Роль интеллектуальных систем в нефтегазовой отрасли: предпосылки и перспективы
Отсутствие «узаконенной» формулировки понятия "Интеллектуальные
энергетические системы", "Интеллектуальная скважина",
"Умное месторождение" и др. на фоне повышенного интереса к этой
тематике приводит к определенной вульгаризации рассматриваемых терминов.
«Интеллектуальными» порой называют энергетические системы, просто оснащенные
автоматикой, сигнализацией, диспетчерской системой, компьютерной сетью и др.
Еще шестьдесят лет назад американский ученый Мак-Кей (1951 г.!) ввел понятие
самоорганизующихся или самоуправляемых машин (тогда не было понятия
интеллектуальные системы), которые классифицируются в соответствии с тем, как в
них осуществляются следующие общие функции:
- прием, классификация, запоминание и передача информации;
- реакция на изменения в окружающей среде, включая выдачу информации о
состоянии самой машины;
- дедуктивные рассуждения на основе множества допущений или постулатов
и обучения. В данном случае в обучение входит наблюдение и управление
собственным целенаправленным поведением.
Все перечисленные функции, безусловно, характерны для современных
интеллектуальных систем, в том числе и в нефтегазовой отрасли!
Далее в сообщении рассматриваются вопросы терминологии и определений,
вводится понятие IT технологий в энергетике и нефтегазовой отрасли: в узком и
широком смысле.
В состав IT-технологий методического обеспечения входят планирование
измерений, экспериментов, испытаний и т.п., обработка экспериментальных данных
(например, статистическая), параметрическая и структурная идентификация, методы
эффективного отображения информации, процедуры принятия решений, методы и
технологии, основанные на идеях искусственного интеллекта и т.п..
В состав IT-технологий аппаратно-программного обеспечения входят датчики,
исполнительные механизмы, ПЛК, каналы связи, средства отображения информации,
системное и прикладное ПО и т.п..
Часто определение интеллектуальных систем рассматривается через набор
функциональных свойств, таких как, например, мониторинг, диспетчеризация и
т.п..
Более содержательное определение - это рассматривать интеллект как сочетание
способности предсказания среды со способностью выбора соответствующей реакции
из множества альтернатив с учетом результата предсказания и поставленной
цели, т.е. определять интеллект в терминах поведения стремящейся к цели
системы (живой или искусственной) и измерять степень ее интеллекта по
адекватности принимаемых ей решений. При отсутствии цели принятие решений
беспредметно и термин "интеллект" не имеет смысла. Именно такой
подход позволяет проектировать интеллектуальные системы.
Общность подходов к построению систем в энергетике и нефтегазовой отрасли с
точки зрения их автоматизации и применяемых IT технологий включающих
планирование и обработку результатов измерений, построение математических
моделей, составление энергетических балансов и т.п., позволяет интегрировать
лучшие решения, как в энергетике, так и нефтегазовой отрасли с целю
получения наиболее эффективных решений. Примеры таких интегрированных
систем уже существуют: например, системы коммерческого и технического
учета всех видов топливно-энергетических ресурсов (электроэнергия, тепло, газ,
мазут и т.п.).
Далее рассматриваются примеры использования современных информационных
технологий с использованием методов ИИ в нефтегазовой отрасли. Нейросетевые
технологии искусственного интеллекта находят растущее применение при разработке
интеллектуальных датчиков, систем обработки информации (СОИ) в нефтегазовой и
других стратегически важных отраслях промышленности. Они позволяют создавать
нейросетевые модели объектов автоматизации и прикладные нейросистемы, благодаря
которым существенно облегчается контроль технического состояния объектов
нефтегазовой отрасли, реализуется их структурная и параметрическая
идентификация, осуществляемая с использованием алгоритмов обучения нейронных
сетей.
Эффективность промышленных систем в нефтегазовой отрасли, создаваемых на
базе искусственных нейронных сетей, определяется:
- достигнутой степенью адекватности нейросетевых моделей объектам
автоматизации, которая во многом зависит от правильного выбора
структурно-функциональной организации (спецификации) используемых нейронных
сетей;
- качеством предварительной обработки информации, реализуемой
нейронными сетями интеллектуальных датчиков и анализаторов данных;
- наличием у анализаторов нейросетевых систем обработки информации
функций, необходимых для интеллектуального анализа данных реального времени (datamining);
Какой эффект ожидается получить от использования технологии и насколько
рентабельна концепция, например, «умных месторождений»?
Во-первых, это оптимизация добычи. Системы умных месторождений позволяет
получать самую детальную информацию о работе скважины, в том числе условиях
работы ЭЦН и состояния коллектора. На основе детального анализа получаемой
информации мы создаем на каждой скважине такие условия нефтедобычи, какие
оптимально подходят для ее полноценной эксплуатации. Таким образом, повышается
нефтеотдача пласта, а также темпы добычи.
Во-вторых, это сокращение затрат. Во многом это связано с автоматизацией
производства при внедрении системы «умных месторождений». У дежурного оператора
теперь нет необходимости посещать кустовые площадки, он получает все
необходимые данные в режиме реального времени прямо на компьютер. Таким
образом, он меньше подвергается риску и имеет больше времени для качественного
выполнения других важных производственных задач.
Еще одно важное достоинство этого подхода - создание атмосферы общей
совместной работы, поскольку люди, работающие в любом офисе компании, имеют
доступ к той же информации в реальном времени, что и персонал на месторождении.
Эту улучшает работу всей команды и расширяет наши возможности по оптимизации
производственных процессов.
Следующим важным моментом является необходимость срочно наладить эффективную
систему научного сопровождения производственных технологий, особенно с
использований методов искусственного интеллекта.
Сегодня доля наукоемкой продукции и расходы на отрасль в общем объеме ВВП
являются главными показателями экономики, основанной на знаниях. В большинстве
стран с развитой экономикой доля внутренних затрат на исследования и разработки
составляет около 3% от общего объема ВВП.
Так, в Швеции - 3, 8%, Финляндии - 3, 5%, Японии - 3, 44%, Швейцарии - 2, 9%,
США - 2, 84%, Германии - 2, 54%, России - 1, 2%, Новой Зеландии - 1, 16%,
Южной Африке - 0, 92%, Беларуси - 0, 7%. При этом расходы США составляют
35% от мировых расходов - 390 млрд. долларов.
Доля наукоемкой продукции России на мировом рынке составляет 0, 3-0, 5%,
стран Европейского союза - 35%, США - 25%, Японии - 11%.
Несомненно, использование информационных технологий, включая методы
искусственного интеллекта, позволит более полно и эффективно
автоматизировать процессы генерации и транспортировки, а главное, сможет
«обучить» промышленное оборудование принимать и обрабатывать противоречивые и
порой неполные и нечеткие данные, полученные с различных скважин, а затем
синтезировать их в единое информационное поле, обеспечивающее более эффективную
разработку нефтяного или газового месторождения.
В перспективах развития IT-инфраструктуры нефтегазовой отрасли в первую
очередь лежит автоматизация на основе интеллектуальных систем полного спектра
всех работ, связанных с разработкой, добычей, транспортировкой и переработкой
нефти и природного газа. Поскольку всё больше приобретает задача снижения
себестоимости добычи, переработки, а также транспортировки нефти и газа. Эту
задачу опять же помогает решить автоматизация основных ключевых процессов в
таких областях как проектирование и технологический контроль разведочного
бурения, расчет параметров бурения, управление геолого-геофизическими данными и
т.д.
Посетители также читают: