• Русский

Искусственный интеллект поможет увеличить добычу нефти

Ученые КФУ готовы применить методы машинного обучения к решению задач поиска неисправностей в интегральных схемах.

До недавнего времени нефтяная отрасль меньше всего ассоциировалась со сферой IT, однако уже сегодня нано-технологии активно врываются в разные сферы человеческого обихода. Многим людям под термином “искусственный интеллект” представляются некие машины, способные к независимому мышлению. Однако, это пока не так. Но всё же современные технологии уже продвинулись настолько далеко, что положили начало преобразованию такого активного потребителя высокотехнологичного оборудования, как нефтегазовая отрасль.

Вопреки сложившемуся мнению, геологоразведка всегда была тесно связана с IT-технологиями. Например, о свойствах нефтеносного пласта, находящегося на глубине нескольких километров, ученые могут судить только по косвенным измерениям. Поэтому остро стоит необходимость анализа полученного при разработке нефтяных месторождений информации, моделирования, проведения математических экспериментов. Неслучайно ученые Казанского университета  моментально откликнулись на глобальные задачи цифровизации. Активно работая с информационными технологиями, исследователи чутко отслеживают все изменения в данной области. Ввиду того, что на сегодняшний день находятся на стадии завершения все разведанные качественные запасы, нефтедобытчики бурят на участках, которые характеризуются способностью породы пропускать через себя нефть. Для дальнейшего продолжения работ, специалистам необходимо решить сложные нелинейные математические уравнения, провести многочисленные итерационные расчеты. “От руки” этого не сделать. Каждое месторождение — сложнейшая система из пластов, скважин, объектов поверхностного обустройства и инфраструктурных предметов. В ней так много параметров, с помощью которых можно управлять эффективностью, что найти глобальный экстремум можно только с помощью искусственного интеллекта.

Что делают университетские ученые? Они смотрят шире, уверенно развивая высокотехнологичное оборудование, которое, в своём большинстве, является микроэлектронным. Так, например, интегральные схемы, обеспечивают функции управления, усиления и обработки сигналов и многое другое. Уже сегодня математики КФУ готовы внедрить методы машинного обучения и искусственного интеллекта в решение задач поиска неисправностей в интегральных схемах. Работа осуществлялась на базе НИЛ «Геоинформационные и геофизические технологии». Результаты работы были опубликованы в научно-исследовательском портале Researchgate .

«Возьмём, к примеру, современное цифровое месторождение, здесь непременно используются элементы интернет-вещей. А что такое интернет-вещей? Простыми словами – это микросхемы, которые обеспечивают съём информации по ряду электрофизических показателей. Они измеряют некие величины, преобразуют их к удобному для восприятия формату и передают в центр накопления», – рассказал директор Института вычислительной математики и информационных технологий КФУ Сергей Мосин.

По словам разработчиков, исследование строилось иерархическим образом: т.е. сначала методически прорабатывались аспекты математического моделирования, определения подходов выбора шаблонов и критических характеристик, которые отражают, в первую очередь, информацию об объекте. Следом идёт построение нейронной сети, ее обучение и проведение экспериментов.

«В рамках эксперимента мы проводили обучение нейронной сети для  тестирования проектируемого устройства и поиска в нем неисправностей. С помощью математического моделирования осуществлялось накопление характеристик, отражающих поведение схемы, с учетом  влияния возможных неисправностей на работу соответствующих устройств. Накопленные данные являются, по сути, источником больших данных (BigData) в силу высокой структурной и функциональной сложности современных интегральных схем. Допуски определяют случайные отклонения параметров внутренних компонентов от номинала. Всё это приводит к существенному разрастанию неоднозначности в выходных характеристиках. Чтобы получить комплексную оценку поведения необходимо выполнить исчерпывающее моделирование, так называемое стохастическое моделирование с использованием метода Монте-Карло, когда объект наделяется реальными свойствами и обеспечивается моделирование при разных начальных условиях. Всё, что удастся накопить, является неким портретом работы проектируемого устройства», – объясняет суть исследования Сергей Мосин.

То, что касается аспектов применения искусственного интеллекта в решении актуальных задач, учеными КФУ были предложены новые способы выбора существенных характеристик, позволяющих минимизировать время облучения нейронной сети, повысить точность предсказания, и, самое главное, повысить качество диагностики неисправностей. Так и получается, что при меньших вычислительных затратах открывается возможность оценивать качество готового изделия, находить неисправности в изготавливаемых микросхемах, ну и, соответственно, выпустить на рынок только те годные микросхемы, которые прошли тестирование. В случае неудачи диагностика покажет причину и суть дефекта.

Несмотря на многообещающие перспективы проекта, ученые КФУ отнюдь не первые, кто изучает работу машинного обучения для нефтегазовой отрасли. Чтобы быть лидерами цифровой революции, не надо ограничиваться изучением опыта Запада — в этом случае нельзя стать лидером, скорее последователем. Чтобы успешно заявить о себе, нужно идти в своем, наилучшем направлении. Сегодня приоритетное направление КФУ «Эконефть» идет именно таким путем. Ученые правильно определили тему, на которую можно сделать «ставку». Уже сегодня ученые Казанского университета имеют реальную возможность повлиять на технологический процесс, рассматривая комплексные проблемы построения цифрового месторождения, включая надежность и качество применяемых интегральных схем.