Научно-технический журнал

«Проблемы экономики и управления нефтегазовым комплексом»

ISSN 1999-6942

Проблемы экономики и управления нефтегазовым комплексом
Искусственный интеллект в добыче нефти и газа: возможности и сценарный прогноз

УДК: 608
DOI: 10.33285/1999-6942-2022-3(207)-38-46

Авторы:

АЗИЕВА РАИСА ХУСАИНОВНА1
1 Грозненский государственный нефтяной технический университет им. акад. М.Д. Миллионщикова, Грозный, Россия

Ключевые слова: искусственный интеллект, добыча нефти и газа, upstream, прогноз, возможности, месторождения

Аннотация:

Искусственный интеллект меняет энергетический сектор экономики, где отрасль добычи нефти и газа не является исключением. Предприятия нефтегазовой отрасли можно разделить на три сектора: upstream, midstream и downstream. Наиболее рискованным сектором добычи нефти и газа является upstream, в наибольшей мере нуждающийся в использовании новейших достижений компьютерных технологий для снижения проектных рисков и неопределенностей, которые напрямую влияют на результаты деятельности нефтедобывающих компаний. Проанализированы возможности применения искусственного интеллекта для нефтегазовой отрасли в сегменте upstream. Доказано, что технология искусственного интеллекта позволит существенно сократить проектные риски инвестиционных решений за счет устранения субъективной компоненты и сократить длительность основных стадий разработки новых месторождений. Автором разработаны три сценария прогноза развития технологий искусственного интеллекта в отрасли добычи нефти и газа на ближайшие 5, 10 и 20 лет. Реалистичный прогноз, который считается наиболее вероятным, показывает, что в течение последующих 20 лет искусственный интеллект станет надежным "советником" при принятии решений о разработке новых месторождений минерального сырья. Также не исключается возможность того, что до 90 % решений будет приниматься на основе рекомендаций искусственного интеллекта, что позволит существенно повысить маржинальность отрасли нефтедобычи в долгосрочной перспективе.

Список литературы:

1. Аксенов К.А., Гончарова Н.В. Гибридное моделирование мультиагентных процессов преобразования ресурсов: моногр. – М.: Изд. дом Акад. Естествознания, 2019. – 222 с.
2. Дадашев З.Ф., Устинова Н.Г. Влияние искусственного интеллекта на экономику // Эпоха науки. – 2019. – № 18. – С. 53–57. – DOI: 10.24411/2409-3203-2018-11812
3. Информационные технологии в нефтегазовой отрасли. – URL: https://www.tadviser.ru/index.php/Статья:_Информационные_технологии_в_нефтегазовой_отрасли (дата обращения 21.08.2021).
4. Каленицкий А.И., Дубровский А.В., Бударова В.А. Технология обработки результатов геодезического обеспечения 3D сейсморазведки на территориях месторождений нефти и газа // Вестн. СГУГиТ (Сибирского гос. ун-та геосистем и технологий). – 2010. – № 1(12). – С. 21–27.
5. Мужжавлева Т.В., Куракова А.В. Проблемы организации стран-экспортеров нефти (ОПЕК) на современном этапе // Oeconomia et Jus. – 2018. – № 4. – С. 21–28.
6. Подольский А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. – 2016. – № 3. – С. 33–36.
7. Пронина Е.О., Сюпова М.С. Картельные соглашения: теория и практика // Ученые заметки ТОГУ. – 2018. – Т. 9, № 1. – С. 196–201.
8. Тчаро Х., Воробьев А.Е., Воробьев К.А. Цифровизация нефтяной промышленности: базовые подходы и обоснование "интеллектуальных" технологий // Вестн. Евразийской науки. – 2018. – Т. 10, № 2. – С. 77.
9. Шутько С.Ю., Кожевникова С.Д., Шутько Д.С. Риски и неопределенности Upstream // Территория Нефтегаз. – 2017. – № 1-2. – С. 65–71.
10. Application of machine learning and artificial intelligence in oil and gas industry / A. Sircar, K. Yadav, K. Rayavarapu [et al.] // Petroleum Research. – 2021. – Vol. 6, Issue 4. – P. 379–391. – DOI: 10.1016/j.ptlrs.2021.05.009
11. Barker J.W., Thibeau S. A Critical review of the use of pseudorelative permeabilities for upscaling // SPE Reservoir Engineering. – 1997. – Vol. 12, Issue 2. – P. 138–143. – DOI: 10.2118/35491-PA
12. Brynjolfsson E., Mitchell T. What can machine learning do? Workforce implication // Science. – 2017. – Vol. 358, Issue 6370. – P. 1530–1534. – DOI: 10.1126/science.aap8062
13. Seismic fault detection in real data using transfer learning from a convolutional neural network pre-trained with synthetic seismic data / A. Cunha, A. Pochet, H. Lopes, M. Gattass // Computers & Geosciences. – 2019. – Vol. 135. – DOI: 10.1016/j.cageo.2019.104344
14. Koroteev D., Tekic Z. Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future // Energy and AI. – 2021. – Vol. 3. – DOI: 10.1016/j.egyai.2020.100041
15. Applications of artificial intelligence in oil and gas development / Hong Li, Haiyang Yu, Nai Cao [et al.] // Archives of Computational Methods in Engineering. – 2020. – Vol. 28, Issue 3. – P. 937–949. – DOI: 10.1007/s11831-020-09402-8
16. Subsurface velocity inversion from deep learning-based data assimilation / Bo Mao, Li-Guo Han, Qiang Feng, Yu-Chen Yin // J. of Applied Geophysics. – 2019. – Vol. 167. – P. 172–179. – DOI: 10.1016/j.jappgeo.2019.04.002
17. Decision support methods and applications in the upstream oil and gas sector / M. Shafiee, I. Animah, B. Alkali, D. Baglee // J. of Petroleum Science and Engineering. – 2019. – Vol. 173. – P. 1173–1186. – DOI: 10.1016/j.petrol.2018.10.050
18. Strantzali E., Aravossis K. Decision making in renewable energy investments: a review // Renewable and Sustainable Energy Reviews. – 2016. – Vol. 55. – P. 885–898. – DOI: 10.1016/j.rser.2015.11.021