest Lab [2]. Объединение упрощенных физических моделей и алгоритмов нейронных сетей позволило представить на рынке продукт, способный не только к автоматизации процессов, но и к выдаче оперативных решений по управлению режимами скважин. Апробация «программы робота» на промыслах компаний ЛУКОЙЛ и «Газпром-нефть» позволило достичь ощутимых результатов. Применение программного продукта компании Nest Lab привело к существенному увеличению добычи нефти при сокращении обводненности на пилотных проектах, число которых достигло пяти.
Обучаемая математическая модель Nest Lab, являясь элементом искусственного интеллекта, в качестве входных данных использует огромный массив данных за всю историю разработки (месячные эксплуатационные рапорты, отчеты о проведенных ремонтах и гидродинамических исследованиях скважин, результаты промысловых геофизических и трассерных исследований), а также оперативную текущую информацию (шахматки по скважинам и т. д.). Обработка загруженного материала, построение корреляционных зависимостей между ключевыми параметрами (добыча жидкости, обводненность, приемистость) дает роботу возможность сформировать адресную рекомендацию по той или иной скважине, что во много раз сокращает время, которое было бы затрачено специалистами на промысле. В свою очередь качество рекомендации также на порядок выше. Однако такой подход не исключает работу геологов и иных профильных специалистов. Каждая рекомендация «программы-робота» проходит этап оценки качества и обоснования.
Компания Nest Lab делает акцент на разбивку всего цикла работ на месторождении на десять этапов, для которых выполнялся соответствующий анализ. В результате принимается решение о том, на каком этапе используется машинное обучение, где необходимо применить стандартные физические законы и зависимости, а где следует положиться на опыт инженера. Немаловажным условием корректности работы «программы-робота» является анализ истории разработки месторождения и представительность исходной информации. В ходе обучения нейронная сеть может обнаруживать ошибки и неточности в первичных данных, а также выдавать рекомендации по их устранению.
В качестве инструмента принимается упрощенная физическая модель INSIM (Inter well numerical simulation model) и алгоритмы машинного обучения, объединение которых позволяет устранить недостатки друг друга.
Параллельно с компанией Nest Lab развитием и внедрением технологии управления разработкой на основе нейросетевого моделирования занимается ООО «Тюменский институт нефти и газа» [3–5]. Простота подхода позволила провести успешную апробацию на ряде месторождений Западной Сибири и внедрить нейронную сеть в промышленные производственные процессы. Основой является поиск взаимосвязи между скважинами на основе исторических откликов, например, зависимость дебита нефти добывающей скважины от приемистости нагнетательных скважин, расположенных в первом приближении (рис. 3).
Исходя из этого вероятность отклика, характеризующая коэффициент реагирования, является наиболее важным параметром в применении технологии нейросетевой оптимизации режимов работы добывающих и нагнетательных скважин (рис. 3). Таким образом, сотрудниками ООО «ТИНГ» формируется задача разработка системы принятия решений для достижения максимальной добычи нефти без использования капиталоемких мероприятий.
Число различных вариантов распределения приемистости стремится к бесконечности, так как даже при трех сценариях режима работы нагнетательных скважин (увеличение, снижение и фиксирование приемистости) для элемента заводнения, состоящего из четырех нагнетательных и одной добывающей скважины, равняется 81. При этом количество вариантов распределения закачки увеличивается в геометрической прогрессии с увеличением количества скважин на месторождении.
Применение алгоритмов машинного обучения позволяет выбрать оптимальное распределение приемистости нагнетательных скважин, соответствующее ограниченному числу вариантов распределения закачки для достижения максимальной добычи нефти.
Так, на примере Западно-Малобалыкского месторождения большинство решений оптимизационной задачи обеспечивает текущую суточную добычу (рис. 4). 
Проще говоря, большинство случайно выбранных вариантов распределения приемистости нагнетательных скважин позволит достичь текущих показателей добывающих скважин. Алгоритмы нейронной сети раскрывают возможность для создания необходимых условий, которые позволят реализовать весь потенциал системы разработки.
Апробация и промышленное внедрение технологии нейросетевой оптимизации режимов работы нагнетательных скважин обеспечили сокращение среднегодовых темпов падения суточной добычи нефти с 18 до 4 %.
При этом стоит отметить, что добыча жидкости за все время работы (порядка 18 месяцев) характеризуется стабильными значениями. Это подтверждает тот факт, что эффект достигнут исключительно за счет оптимального распределения закачки, а не интенсификации добычи нефти. Рост добычи нефти также сопровождается стабилизацией обводненности добываемой продукции скважин. Таким образом, эффект от реализации технологии нейросетевой оптимизации составил порядка 18% от базовых показателей добычи нефти.
В качестве примера зарубежного опыта разработки и внедрения нейронный сетей в нефтяной промысел можно привести компанию Tachyus из Силиконовой долины (США), которая соединила классические физические законы и машинное обучение. Эффективность работ на промысле, согласно отчетам представителей компании, составляет до 20 % на зрелых месторождениях. Одним из наиболее ярких примеров испытания технологии нейросетевого моделирования, разработанного компанией Tachyus, является крупное месторождение в заливе Сан-Хорхе (Аргентина).
Сан-Хорхе – основной нефтегазоносный бассейн на юге Аргентины, характеризующийся длительной историей разработки (открыто более 100 нефтяных и 20 газовых месторождений). Полигоном для испытания выступил участок месторождения, состоящий из 134 скважин, из которых 83 являются добывающими, 27– нагнетательными (всего на месторождении пробурено более 3 000 скважин). При этом суточная добыча нефти выбранного участка, составляет ~500 т/сут, суточная закачка воды – ~10000 м3/сут. Изменение распределения закачки между нагнетательными скважинами, согласно расчетам, полученным в ходе нейросетевого моделирования, позволило добиться впечатляющих успехов и обеспечить прирост суточной добычи нефти более чем на 20 % в краткосрочной перспективе.
Развитие алгоритмов цифрового моделирования процессов, а также их внедрение в производственные процессы позволяет уже в настоящее время достигать существенных результатов. При этом потенциал данной технологии поражает своими перспективами. Совершенствование систем оценки качества исходных данных, прогнозирование показателей работы оборудования, а также регулирование операционных процессов в режиме реального времени в случае отклонения от заданных режимов работы позволит выйти на качественно новый уровень развития всей отрасли в целом.
