Нейросети, которые ищут аномалии в данных до их появления: какие задачи решают современные технологии на нефтегазовых объектах?
Час незапланированного простоя на крупном месторождении обходится в десятки миллионов рублей. Аварийный ремонт магистрального трубопровода — это каскад последствий: экологический ущерб, репутационные потери, штрафы, срыв контрактов. Когда стоимость одного инцидента способна превысить годовую выручку предприятия, вопрос перестает быть технологическим. Он становится вопросом выживания бизнеса.
Мы спросили у экспертов, как нейросети и ИИ помогают отраслевикам справляться с непростыми задачами по обеспечению работоспособности сложного оборудования на нефтегазовых месторождениях.
Ильдар Саттаров — генеральный директор ООО «Альянс Перспективных Технологий», участник ВНОТ 2024 и 2025 и спикер Университета «Синергия»
— Десятилетиями нефтегаз обслуживал оборудование двумя способами. Первый: сломалось — чиним. Второй: меняем узлы по графику, независимо от реального состояния. Представьте себе врача, который лечит только когда пациент упал в обморок, или второго врача, который отправляет на операцию всех подряд по расписанию, не глядя на анализы. Оба подхода порочны.
Первый превращает эксплуатацию в лотерею. Второй приводит к тому, что исправное оборудование разбирается ради галочки, а дефектное доживает до следующей проверки и отказывает между ними. По оценкам Минэнерго, переход на прогнозный подход — то есть «лечение до болезни» — может дать российскому нефтегазу до 700 миллиардов рублей в год. Цифра, которая говорит не столько о потенциале нового, сколько о масштабе потерь при старом.
Нейросети здесь решают задачу, которая человеку физически недоступна. Современное месторождение — это тысячи датчиков, каждый из которых непрерывно передаёт данные: давление, температура, вибрация, расход, химический состав. Терабайты информации в сутки. Человек способен удерживать в голове связь между пятью-семью переменными. Нейросеть работает с сотнями параметров одновременно. Это как разница между шахматистом, который видит доску, и программой, которая просчитывает миллионы комбинаций. Не потому что шахматист плох — задача просто вышла за пределы биологических возможностей.
Ключевое слово — «до появления». Нейросеть обучается на исторических данных, где определённая комбинация микроотклонений предшествовала отказу. Представьте опытного механика, который по едва уловимому изменению звука двигателя определяет будущую поломку. Нейросеть делает то же самое, но одновременно «слушает» тысячи параметров. Она обнаруживает, что за три недели до разрыва насоса начинает едва заметно меняться соотношение между температурой подшипника и вибрацией корпуса. По отдельности оба показателя в норме. Вместе — это предвестник беды. Подход позволяет перейти от вопроса «что сломалось?» к вопросу «что сломается через две недели, если не вмешаться?».
Есть и менее очевидный аспект. Нефтегаз — отрасль со стареющей инфраструктурой. Значительная часть российского фонда скважин и трубопроводов работает за пределами проектного срока. Нейросеть здесь выполняет роль кардиомонитора для пожилого пациента: она не делает старую трубу новой, но позволяет эксплуатировать её осмысленно, понимая реальный запас прочности, а не полагаясь на нормативные таблицы тридцатилетней давности.
Опыт «Газпром нефти» показателен. Компания создала цифровые двойники нескольких месторождений — виртуальные копии реальных промысловых объектов, которые живут в синхронии с оригиналом. Системы прогнозной аналитики позволили сократить простои оборудования на 25%, а затраты на геологоразведку — на 30%. Эффект от одного цифрового двойника оценивается в миллиард рублей.
Но было бы нечестно умолчать о другой стороне. Технология работает ровно настолько хорошо, насколько хороши данные, на которых она обучена. А данные в нефтегазе исторически собирались для отчётности, а не для аналитики. Это как пытаться поставить диагноз по анализам, которые брали не для диагностики, а для заполнения формы. Разные системы измерений, разные форматы, разная частота опроса. Прежде чем нейросеть начнёт искать аномалии, кто-то должен привести в порядок инфраструктуру данных. И этот этап часто оказывается более долгим и дорогим, чем внедрение самого алгоритма.
Какие методы применяют на месторождениях углеводородов для анализа аномалий? Какое оборудование и ПО для этого необходимы?
Здесь важно разделить задачу на три уровня: сбор данных, их анализ и принятие решений. Это как нервная система организма: рецепторы, мозг и команда мышцам. Слабость любого звена обнуляет усилия на остальных.
Первый уровень — «органы чувств» месторождения. На промысловых объектах устанавливаются промышленные датчики давления, температуры, вибрации, расхода, уровня, химического состава среды. Современные решения включают волоконно-оптические системы, которые превращают весь трубопровод в один непрерывный датчик — они отслеживают состояние не в отдельных точках, а по всей длине, как нерв чувствует прикосновение в любом месте. Беспилотники с системами технического зрения инспектируют протяжённые объекты сверху — находят утечки, коррозию и повреждения там, куда обходчику добраться сложно или опасно.
Данные с датчиков стекаются в диспетчерские системы управления. Диспетчерская система собирает и визуализирует данные, но глубокого анализа не ведёт. Это глаза и уши системы.
Второй уровень — алгоритмы анализа. Здесь начинается работа нейросетей. Методы можно разделить на несколько классов, каждый решает свою задачу.
Первый класс — нейросети-эталонщики. Система обучается на данных нормальной работы оборудования и выстраивает внутреннюю модель «как должно быть». Когда реальность начинает отклоняться от эталона — звучит тревога. Принцип простой: если Вы каждый день слышите, как работает двигатель автомобиля, то любое постороннее пощёлкивание замечаете мгновенно. Нейросеть делает то же самое, только для сотен параметров разом. Метод особенно хорош для мониторинга насосов, компрессоров, турбин — всего, что вращается.
Второй класс — нейросети, анализирующие динамику процессов во времени. Они учитывают не только текущее значение показателя, но и то, как он менялся за последние часы, дни, недели. Если давление в скважине падает медленно и равномерно — это нормальная выработка. Если характер падения изменился — это сигнал. Как кардиограмма: важен не один удар сердца, а ритм и его изменения. Такие сети прогнозируют дебиты скважин с точностью, которая превышает традиционные методы расчёта в два и более раза.
Третий класс — алгоритмы классификации состояний. Они работают как опытный диагност: принимают набор симптомов (показания датчиков) и ставят диагноз — «норма», «требует внимания», «критическое отклонение». Их главное преимущество —- прозрачность. Инженер может понять, почему система вынесла тот или иной вердикт. Для промышленности это принципиально: никто не остановит добычу по рекомендации чёрного ящика, который не способен объяснить своё решение.
Четвёртый класс — цифровые двойники. Это виртуальная модель всего месторождения. Она объединяет физику процесса (как ведёт себя пласт, как течёт жидкость, как разрушается металл) с данными реального времени и методами машинного обучения. По сути — электронная копия месторождения, которая «дышит» синхронно с оригиналом. Двойник моделирует сценарии: что будет, если увеличить давление закачки? Как поведёт себя пласт через полгода? Где откажет оборудование? «Газпром нефть», «Роснефть» и «Лукойл» активно развивают это направление, причём около 70% наработок «Газпром нефти» тиражируются на партнёров отрасли.
Третий уровень — инфраструктура данных. Между датчиком на скважине и нейросетью в вычислительном центре лежит целый мир: платформы промышленного интернета вещей, хранилища данных, системы потоковой обработки, платформы для обучения моделей. Объём данных с одного месторождения может достигать десятков терабайт в сутки. Без выстроенной архитектуры — от локального вычислителя у скважины до центрального сервера — ни один алгоритм работать не будет. Это как проектировать блестящий мотор, забыв про топливопровод.
Отдельно стоит упомянуть специализированное программное обеспечение: Цифровой геолог и модуль Онлайн-ГДИС от «Роснефти», платформу Недра Диджитал, разработки для гибридного моделирования пластов. Эти инструменты соединяют физические модели с нейросетевыми, создавая системы, которые точнее чисто математических подходов.
Что касается стоимости — универсального ответа нет. Пилотный проект на отдельном объекте обойдётся в несколько десятков миллионов рублей. Полная цифровая трансформация крупного месторождения — миллиарды. По данным аналитиков, российский нефтегаз тратит на цифровизацию порядка 162 миллиардов рублей в год с ежегодным ростом около 20%. Но главный вопрос не в деньгах. Технология — это 30% успеха. Остальные 70% — люди, процессы и готовность организации меняться. Можно купить лучший в мире рояль. Но без пианиста он останется красивой мебелью. Без инженеров, которые одновременно понимают физику пласта и логику нейросети, самое дорогое оборудование останется набором железа с мигающими индикаторами.
Александр Мартынов, директор по отраслевым решениям в нефтегазовой и химической промышленности К2Тех
— Нефтегазовое месторождение само по себе — генератор гигантских потоков данных: тысячи датчиков, десятки скважин, трубопроводы с непрерывным замером давления и расхода. Классические пороговые алгоритмы справлялись с единичными отказами, но слепы к сложным, многофакторным паттернам, которые предшествуют настоящим авариям.
Нейросети решают именно эту задачу. Они не следят за конкретным датчиком, а создают модель нормального поведения всей системы и заранее понимают, когда показатели систем мониторинга начинают от этой нормы отклоняться.
Для этого создаются цифровые двойники производств, аккумулирующие данные со всего месторождения: сейсмических и акустических датчиков, систем мониторинга инженерного оборудования, компьютерного зрения и видеоаналитики, телеметрии. Для оперативного развёртывания цифровых двойников активно внедряются программно-аппаратные комплексы (ПАК), позволяющие получить заранее настроенную инфраструктуру, что особенно актуально для удалённых активов.
