Практическим опытом применения технологий машинного обучения на Байкальском риcк-форуме (БРИФ’24) поделился Антон Марков, ИНК.
Импульсом к внедрению технологий машинного обучения (ML), по его словам, может послужить предоставление доступа к данным о работе оборудования крупных нефтегазовых компаний. Зачастую эта информация лежит без дела, хотя могла бы послужить на благо отрасли и новым технологиям.
– В Иркутской нефтяной компании накопилось достаточно много данных о работе механизированного фонда насосов, погруженных в скважины. Мы сопоставили данные, полученные при нормальном и аварийном режимах работы, и создали нейросеть, которая оценивает текущие технологические параметры и формирует рекомендации по их изменению, – рассказал Антон Марков.
Как это работает: каждые сутки мы собираем информацию со всех станций управления, анализируем телеметрию и формируем тепловую карту, на которой отображается влияние каждого параметра на итоговый результат. После этого оператор по добыче получает рекомендацию о том, каким образом необходимо скорректировать режим работы, чтобы увеличить ресурс оборудования.
Естественно, увеличение ресурса оборудования приводит к снижению количества ремонтов и затрат времени на них, уменьшает финансовые потери. Экономический эффект, по словам Антона Маркова, измерим: при продлении ресурса оборудования всего на 5% экономия может составить около 100 млн рублей в год.
Повышение эффективности технологических процессов отчасти решает и проблему кадрового дефицита, с которым сталкиваются многие компании. За счёт того, что ремонтных бригад требуется меньше, проект, который изначально был рассчитан на работу с фондом оборудования, позволил нам снизить человекоемкость данного процесса.
SIA.RU: Главное
