СОВРЕМЕННАЯ НАУКА № 3/2016

В ОТКРЫТОМ ДОСТУПЕ НА САЙТЕ SOVNAUKA.COM 33

Прикладные исследования

УДК 608

Научная специальность 25.00.17 — Разработка и эксплуатация нефтяных и газовых месторождений

ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

А.К. Подольский*

Аннотация. Рассматривается бурно развивающиеся направление прикладной математики — искусственные нейронные

сети. Показана заинтересованность мировых и российских нефтяных компаний в развитии в сферах высоких технологий.
Обобщен опыт внедрения искусственных нейронных сетей в различных направлениях нефтегазовой промышленности.
Ключевые слова. искусственная нейронная сеть, искусственный интеллект, методы прогнозирования, статистика.

THE APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS

IN THE OIL AND GAS INDUSTRY

A.K. Podol'skiy*

Abstract. Of the discussed the rapidly develop direction of applied mathematics and artificial neural network. Shown the interest
of Russian and world oil companies in the development in the fields of high technology. Summarizes the experience of implemen-
tation of artificial neural networks in various areas of oil and gas industry.
Keywords: artificial neural network, artificial intelligence, forecasting techniques, statistics.

Искусственный интеллект (ИИ) как научное на-
правление представляет собой наглядный пример ин-
теграции различных научных областей. Специалисты
в естественно-научных областях и вычислительных
науках изучают свойства и функционирование живых
систем, пользуясь сходными методами. В целом, ис-
кусственный интеллект — это самостоятельная
область научных исследований, которая сформирова-
лась в результате достижений в математике и логике
и основана на накопленных человечеством знаниях о
живой и неживой природе.
Практически с самого начала ученые, занимавшиеся
этим новым направлением научных знаний, предполо-
жили, что к конструктивному определению и моделиро-
ванию мышления полезно идти от специфики задач,
вводя искусственный интеллект как механизм, необхо-
димый для их решения. Таким образом, искусственный
интеллект в современном понимании — это совокуп-

Входной (распределительный) Выходной слой

Скрытые (промежуточные) слои
псевдослой

x1 1 1 1 1 y1
Выходные сигналы
Входные сигналы

x2 2 2 2 2 y2

x3 3 3 3 3 y3

xi i j yi

xn n n n n yn
Веса wij

Рис. 1. Схема многослойной искусственной нейронной сети

* Подольский Артeм Константинович, * Artem K. Podol'skiy,

аспирант по кафедре разработки полезных ископаемых postgraduate student
Всероссийский нефтегазовый научно-исследовательский Krylov All-Russian Oil and Gas Scientific Research Institute
институт имени А.П. Крылова Joint-Stock Company
Контакты: Дмитровский пр-д., д. 10, Москва, Россия, 127422 Contacts: Dmitrovskiy pr-d, d. 10, Moscow, Russia, 127422
E-mail: artem.podolskij@mail.ru E-mail: artem.podolskij@mail.ru

MODERN SCIENCE | 2016 | 3

 СОВРЕМЕННАЯ НАУКА № 3/2016
34 В ОТКРЫТОМ ДОСТУПЕ НА САЙТЕ SOVNAUKA.COM
Прикладные исследования

Ошибка
мала Сеть обучена

База Применение
Выбор Расчет
данных нейронной
предмета ошибки
сети

Подстройка Ошибка
весов сети велика

Рис. 2. Процесс обучения нейронной сети

ность методов и инструментов решения различных
сложных прикладных задач, использующих принципы
и подходы, аналогичные размышляющему над их реше-
нием человеку или процессам, протекающим в живой
или неживой природе.
Еще одно определение искусственного интеллекта —
ряд алгоритмов и программных систем, отличительным
свойством которых является то, что они могут решать
задачи так, как делал бы размышляющий над их реше-
нием человек.
Искусственный интеллект основывается на само-
обучаемых искусственных нейронных сетях (ИНС) [1].
Что в свою очередь представляет систему соединенных
и взаимодействующих между собой простых процессо-
ров (искусственных нейронов) (рисунок 1).
Возможность обучения — одно из главных преиму-
ществ нейронной сети перед традиционными алгорит-
мами. Обучить нейронную сеть, то есть дать понять,
что от нее требуется на выходе. Процесс обучения сво-
дится к подстройке весов сети с наименьшей ошибкой.
Алгоритм обучения представлен на рисунке 2.
Во всем мире стало бурно развиваться направле-
ние прикладной математики, специализирующееся на
искусственных нейронных сетях. В основном, ИНС ис-
пользуют для распознания образов такие гиганты вы-
соких технологий как Google, Yandex и д.р.
С учетом мировых и российских инновационных
тенденций в нефтяной отрасли происходит модерниза-
ция нефтегазовой промышленности в сферах высоких
технологий и интеллектуализации месторождений.
В ведущих нефтяных компаниях инициируются или
уже разрабатываются проекты по принципу «интеллек-
туальное» месторождение. Вектор развития данного
направления, безусловно будет иметь восходящую ди-
намику в России и мире (таблица 1).
В работе [2] проведен системный анализ основных на-
правлений развития цифровых и интеллектуальных ме-
сторождений. По мнению автора, нефтегазовая отрасль
имеет все необходимое для цифровых и интеллектуаль-
ных преобразований. В целом, инновационные процессы
будут осуществлять эффективную модернизацию нефте-
газовой промышленности России на новом витке разви-

Табл. 1. Опыт нефтегазовых компаний по интеллектуализации месторождений

Компания Месторождение Технология

Shell Салымские Умное месторождение

Chevron Joint Operations Wafra Интеллектуальное месторождение
Роснефть Приобское Месторождение на ладони
Газпром Сахалин-2 Умное месторождение
BP Самотлорское, Ваньеганское, Уватские Интеллектуальное месторождение

Западная Круна-2 Интеллектуальное месторождение

НК ЛУКОЙЛ
Кокуйское Интеллектуальный куст скважин
Татнефть Ромашкинское Интеллектуальное месторождение

MODERN SCIENCE | 2016 | 3

 СОВРЕМЕННАЯ НАУКА № 3/2016
В ОТКРЫТОМ ДОСТУПЕ НА САЙТЕ SOVNAUKA.COM 35
Прикладные исследования

тия, а именно в сферах высоких технологий и интеллек- рождения предполагают удаленное управление объек-
туализации месторождений. В основе цифровых и интел- тами нефтедобычи, что позволит сократить издержки и
лектуальных технологий нефтегазовой отрасли лежит ис- увеличить КИН. Согласно исследованию, проведенному
пользование методов искусственного интеллекта (рис. 3). Cambridge Energy Research Association (CERA), отдача
Как видно из графика, в настоящий момент один из на «умных месторождениях» уже сейчас на 2—10% выше,
наиболее применяемых методов — искусственные ней- чем на традиционных. И это только экспериментальная
ронные сети. В России по состоянию на 1 января 2015 г. фаза развития подобных технологий.
количество цифровых месторождений достигло 26, что В Удмуртском институте нефти и газа им. М.С. Гу-
составляет около 12% от общего их количества в мире: цериева специалисты сравнили эффективность приме-
ПАО «Роснефть» — 10; ПАО «Газпром» — 7 (1 морское нения нейронных сетей и метода множественной линей-
безлюдное); ОАО «Лукойл» — 4; ОАО «Новатэк» — 2 ной регресии при прогнозировании эффективности
(1 безлюдное); ПАО «Татнефть» — 1; ОАО «Ритэк» — 1. ГТМ [5]. В работе обучение нейронных сетей проводи-
Инновационные и интеллектуальные технологии, мо- лось при помощи программного продукта STATISTI-
дернизация нефтегазовой отрасли в конечном итоге при- CA Neural Networks. Объектом исследования были по-
ведут к системным изменениям и положительным преоб- интервальные солянокислотные обработки, проведен-
разованиям в нашей стране. ные в 2010—2014 гг. на верейко-башкирском объекте
В настоящий момент можно выделить три потенци- Сосновского месторождения. Всего было исследовано
альные сферы применения технологий на основе искус- 25 обработок. Для сравнения эффективности нейронных
ственного интеллекта: геологоразведка, добыча и стра- сетей были получены уравнения множественной линей-
тегическое планирование. В геологоразведке использо- ной регрессии. Авторы делают вывод, что нейронная
вание искусственного интеллекта позволит более эффек- сеть способна более точно предсказывать эффектив-
тивно интерпретировать данные сейсмических исследо- ность ГТМ, основываясь на истории предыдущих обра-
ваний и разведочного бурения. Такой подход позволит боток, нежели множественная линейная регрессия.
сократить количество пробуренных скважин и проводи- Средняя относительная ошибка в двое меньше. Однако,
мых тестов для определения характеристик месторожде- и нейронная сеть не всегда хорошо предсказала эффек-
ний, что в свою очередь будет способствовать экономии тивность, это возможно исправить путем нормализации
денежных средств и временных ресурсов. В технологиях обучающих данных.
добычи нефти развивается такое направление, как «ум- В Томском государственном университете рассмот-
ные месторождения» и «умные скважины». Их продви- рена возможность использования искусственных нейро-
гают такие зарубежные нефтяные компаниями, как Chev- нных сетей для оценки ожидаемой дополнительной
ron, BP и Shell (использует в России на месторождении добычи нефти в результате выполнения выравнивания
Салым Петролеум в Западной Сибири). Такие место- профиля приемистости (ВПП) на нагнетательных сква-

100
САУ
Поиск по нефтяной отрасли (103 ссылок)

Добыча данных
10
ЭС
Виртуальные
среды
Нейронные сети

Прокси-модели Машинное обучение

1
Умные агенты Генетические
алгоритмы

Рассуждение
САПР
по прецедентам
0,1
0,1 1 10 100
Поиск в Интернете (106 ссылок)

Рис. 3. Результаты исследования применения методов интеллекта в нефтегазовой отрасли

MODERN SCIENCE | 2016 | 3

 СОВРЕМЕННАЯ НАУКА № 3/2016
36 В ОТКРЫТОМ ДОСТУПЕ НА САЙТЕ SOVNAUKA.COM
Прикладные исследования

жинах [3]. На примере фактически проведенных в 2012 г.
операций по ВПП на одном из месторождений была
оценена погрешность прогнозирования эффективности
данных мероприятий посредством разработанной мо-
дели искусственной нейронной сети. В сравнении с гид-
родинамическим моделированием, разработанная мате-
чматическая модель позволила получить прогнозные
показатели за гораздо меньший срок при сопоставимой
точности предсказания.
Для создания модели ИНС были использованы по-
казатели по 106 скважинам, ранее на которых проводи-
лись ВПП. Входные данные для обучения нейронной
сети были: пористость пласта, проницаемость, дебит
жидкости до ВПП, обводненность скважин до ВПП,
объем закачки реагента и др. В качестве выходных
(предсказываемых) данных использовались две харак-
теристики: ожидаемое изменение обводненности и ожи-
даемая продолжительность эффекта. Создание модели
ИНС осуществлялось в программном обеспечении
STATISTICA. Для обучения модели, состоявшей из
4-х нейронов в промежуточном слое с функции сиг-
мода, использовался алгоритм Левенберга — Мар-
квардта. Анализ результатов показал, что построенная
ИНС характеризуется высоким качеством обучения.
В работе [4] проводили попытку установить влияние
параметров и показателей разработки нефтяного место-
рождения на конечный КИН. Рассматривали метод ли-
нейной регрессии и моделирование нейронной сетью
для оценки и прогноза КИН. Было произведено 7000
эпох обучения, в результате которой расчеты показали
очень высокую точность предсказания КИН.
Как видно из работ других специалистов, в мире, в
последние время бурно стараются развивать новую при-
кладную область математики, специализирующуюся на
искусственных нейронных сетях в нефтяной промышлен-
ности. Зачастую, решить однозначно проблему получа-
ется не всегда. В большинстве случаев это связано с недо-
статочной достоверностью входных данных для обуче-
ния модели, или же их количества. Необходимые данные
для создания ИНС должны быть максимально точными.

Литература/References

1. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в об-
разовании. 2007. № 1. C. 20—29. [Vasenkov DV. Methods of training artificial neural networks Komp'yuternye
instrumenty v obrazovanii. 2007(1):20-9].
2. Еремин Н.А., Дмитриевский А.Н., Тихомиров Л.И. Настоящее и будущее интеллектуальных место-
рождений // Нефть. Газ. Новации. 2015. № 12. С. 45—50. [Eremin NA, Dmitrievskiy AN, Tikhomirov LI. Present
and future of intellectual deposits. Neft' Gaz Novatsii. 2015(12):45-50].
3. Келлер Ю.А. Разработка искусственных нейронных сетей для предсказания технологической эффек-
тивности от выравнивания профиля приемистости // Известия Томского политехнического университета.
Информационные технологии. 2014. Т. 325. № 5. C. 60—65. [Keller YA. Development of artificial neural networks
for predicting technological efficiency from equalizing the pickup profile. Izvestiya Tomskogo politekhnicheskogo
universiteta Informatsionnye tekhnologii. 2014(5):60-5].
4. Мандрик И.Э., Шахвердиев А.X., Сулейманов И.В. Оценка и прогноз нефтеотдачи на основе модели-
рования нейронными сетями // Нефтяное хозяйство. 2005. № 10. С. 31—34. [Mandrik IE, Shakhverdiev AX,
Suleymanov IV. Estimation and forecast of oil recovery based on modeling by neural networks. Neftyanoe kho-
zyaystvo. 2005(10):31-4].
5. URL://http://earthpapers.net/operativnoe-regulirovanie-razrabotki-zalezhey-nefti-metodami-neyrosetevogo-
modelirovaniya#ixzz4jDo3f6bm
7. Пчельников И.В., Борхович С.Ю., Натаров А.Л. Перспективы прогнозирования эффективности ГТМ
на основе нейросетевого моделирования // Нефть. Газ. Новации. 2016. № 4. С. 37—40. [Pchel'nikov IV, Bork-
hovich SY, Natarov AL. Prospects for predicting the efficiency of geological and technical measures based on neural
network modeling. Neft' Gaz Novatsii. 2016(4):37-40].

Ó Подольский А.К./Podol'skiy A.K., 2016. Это произведение распространяется по лицензии Creative Commons «Attribution»
(«Атрибуция») 4.0 Всемирная. [This work is licensed under the Creative Commons Attribution 4.0 International License].

MODERN SCIENCE | 2016 | 3