Научная статья

Original article

УДК 622.276

doi: 10.24412/2413-046Х-2021-10574

АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В НЕФТЕГАЗОВОМ ПРОИЗВОДСТВЕ

AUTOMATION OF TECHNOLOGICAL PROCESSES IN OIL AND GAS PRODUCTION

Кравцов Александр Сергеевич, кафедра технологических машин и оборудования нефтегазового комплекса, Сибирский Федеральный Университет

Седельникова Валерия Александровна, кафедра бухгалтерского учета и статистики, Сибирский Федеральный Университет

Чижов Кирилл Алексеевич, кафедра технологических машин и оборудования нефтегазового комплекса, Сибирский Федеральный Университет

Князева Алина Эдуардовна, кафедра Авиационных горюче-смазочных материалов, Сибирский Федеральный Университет

Волков Игорь Владимирович, кафедра технологических машин и оборудования нефтегазового комплекса, Сибирский Федеральный Университет

Kravtsov Alexander Sergeevich, Department of Technological Machines and Equipment of the Oil and Gas Complex, Siberian Federal University

Sedelnikova Valeria Alexandrovna, Department of Accounting and Statistics, Siberian Federal University

Chizhov Kirill Alekseevich, Department of Technological Machines and Equipment of the Oil and Gas Complex, Siberian Federal University

Knyazeva Alina Eduardovna, Department of Aviation Fuels and Lubricants, Siberian Federal University

Volkov Igor Vladimirovich, Department of Technological Machines and Equipment of the Oil and Gas Complex, Siberian Federal University

Аннотация. В статье рассмотрены особенности автоматизация технологических процессов в нефтегазовом производстве. Автор отмечает, что преимущества машинного обучения могут быть применены  с точки зрения их способности обрабатывать большие данные и высокой скорости вычислений. Автоматизация может однозначно изменить многочисленные критические действия, которые ежедневно совершают администраторы и инженеры в нефтегазовом секторе. Будущие преимущества информации могут быть достигнуты, если соответствующие методы используются для реализации различных типов или структур данных и преобразования их в полезную информацию, которая способствует интеллектуальным суждениям. Многие такие решения могут быть применены для противодействия различным трудностям, встречающимся в нефтегазовой отрасли, и помогают в реализации прибыльных стратегий. 

Abstract. The article discusses the features of automation of technological processes in oil and gas production. The author notes that the advantages of machine learning can be applied in terms of their ability to process big data and high computing speed. Automation can definitely change the numerous critical actions that administrators and engineers in the oil and gas sector perform on a daily basis. The future benefits of information can be achieved if appropriate methods are used to implement different types or structures of data and transform them into useful information that promotes intelligent judgments. Many such solutions can be applied to counteract various difficulties encountered in the oil and gas industry and help in the implementation of profitable strategies.

Ключевые слова: автоматизация, технологические процессы, нефтегазовое производство

Keywords: automation, technological processes, oil and gas production

Нефтегазовая промышленность включает в себя систему для разведки месторождений нефти, разработок месторождений, бурения и добычи техники. Нефть и газ также являются источником топлива для других химических веществ, включая фармацевтические препараты, растворители,  удобрения, пестициды и пластмассы. Если цены на ископаемое топливо продолжат расти, компаниям, занимающимся ископаемым топливом, потребуется разработать новые технологии и укрепить операции, чтобы повысить эффективность и расширить свои существующие возможности. Однако нефтяные месторождения в настоящее время являются зрелыми и производят больше воды, чем нефти из-за приближения фронта воды к берегу, русла, конуса или прорыва воды. Это делает невозможным экономически выгодную добычу нефти из пласта[4]. 

Более того, поскольку цена на нефть еще не была стабильной, довольно дорогостоящие инженерные работы или оборудование не представляют интереса ни для одной нефтегазовой компании. Используя либо устройства контроля притока (ICD), либо  клапаны контроля притока (ICV), а также системы скважинных датчиков, самое простое решение для сохранения эффективности и производительности — это максимизировать совокупную добычу с помощью эффективных и интеллектуальных технологий. 

Улучшенный контроль на крупных месторождениях нефти требует быстрого принятия решений с учетом текущих проблем.

Известно, что цифровые технологии имеют огромное влияние на бизнес и общество. Со временем стало очевидно, что цифровая трансформация рассматривается как «четвертая промышленная революция», характеризующаяся конвергенцией технологий, стирающих границы между физической, цифровой и биологической сферами, такими как искусственный интеллект, робототехника и автономные транспортные средства. Технологии искусственного интеллекта (ИИ) привлекают значительное внимание из-за их быстрой скорости отклика и надежной способности к обобщению.

 Машинное обучение демонстрирует хороший потенциал для оказания помощи и улучшения традиционных подходов к разработке пластов в широком спектре проблем разработки пластов. В различных исследованиях используются передовые алгоритмы машинного обучения, такие как нечеткая логика (FL), искусственные нейронные сети (ANN), вспомогательные векторные машины (SVM), модель поверхности отклика (RSM) и пр [3].

 Некоторые алгоритмы машинного обучения, используемые в области разработки резервуаров, подпадают под классификацию контролируемого обучения. Большинство реализаций разработки месторождений часто используют методы эволюционной оптимизации, такие как генетический алгоритм (GA).

Чтобы оценить точный результат обратных задач, аспект исследования должен заключаться в создании аналитических рабочих процессов путем объединения прямых и обратных моделей ИИ.  Отдельные  авторы, например, организовали рабочие процессы общей платформы с помощью ИИ, используя перспективные гауссовские прокси-проекты, байесовскую оптимизацию и численные модели высокоточных процедур. Разработанная технология внедрена для решения вопроса о программе дегазации угольных пластов, которая уходит в прошлое. 

Байесовская оптимизация может найти множество решений распределения характеристик коллектора, чтобы соответствовать имеющейся информации с месторождений. 

Улучшение знаний для дальнейших изменений в технологии посредством экспериментов, а также творчества может, следовательно, привести к усовершенствованию методов прогнозирования поставок нефти и газа. Несмотря на то, что улучшения могут быть достигнуты с существенной прибылью, разработчики тестируют системы как на местах, так и на региональном уровне, чтобы узнать о последствиях изменений в технологии геологоразведки. Развитие технологий влияет на разведку новых месторождений, которые являются коммерчески жизнеспособными частями установленных месторождений, а также на аренду капитала, наш анализ важен для оценки минеральных ресурсов по всем счетам государственных доходов. Помимо технических достижений, применение  автоматизации может существенно повлиять на рентабельность концепции чистого производства электроэнергии из морского природного газа (CEPONG) [3].

Чтобы спрогнозировать забойное  давление многофазного потока, исследователи рассмотрели три альтернативные системы машинного обучения. Модель построена и оценена с использованием реальных полевых данных из такого открытого хранилища литературы. Для оценки точности предложенных моделей использовались различные наборы данных, чтобы точно подтвердить метод, полученный с помощью моделей машинного обучения, и проверить эффективность работы. Точность и вычислительные характеристики  алгоритмов машинного обучения использовались для определения скорости проходки, при бурении наклонно-направленных скважин [2].

Другая группа исследователей использовала искусственную нейронную сеть для оценки одноосных прочностных свойств породы для месторождения карбонатной нефти. 

 Технология блокчейн предложит несколько преимуществ для всего нефтегазового сектора, включая снижение платежей и повышение подотчетности и производительности. Развитие технологии блокчейн в нефтегазовом секторе затем перейдет на модифицированную сеть блокчейнов, кросс-чейн, модифицированные смарт-контракты вместе с дополнительными междисциплинарными экспертами. Технические изменения с внедрением метода блокчейн в этом секторе продемонстрированы в технологии бурения на обсадных трубах; современные инновации, повышенная нефтеотдача ; синтетические, термические, физические и химические методы.

Рассмотрим особенности применения информационных технлогий и автоматизации  в нефтегазовой промышленности.

Геологоразведчикам необходимо точно определить геологические горизонты для бурения и разработки углеводородов. В начале 21 века ограниченные данные 2D  сейсморазведки рассматривались для точного определения мест бурения на основе геодезического картирования. Поскольку он пронизан риском, шанс на успех составлял 1: 7. Со временем было получено больше данных по каждому из участков аренды, выведенных для разведки. Этот большой объем данных был назван большими данными, которые хранились в терабайтах памяти с развитием сбора, обработки и интерпретации сейсмических и скважинных данных. Эти большие данные были проанализированы с использованием концепции машинного обучения. 

Целью использования больших данных и применимости машинного обучения является улучшение отношения сигнал/шум во время сбора и обработки. Полученные чистые данные были использованы для интерпретации сейсмических данных 2D, 3D и 4D с использованием различных надежных алгоритмов. Точное картирование различных подземных горизонтов помогло интерпретатору подготовить карты подземных объемов и преобразовать их в карты амплитуд, пористости и насыщенности путем интеграции с каротажными данными скважин [1]. 

Для понимания параметров данных из геологических моделей использовались методы инверсии. Со временем алгоритмы машинного обучения  помогли определить атрибуты, основанные на горизонте и окнах, чтобы понять оптимальные моменты. Недавние атрибуты, такие как когерентность, карта границ,  рельефная карта — это результат машинного обучения. Понимание полигонов разломов, картографирование сложных структур разломов и фациальное картографирование с использованием полосатых слоев улучшило понимание геологических перспектив. 

Алгоритмы машинного обучения использовались для преобразования потенциальных клиентов в перспективные для бурения и повышения шансов на успех до 1: 3. Использование 4D сейсморазведки или повторной сейсморазведки помогло интерпретатору понять движение углеводородов после буровых работ.

Искусственная нейронная сеть и эвристические методы сегодня широко используются для уточнения целевой перспективы, ее размера и объема углеводородов. Такие методы, как моделирование методом Монте-Карло и эволюционное программирование, используются для получения стохастического диапазона углеводородов в недрах и того, сколько их можно использовать и вывести на поверхность. Короче говоря, машинное обучение привело к смене парадигмы режима разведки и добычи во всем мире.

Использование ИИ в нефтегазовой отрасли в настоящее время быстро развивается, поскольку идея ИИ все больше проникает на разные этапы сектора, такие как интеллектуальное бурение, интеллектуальная разработка, интеллектуальный трубопровод, интеллектуальная обработка и т.д.

 Разработчики создали ряд реалистичных прикладных технологий в исследованиях и производстве с использованием алгоритмов искусственного интеллекта. Новое буровое оборудование, такое как автоматизированная буровая установка и интеллектуальная бурильная труда, значительно улучшило качество бурения и снизило затраты. Ключевым способом применения технологии искусственного интеллекта при разработке месторождений является уточнение плана разработки на основе исторических данных о добыче на месторождении [4].

Таким образом, обзор литературы по нефтегазовой отрасли  свидетельствует о том, преимущества машинного обучения могут быть применены  с точки зрения их способности обрабатывать большие данные и высокой скорости вычислений. Автоматизация может однозначно изменить многочисленные критические действия, которые ежедневно совершают администраторы и инженеры в нефтегазовом секторе. Будущие преимущества информации могут быть достигнуты, если соответствующие методы используются для реализации различных типов или структур данных и преобразования их в полезную информацию, которая способствует интеллектуальным суждениям. Многие такие решения могут быть применены для противодействия различным трудностям, встречающимся в нефтегазовой отрасли, и помогают в реализации прибыльных стратегий. 

Список источников

1. Алфёрова Т.В., Широков О.Г., Горох И.Я. Автоматизация расчетов и выбора энергоэффективного компрессорного оборудования для предприятий нефтеперерабатывающей промышленности // Агротехника и энергообеспечение. 2019. №3 (24).
2. Панков А.Н. Анализ качества информационных автоматизированных систем управления предприятиями нефтеперерабатывающей промышленности // Вестник РГЭУ РИНХ. 2012. №40.
3. K. Pandey, A.K. Dahiya, A. Mandal Identifying applications of machine learning and data analytics BasedApproaches for optimization of upstream petroleum operations Energy Technol., 9 (2021), pp. 1-20
4. B. Priyanka, S. Thangavel, X.Z. Gao Review analysis on cloud computing based smart grid technology in the oil pipeline sensor network system Petroleum Research, 6 (1) (2021), pp. 77-90

References

1. Alferova T.V., Shirokov O.G., Gorokh I.Ya. Automation of calculations and selection of energy-efficient compressor equipment for oil refining industry enterprises // Agrotechnics and energy supply. 2019. №3 (24).
2. Pankov A.N. Quality analysis of information automated management systems of oil refining industry enterprises // Bulletin of the RSEU RINH. 2012. №40.
3. R. K. Pandey, A. K., Dahiya, A. Mandal identify applications of machine learning and data mining-based approaches to optimize energy technologies of oil production., 9 (2021), pp. 1-20
4. E. B. Priyanka, S. Thangavel, H. Z. analysis of the Gao review on smart grid technology based on cloud computing in sensor system of pipelines, Petroleum Research, 6 (1) (2021), pp. 77-90

Для цитирования: Кравцов А.С., Седельникова В.А., Чижов К.А., Князева А.Э., Волков И.В. Автоматизация технологических процессов в нефтегазовом производстве // Московский экономический журнал. 2021. № 9. URL: https://qje.su/ekonomicheskaya-teoriya/moskovskij-ekonomicheskij-zhurnal-9-2021-60/

© Кравцов А.С., Седельникова В.А., Чижов К.А., Князева А.Э., Волков И.В., 2021. Московский экономический журнал, 2021, № 9.