1. ImprovYTeam
Changellenge
Ринат Шакбасаров
Игорь Непомнящих
Станислав Сопов
Михаил Алексеев
Сила Интеллекта
Кейс по разработке концепции и модели
интеллектуального месторождения
Проект по внедрению интеллектуальной
системы принятия реений управления
месторождением c использованием
наиновейших информационных технологий
2. Кейс ГазПром Нефть
ImprovY Team
ВНЕДРЕНИЕИНТЕЛЛЕКТУАЛЬНЫХСИСТЕМВСФЕРЕУПРАВЛЕНИЯМЕСТОРОЖДЕНИЕМЯВЛЯЕТСЯ
КЛЮЧЕВЫММОМЕНТОМ ОПТИМИЗАЦИИПРОЦЕССОВНЕФТЕДОБЫЧИ
Мировая практика внедрения интеллектуальных систем и динамика капитализации за последние 5 лет
Chevron
Внедрение умных технологий улучшило
уровень безопасности, оптимизировала бизнес-
процессы компании, позволяет контролировать
сотни месторождений на 6 континентах
Royal Dutch Shell
Увеличилась отдача нефти на 10%, а также
темпы производства. Используются датчики с
оптоволоконными линиями связи.
Внедрение использования технологий умных скважин будет способствовать
снижению издержек Газпром Нефти, а также росту прибыли компании
GazPromNeft
5,846
5,914
5,791
5,557
5,170
4,732
4,450
4,221
3,983
3,797
4,724
5,001
5,234
5,276
5,182
5,098
5,022
4,929
2013 2014 2015 2016 2017 2018 2019 2020 2021
Добыча нефти (тыс.тонн) Операционные затраты(млн.руб)
Объемы добычи снижаются
Операционные издержки увеличиваются
556
716
782
857
940
1,010
1,058
1,100
1,143
2013
(ФАКТ)
2014 2015 2016 2017 2018 2019 2020 2021
Рост удельной себестоимости подъема тонны нефти (в руб)
3. Кейс ГазПром Нефть
ImprovY Team
Внедрение системы GazProm Intelligence
выведет компанию на новый уровень управления
СозданиесистемыGazPromIntelligenceвключает
решениерядавопросов.
Данные
Правильная обработка и хранение огромных массивов данныхI
Real-Time
Возможность реагирования на изменение ключевых показателей в
режиме real-time
II
Методы и алгоритмы
Выбор методов и алгоритмов которые будут лежать в основе
интеллектуальной системы Gazprom Intelligence
III
Масштабируемость
Модульность, возможность масштабирования системы на
другие месторождения
IV
4. Кейс ГазПром Нефть
ImprovY Team
ПродуктыкомпанийSAPиаппаратнаяплатформаIBMлежатвоснове
информационнойсистемыкомпанииГазпромНефть
• 2 дата центра в Санкт-Петербурге и Омске
• Платформа IBM Power 780
• Система хранения данных IBM V7000
По данным компании «Астерос» в феврале 2014 года завершился проект по модернизации
вычислительной платформы группы «Газпром нефть» и миграции SAP-систем на аппаратную
платформу IBM
• производство
• финансы
• бизнес-анализ
• логистику
• сбыт
Данный проект позволил компании «Газпром Нефть» в два раза увеличить производительность
бизнес-сервисов и обеспечил технологическую основу для достижения стратегических целей.
Основные ресурсные мощности
Бизнес-системы, охватывающие практически
полный цикл работы предприятия:
5. Кейс ГазПром Нефть
ImprovY Team
Стратегическоепартнерствокомпаний SAPиIBMдаетпреимущество
компанииГазпром.Нефтьприпереходенановуюуникальную
платформуSAPHANA
12днейназадIBMсталглавнымстратегическимпоставщикомоборудованиядля
новойуникальнойтехнологииSAPHANA,позволяющейобрабатыватьогромные
объемыданныхврежимереальноговремени.
6. Кейс ГазПром Нефть
ImprovY Team
Мощный̆ аналитический̆ инструмент формирует углубленное видение ситуации в режиме реального времени.
SAPHANA—гибкая,масштабируемая,универсальнаяплатформа,
котораяпозволяетанализироватьогромныеобъемыданных
До SAP
HANA
SAP HANA
До 3000 раз
быстрее
обработка
информации
In-memory СУБД — это система управления
базами данных, которая хранит и
обрабатывает информацию непосредственно в
оперативной памяти. Поскольку процессы
обработки данных в оперативной памяти
протекают быстрее, чем обращение к
файловой системе и считывание информации
из нее, in-memory СУБД обеспечивает на
порядок более высокую
производительность
программных приложений.
…….
SAP HANA имеет довольно мощный набор
аналитических инструментов, который
позволит решить задачи прогнозирования и
оптимизации ключевых показателей
Аналитический инструментарий
SAP HANA обладает очень гибкой
архитектурой, что позволяет интегрировать в
единую информационную систему не только
приложения компании SAP, а также
сторонние приложения и системы, к
примеру те системы, которые на данный
момент уже разработаны компанией
Газпром.Нефть
Режим реального времени
Гибкость и масштабируемость
7. Кейс ГазПром Нефть
ImprovY Team
Архитектураинтеллектуальной системы
Топ-менеджмент
Локальный сервер
Алгоритмы сжатия данных
Удаленный сервер
Датчики телеметрии
• Давление
• Температура
• Сейсмоактивность
• Вибрация
Фильтрация данных
для отправки в
облако SAP HANA
Первичная обработка
и преобразование
данных полученных с
датчиков телеметрии
Mobile
Unwire your business to deliver secure, real time, business-critical
information – anytime, anywhere, to anyone, on any mobile device
Cloud
Capture the power of the cloud – while fully integrating with on-
premise investments. Empower your employees, engage customers,
and collaborate with partners across business networks
Applications
Run your business smarter, faster, and
simpler, with an integrated suite of
applications powered by Sap Hana –
delivering long-term predictability and
non disruptive innovation
Analytics
Explore and exploit data, find answers
in real-time, and make confident
decisions. Harness visually compelling,
easy-to-use tools on the devices of
your choice.
Database & Technology
Simplify your IT infrastructure dramatically and drive high-value
innovation by exploiting across structured and unstructured data sources.
A real-time business platform, powered by SAP HANA
8. Кейс ГазПром Нефть
ImprovY Team
Анализируемыеданные
01Данные с
датчиков:
Забойное давление
Температура
Вибрация
Прорыв воды и газа
Геологические:
Пористость
Проницаемость
Природа жидкостей
Давление пласта
ННТ
Исторические
Данные о работоспособности
датчиков
Время аномальных показаний
Динамика гидродинамических
режимов работы скважин
Динамика бурения
месторождения
Данные о проводимых ремонтах
скважин
Данные о проведенных геолого-
технических мероприятиях
02 03
9. Кейс ГазПром Нефть
ImprovY Team
ПереходнаплатформуSAPHANAпозволит
сэкономить6мнл$за7лет.
0
5000000
10000000
15000000
20000000
25000000
SAP Baseline SAP HANA
Сравнение затрат при использовании платформы SAP HANA и
без нее
Аппаратное обеспечение Программное обеспечение Внедрение SAP HANA Трудозатраты
Основные статьи затрат
Аппаратное обеспечение
Внедрение SAP HANA
Программное обеспечение
Трудозатраты
10. Кейс ГазПром Нефть
ImprovY Team
GazPromIntelligenceбудетрешатьследующие
задачи
Анализ причин неустойчивой работы
интеллектуальной системы
Real-time: Long-time:
01
02
03
04
05
Определение и поддержание оптимального
забойного давления и обеспечения
максимально возможной добычи
Автоматическая оптимизация
потребления электроэнергии
Предотвращение аварийных
эксплуатационных условий скважины
Анализ корректности работы датчиков и сенсоров
Оптимальная замена оборудования
01
02
03
04
05
Оценка времени работы скважины
Предсказание возможного объема
нефти на месторождении
Осуществление оптимального гидроразрыва пласта
Анализ эффективности произведенных
мероприятий
Прогнозирование времени надежной работы
приборов
06
11. Кейс ГазПром Нефть
ImprovY Team
Тестированиеиулучшениемоделей
Финальная модель, полученная из комбинаций различных методов, способна показать лучший результат, так как одни
методы покрывают ошибки других.
Обучающая Проверочная Тестовая
Обучающая выборка - выборка, по которой производится настройка модели зависимости.
Тестовая выборка — выборка, по которой оценивается качество построенной модели.
Проверочная выборка — выборка, по которой осуществляется выбор наилучшей модели из множества
моделей, построенных по обучающей выборке.
12. Кейс ГазПром Нефть
ImprovY Team
ДОРОЖНАЯ КАРТАРАЗРАБОТКИ ПРОЕКТА ПО ВНЕДРЕНИЮ
ИНФОРМАЦИОННОЙ ИНТЕЛЕКТУАЛЬНОЙ СИСТЕМЫ
настоящее время – 2030 год
Настоящий
момент
ОБУЧЕНИЕ
Переход на
SAP HANA ТЕСТИРОВАНИЕ ПОЛНЫЙ ЗАПУСК
ВЫХОД НА НАИВЫСШИЕ ПОЗИЦИИ
В МИРОВОМ РЕЙТИНГЕ
Сбор данных
Модернизация методов интеллектуальной
системы, опираясь на последние научные открытия
Захват мира
2014 2016 2025 2031 - …20182015
Построение различных моделей
и анализ результатов их работы
Сбор начальных
экспертных мнений
Запуск системы на одном
месторождении
Отслеживание работ системы
под наблюдением экспертов
Фиксация моментов
некорректной работы системы
Исправление ошибок
выявленных при
тестирования
Постепенное масштабирование
Системы на другие месторождения
Разработка ядра
интеллектуальной системы
Отслеживание работ системы
под наблюдением экспертов
Исправление ошибок,
учитывая особенности
конкретного месторождения
Интеграция всех систем
в одно информационное
пространство
Выход в лидеры
на нефтяном рынке
Корпоратив
Определение
объектов
переноса
Перенос и адаптация
объектов на
платформу SAP
NetWeaver
Оценка объемов
проекта миграции
13. Кейс ГазПром Нефть
ImprovY Team
highmediumlow
low medium high
7
1
Вероятность
Ущерб
Некорректность работы системы при появлении новых
ситуаций
При некорректном сжатии данных, возникает вероятность
потери значимых наблюдений
Датчики могут передавать неточные измерения ввиду ряда
причин
Риск сбоя нарушения процессов нефтедобычи и, как
следствие, загрязнение окружающей среды
Низкая квалификация персонала может привести к некорректному
мониторингу, тестированию работы интеллектуальной системы.
1
2
3
4
5
Основныерискиприэксплуатацииинтеллектуальнойсистему
Утечка конфиденциальность данных6
Нарушения непрерывности работы системы7
Сокращение рабочих мест8
3
4
5
2
8
6
14. Кейс ГазПром Нефть
ImprovY Team
Прямые экономические
эффекты
Опционные эффекты
Информационные
эффекты
Экономическаяэффективностьвнедрения
GazProm Intelligence
Стратегические эффекты
Для инвестиционной оценки эффективности
вложений данного проекта использован метод
чистой приведённой стоимости
Экономические выгоды которые не поддаются
количественным измерениям, но имеют большое
значение в деятельности организации. Разработанная
система позволяет повысить прозрачность бизнес-
процессов, снизить информационную
неопределенность, повысить управляемость.
Система GazProm Intelligence повышает качество
предоставляемой информации, качество прогнозов,
увеличивает скорость предоставления и обработки
оперативной информации и аналитических отчетов
Разработанное решение позволяет ускорить перевод
корпорации на уровень, отвечающий уровню
высокоразвитой компании
4 194 723 426 р.NPV =
4 года
Период окупаемости
15. Кейс ГазПром Нефть
ImprovY Team
Увеличение нефтедобычи
За счет проведения точечного геолого-технических мероприятий
и прогнозирования различных процессов при нефтедобычи
Уменьшение энергопотребления
За счет оптимизации работы в зависимости от реальной
обстановки в скважине
Увеличение межремонтного периода и продления срока службы оборудования
Создание единой информационной среды
Централизованное управление всеми скважинами
Результаты внедренияинтеллектуальной системы
Оптимизация рабочих режимов оборудования и своевременное диагностирование
неисправностей
Уменьшение затрат на сервисное обслуживание
За счет дистанционного мониторинга скважин и минимизации количества выездов специалистов на
меторождении
Уменьшение времени простоев
За счет предотвращения прогнозируемых аварий и быстрого информирования диспетчеров о факте
аварий
_VУвеличение межремонтного периода и продление сроков службы оборудования
16. Кейс ГазПром Нефть
ImprovY Team
ImprovYTeam
GAZPROM CASE
Igor
Nepomnyaschikh
SPBU
Department of Applied
Mathematics and Control
Processes
Faculty of Economics
Finalist P&G Case 2013
3-th place swimming championship of
Russia
Rinat
Shakbasarov
SPBU
Department of Applied Mathematics and
Control Processes
Faculty of Economics
2 place Cup SPb 2013
Finalist Cup Technical 2013
Unilever Future Leaders League 2014
A1Fin course from SAP
Sopov
Stanislav
SPBU
Department of Applied Mathematics
and Control Processes
2 place Cup SPb 2013
Finalist Cup Technical 2013
Unilever Future Leaders League 2014
Data Mining School
Mikhail
Alekseev
SPBU
Department of Applied Mathematics and
Control Processes
Faculty of Economics
2 place Cup SPb 2013
Finalist Cup Technical 2013
Unilever Future Leaders League 2014
Student of Scolkovo University
18. Кейс ГазПром Нефть
ImprovY Team
Некорректность работы системы при
появлении новых ситуаций
При некорректном сжатии данных, возникает
вероятность потери значимых наблюдений
Датчики могут передавать неточные
измерения ввиду ряда причин
Риск сбоя нарушения процессов нефтедобычи и,
как следствие, загрязнение окружающей среды
Низкая квалификация персонала может привести к
некорректному мониторингу, тестированию работы
интеллектуальной системы.
1
2
3
4
5
Утечка конфиденциальных данных6
Нарушения непрерывности работы
системы
7
Проблема сокращение рабочих мест8
Рискиимероприятияпоихснижению
Приложение №1
Поступление сигнала, после чего решение принимает эксперт. Далее,
база будет наполняться свежими данными.
Использование различных алгоритмов сжатия для различных
типов данных
Для робастности данных необходимо производить удаление
различных выбросов.
Может быть вовремя предотвращено ввиду точного
прогнозирования будущих событий.
Проведены работы по обучению персонала, а также разработан план
работы при чрезвычайных происшествиях.
Классификация данных по степени конфиденциальности и
ограничение доступа к ним, антивирусы, системы контроля доступа
Повышение квалификации сотрудников
Создание резервных копий важных данных, создание системы
бесперебойного питания
19. Кейс ГазПром Нефть
ImprovY Team
МАТЕМАТИЧЕСКИЙАППАРАТИСПОЛЛЬЗУЕМЫЙДЛЯРЕАЛИЗАЦИИ
ИНТЕЛЛЕКТУАЛЬНОЙСИСТЕМЫGazPromIntelligence
remote
Анализ и обработка временных рядов с помощью спектрального
разложения и вейвлет преобразования позволяют преобразовать
данные, полученные с датчиков (давления, температуры,
сейсмоактивности и т.д.) для дальнейшего эффективного сжатия,
решая тем самым проблему скорости передачи.
ПРОБЛЕМА СКОРОСТИ ПЕРЕДАЧИ ДАННЫХ
Спектральное разложение
Классический пример обработки
временного ряда
выявление периодических компонент
временного ряда, например, сезонных
изменений дебита в нефтедобыче.
Вейвлет преобразования
является развитием
спектрального анализа.
способ преобразования функции в форму, которая
или делает некоторые величины исходного
сигнала более поддающимися изучению, или
позволяет сжать исходный набор данных.
Нейронные сети
Использование нейронных сетей позволит
автоматизировать процесс принятия решений
В случае сложно формализуемых
задач возможно использовать
экспертные системы
Data Mining
Методы данного класса позволят найти скрытые
закономерности в сырых данных
Данные методы отлично
подойдут для решения задач
прогнозирования
С точки зрения математики диагностирование и
прогнозирование работы скважины строятся на
исследовании изменения динамики работы.
ПРОБЛЕМА ПРОГНОЗИРОВАНИЯ И АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ
температура
дебит скважин
давление
и другие данные из датчиков
ОтправканасерверSAPHANA
Прогноз динамики работы
Нейросетевая модель
Приложение №2
local
20. Кейс ГазПром Нефть
ImprovY Team
Нейросетеваямодель
Пример двухслойного персептрона(5-4-3)
∆W
Обучение методом
обратного распространения
ошибки
∂
ошибка
Изменение веса
ошибка
Изменение веса
Xi Yi
Выходныеданные
Входныеданные
Искусственная нейронная сеть представляют собой
систему соединённых и взаимодействующих между
собой простых процессоров (искусственных нейронов).
Такие процессоры обычно довольно просты (особенно в
сравнении с процессорами, используемыми в
персональных компьютерах). Каждый процессор
подобной сети имеет дело только с сигналами, которые
он периодически получает, и сигналами, которые он
периодически посылает другим процессорам.
И, тем не менее, будучи соединёнными в достаточно
большую сеть с управляемым взаимодействием, такие
локально простые процессоры вместе способны
выполнять довольно сложные задачи.
Приложение №3
21. Кейс ГазПром Нефть
ImprovY Team
Какие данные необходимы в первую очередь
адресные данные геофизических исследований;
данные сейсморазведки;
адресные данные гидродинамических исследований;
данные о динамике гидродинамических режимов
работы скважин;
данные о проводимых ремонтах скважин;
данные динамики разбуривания месторождения;
данные лабораторных исследований кернов и
пластовых флюидов;
классификаторы геологического описания района;
описание технических объектов обустройства
месторождений в динамике;
адресные данные оборудования скважин в динамике;
классифицированные проектные решения
и плановые показатели;
прототипы и настройки геологической и гидродинамической
моделей месторождения для автоматического обновления;
данные о проведенных геолого-технических мероприятиях;
данные экспертных оценок;
образы успешности мероприятий
Приложение №4
22. Кейс ГазПром Нефть
ImprovY Team
Возможности внедренияSAP HANA
Управление
Централизованное управление большим количеством скважин с
помощью систем дистанционного мониторинга;
Принятие решений
Планирование в упреждающем режиме профилактическое обслуживание
оборудования, точно и быстро принимать решения, в том числе в реальном времени;
Прогнозирование
Предсказание на основе прошлых данных сроков исчерпания
скважин, а также использование данные старых скважин с богатой
историей добычи для прогнозирования поведения новых скважин
Увеличение нефтедобычи
Оптимизация режима работы комплексной иерархической системы «пласты-скважины-коллектор» по
критериям экономической эффективности - увеличение количества нефти, получаемой из конкретного
месторождения и снижение затрат в том числе на освоение новых месторождений в удаленных районах;
Производительность и продуктивность
Оптимизация производительности оборудования и продуктивности скважин за счет анализа данных
телеметрии, замеров давлений и дебитов на «спутниках», акустического шума, температур, данных
типовых и специальных гидродинамических и геофизических исследований, актов испытаний,
результатов освоения скважин после ремонтов, данных о проведенных и проводимых геолого-
технических мероприятиях и сопутствующих простоев, описания событий в наземных
трубопроводных системах, результатов диагностики оборудования и других данных;
_V
Приложение №5
23. Кейс ГазПром Нефть
ImprovY Team
АрхитектураSAPHANA
Приложение №6
Unstructured Machine HADOOP Real-time LocationTransaction
Database Services
OL TP + OLAP | SMD | CPU| cashe
SQL R JSON Open Connectivity
Платформа SAP HANA
Processing Engine
Application Services
DevelopmentServices
AdministrationServices
Integration Services
Any Apps SAP Business
Suite
Deployment Services
25. Кейс ГазПром Нефть
ImprovY Team
Инвестициинавнедрениеисозданиесистемы
2015 2016 2017 2018 2019 2020 2021 сумма
Затраты на аппаратное
обеспечение
75 920 000,00 р. 16 702 400,00 р. 16 702 400,00 р. 16 706 000,00 р. 16 706 000,00 р. 16 706 000,00 р. 16 706 000,00 р. 176 148 800,00 р.
Затраты на программное
обеспечение
6 400 000,00 р. 1 408 000,00 р. 1 408 000,00 р. 1 408 000,00 р. 1 408 000,00 р. 1 408 000,00 р. 1 408 000,00 р. 14 848 000,00 р.
Переход на SAP HANA 10 626 920,00 р. 10 626 920,00 р.
Трудозатраты 68 800 000,00 р. 64 500 000,00 р. 60 200 000,00 р. 60 200 000,00 р. 60 200 000,00 р. 60 200 000,00 р. 60 200 000,00 р. 434 300 000,00 р.
Разработка
интеллектуальной системы
15 000 000,00 р. 15 000 000,00 р. 12 000 000,00 р. 3 000 000,00 р. 3 000 000,00 р. 3 000 000,00 р. 3 000 000,00 р. 54 000 000,00 р.
Итог 176 746 920,00 р. 97 610 400,00 р. 90 310 400,00 р. 81 314 000,00 р. 81 314 000,00 р. 81 314 000,00 р. 81 314 000,00 р. 689 923 720,00 р.
4 194 723 426 р.NPV =
Приложение №8