Нефтегазовая экосистема машинного обучения – гуманитарные аспекты

Еремин, Н.A.; Некрасов, Н.О.; Золотухин, А.Б.

Авторы: Еремин Н.A., Некрасов Н.О., Золотухин А.Б.
Сборник: Глобальные риски цифровой эпохи и образы будущего: Материалы IV Международной научной конференции Гуманитарные Губкинские чтения
Том: 1
Год издания: 2019
Место издания: Издательский центр РГУ нефти и газа (НИУ) имени И.М. Губкина Москва
Первая страница: 64
Последняя страница: 83
Аннотация: UDC 341.9.01, 622.28 Eremin N. A., Nekrasov N. O., Zolotukhin A. B. Oil and gas machine learning ecosystem - the humanitarian aspects // The proceedings of the IV International Scientific Conference Gubkin Humanitarian Readings «The Global Risks of the Digital Age and the Visions of the Future». - Vol. 1. - Publishing Center of the Publishing Center of the Gubkin Russian State University of Oil and Gas. Moscow, 2019. - p. 45–56. Abstract: The article analyzes the humanitarian problems of the functioning of the oil and gas ecosystem and machine learning. The modern paradigm of the development of oil and gas companies is aimed at increasing their capitalization in real time. The capitalization of companies depends on the reliability of the underground and surface infrastructure. The creation of a digital twin is aimed both at obtaining information on the current and predicting the future state of any point of the main assets. Thanks to the recent advances in the opticalization, the petrobotization, the giga- and tera-modeling using the oil and gas supercomputing, current diagnostics of the state of the fixed assets is carried out at increasingly high speeds. Digital twin models of oil and gas fields are created with high resolution from millimeters for surface structures and up to tens of centimeters for underground reservoirs. High resolution models of digital twins, timely and accurate Geodata allow the digital supervisors and operators to reduce the time to perform routine operations and pay more attention to ensure the functioning of the main assets in optimal technological regimes. The traditional software is not intended for processing and interpreting Big Geodata. Current technological advances in fiber and satellite communications, Fog and Edge computing open up new opportunities for the transferring Big Geodata from the field to the integrated operations center (IOC) in real time. Processing of Big Geodata in a secure, centralized and scalable cloud environment in the integrated operations center based on the application of modern machine learning principles greatly simplifies the data management and the adoption of high performance management solutions. Significantly simplified software update procedures, setting up machine learning algorithms and reducing decision-making time. For digital supervisors and operators, these advantages consist in reducing the time spent on the verification and processing information; the cost of the capital and underground well repair; increasing the effective life of capital-intensive assets; improving the quality of 3D inspection and contactless diagnostics. This article provides an overview of both the theory and application of machine learning techniques applicable to the analysis of Big Geodata. Keywords: petroleum machine learning ecosystem, oil and gas production paradigm, capitalization, real-time mode, digital twin, opticalization, petrobotization, giga and tera-modeling, supercomputing, contactless(unpiggable) diagnostics, digital supervisor, digital operator, center of integrated operations, data management, Big Geodata, software, machine learning algorithms, production staff, decision making, 3D inspection, predictive analytics. УДК 341.9.01, 622.28 Еремин Н. A., Некрасов Н. О., Золотухин А. Б. Нефтегазовая экосистема машинного обучения – гуманитарные аспекты // Глобальные риски цифровой эпохи и образы будущего: Материалы IV Международной научной конференции Гуманитарные Губкинские чтения. — Т. 1. — Издательский центр РГУ нефти и газа (НИУ) имени И.М. Губкина Москва, 2019. — С. 45–56. Аннотация: В статье анализируются гуманитарные проблемы функционирования нефтегазовой экосистемы машинного обучения. Современная парадигма развития нефтегазовых компаний направлена на увеличение их капитализации в режиме реального времени [1]. Капитализация компаний зависит от надежности функционирования подземной и поверхностной инфраструктуры. Создание цифрового двойника нацелено как на получение информации как о текущем состоянии, так и на прогнозирование будущего состояния любой точки основных активов. Благодаря последним достижениям в области оптикализации, петроботизации, гига- и тера-моделировании с использованием нефтегазового суперкомпьютинга, текущая диагностика состояния основных активов осуществляется на все более высоких скоростях. Модели цифрового двойника нефтегазовых месторождений создаются с высоким разрешением от миллиметров для поверхностных сооружений и до десятков сантиметров для подземных резервуаров. Высокое разрешение моделей цифровых двойников, своевременные и точные геоданные позволяют цифровым супервайзерам и операторам сокращать время на выполнение рутинных операций и увеличивать трудозатраты на обеспечение функционирования основных активов в оптимальных технологических режимах. Традиционное программное обеспечение не предназначено для обработки и интерпретации больших объемов геоданных. Текущие технологические достижения в волоконной и спутниковой связи, в фог- и эджкомпьютинге открывают новые возможности для передачи больших объемов геоданных с месторождения в центр интегрированных операций (ЦИО) в режиме реального времени. Обработка Больших Геоданных в защищенной, централизованной и масштабируемой облачной среде в центр интегрированных операций на основе применения современных принципов машинного обучения значительно упрощает управление данными и принятие высокоэффективных управленческих решений. Существенно упрощаются процедуры обновления программного обеспечения, настройки алгоритмов машинного обучения и сокращается время на принятие решений. Для цифровых супервайзеров и операторов эти преимущества заключаются в снижении временных затрат на проверку и обработку информации; стоимости восстановительных мероприятий (капитального и подземного ремонта скважин); увеличении срока эффективной эксплуатации капиталоемких активов; повышении качества 3D инспекции и бесконтактной диагностики. В этой статье дается обзор как теории, так и применения методов машинного обучения, применимых к анализу больших геоданных. Ключевые слова: нефтегазовая экосистема машинного обучения, парадигма нефтегазового производства, капитализация, режим реального времени, цифровой двойник, оптикализация, петроботизация, гига- и тера-моделирование, нефтегазовый суперкомпьютинг, бесконтактная диагностика, цифровой супервайзер, цифровой оператор, центр интегрированных операций, управление данными, большие геоданные, программное обеспечение, алгоритмы машинного обучения, производственный персонал, лица принимающие решения, 3D инспекция, предиктивная аналитика. Статья подготовлена по результатам работ, выполненных в рамках Программы государственных академий наук на 2013 - 2020 годы по теме «Фундаментальный базис инновационных технологий нефтяной и газовой промышленности», № АААА-А16-116031750016-3. Литература 1. Дмитриевский А. Н., Еремин Н. А. Современная НТР и смена парадигмы освоения углеводородных ресурсов // Проблемы экономики и управления нефтегазовым комплексом. — 2015. — № 6. — С. 10–16. 2. Дмитриевский А. Н., Еремин Н. А. Большие геоданные в цифровой нефтегазовой экосистеме // Энергетическая политика. — 2018. — № 2. — С. 31–39. 3. Еремин Н. А. Работа с большими геолого-промысловыми данными в эпоху нефтегазового интернета вещей // Нефть. Газ. Новации. — 2018. — № 2. — С. 70–72. 4. Fu, D. (2019, January 1). Guest Editorial: Unlocking Unconventional Reservoirs With Data Analytics, Machine Learning, and Artificial Intelligence. Society of Petroleum Engineers. doi:10.2118/0119-0014-JPT. 5. Цифровая модернизация газового комплекса / Л. А. Абукова, А. Н. Дмитриевский, Н. А. Еремин, Н. Н. Михайлов // Актуальные вопросы разработки и внедрения малолюдных (удаленных) технологий добычи и подготовки газа на месторождениях ПАО Газпром,. — ПАО Газпром автоматизация Москва, 2017. — С. 9–20. 6. Цифровая модернизация нефтегазовой отрасли: состояние и тренды / Л. А. Абукова, А. Н. Дмитриевский, Н. А. Еремин, А. Д. Черников // Датчики и системы. — 2017. — № 11. — С. 13–19. 7. Еремин Н. А., Еремин А. Н., Еремин А. Н. Цифровая модернизация нефтегазового производства // Нефть. Газ. Новации. — 2017. — № 12. — С. 13–16. 8. Цифровая модернизация газового комплекса: научные исследования и кадровое обеспечение / Л. А. Абукова, Н. Ю. Борисенко, Н.А. Еремин и др. // Научный журнал Российского газового общества. — 2017. — № 4. — С. 3–12. 9. Абукова Л. А., Дмитриевский А. Н., Еремин Н. А. Цифровая модернизация нефтегазового комплекса России // Нефтяное хозяйство. — 2017. — № 10. — С. 54–58. 10. Дмитриевский А. Н., Еремин Н. А. Цифровая модернизация нефтегазовой экосистемы – 2018 // Актуальные проблемы нефти и газа. — 2018. — Т. 21, № 2. — С. 1–12. 11. Цифровизация технологий добычи газа / В. Е. Столяров, И. К. Басниева, Н. А. Еремин и др. // Актуальные проблемы нефти и газа. — 2018. — Т. 21, № 2. — С. 1–7. DOI 10.29222/ipng.2078-5712.2018-21.art10 12. Цифровые газовые скважины: состояние и перспектива / В. Е. Столяров, Н. А. Еремин, А. Н. Еремин, И. К. Басниева // Нефтепромысловое дело. — 2018. — № 7. — С. 48–55. DOI: 10.30713/0207-2351-2018-7-48-55. 13. Столяров В. Е., Еремин Н. А. Эволюция систем автоматизации газодобычи // Автоматизация, телемеханизация и связь в нефтяной промышленности. — 2018. — № 8. — С. 5–12. 14. Еремин Н. А., Сарданашвили О. Н. Инновационный потенциал цифровых технологий // Актуальные проблемы нефти и газа. — 2017. — Т. 18, № 3. — С. 1–9. DOI: 10.29222/ipng.2078-5712.2017-18.art13 15. Еремин Н. А. Цифровые тренды в нефтегазовой отрасли // Нефть. Газ. Новации. — 2017. — № 12. — С. 17–23. 16. О необходимости разработки государственной программы цифровизации и интеллектуализации нефтегазовой отрасли / Л. А. Абукова, А. Н. Дмитриевский, Н. А. Еремин, С. Ю. Фролов // Нефть. Газ. Новации. — 2016. — № 8. — С. 32–35. 17. Еремин Н.А., Золотухин А.Б. Петророботика: состояние и гуманитарные аспекты. // Будущее в настоящем: человеческое измерение цифровой эпохи: Материалы III Международной научно-методической конференции Гуманитарные Губкинские чтения (Москва, 5-6 апреля 2018 г.). // Ред.: Балычева М.Б., Смирнова О.М. - М: Издательский центр РГУ нефти и газа (НИУ) имени И.М. Губкина, 2018, Часть 3, с.231-237. 18. Ивлев А. П., Еремин Н. А. Петроботика: роботизированные буровые комплексы // Бурение и Нефть. — 2018. — № 2. — С. 8–13. 19. Еремин Н. А., Еремин А. Н. Цифровой двойник в нефтегазовом производстве // Нефть. Газ. Новации. — 2018. — № 12. — С. 14–17. 20. Еремин Н. А., Еремин А. Н., Еремин А. Н. Оптикализация нефтегазовых месторождений // Нефть. Газ. Новации. — 2016. — № 12. — С. 46–50 21. Скважинные сенсорные системы / Н. А. Еремин, А. Н. Дмитриевский, В. Г. Мартынов и др. // Нефть. Газ. Новации. — 2016. — № 2. — С. 50–55. 22. Цифровизация и интеллектуализация нефтегазовых месторождений / А. Н. Дмитриевский, В. Г. Мартынов, Л. А. Абукова, Н. А. Еремин // Автоматизация и IT в нефтегазовой области. — 2016. — Т. 24, № 2. — С. 13–19. 23. Еремин Н. А., Еремин А. Н. Современное состояние и перспективы развития интеллектуальных скважин // Нефть. Газ. Новации. — 2015. — № 12. — С. 51–54. 24. Дмитриевский А. Н., Еремин Н. А. Инновационные технологии освоения нефтяных месторождений в режиме реального времени // Георесурсы. Геоэнергетика. Геополитика. — 2013. — С. 7–7. 25. Еремин Н. А., Еремин А. Н., Еремин А. Н. О квантовизации и роботизации нефтегазового дела // Будущее в настоящем: человеческое измерение цифровой эпохи: Материалы III Международной научной конференции Гуманитарные Губкинские чтения (Москва, 5-6 апреля 2018 г.). — Vol. 3. — Издательский центр РГУ нефти и газа (НИУ) имени И.М. Губкина Москва, 2018. — P. 157–164. 26. Дмитриевский А. Н., Еремин Н. А. Нефтегазовый комплекс РФ - 2030: цифровой, оптический, роботизированный. // Сб. Материалов II Всероссийской конференции Конкурентоспособность и импортозамещение в нефтегазовом комплексе 15 декабря 2016 года, с.19-26. — М., РГУ нефти и газа (НИУ) имени И.М. Губкина, Союз нефтегазопромышленников России РГУ нефти и газа (НИУ) имени И.М. Губкина, 2016. — С. 19–26. 27. Оценка эффективности внедрения различных систем передачи данных на нефтегазовом месторождении на примере Штокмановского месторождения / В. А. Астапенко, К. А. Томышев, В. А. Баган, Н. А. Еремин // Труды 54-й научной конференции МФТИ. Проблемы фундаментальных и прикладных естественных и технических наук в современном информационном обществе. Москва-Долгопрудный. МФТИ. — Т. 1 Управление и прикладная математика. — 2011. — С. 75–77. 28. Еремин, Николай Александрович. Моделирование разработки месторождений нефти методами нечеткой логики : диссертация ... доктора технических наук : 05.15.06. - Москва, 1995. - 397 с. : ил. 29. Nikolai A. Eremin. The Simulation of Oil Field Development by Fuzzy Logic Methods. Summary of dissertation on conferment of scientific degree Full Doctor of Technical Sciences on rights manuscript. //Moscow, The State Academy of Oil and Gas named after I.М.Gubkin, 1995y., 50 pages. DOI:10.13140/RG.2.1.2793.9601 30. Xu, C., Misra, S., Srinivasan, P., & Ma, S. (2019, March 15). When Petrophysics Meets Big Data: What can Machine Do? Society of Petroleum Engineers. doi:10.2118/195068-MS. 31. David Barber. Bayesian Reasoning and Machine Learning, Cambridge University Press, 2017.
Добавил в систему: Еремин Николай Александрович

	ИСТИНА	Войти в систему Регистрация
	ИСТИНА ПсковГУ
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ИСТИНА ПсковГУ

Нефтегазовая экосистема машинного обучения – гуманитарные аспектыстатья

Прикрепленные файлы