Big Data для нефтянки: «Газпром нефть» и МФТИ развивают технологии машинного обучения

Специалисты Научно-технического центра «Газпром нефти» совместно с инжиниринговым центром МФТИ начали разработку алгоритмов, основанных на методах машинного обучения.

Применение Data Science даёт возможность обрабатывать огромные массивы данных (Big Data), вдвое сократить время оперативного анализа эксплуатационных данных, выявлять новые закономерности и учитывать их при дальнейшей разработке месторождений, а также подбирать оптимальные методы разработки для увеличения добычи нефти, при этом сокращая затраты.

По словам генерального директор Инжинирингового центра МФТИ Тимура Тавберидзе, анализ больших данных как инструмент позволяет значительно увеличить ценность актуальной информации: «Поиск скрытых нетривиальных зависимостей и комплексный анализ неструктурированной разнотиповой информации дадут второе дыхание „запылившимся на полке“ данным. В современной нефтегазовой отрасли принятие решений базируется на данных, объём которых растёт со временем экспоненциально. Big Data-парадигма позволяет адаптировать бизнес-стратегии под такие „взрывающиеся“ темпы роста данных. При этом современные методы анализа данных, такие, например, как машинное обучение, свёрточные нейронные сети, позволяют дать принципиально новый подход к решению актуальных проблем. Восстановление качества промысловых данных с месторождений является реальным примером реализации этого подхода совместными усилиями Научно-технического центра „Газпром нефть“ и команды Инжинирингового центра МФТИ».

В рамках проекта уже сформированы алгоритмы для поиска некорректных значений и восстановления пропущенных эксплуатационных данных. Также появилась возможность определять влияние скважин друг на друга и классифицировать скважины в схожих геологических условиях по степени отклонения от возможной продуктивности.

На сегодня сотрудник компании не всегда может определить ошибку в получаемых данных, так как обрабатывать всю поступающую информацию невозможно физически. Это влечёт за собой неверные выводы о текущем состоянии скважин и месторождения в целом. «Разрабатываемые в рамках проекта алгоритмы позволяют минимизировать ошибки и влияние человеческого фактора при анализе данных, выявить и устранить ошибки, чтобы в дальнейшем принимать обоснованные и более эффективные производственные решения. Стоит отметить, что статистические методы и методы машинного обучения не заменят физические модели, но при этом могут успешно их дополнять», — рассказывает Максим Симонов, руководитель проекта «Разработка и внедрение инструментов Data science для автоматизации верификации геолого-технологических данных».

Разработка алгоритмов машинного обучения ведётся в рамках реализации направления Технологической стратегии «Газпром нефти» в сфере разведки и добычи — Электронной разработки активов (ЭРА), которая охватывает все основные направления деятельности: геологоразведку, геологию, бурение, разработку, добычу, обустройство месторождений.