Автоматизированные системы ликвидации аварий: перспективы и препятствия 

С годами количество различных техногенных и экологических катастроф, связанных с разливами нефти и продуктов её переработки, продолжает расти. Устранять последствия становится всё сложнее, и потому всё чаще компании отрасли начинают прибегать к помощи ИИ и соответствующих автоматизированных систем.

Возможно ли, что однажды на месте очередного ЧП будут работать не волонтёры, а роботы? Каковы перспективы развития автономных систем ликвидации аварий и какие «гиганты» рынка уже активно пользуются современными достижениями в данной области?

Разбираемся в новой статье вместе с экспертами. 

Немного теории 

Автоматизированные системы ликвидации аварий в нефтегазовой отрасли — это высокотехнологичные комплексы, объединяющие возможности цифрового мониторинга, противоаварийной защиты (ПАЗ) и управления процессами. Они предназначены для мгновенного обнаружения утечек, автоматического перекрытия трубопроводов, сброса давления и активации сценариев локализации разливов. 

Кроме того, такие системы обычно интегрируют с нормативными планами предупреждения чрезвычайных ситуаций (ПЛАРН), что делает их незаменимыми в обеспечении безопасности на нефтегазовых объектах. 

Структура и функции таких автоматизированных систем включают в себя несколько ключевых аспектов: 

• Раннее обнаружение потенциальных угроз: для него используются современные технологии, такие как оптоволоконные датчики, тепловизоры, ультразвуковые расходомеры и цифровые двойники. Эти устройства позволяют выявлять даже малейшие изменения давления, акустические шумы или утечки газа, что критически важно для предотвращения аварий. 
• Противоаварийная автоматика (ПАЗ) играет ключевую роль в быстром реагировании на критические ситуации. При фиксации определённых параметров, которые указывают на возникновение аварийной ситуации, система автоматически отключает насосы, закрывает отсечные клапаны и переводит оборудование в безопасный режим. Процесс зачастую происходит без вмешательства человека, что значительно сокращает время реакции и минимизирует риски. 
• Локализация разливов (ЛАРН) — ещё один важный компонент автоматизированных систем. Она включает в себя автоматизацию процессов управления заградительными бонами, насосами перекачки и системами распыления реагентов в соответствии с заранее установленными протоколами. Это позволяет эффективно справляться с последствиями аварий и минимизировать их воздействие на окружающую среду. 
• Цифровой ПЛАРН — перевод традиционного плана ликвидации аварийных разливов нефти в электронный формат. В такой системе используются математические модели для прогнозирования движения нефтяного пятна, оценки рисков и формирования оптимального маршрута для аварийных бригад. 

Не просто элемент защиты, а нечто большее 

Виктор Вальцифер, заместитель директора по научной работе Института технической химии УрО РАН, д.т.н., профессор

— В нефтегазовой отрасли автоматизированные системы ликвидации аварий уже стали не просто элементом защиты, а частью технологической устойчивости объекта. Сегодня к таким решениям можно отнести системы газоаналитического контроля и обнаружения пламени, противоаварийную автоматику с отсечными клапанами, автоматические установки водяного, пенного, газового, порошкового и газопорошкового пожаротушения, системы взрывоподавления, аварийной вентиляции, локализации выбросов и оповещения персонала.

Отдельное направление — системы прогнозного анализа рисков и раннего предупреждения аварийных ситуаций, в том числе с применением искусственного интеллекта. Они позволяют анализировать данные с датчиков, историю отказов, параметры технологического режима и заранее выявлять отклонения, которые могут привести к воспламенению или формированию взрывоопасной газовоздушной смеси.

Задача этих систем взять на себя те действия, где счёт идёт на доли секунды: обнаружение утечки, фиксация вспышки или роста давления, отсечение аварийного участка, запуск пожаротушения, создание локализующего порошкового или газопорошкового облака и подавление возгорания на начальной стадии развития процесса.

При этом ИИ не должен рассматриваться как замена сертифицированной автоматике. Роль ИИ заключается в прогнозе риска и помощи в выборе оптимального сценария реакции и снижении вероятности ложных или запоздалых срабатываний. Критическое действие, например, запуск системы пожаротушения или взрывоподавления, должно выполняться проверенной инженерной системой с понятной логикой и подтверждённой надёжностью.

Человек в такой системе отвечает не за ручное выполнение первичной реакции, поскольку автоматика действует быстрее оператора, а за проектирование, настройку и поддержание работоспособности всей системы, разработку сценариев развития аварии, выбор порогов срабатывания, регулярное техническое обслуживание, диагностику и проверку исполнительных устройств.

Для нефтегазовых объектов особенно важна не только цифровая часть, включающая датчики, контроллеры и алгоритмы, но и исполнительная часть системы — огнетушащее вещество и способ его подачи. В автоматических газопорошковых системах эффективность напрямую зависит от свойств огнетушащего порошкового состава и способности формировать равномерное локализующее облако в защищаемом объёме.

Близкие по сценарию процессы возгорания характерны и для угольной промышленности, где в угольных шахтах автоматические системы пожаротушения и взрывоподавления должны срабатывать на самой ранней стадии опасного события: при вспышке метана, росте давления или формировании фронта пламени. В таких условиях задача системы — не допустить развития локального воспламенения в объёмный взрыв метановоздушной смеси, особенно при наличии взвешенных частиц угольной пыли. Именно в угольных шахтах наличие угольной пыли существенно повышает опасность: при первичном взрыве или резком газодинамическом воздействии пыль может переходить во взвешенное состояние, формируя дополнительную горючую среду. В результате локальное воспламенение способно перейти в быстрое взрывное развитие процесса с резким ростом давления и скорости распространения фронта пламени.

Успешный опыт подавления взрывного процесса в метановоздушной смеси был получен учёными ИТХ УрО РАН совместно с коллегами из Харбинского инженерного университета, когда в 2013 году на его испытательном комплексе были проведены испытания автоматической системы подавления взрыва, снаряжённой разработанным нашим коллективом огнетушащим порошковым составом «Эврика-ИТХ». На стенде проводилось моделирование взрыва метановоздушной смеси в экспериментальной шахте. Система обнаружения фиксировала опасное событие и запускала установку взрывоподавления, после чего огнетушащий порошок распылялся через форсунки, формируя по сечению трубы локализующее облако из частиц огнетушащего вещества, блокируя процесс горения и не давая ему развиться до взрыва. Такой опыт показал, что эффективность автоматической ликвидации аварии определяется не только быстродействием датчиков и автоматики, но и свойствами самого огнетушащего состава, его текучестью, дисперсностью, распыляемостью и способностью быстро создавать устойчивый защитный заслон.

ИИ не станет заменой человека 

Сергей Волощенко, директор по цифровой трансформации и ИИ компании «Центр цифровизации ТЭК». 

— Если мы говорим именно о ликвидации аварий в нефтегазе, то самый интересный и малоизученный случай — это буровые аварии: там автономная ликвидация без человека почти не реализована нигде в мире и на это много причин. В отрасли давно используется система противоаварийной автоматической защиты. Это отдельный контроллер безопасности, работает независимо. Именно он исполняет аварийные сценарии по жёстко прописанной логике — закрыть задвижку, остановить насос, подать газ на факел и т. д. Без ИИ, без выбора —только «если А, то В». 

Но если же разговор идёт о возможностях предиктивных систем раннего предупреждения аварий и осложнений  в промышленной эксплуатации, то здесь соответствующие системы активно развиваются в последние семь-восемь лет. 

Модели машинного обучения анализируют данные телеметрии в реальном времени и выдают предупреждение до того, как параметр достигнет аварийного порога. В бурении это, прежде всего, системы предсказания прихвата, флюидопроявления и потерь бурового раствора, на добывающем фонде —  предсказание отказов насосного оборудования, выявление аномалий в работе газлифтных клапанов, предвестники разгерметизации. Роботы-инспекторы и БПЛА же рассматриваются как класс ассистентов реагирования для инспекции оборудования, мониторинга окружающей среды и работы в труднодоступных и опасных условиях.

На сегодняшний день одной из перспективных технологий является замкнутый контур управления, где система, используя полученные данные от агентов (телеметрия, роботы, БПЛА, видеонаблюдение), не только предсказывает, но и самостоятельно инициирует защитное действие без команды оператора. 

Впрочем, пока что именно человек, сохраняющий контроль над автоматизированными системами, обладает гораздо более развитыми когнитивными способностями, чем ИИ. Дискуссия о полной автономности в отрасли часто сводится к вопросу: «можем ли мы заменить человека?». Однако реальный ответ лежит в иной плоскости: нам приходится считаться не с одним, а с тремя последовательными барьерами — техническим, когнитивным и регуляторным. 

С инженерной точки зрения, для ряда хорошо описанных сценариев полная автоматизация уже сегодня возможна. Современные системы демонстрируют качества, недоступные человеку, они непрерывно обрабатывают огромное количество данных и находят отклонения быстрее любого специалиста, в то время как обычный сотрудник заметит проблему условно лишь через десять метров. Видеоаналитика на производственных объектах круглосуточно фиксирует нарушения правил безопасности без усталости и потери внимания. Скорость реакции и стабильность — это и есть принципиальное преимущество компьютерных систем.

Однако возможность быстро действовать вовсе не означает способность безошибочно понимать, почему было принято это или то решение. Именно здесь и вступает в силу второй барьер. 

В начале 2025 года появился масштабный академический обзор «Открытые проблемы механистической интерпретируемости», подготовленный исследователями из Anthropic, Google DeepMind и MIT. Документ посвящён острому вопросу современного ИИ: как заглянуть внутрь нейросети и постичь логику принятия решений, не ограничиваясь анализом входных и выходных данных, а восстанавливая внутренние причинно-следственные механизмы. 

Для нефтегазовой  индустрии этот вызов звучит особенно резко — «чёрный ящик» недостаточен для систем с высокими требованиями к безопасности. Пока мы не понимаем, на каком основании алгоритм выбрал конкретное действие, и не можем гарантировать отсутствие катастрофической ошибки. Именно в способности выстраивать объяснимые причинно-следственные цепочки когнитивные возможности человека сегодня превосходят ИИ. В этой связи большинство систем реализованы как рекомендательные: «я рекомендую — ты принимаешь решение и отвечаешь за него».

Речь идёт не о замене человека, а о его «усилении»: ИИ выступает рекомендательной системой, предиктивным аналитиком контролирует отклонения, но окончательное решение остаётся за специалистом. Это не временный компромисс, а архитектурный принцип для отраслей с высокой ценой ошибки. Такой тандем позволяет одновременно использовать главные достоинства системы (непрерывность и быстродействие) и главные достоинства человека (интерпретируемость и ответственность).

Даже если часть барьеров будут преодолены, останется регуляторный. Показательна позиция «Газпром нефти», сформулированная прямо и недвусмысленно: «людей на производстве заменит не искусственный интеллект, а люди, умеющие с ним работать». 

За этим тезисом стоит юридическая реальность: автономная система, принявшая ошибочное решение о закрытии скважины или аварийном сбросе, способна нанести ущерб, сопоставимый с самой аварией. Сегодня ответственность не может быть делегирована алгоритму, поэтому полный вывод человека из контура управления невозможен в силу не только технологических, но и нормативных ограничений.

Возможно ли полностью автоматизировать процессы технически для ряда хорошо описанных сценариев? Да. Регуляторно и юридически в обозримой перспективе — нет. Роль человека под воздействием ИИ не исчезает, а эволюционирует от оператора, непосредственно управляющего процессами, к согласующему и стратегу. Мы не исключаем человека из процесса управления, мы ускоряем его решения и уменьшаем количество ошибок, но само решение остаётся за ним.

При внедрении систем ликвидации аварий на нефтегазовых объектах в первую очередь  необходимо учитывать надёжность и отказоустойчивость самой системы безопасности. Эффективность систем напрямую зависит от качества программ инспекции, тестирования и технического обслуживания. Для новых технологий, в том числе таких как ИИ, необходимо разрабатывать соответствующие процедуры, нормативную базу, программы обучения и планы действий при отказах.

Также стоит помнить, что системы предиктивного реагирования зависят от чистоты, полноты и своевременности данных. В документе SLB прямо указывается, что до 70% времени инженеров уходит на ручную обработку разрозненных данных в несовместимых форматах.

Также успешное развёртывание потребует итерационных корректировок и обратной связи от операторов. Совместная работа инженеров, операторов и лиц, принимающих решения, необходима для адаптации систем к операционным целям и стандартам безопасности. 

И, конечно, не стоит забывать про кибербезопасность. Автономные системы с сетевым подключением увеличивают поверхность кибератак. Управление такими системами  через скомпрометированную сеть — сценарий с катастрофическими последствиями.

Подробнее о кибербезопасности в нефтегазовой отрасли читайте здесь. 

Ведущие лидеры «Газпром нефть» «Роснефть», «Новатек» совместно с технологическими партнёрами активно внедряют инструменты ИИ в свои процессы. Компания ЭНГС, например, проводит исследование применимости ИИ в ряде своих буровых операций. Все сходятся в едином мнении: его внедрение повышает эффективность в ряде случаев до 90% относительно традиционных методов, но пока об автономной ликвидации аварийных ситуаций речи не идёт. 

Что касается дальнейших перспектив таких технологий, то горизонт реального замкнутого для лидеров рынка составляет пять-семь лет. Парадоксально, но главным двигателем независимости в российском нефтегазе становится не технологическая стратегия, а дефицит кадров на удалённых объектах: по разным оценкам около 45% нефтегазовых компаний заявляют о стремлении к полной автоматизации именно по этой причине. Это создаёт реальный рыночный запрос, но предложения под него пока нет.