Особенности машинного обучения в нефтегазовой отрасли

Лишь в некоторых бизнес-процессах нефтегаза есть большие данные:

• показания датчиков;

В большинстве процессов больших данных нет:

• разработка месторождений.

1. Сбор показаний датчиков (к примеру манометров) - это часть процесса разработки месторождений (на этих данные в последствии происходит адаптация модели и составление отчетов для ГКЗ).

2. Разработка месторождений это в принципе про BigData. Сейсмика + каротаж -> построение геологической модели -> данные по физико-химическим свойствам нефти -> построение прогноза -> автоадаптация.

Регламентировать сбор данных и ждать. Если из перечисленного ничего не подходит, нужно регламентировать сбор данных и лет 5 подождать ...

Проектный офис регламентирует всё и вся уже много десятилетий, а вот Петрович на месторождении не очень этому следует. Далее вы сами на это и указываете:

• Очень часто данные разнородны, даже если есть четкий шаблон, как они должны оформляться.

• Часто данные не структурированы.

• Данные могут быть неполными и не содержать нужной информации.

По поводу задачи 2. Как я понимаю tNavigator уже имеет все модули чтобы это реализовать, но

1. Начальство не ставит такие задачи (ибо само не до конца понимает что это и как с этим надо работать).

2. Сотрудники не горят желанием перерабатывать на задачах которые не приводят к повышению, да и разобраться с нуля с таким интерфейсом (иногда его нет, нужно открыть data/config файл и вручную править нужные свойства модели) не так просто.

3. Высочайший уровень коррупции и как следствие низкий уровень подготовки специалистов в чьи обязанности и входит работа с моделью.

Реальных параметров гидродинамической модели мало

Нет, не мало. Поэтому есть отдельно геологи, гидродинамики и геофизики (которые еще и по профилю делятся) чтобы сформировать основу модели и передать разработчикам.

Месторождений не так много

Суть вроде верна, с формулировкой не очень точно. Месторождений много, то ли автор говорит о закрытости данных, то ли то что параметры могут настолько сильно отличаться, что скомпоновав всё в один датасет потеряется смысл.

Существует популярное мнение, что разработка в нефтянке — это бюрократия, строгий дресс-код и отсутствие интересных задач. На самом деле это совсем не так

Так. Ситуация со времён СССР еще не менялась, разве что западные коллеги новый софт и новые насосы привезли. Слишком много кейсов где дедушки из условной Роснефти (нет, не условной) не понимали зачем студенты занимаются ПО для генерации синтетических данных и оптимизацией расположения скважин, ведь нужны материальные решения, насос там спроектировать.

Спасибо за материал! Есть некоторые замечания и вопросы, я раньше был геологом, сейчас пытаюсь в изучение ML.

В большинстве процессов больших данных нет:

• разработка месторождений.

Разве в разработке мало табличных данных и структурированных данных?

Есть много структурированных данных по работе фонда скважин на месторождениях, там история огромная - задача оптимизации фонда.

Во вторых, есть же куча материалов по скважинам каротажные логи и все такое, что тоже за частую более менее очищенное и обработанное уже людьми - тут можно разгуляться с задачами.

В третьих есть же сейсмические кубы - как минимум задачи CV.

Вопрос только насколько это будет лучше существующих решений на рынке. Или эти данные не идут в работу по определенными причинам?

Реальных параметров гидродинамической модели мало

Что здесь подразумевается? Там же много выгрузить разных кубов данных (пористость, коллектор, проницаемость, давления, сейсмических атрибутов и тд)?

С гидродинамическими моделями вы уже получается использовали RL по ГДМ переданных от геолога? Даже при правильном предикте RL, если сама ГДМ будет с ошибкой, то прогноз будет в пустоту :(