Введение
Оценка экономической эффективности приобретения новых лицензионных участков для разработки месторождений нефти – это процесс, требующий взаимодействия большого количества служб, связанный с необходимостью обрабатывать большой объем первичной информации, находящейся в различных источниках. Оценка новых лицензионных участков часто осложняется необходимостью прохождения нескольких этапов отбора участков, в которых некоторые итерации многократно повторяются, что замедляет процессы принятия решений. Цифровые решения, основанные на искусственном интеллекте и машинном обучении, способны кардинально изменить подходы к выбору перспективных направлений геологоразведки и последующих управленческих решений. Актуальным является разработка методики оптимизации кустования скважин методами искусственного интеллекта и с помощью существующих на нефтегазовом предприятии программных продуктов.
Цель исследования заключается в анализе имеющихся методологических и методических подходов к обоснованию выбора новых участков недр для размещения фонда нефтяных скважин, способствующего оптимизации затрат на разработку месторождений, а также в совершенствовании алгоритмов искусственного интеллекта и машинного обучения, применяемых в процедурах такого выбора.
Материалы и методы исследования
Основным источником информации стали научные разработки отечественных ученых по оценке эффективности внедрения новых технологий, результаты апробации усовершенствованных технологий в условиях реального производства. Основные методы исследования связаны с системным подходом, сравнительным анализом.
Результаты исследования и их обсуждение
Деятельность каждого нефтегазодобывающего предприятия напрямую зависит от расширения его ресурсной базы, поэтому предприятия постоянно должны быть в поиске новых участков недр и технико-технологических решений для разработки месторождений. В последние годы вектор таких поисков лежит в направлении цифровизации производственных и управленческих процессов [2, 4]. Президент РФ свои указом о национальных целях развития на перспективу до 2036 г. установил, что в обеспечение технологического лидерства и «цифровой зрелости» экономики необходимо выйти на новые рынки технологий искусственного интеллекта, энергетических технологий, рынки данных, обеспечить до 80% использование в управленческих процессах базового и прикладного отечественного программного обеспечения [9]. И.В. Филимонова, А.В. Ивершинь сообщили, что в целях максимизации эффективности освоения месторождений нефти и поиска «минимально рентабельного дебита скважин как одного из критериев ранжирования проектов нефтедобычи» методом математического моделирования разработана методика прогнозирования оптимального профиля добычи нефти на месторождении [10, с. 6]. Учеными Е.К. Соложенкиной и другими сформирован четырехэтапный методический подход по обоснованию выбора новых участков недр для размещения попутных вод в процессах сбора продукции нефтяных скважин [1, с. 31]. Черненко К.И., Харченко В.М., Неркарарян А.Е., Еремина Н.В. отметили, что в целях недопущения падения уровня добычи нефти в основных нефтегазодобывающих регионах осваиваются мелкие и очень мелкие месторождения. Например, в Татарстане, до 20% добычи обеспечиваются за счет освоения запасов нефти в пропущенных пластах и пропластках. Для этого разработана и используется методика выделения зон повышенной продуктивности скважин по совокупности геолого-промысловых и дистанционных методов геологического картирования [6, с. 9]. В.Н. Кожин, А.В. Никитин и их соавторы заметили, что крупные ВИНК давно склоняются к проведению работ в уже обустроенных старых нефтегазовых провинциях. Этому способствует пересмотр прежних оценок запасов с учетом развития современных технологий повышения нефтеотдачи пластов, разбуриванием более глубоких горизонтов, включением в баланс ранее нерентабельных запасов мелких месторождений, а также залежей с трудноизвлекаемыми запасами [8, с. 22]. С.А. Кириллов, А.М. Алисолтанов сообщили о внедрении в производство программного обеспечения цифровой технологии «Динамическое видение» отечественной разработки с огромной базой геолого-геофизических и промысловых данных целой нефтегазовой провинции с множеством лицензионных участков, месторождений и скважин для освоения [5, с. 35]. Перечисленные методики способствуют росту добычи нефти, но они касаются выбора объектов в пределах имеющихся лицензий на разработку недр [1], либо основаны на зарубежном программном обеспечении, удобном для принятия промежуточных решений на разных стадиях разработки месторождений [10], либо выбор методов оптимизации добычи нефти обусловлен их дешевизной и оперативностью, что важно для работы в «старых» добывающих регионах [6]. В данном исследовании важно найти решения для ускорения оценивания эффективности ежегодного приобретения 5-6 новых лицензионных участков с небольшим проектным фондом скважин, в каждом из которых прохождение полного цикла оценивания может достигать семи итераций, на основе имеющегося на нефтегазовом предприятии оборудовании и программного обеспечения.
Текущий алгоритм оценивания новых лицензионных участков включает следующие процедуры: подготовка исходных данных, предполагаемое размещение фонда скважин, расчет стартовых дебитов, построение профилей добычи, раскустовка, проектирование наземной инфраструктуры, экономическое обоснование выгодности такого размещения.
Риски, связанные с оценкой приобретения новых лицензионных участков, могут быть обусловлены следующими обстоятельствами:
- неточностью имеющейся проектно-технической документации, разработанной до периода массового применения цифровых технологий;
- новые участки недр находятся в зонах с непроработанной наземной инфраструктурой, что обязывает обращаться к первичному, разрозненному по источникам, масштабам и системам координат картографическому материалу [6]. Например, такими неизученными областями могут быть: наличие (отсутствие) скотомогильников, объектов культурного наследия, месторождений иных полезных ископаемых, особо охраняемых природных территорий, границ населенных пунктов, трасс разного назначения вблизи проектируемых скважин, соблюдение санитарных, охранных, лесных, противоэрозионных зон;
- одновременность учета множества параметров [3, с. 103]: рельеф и гидрография местности, имеющуюся и проектируемую дорожно-транспортную инфраструктуру (линии электропередач, дороги, мосты и т.д.), геологические характеристики местности (интервалы нецелевых пластов, глубину, длину, координаты горизонтальных участков, их расположение), сетку (координаты, траектории, конструкции) имеющихся скважин, грузоподьемность бурового оборудования, технологические ограничения насосного оборудования, последовательность бурения скважин и другое;
- большие временные затраты для оценки крупных нефтеносных кластеров [6].
Так, в результате исследования возможностей приобретения пяти новых лицензионных участков, а также расширения границ одного лицензионного участка недр могут потребоваться тестирование около 100 скважин, до 40 итераций на каждую скважину, около 1300 часов рабочего времени или более семи месяцев работы одного специалиста.
В ПАО «НК «Роснефть»» разработан ряд программных комплексов, среди которых «РН-КИН», «РН-КИМ», «РН-Нейросети», создающих интегрированную среду для одновременной работы многих специалистов в вопросах проектирования, мониторинга, создания и анализа гидродинамических моделей, подбора оптимальных стратегий разработки месторождений [7, с. 31].
Рассмотрим работу этих модулей на примере крупного регионального нефтегазового предприятия. На основе входных характеристик запасов, нефтенасыщенности пластов, давлений и других параметров, содержащихся в картографических материалах, методом Монте-Карло подобрана система распределенных решений по фонду скважин с их индивидуальными параметрами. Работа модуля «РН-Нейросети» заключается в оптимизации поиска только таких ветвей по дереву решений, которые имеют высокие оценки. При этом функция оценки не дифференцирована. Оценка в виде чистого дисконтированного дохода может быть получена как на каждой итерации, так и по исходам всех итераций.
Другой программный модуль методом k-средних проводит кустование скважин по некоторым заранее отобранным критериям (например, состояние скважины, дебиты, пластовое давление и другие). После каждой итерации, связанной с отработкой какого-либо очередного критерия, происходит новая кластеризация скважин с образованием нового кластерного центра. Итерации заканчиваются, когда структурные изменения в кластерах больше не происходят.
Преимущества использования интеллектуальных систем управления в данном модуле:
- высокая скорость обработки огромного массива информации;
- высокая точность кластеризации скважин;
- разработка множества модификаций распределений объектов.
Недостатки интеллектуальных систем управления:
- количество кластеров (группировок) задается аналитиком;
- не ко всем параметрам скважин можно применить понятие «среднего», что исключает работу данного параметра в алгоритмах кластеризации;
- на выбор центров кластеров влияют далеко разбросанные объекты, так что множественность итераций не гарантирует окончательность «оптимального» решения, требуется человеческий интеллект для выбора.
Для нейтрализации отрицательных эффектов кластеризации в модуль введены две модификации: ранжирование с помощью удельного веса расстояний между центром кластера и скважиной и предельное расстояние от скважины до центра кластера.
С помощью модуля «РН-КИН» спроектированы и ранжированы по значимости зоны с ограниченными возможностями для размещения инфраструктуры.
По совокупности полученной информации создана единая карта возможностей для размещений кустовых объектов и линейных коммуникаций с учетом пропускной способности трубопроводов и стоимостных показателей.
В итоге апробация модифицированных алгоритмов на одном из объектов на территории Удмуртской Республики показала, что использование интеллектуальных систем позволило так разместить фонд скважин, что увеличился дебит нефти, дебит жидкости снизился, коэффициент извлечения нефти на 1,89%, снизилась обводненность скважин, увеличилась добыча нефти на 94 тыс. т, достигнуты минимальные значения капитальных вложений на бурение и обустройство кустов (снижение более чем на 161 млн. руб.), чистый дисконтированный доход проекта вырос на более чем 200 млн руб., индекс доходности проекта увеличился на 0,11 по сравнению с данными из проектной технической документации. Достигнуто сокращение протяженности коммуникаций и их стоимости по нефтесборным сетям на 6,62%, водопроводам на 3,28%, линиям электропередач на 10,66%, автодорогам на 3,59%. Общая экономия затрат составила около 106 млн руб.
Заключение
Традиционный подход к оценке новых лицензионных участков недр в новых условиях хозяйствования, связанных с повышенной скоростью принятия решений на высококонкурентных рынках, устарел и крайне ресурсоёмок. Он основан на ручном анализе разрозненных и неточных данных, требует многих месяцев работы даже для предварительной оценки. Ряд отечественных программных комплексов кардинально меняют процесс. Они позволяют автоматизировать обработку огромных массивов данных, моделировать множество сценариев и проводить оптимизацию по большому числу параметров одновременно. Стандартные алгоритмы технологии имеют ограничения и требуют адаптации, например, за счет введения весовых коэффициентов значимости процессов и предельных величин отклонения местонахождения скважин от центров кластеров. Ключевой экономический эффект достигается за счёт системной оптимизации всей инфраструктуры проекта. Как показала апробация, интеллектуальные системы позволяют оптимально разместить не только сами скважины с повышением дебита и коэффициента извлечения нефти, но и всю сопутствующую сеть – трубопроводы, дороги, ЛЭП. Именно эта комплексная оптимизация приводит к синергетическому эффекту: росту доходов и одновременному значительному снижению капитальных затрат. Научная новизна исследования заключается в установлении диапазона положительного влияния интеллектуальных технологий и алгоритмов машинного обучения на оптимизацию затрат по поиску и обоснованию новых лицензионных участков недр.
Конфликт интересов
Библиографическая ссылка
Алексеева Н.А., Марковина Е.В., Мухина И.А., Рыжкова О.И., Коробейникова Л.Д. ОПТИМИЗАЦИЯ ОСВОЕНИЯ НОВЫХ ЛИЦЕНЗИОННЫХ УЧАСТКОВ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ: АНАЛИЗ РИСКОВ И ОЦЕНКА ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ // Вестник Алтайской академии экономики и права. 2025. № 11-2. С. 157-161;URL: https://vaael.ru/ru/article/view?id=4424 (дата обращения: 29.01.2026).
DOI: https://doi.org/10.17513/vaael.4424