Перейти к основному содержанию
Логотип BP на заправочной станции в Ливерпуле, 7 февраля 2018 г. Пол Эллис (Paul Ellis) / AFP / Getty Images

BP использует технологии ИИ

чтобы анализировать данные о месторождениях и принимать правильные решения

Глубоко в недрах Земли, часто на глубине нескольких километров, есть запечатанные в скалах «карманы» со скрытыми сокровищами.

Эти углеводородные резервуары заполнены органическими соединениями, которые необходимы нашему миру. И Россия не исключение. Наши объемы легкой нефти вырабатываются быстрыми темпами, с каждым годом возрастает доля трудноизвлекаемых запасов (ТРИЗ). Нефть и газ, получаемые оттуда, помогают освещать города, перевозить людей и развивать промышленность. Как никогда актуальными становятся вопросы совершенствования технологий добычи и использования международного опыта.

Для некоторых инженеров из BP задача номер один — находить скрытые резервуары. Задача номер два — определять так называемый коэффициент извлечения нефти (КИН), точно предсказывая, какой процент углеводородов можно извлечь.

Традиционно эта задача была итеративной, ресурсоемкой и включала элемент человеческой предвзятости. Специалисты по обработке данных, опираясь на собственные знания и опыт, перебирали шесть или семь различных алгоритмов, чтобы найти наиболее подходящую модель прогнозирования. Это могло занимать несколько недель.

Теперь с помощью сервисов машинного обучения Azure компания BP сокращает время, необходимое для точного определения моделей прогнозирования, и повышает производительность работы специалистов по обработке данных. Автоматизированное машинное обучение позволяет получать всеобъемлющие решения для любой проблемы.

Недавно наши коллеги связались с лондонским офисом BP, где работает Маниш Наик, руководитель подразделения по цифровым инновациям, который подробнее рассказал о новом методе углубленного анализа данных, применяемом в компании.

Какую выгоду получает BP, улучшая прогнозы КИН?

Прогнозы коэффициента извлечения нефти на основе анализа данных критически важны для нас. Это фундамент для принятия ключевых решений, цена которых может составлять миллиарды долларов. Анализировать приходится очень большие и сложные наборы данных, включающие сотни геологических характеристик.

Чтобы дополнить существующие способы прогнозирования, которые, как правило, используют входные данные качественного характера, мы решили обратиться к машинному обучению и попробовать повысить точность прогнозирования. Мы хотели понять: сможем ли мы улучшить точность прогнозов? Сможем ли мы устранить некоторые человеческие предубеждения?

Маниш Наик. Фото предоставлено компанией BP
Маниш Наик. Фото предоставлено компанией BP

Как ваши специалисты используют автоматизированное машинное обучение?

Очень широко. Одна строка кода позволяет запускать разные алгоритмы прогнозирования с разными комбинациями параметров (или переменных), которые раньше приходилось проверять вручную. В этом и заключается преимущество облака. При этом полученные результаты сопоставимы с тем, что получалось у специалистов ранее.

Одна строка кода… это впечатляет. Сколько времени это экономит?

В зависимости от объема данных, типа поставленной задачи (например, это может быть прогноз или классификация) и семейства алгоритмов, автоматическое машинное обучение может сократить время с недель до дней или с дней до часов.

Как часто BP использует разработанную модель прогнозирования коэффициента извлечения?

Эта модель уже применяется на производстве и ежедневно используется сотнями наших специалистов по всему миру.

Итак, автоматизированное машинное обучение становится в ВР главным инструментом для специалистов по обработке данных. Каковы основные потенциальные выгоды для компании?

Это позволит специалистам работать эффективнее, что означает более быстрый выпуск на рынок проектов, использующих машинное обучение.

А поскольку специалисты по обработке данных продолжают все чаще и чаще использовать автоматизированное машинное обучение, они повышают доверие к полученным результатам. Это может стать отправной точкой для работы наших исследователей. В будущем это станет частью надежного механизма сравнительного анализа, применяемого ко всем проектам с использованием машинного обучения, что позволит улучшать результаты.

Если смотреть шире, как, по вашему мнению, искусственный интеллект и облачные технологии изменят нефтегазовую индустрию?

Компании, работающие во всех сферах нефтегазовой промышленности — от разведки до розничной торговли — генерируют значительные объемы данных. А значит, существует множество возможностей для обработки этих данных с помощью искусственного интеллекта, машинного обучения и облачных технологий.

В общих чертах — у этих технологий есть значительный потенциал, чтобы повысить эффективность нашей работы и помочь нам принимать более точные и обоснованные решения.

Верхнее фото: логотип BP на заправочной станции в Ливерпуле, 7 февраля 2018 г. Пол Эллис (Paul Ellis) / AFP / Getty Images.