«Проблемы экономики и управления нефтегазовым комплексом»

Изучение направлений развития нефтегазового сектора через призму "процессов обучения"

УДК: 330.3+338.2
DOI: -

Авторы:

¹ Институт экономики и организации промышленного производства СО РАН, Новосибирск, Россия
² Национальный исследовательский университет "Высшая школа экономики", Москва, Россия

Ключевые слова: нефтегазовый сектор, машинное обучение, искусственный интеллект, инновации, экономические основы, передача знаний, государственные органы и учреждения

Аннотация:

В нефтегазовой отрасли обработка различных данных всегда играла и будет играть ключевую роль. При этом их состав и качественные особенности со временем претерпевают существенные изменения. Все большее значение приобретают данные, характеризующие особенности принятия и реализации технических и связанных с ними управленческих решений, отражающие институциональные условия и рамки в разных странах и сферах деятельности. В связи со сложностью реального эксперимента по влиянию институциональных условий на процесс реализации тех или иных решений, открываются возможности применения подходов на основе "процессов обучения" – сначала на основе качественного изучения направлений развития изучаемых объектов, а затем и моделей машинного обучения (МО) и искусственного интеллекта (ИИ). По мнению авторов, успешность применения новых технологических и организационно-экономических подходов в нефтесервисном секторе во многом связана с развитием научных исследований, прежде всего комплексного характера – т. е. тесного взаимодействия как процессов создания новых технологий, так и определения рамочных условий их эффективного применения.

Список литературы:

1. Boschma R. Relatedness as driver of regional diversification: a research agenda // Regional Studies. – 2017. – Vol. 51, Issue 3. – P. 351–364. – DOI: 10.1080/00343404.2016.1254767
2. Long R. DOE’s Unconventional Gas Research Programs 1976–1995: An Archive of Important Results. – National Energy Technology Laboratory, U.S. Department of Energy, 2016. – URL: https://edx.netl.doe.gov/dataset/doe-s-unconventional-gas-research-programs-1976-1995 (дата обращения 15.12.2023).
3. Burwen J., Flegal J. Unconventional Gas Exploration & Production. – American Energy Innovation Council, 2013. – 16 p. – URL: https://bipartisanpolicy.org/download/?file=/wp-content/uploads/2013/03/Case-Unconventional-Gas.pdf
4. Covert T.R. Experiential and Social Learning in Firms: The Case of Hydraulic Fracturing in the Bakken Shale. – 2015. – 50 p. – DOI: 10.2139/SSRN.2481321
5. Liu Z., Schiff A., Swem N. Access to Capital and Investment Composition: Evidence from Fracking in North Dakota. – 2018. – 72 p. – DOI: 10.2139/SSRN.3224515
6. A Comprehensive Review of Smart/Intelligent Oilfield Technologies and Applications in the Oil and Gas Industry / C. Temizal, C.H. Canbaz, Y. Palabiyik [et al.] // SPE Middle East Oil and Gas Show and Conf., Manama, Bahrain, March 18–21, 2019. – DOI: 10.2118/195095-MS
7. Pandey R.K., Dahiya A.K., Mandal A. Identifying Applications of Machine Learning and Data Analytics Based Approaches for Optimization of Upstream Petroleum Operations // Energy Technology. – 2021. – Vol. 9, Issue 1. – DOI: 10.1002/ENTE.202000749
8. Roy D.G., Singh T.N., Kodikara J. Predicting mode-I fracture toughness of rocks using soft computing and multiple regression // Measurement. – 2018. – Vol. 126. – P. 231–241. – DOI: 10.1016/J.MEASUREMENT.2018.05.069
9. New Model for Pore Pressure Prediction While Drilling Using Artificial Neural Networks / A. Ahmed, S. Elkatatny, A. Ali [et al.] // Arabian J. for Science and Engineering. – 2019. – Vol. 44. – P. 6079–6088. – DOI: 10.1007/S13369-018-3574-7
10. Malallah A., Nashawi I.S. Estimating the fracture gradient coefficient using neural networks for a field in the Middle East // J. of Petroleum Science and Engineering. – 2005. – Vol. 49, Issue 3–4. – P. 193–211. – DOI: 10.1016/J.PETROL.2005.05.006
11. Li X., Chan C.W., Nguyen H.H. Application of the Neural Decision Tree Approach for Prediction of Petroleum Production // J. of Petroleum Science and Engineering. – 2013. – Vol. 104. – P. 11–16. – DOI: 10.1016/J.PETROL.2013.03.018
12. Xinli Jia, Feifei Zhang. Applying Data-Driven Method to Production Decline Analysis and Forecasting // SPE Annual Technical Conf. and Exhibition, Dubai, UAE, Sept. 26–28, 2016. – DOI: 10.2118/181616-MS
13. Application of artificial intelligence to forecast hydrocarbon production from shales / P. Panja, R. Velasco, M. Pathak, M. Deo // Petroleum. – 2018. – Vol. 4, Issue 1. – P. 75–89. – DOI: 10.1016/J.PETLM.2017.11.003
14. Shokir E.M.El-M. A Novel Model for Permeability Prediction in Uncored Wells // SPE Reservoir Evaluation & Engineering. – 2006. – Vol. 9, Issue 3. – P. 266–273. – DOI: 10.2118/87038-PA
15. Kenari S.A.J., Mashohor S. Robust committee machine for water saturation prediction // J. of Petroleum Science and Engineering. – 2013. – Vol. 104. – P. 1–10. – DOI: 10.1016/J.PETROL.2013.03.009
16. Experimental study and artificial neural network simulation of the wettability of tight gas sandstone formation / Yayun Zhang, Mian Chen, Yan Jin [et al.] // J. of Natural Gas Science and Engineering. – 2016. – Vol. 34. – P. 387–400. – DOI: 10.1016/J.JNGSE.2016.07.002
17. An Integrated Closed-loop Solution to Assisted History Matching and Field Optimization with Machine Learning Techniques / Zhi Chai, A. Nwachukwu, Y. Zagayevskiy [et al.] // J. of Petroleum Science and Engineering. – Vol. 198. – DOI: 10.1016/J.PETROL.2020.108204
18. Шафраник Ю.К., Крюков В.А. Нефтегазовый сектор России: трудный путь к многообразию. – М.: Перо, 2016. – 271 с.
19. Razmanova S.V., Andrukhova O.V. Oilfield service companies as part of economy digitalization: assessment of the prospects for innovative development // J. of Mining Institute. – 2020. – Vol. 244. – P. 482–492. – DOI: 10.31897/PMI.2020.4.11
20. Luki N.B. Are There Good Institutions in Ghana’s Oil and Gas Industry? // Developing Country Studies. – 2016. – Vol. 6, Issue 9. – P. 23–56.
21. Крюков В.А. Об институционализации роли и места крупного бизнеса в решении проблем социально-экономического развития страны // Экономическое возрождение России. – 2023. – № 2(76). – С. 42–52. – DOI: 10.37930/1990-9780-2023-2(76)-42-52