Gaz Prom upstream ImprovY

ImprovY Team

Changellenge

Ринат ШакбасаровИгорь НепомнящихСтанислав СоповМихаил Алексеев

Сила ИнтеллектаКейс по разработке концепции и модели

интеллектуального месторождения

Проект по внедрению интеллектуальной системы принятия реений управления месторождением c использованием наиновейших информационных технологий

Кейс ГазПром НефтьImprovY Team

ВНЕДРЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В СФЕРЕ УПРАВЛЕНИЯ МЕСТОРОЖДЕНИЕМ ЯВЛЯЕТСЯ КЛЮЧЕВЫМ МОМЕНТОМ ОПТИМИЗАЦИИ ПРОЦЕССОВ НЕФТЕДОБЫЧИ

Мировая практика внедрения интеллектуальных систем и динамика капитализации за последние 5 лет

ChevronВнедрение умных технологий улучшило

уровень безопасности, оптимизировала бизнес-

процессы компании, позволяет контролировать

сотни месторождений на 6 континентах

Royal Dutch ShellУвеличилась 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

5,8

46

5,9

14

5,7

91

5,5

57

5,1

70

4,7

32

4,4

50

4,2

21

3,9

83

3,7

97

4,7

24

5,0

01

5,2

34

5,2

76

5,1

82

5,0

98

5,0

22

4,9

29

2013 2014 2015 2016 2017 2018 2019 2020 2021

Добыча нефти (тыс.тонн) Операционные затраты(млн.руб)

Объемы добычи снижаютсяОперационные издержки увеличиваются

55

6

71

6

78

2

85

7

94

0

1,0

10

1,0

58

1,1

00

1,1

43

2013(ФА КТ)

2014 2015 2016 2017 2018 2 0 1 9 2020 2021

Рост удельной себестоимости подъема тонны нефти (в руб)


Внедрение системы GazProm Intelligence выведет компанию на новый уровень управления

Создание системы GazProm Intelligence включает решение ряда вопросов.

ДанныеПравильная обработка и хранение огромных массивов данныхIReal-TimeВозможность реагирования на изменение ключевых показателей в режиме real-time

IIМетоды и алгоритмыВыбор методов и алгоритмов которые будут лежать в основе интеллектуальной системы Gazprom Intelligence

IIIМасштабируемостьМодульность, возможность масштабирования системы на другие месторождения

IV


Продукты компаний SAPи аппаратная платформа IBMлежат в основе информационной системы компании Газпром Нефть

• 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 мощностиБизнес-системы, охватывающие практически полный цикл работы предприятия:


Стратегическое партнерство компаний SAP и IBM дает преимущество компании Газпром.Нефть при переходе на новую уникальную

платформу SAP HANA

12 дней назад IBM стал главным стратегическим поставщиком оборудования для новой уникальной технологии SAP HANA, позволяющей обрабатывать огромные

объемы данных в режиме реального времени.


Мощный̆ аналитический̆ инструмент формирует углубленное видение ситуации в режиме реального времени.

SAP HANA —гибкая, масштабируемая, универсальная платформа, которая позволяет анализировать огромные объемы данных

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

производительностьпрограммных 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


Архитектура интеллектуальной системыТоп-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

MobileUnwire your business to deliver secure, real time, business-critical information – anytime, anywhere, to anyone, on any mobile device

CloudCapture 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 & TechnologySimplify 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


Анализируемые данные

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


Переход на платформу SAP HANA позволит сэкономить 6 мнл$ за 7 лет.

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


GazProm Intelligence будет решать следующие 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


Тестирование и улучшение моделей

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.


ДОРОЖНАЯ КАРТА РАЗРАБОТКИ ПРОЕКТА ПО ВНЕДРЕНИЮ ИНФОРМАЦИОННОЙ ИНТЕЛЕКТУАЛЬНОЙ СИСТЕМЫ

настоящее время – 2030 год

Настоящиймомент

ОБУЧЕНИЕПереход на

SAP HANA ТЕСТИРОВАНИЕ ПОЛНЫЙ ЗАПУСКВЫХОД 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 системыпод наблюдением экспертов

Фиксация моментов некорректной работы системы

Исправление ошибок выявленных при тестирования

Постепенное масштабирование Системы на другие месторождения

Разработка ядра интеллектуальной системы

Отслеживание работ системыпод 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


hig

hm

ediu

mlo

w

low medium high

7

1

Вероятность

Ущер

бНекорректность 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

Основные риски при эксплуатации интеллектуальной систему

Утечка конфиденциальность данных6

Нарушения непрерывности работы системы7

Сокращение рабочих мест8

3

4

5

2

8

6


Прямые экономические эффекты

Опционные эффекты

Информационные эффекты

Экономическая эффективность внедрения 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 годаПериод окупаемости


Увеличение нефтедобычиЗа счет проведения точечного геолого-технических мероприятий

и прогнозирования различных процессов при нефтедобычи

Уменьшение энергопотребленияЗа 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 внедрения интеллектуальной системы

Оптимизация рабочих режимов оборудования и своевременное диагностирование неисправностей

Уменьшение затрат на сервисное обслуживаниеЗа счет дистанционного мониторинга скважин и минимизации количества выездов специалистов на

меторождении

Уменьшение времени простоевЗа счет предотвращения прогнозируемых аварий и быстрого информирования диспетчеров о факте

аварий

_VУвеличение межремонтного периода и продление сроков службы оборудования


ImprovY TeamGAZPROM 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


2 place Cup SPb 2013

Finalist Cup Technical 2013

Unilever Future Leaders League 2014

A1Fin course from SAP

SopovStanislav

SPBU

Department of Applied Mathematics

and Control Processes




Data Mining School

Mikhail Alekseev

SPBU

Department of Applied Mathematics and Control Processes





Student of Scolkovo University

../Снимок экрана 2014-09-22 в 20.53.22.png

../Снимок экрана 2014-09-22 в 20.53.22.png


Приложения


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

Риски и мероприятия по их снижениюПриложение №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


МАТЕМАТИЧЕСКИЙ АППАРАТ ИСПОЛЛЬЗУЕМЫЙ ДЛЯ РЕАЛИЗАЦИИ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ GazProm Intelligence

remoteАнализ 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 разложениеКлассический пример обработки временного ряда

выявление периодических компонент временного ряда, например, сезонных

изменений дебита в нефтедобыче.

Вейвлет преобразованияявляется 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 сетиИспользование нейронных сетей позволит

автоматизировать процесс принятия решений

В случае сложно формализуемых задач возможно использовать экспертные системы

Data MiningМетоды 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

Отп

ра

вка

на

се

рве

р S

AP

HA

NA

Прогноз динамики работы

Нейросетевая модель

Приложение №2

local


Нейросетевая модельПример двухслойного персептрона(5-4-3)

∆W

Обучение методом обратного распространения ошибки

∂ошибка

Изменение весаошибка

Изменение веса

Xi Yi

Вы

ход

ны

е д

анн

ые

Вхо

дн

ые

дан

ны

е

Искусственная нейронная сеть представляют собойсистему соединённых и взаимодействующих междусобой простых процессоров (искусственных нейронов).

Такие процессоры обычно довольно просты (особенно всравнении с процессорами, используемыми вперсональных компьютерах). Каждый процессорподобной сети имеет дело только с сигналами, которыеон периодически получает, и сигналами, которые онпериодически посылает другим процессорам.

И, тем не менее, будучи соединёнными в достаточнобольшую сеть с управляемым взаимодействием, такиелокально простые процессоры вместе способнывыполнять довольно сложные задачи.



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



Возможности внедрения SAP HANA

УправлениеЦентрализованное управление большим количеством скважин с

помощью систем дистанционного мониторинга;

Принятие решенийПланирование в упреждающем режиме профилактическое обслуживание

оборудования, точно и быстро принимать решения, в том числе в реальном времени;

ПрогнозированиеПредсказание на основе прошлых данных сроков исчерпания

скважин, а также использование данные старых скважин с богатой историей добычи для прогнозирования поведения новых скважин

Увеличение нефтедобычиОптимизация 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 продуктивностьОптимизация 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



Архитектура SAP HANAПриложение №6

Unstructured Machine HADOOP Real-time LocationTransaction

Database ServicesOL TP + OLAP | SMD | CPU| cashe

SQL R JSON Open ConnectivityПлатформа SAP HANA

Processing Engine

Application Services

Dev

elo

pm

en

t Se

rvic

es

Ad

min

istr

atio

n S

erv

ice

s

Integration Services

Any Apps SAP Business Suite

Deployment Services


Расчет показателей эффективности инвестицийЧИСТЫЙ ДЕНЕЖНЫЙ

ПОТОК ( FCF ) ( 3 - 4 - 5 - 6 + 1 ) млн. руб.

9 900,00 9 156,00 17 696,70 3 794,10 8 890,50 10 635,80 12 125,10 12 093,50 10 936,50 12 678,10 11 547,30 23 320,40 189 998,00

Накопленный чистый денежный поток млн. руб.

9 900,00 9 156,00 17 696,70 3 794,10 12 684,60 23 320,40 35 445,50 47 539,00 58 475,50 71 153,60 82 700,80 23 320,40 189 998,00

Дисконтированный денежный поток (DCF) млн. руб.

9 900,00 9 156,00 17 696,70 7 178,40 14 945,30 15 971,80 15 716,60 14 194,70 11 490,10 11 672,80 9 661,00 38 095,50 148 096,80

Итого добыча углеводородов тыс.т.н.э 5 052 5 659 5 933 6 096 6 029 5 864 5 455 4 993 4 695 4 454 4 203 17 988 81 342

РАСХОДЫ млн. руб.34 624,30 43 244,20 31 677,10 46 892,20 47 131,10 45 309,80 41 484,60 37 735,70 34 902,90 33 192,90 30 689,20

139 333,20

591 352,30

Сс 1ой тонны нефти Руб. 6853,162759 7642,124506 5339,42269 7692,576529 7817,611661 7727,334544 7604,261897 7558,26588 7433,32997 7452,43126 7302,01831 7745,81273 7269,93791

Сс 1го барреля нефти Руб. 938,7894191 1046,866371 731,4277657 1053,777607 1070,905707 1058,538979 1041,679712 1035,37889 1018,26438 1020,88099 1000,27648 1061,07024 995,881905

Савка дисконтирования k 0,16

Сниженная на 10% cc 1го барреля руб 910,6257365 1015,46038 709,4849327 1022,164279 1038,778536 1026,782809 1010,429321 1004,317521 987,7164481 990,2545647 970,2681864 1029,23813 966,0054481

Сниженная на 10% cc 1ой тонны руб 6647,567877 7412,860771 5179,240009 7461,799233 7583,083312 7495,514508 7376,13404 7331,517906 7210,330071 7228,858323 7082,957761

7513,438346 7051,839771

на сколько процентов снижаем % 3

Денежный поток от снижения сс

углеводородов млн руб 1 038 730,38 1 297 325,82 950 314,00 1 406 767,04 1 413 934,00 1 359 295,04 1 244 536,70 1 132 070,49 1 047 086,16 995 786,86 920 675,274 179

996,07 17 740 569,54

DCF млн руб. 8 141,10



Инвестиции на внедрение и создание системы

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 =


Date post:	20-Jul-2015
Category:	Career
Upload:	-
View:	128 times
Download:	2 times

Gaz Prom upstream ImprovY

Career