Admettez-le, en ce qui concerne la production pétrolière, les paysages du Texas et les «fauteuils à bascule» mécaniques se tiennent devant mes yeux contre le ciel coucher de soleil. Quelqu'un d'autre verra des tuyaux de torche brûler les gaz associés, et peut-être aussi une plate-forme de forage quelque part au large. Bien sûr, la production de pétrole est une entreprise difficile et risquée. Immenses voitures, plates-formes de forage, danger d'explosion et d'incendie. La production de pétrole dans l'esprit des masses est sans aucun doute une affaire brutale pour les travailleurs acharnés et presque comme des ingénieurs puissants.
Vous avez tous raison et tort en même temps. Oui, l'huile a été extraite et est extraite à l'aide d'une «balançoire», mais toute l'image que nous avons obtenue des films et des émissions de télévision ne correspond plus à l'image complète; les entreprises progressistes commencent de plus en plus à mettre en œuvre les dernières avancées informatiques. Les travailleurs modernes de l'industrie pétrolière utilisent simultanément les derniers développements dans le traitement des BigData, de l'IA, de l'apprentissage automatique et bien d'autres. Ci-dessous, sur la base de l'expérience d'Aramco Innovations, il y aura plusieurs exemples de la façon dont les technologies informatiques ont pénétré profondément dans une entreprise apparemment classique et inerte comme la production de pétrole.
Cela vaut la peine de commencer par celui dont nous parlons des cas. Aramco Innovations est un bureau de représentation russe d'un organisme de recherche, qui fait partie de la compagnie pétrolière nationale saoudienne
Saudi Aramco . Ce dernier est le plus grand producteur de pétrole de la planète et appartient à 100% au Royaume d'Arabie saoudite. Plus précisément, Aramco Innovations est engagée dans l'organisation mère de la recherche dans le domaine de l'intelligence artificielle (IA), des systèmes de calcul haute performance et des nanomatériaux. L'entreprise a récemment ouvert un bureau à Moscou, l'un des endroits les plus prometteurs pour organiser des travaux scientifiques dans les domaines de l'IA, du BigData et de l'apprentissage automatique.
Modélisation géologique 3D des gisements
Si nous prenons un dictionnaire explicatif et l'ouvrons sur le «géomodélisme», nous obtenons grosso modo la définition suivante: c'est la conception et la création d'images cartographiques basées sur la visualisation de données source, dérivées ou finales. Évidemment, dans l'industrie pétrolière, le géomodelage est l'un des endroits centraux. Une partie importante des dépenses des sociétés pétrolières du monde entier (et ce n'est pas seulement pour Saudi Aramco, mais pour tous les producteurs de pétrole en général) est consacrée à l'exploration et à la modélisation ultérieure des gisements d'hydrocarbures.
Selon le concept généralement accepté, le géomodélisme peut être décomposé en les étapes suivantes:
- préparation;
- modélisation structurelle;
- créer une grille tridimensionnelle;
- la moyenne des données de forage sur les cellules d'une grille tridimensionnelle;
- lithologie - modélisation des faciès ;
- modélisation pétrophysique ;
- modélisation de la saturation;
- Calcul de stock 3D.
En fait, la modélisation tridimensionnelle des gisements est un processus complexe à plusieurs étapes d'évaluation d'un champ pour un certain nombre de signes, même si à première vue il peut sembler suffisant de déterminer «où» et «où» se trouvent les hydrocarbures.
Pourquoi avons-nous besoin de géo-modèles du champ après le début de la production? Il est clair que le processus classique d'extraction d'hydrocarbures des intestins commence par l'exploration directe du champ. Les géologues construisent sa carte, sur la base de laquelle un modèle informatique complet de l'ensemble du réservoir est créé. Ceci est fait afin d'élaborer une stratégie pour le développement du champ, il est plus avantageux de placer des puits de pétrole, de minimiser les pertes dues au déplacement des formations et d'éviter les accidents pendant la production.
Illustration schématique de l'emplacement le plus avantageux de la plate-forme pétrolière pour la production pétrolièreComme vous pouvez le comprendre, la clarté d'un tel modèle de réservoir diminue avec le temps, car aucun modèle ne peut prédire avec une précision de 100% tous les changements dans la structure de la roche et du champ lui-même pendant la production de pétrole. Ci-dessus, nous avons donné un exemple schématique d'un champ pétrolier, mais en réalité, tout est beaucoup plus compliqué. Par exemple, Saudi Aramco développe le plus grand gisement de pétrole de
Gavar au monde, découvert en 1948. Il contient jusqu'à 10 à 12 milliards de tonnes de pétrole et la superficie totale du champ est d'environ 5300 kilomètres carrés.
Autrement dit, nous arrivons à la conclusion que même les gisements actifs explorés nécessitent une étude et une modélisation constantes, au moins afin de comprendre où forer et où il est inutile ou trop cher. Il ne faut pas oublier que les gisements minéraux peuvent se produire dans des zones gigantesques, c'est-à-dire que le forage et la production se produisent simultanément en plusieurs points. Il est pratiquement impossible de calculer et de prévoir manuellement les changements dans la structure du champ, par conséquent, la tâche de modélisation des champs actifs va dans le plan du développement de systèmes informatiques et du traitement de grandes quantités de données.
C'est là que commence le travail des professionnels de l'informatique dans les domaines de l'IA, du BigData et du machine learning. Vers les années 1960, les compagnies pétrolières ont commencé à collecter de nombreuses données sur les champs développés. Au fil du temps, ces informations sont devenues un énorme flux de toutes sortes de données obtenues à la fois pendant l'exploration et pendant le forage et la production. Sur la base de ces informations, les spécialistes souhaitent former des réseaux de neurones pour une modélisation plus rapide et plus précise du comportement des champs développés dans un avenir proche.
Beaucoup de travail a déjà été fait dans ce sens et un certain nombre d'études ont été menées. Ainsi, dans l'un d'eux, les types de données suivants sur le champ sont fournis à l'entrée du réseau neuronal:
- des informations sur l'intensité du rayonnement gamma;
- porosité;
- densité
- saturation en eau;
- et d'autres.
À la sortie, les chercheurs obtiennent des prévisions sur la température, la pression, la structure et le compactage de la roche et même la distance recommandée entre les tours. En plus d'évaluer les gisements eux-mêmes, ces systèmes peuvent également être utilisés pour prévoir les problèmes pendant le forage et la production elle-même, ce qui anticipe les accidents, les pannes et les pertes imprévues.
Interprétation des données et courbes de journalisation
Si nous parlons de forage, il convient de rappeler les courbes de diagraphie et l'étude des puits.
La diagraphie est une méthode de recherche géophysique des puits. Bien sûr, la façon la plus évidente d'évaluer la structure d'un puits est de soulever le cœur - scier la roche, suivie d'une étude physique de l'ensemble du «pilier». Cependant, les ingénieurs de forage ne vous laisseront pas mentir: le processus de coupe et de levage de carottes coûte une somme d'argent monstrueuse et implique un certain nombre de difficultés techniques. Tout d'abord, c'est long. C’est une chose de forer un puits en soulevant de la roche concassée à la surface dans le fluide de forage, et c’est une autre de couper un poteau et de le relever sous la forme dans laquelle il a été posé. Pour cette raison, l'exploitation forestière moderne utilise des sondes géophysiques qui sont abaissées dans le puits pour étudier les parois du puits et l'espace proche du puits de forage et collecter des informations «de l'intérieur».
Les sondes de diagraphie sont équipées d'une gamme de capteurs passifs et actifs. Les capteurs passifs collectent des informations sur le champ électrique magnétique et spontané, le rayonnement gamma naturel, etc. Les capteurs actifs sont des récepteurs et des sources de champs et de rayonnements électriques, acoustiques et autres créés artificiellement. À l'aide d'une sonde de diagraphie, les géophysiciens collectent des informations à certains intervalles du puits, qui sont ensuite formées en courbes logarithmiques.
Un exemple de journaux tracés pour plusieurs paramètresLes données collectées du puits sont ensuite traitées par les géologues, et il s'agit d'un processus très long et fastidieux, qui se produit souvent en mode manuel.
Aramco Innovations travaille au développement de systèmes d'interprétation des journaux basés sur les technologies d'apprentissage automatique. La plupart du travail avec les courbes est un travail de singe typique, qui se résume à trouver les points de dépendances et les différences avec les données dont disposent déjà les géologues. L'apprentissage automatique est le mieux adapté pour identifier ces dépendances dans les courbes de journalisation avec la formation ultérieure du rapport final, qui est déjà en cours d'analyse par un spécialiste. Cette approche peut augmenter considérablement l'efficacité de la recherche sur les puits et accélérer considérablement le processus d'évaluation et d'exploration des puits dans son ensemble.
De plus, la vision industrielle devrait être utilisée pour analyser la structure des coutures profondes à partir d'images obtenues lors de l'exploration sismique. Les plus précieux pour les géologues sont les horizons pétrolifères et les fissures dans la roche, qui peuvent être une menace potentielle au cours de l'exploitation minière. Désormais, les spécialistes d'Aramco Innovations travaillent à déléguer le travail le plus morne et le plus monotone aux machines, ne laissant aux gens que la fonction de l'analyse finale et de la prise de décision.
Innovations Technaton Aramco
Ci-dessus, nous n'avons parlé que de quelques domaines d'application des réalisations modernes de la sphère informatique dans la production pétrolière. Il est difficile de surestimer leur importance: nous vivons littéralement dans un monde plastique. Presque tous les objets qui nous entourent, à un degré ou à un autre, ont été créés soit à partir de pétrole et de dérivés, soit à partir de matériaux obtenus en brûlant du carburant carboné.
Ce week-end, du 26 au 28 octobre, Aramco Innovations, en collaboration avec le Parc scientifique de l'Université d'État de Moscou, organisera à Moscou
Aramco Upstream Solutions Technathon , un événement dédié à l'application des technologies de l'intelligence artificielle pour l'industrie pétrolière.
L'objectif principal de l'événement est d'évaluer et de promouvoir le potentiel scientifique dans le domaine de l'apprentissage automatique et de l'intelligence artificielle, ainsi que de trouver des candidats potentiels qui souhaitent rejoindre l'équipe d'Aramco Innovations. Le premier jour, le 26 octobre, de 12h00 à 16h00, tous les participants pourront écouter des conférences scientifiques populaires sur les objectifs de l'événement. Le but des conférences est de donner une idée de la production pétrolière à ceux qui sont loin de l'industrie. Les conférences, comme la technologie elle-même, sont absolument gratuites.
La finale de la technaton aura lieu le 28 octobre, au cours de laquelle 3 équipes gagnantes seront décernées, et 2 prix spéciaux seront décernés pour la résolution de problèmes marqués par les juges. La cagnotte de Technaton est de 7 000 $ (environ 470 000 roubles). Les participants auront 48 heures de codage et travailleront avec des experts de premier plan du Saudi Aramco Science Center.
Tout d'abord, des informaticiens dans le domaine de l'apprentissage automatique et de l'IA, des spécialistes des métiers techniques, des géologues et des géophysiciens sont invités à participer.
Vous pouvez
vous familiariser avec le calendrier, le calendrier et les règles de l'événement
ici . Pour participer à la technaton vous devez
passer par une inscription gratuite jusqu'au 26 octobre à 17h50 heure de Moscou.
Nous attendons tous les spécialistes intéressés le 26 octobre à 18h00 à l'adresse: Moscou, Parc scientifique de l'Université d'État de Moscou, ul. Montagnes Lénine, 1s77.
Si vous avez des questions supplémentaires sur l'événement, écrivez à
ab@codenrock.com ou posez-les sur
la chaîne Telegram de l' événement.