В нефтегазовой отрасли все шире применяются решения на основе искусственного интеллекта
«Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинен вред» — первый закон робототехники Айзека Азимова, наверное, знаком даже тем, кто не очень любит научную фантастику. Тем более что фантастика уже становится реальностью, а искусственный интеллект (ИИ) постепенно занимает все более заметное место в разных областях жизни человека. Пока он не настолько развит, чтобы бросить вызов человечеству, но уже вполне способен прийти на помощь там, где человеческий интеллект не справляется.
Зарождение разума
Идея о возможности создания собственной искусственной копии давно волнует человеческий разум. Еще в Средние века люди рассуждали о возможности сконструировать механическую человекоподобную мыслящую машину, а алхимики разрабатывали рецепты выращивания гомункулов — искусственных людей из пробирки. Чуть позже появились и вполне научные обоснования возможности создания искусственного интеллекта — в XVII веке французский мыслитель Рене Декарт сформулировал механистическую теорию, предположив, что животное представляет собой некий аналог сложного механизма.
Близкие современным представления о задачах искусственного интеллекта сформировались в XIX столетии. В 1830-е годы английский математик Чарлз Бэббидж придумал концепцию аналитической машины, которая, как утверждал разработчик, могла бы рассчитывать ходы для игры в шахматы. Менее чем через столетие — в 1914 году — концепция претворилась в жизнь: директор одного из испанских технических институтов Леонардо Торрес де Кеведо изготовил электромеханическое устройство, способное разыгрывать простейшие шахматные эндшпили.
Впрочем, периодом рождения понятия «искусственный интеллект» принято считать 1930-е годы, а его создателем — английского математика Алана Тьюринга. Предложенная им в 1936 году абстрактная вычислительная машина Тьюринга позволила формализовать понятие алгоритма, которое до сих пор используется во множестве теоретических и практических исследований. Позднее — в 1950 году — Тьюринг предложил считать интеллектуальной такую машину, которую испытатель в процессе общения с ней не сможет отличить от человека, и разработал для оценки машинного интеллекта специальный тест.
Сам термин «искусственный интеллект» (artificial intelligence, AI) появился уже после смерти Тьюринга — в 1956 году в ходе конференции в Университете Дартмута (США), собравшей ведущих ученых, работающих в этом направлении, а его непосредственным автором считается Джон МакКарти, основоположник функционального программирования и изобретатель языка Lisp.
В 1965 году Джозеф Вайценбаум из Массачусетского технологического института создал компьютерную программу «Элиза», которая могла вести несложные диалоги. Можно сказать, это был первый чат-бот, прообраз современной Siri. Робот Фредди, разработанный в 1973-м исследователями из Эдинбургского университета, использовал зрение для поиска и сборки моделей. А в 1979-м появилась «Стэнфордская тележка» — первый контролируемый компьютером автономный автомобиль, подобие современных беспилотников. После некоторого спада новый всплеск интереса к ИИ произошел в середине 1990-х. Пожалуй, самым известным успехом этого периода можно считать победу, которую в 1997 году суперкомпьютер IBM Deep Blue одержал над чемпионом мира по шахматам Гарри Каспаровым.
Впрочем, каких бы успехов ни достигали разработчики, всегда находились скептики, заявлявшие, что даже если компьютер научился хорошо решать какие-то задачи, это еще не означает, что машина действительно самостоятельно мыслит. Большая часть современных ученых сходятся во мнении, что искусственный интеллект — это совокупность методов и инструментов решения различных сложных прикладных задач, использующих принципы и подходы, аналогичные размышлениям человека над их решением (такие технологии еще называют когнитивными). Сегодня обычно речь идет о программах, которые по мере накопления данных сами учатся их классифицировать, распознавая изображения, тексты, аудиофайлы и любые другие объекты, с каждым разом совершенствуясь и выполняя поставленную задачу все лучше. То есть искусственный интеллект приобретает способность, до сих пор действительно считавшуюся исключительно человеческой прерогативой, — способность к обучению.
Российские технологии, которые скоро изменят нефтяную отрасль
Учиться, учиться и учиться...
Концепция, предполагающая обучение искусственного разума как маленького ребенка, а не создание сразу «умного взрослого робота», родилась еще во времена Тьюринга. Машинное обучение (machine learning, ML) призвано сформировать у компьютера способности обнаруживать нечто иное, не входящее в использованный при обучении набор примеров, но обладающее теми же свойствами. Одна из ключевых технологий, позволяющих успешно применять методы машинного обучения, — искусственные нейронные сети.
Такие сети организованы по принципу сетей нервных клеток живого организма. Первую модель искусственной нейронной сети еще в 1943 году придумали американский нейрофизиолог, один из отцов кибернетики Уоррен МакКаллок и нейролингвист, логик и математик Уолтер Питтс. Их идея состояла в том, что нейроны — это устройства, оперирующие двоичными числами, своего рода простейшие процессоры, соединенные друг с другом.
В 1957 году известный американский ученый в области психологии и нейрофизиологии Фрэнк Розенблатт разработал перцептрон — модель восприятия информации мозгом на основе обучающейся нейронной сети. Спустя пару лет он создал действующую машину «Марк-1», первый нейрокомпьютер. Он был способен распознавать некоторые из букв, написанных на карточках, которые подносили к его глазам-камерам.
Перцептрон — кибернетическая модель восприятия информации мозгом — состоит из трех типов элементов. Датчики (рецепторы) принимают сигналы из внешней среды. Ассоциативные элементы активируются, получая сигналы от определенного набора рецепторов. Реагирующий элемент формирует ответ на основе сигналов от ассоциативных элементов.
Однако развитие этого направления уперлось в несовершенство компьютеров, не обладавших на тот момент необходимой вычислительной мощностью. Фактически всю вторую половину XX века машинное обучение оставалось математической дисциплиной, которой занимались академические ученые. Стремительный переход к практике случился лишь в начале XXI века. У этого было три причины. Первая — возрастающее в геометрической прогрессии количество данных. С одной стороны, их нужно анализировать, с другой — они сами являются материалом для обучения нейросетей. Вторая — снижение стоимости масштабных вычислений и памяти. Наконец, третья причина состояла в том, что были разработаны новые алгоритмы машинного обучения, развивающие идею перцептрона.
Как же учится нейронная сеть? Машине дается достаточно большой набор прецедентов (объектов, ситуаций и т. п.), с каждым из которых связан определенный набор данных. В этих данных машина находит закономерности, благодаря чему в дальнейшем получает возможность восстанавливать недостающие данные для новых, ранее неизвестных ей прецедентов, классифицировать объекты, предсказывать последствия тех или иных событий и т. д.
Например, нейросеть учится распознавать котов на фотографиях. Ей дают множество изображений, на части из которых изображены коты. Информация о наличии или отсутствии котов на каждой картинке присутствует в ее описании. Выявив определенные характеристики, присущие котам, система получает способность с той или иной точностью находить котов на новых изображениях, уже без описания. Чем больше учится сеть, тем точнее становятся ответы.
Одна из развивающихся областей, где уже достаточно давно применяется машинное обучение, — создание автопилотов для автомобилей. Чтобы научить компьютер адекватно реагировать на дорожную ситуацию, необходимо поделиться с системой десятками и сотнями тысяч эпизодов, описывающих возможные реакции водителей, загрузить терабайты информации для распознавания транспортных средств, пешеходов, дорожных знаков, светофоров и других объектов, попадающих в прицел радаров и камер. Пройдя теоретическое обучение, автопилот выезжает на полигон, где продолжает совершенствоваться в условиях, приближенных к реальной дорожной обстановке.
Когнитивные технологии в нефтегазе
Искусственный интеллект уже сегодня позволяет повысить эффективность эксплуатации месторождений: сокращает время анализа таких параметров, как дебит скважин, обводненность, забойное давление, выявляет и корректирует в них ошибки, подбирает оптимальные методы разработки, чтобы увеличить добычу и сократить затраты.
Геологоразведка
Искусственный интеллект позволит более эффективно интерпретировать данные сейсмических исследований и разведочного бурения. Эту возможность уже использует «Газпром нефть» в проекте «Когнитивный геолог». Компания создает самообучающуюся модель геологического объекта, в основе которой — нейронная сеть. Она позволит обрабатывать исходную геологическую информацию и данные геологоразведки в шесть раз быстрее и на треть точнее, чем это делает команда экспертов-людей.
Бурение скважин
Современные нефтяные скважины — чрезвычайно сложные и капиталоемкие сооружения. В некоторых случаях горизонтальный ствол скважины может тянуться на 2–3 километра сквозь нефтеносный слой, толщина которого составляет всего лишь несколько метров. Цена ошибок — когда бур выходит за пределы продуктивного пласта и нужно возвращать его на правильный путь — может быть очень высокой. «Газпром нефть» предполагает использовать возможности искусственного интеллекта при бурении сложных скважин. В режиме реального времени компьютер будет оценивать изменения условий бурения, анализируя такие параметры, как нагрузка на буровом инструменте, сопротивление, температура, вибрация, скорость проходки, и сообщать о риске выхода из продуктивного пласта. В будущем математическая модель бурения позволит по косвенным данным прогнозировать возможные нештатные ситуации, устанавливать оптимальные режимы работы оборудования и даже в реальном времени определять продуктивность пласта, оценивая экономическую эффективность разбуривания конкретного горизонта.
Переработка
Машинное обучение используется и при создании так называемых цифровых двойников технологических установок на нефтеперерабатывающих заводах. Цифровой двойник — это точная виртуальная копия установки, технологического процесса или даже целой цепочки процессов. В нем учтены технические параметры железа, химия и физика происходящих процессов. С помощью двойника можно просчитать характеристики получаемой продукции, предсказать и своевременно скорректировать параметры технологического процесса в зависимости от качества сырья и многое другое. Создание двойника — сложнейшая математическая задача, которая с использованием искусственного интеллекта решается намного быстрее и эффективнее. Способная к самообучению система будет постоянно обновлять цифровую модель, все время приближая ее к реальному объекту и учитывая влияние всевозможных внешних факторов. С использованием нейросетей и искусственного интеллекта в «Газпром нефти» уже успешно созданы цифровые модели двух технологических установок Омского НПЗ. В планах компании — оцифровать всю цепочку создания стоимости в сегменте downstream — от транспортировки сырья на НПЗ до продажи готового топлива на АЗС.
Цифровая революция в нефтегазе - что это значит?
Безопасность
Технологии искусственного интеллекта способны обеспечивать контроль на опасных производственных объектах едва ли не лучше, чем это делает человек. Во всяком случае, они становятся хорошим помощником, когда по данным с тысяч датчиков и по изображению с десятков и сотен камер видеонаблюдения нужно в реальном времени выявлять признаки аварийных ситуаций или опасного поведения персонала. «Газпром нефть» одной из первых нефтегазовых компаний обратила внимание на возможности использования технологий видеоанализа в производственных процессах. Уже реализован пилотный проект «Видеоаналитика на транспорте»: компьютер научился контролировать, не нарушают ли водители требования безопасности. Новые технологии способны распознать опасные действия по положению тела и движениям. Подобное решение для удаленного мониторинга внедряется и на буровых установках.
Фото: getty images, diomedia, east news
Подписывайтесь на канал, если вам интересно, как цифровые технологии меняют традиционные отрасли. Оставляйте свои комментарии - нам важно знать ваше мнение.
Оригинал статьи и другие материалы читайте на сайте журнала: www.gazprom-neft.ru/press-center/sibneft-online/ или просто www.sibneft.ru