Об авторе about author:

О.А. Филимонова

/ЗАО «Ижевский нефтяной научный центр», г. Ижевск/

O.A. Filimonova /Izhevsk Petroleum Scientific Center CJSC, Izhevsk/

Аннотация:

Нефтегазовая отрасль переживает сегодня одну из самых глубоких трансформаций за всю свою историю. Эта трансформация обусловлена совокупностью вызовов: переход к разработке трудноизвлекаемых и нетрадиционных запасов (сланцевая нефть, баженовская свита, арктический шельф), которые характеризуются исключительной геологической сложностью и высокой стоимостью освоения; обязательства в области декарбонизации и экологическая ответственность; волатильность рынков углеводородов. В этих условиях традиционные подходы к проектированию разработки месторождений, основанные на детерминированных моделях, ограниченном числе сценариев и зачастую на экспертной интуиции, достигли своего предела эффективности. Проектирование разработки – это очень важный, многодисциплинарный и итерационный процесс, определяющий экономическую судьбу проекта на десятилетия вперед. Ошибка, заложенная на стадии проектирования, будь то неоптимальная сетка скважин или неверная оценка фильтрационно-емкостных свойств пласта, может привести к миллиардным потерям и значительному недополучению углеводородов. Основой трансформации отрасли и движущей силой изменений выступают технологии искусственного интеллекта (ИИ) и машинного обучения (МО). Они прошли сложный путь от инструментов для точечной автоматизации до экосистемы решений, способных повысить эффективность, точность и скорость принятия решений на всех этапах жизненного цикла месторождения. Данная статья предлагает всесторонний анализ новейших ИИ-технологий, которые не просто улучшают проектирование разработки нефтегазовых месторождений, а меняют подходы к нему, открывая путь к созданию автономных, самооптимизирующихся активов.

Ключевые слова:

искусственный интеллект, нефтегазовое месторождение, интеллектуальное проектирование, сверточные нейронные сети (CNN), интерпретация сейсмики и каротажа, рекуррентные нейронные сети (RNN), анализ временных рядов сейсмических данных, 4D-сейсмика, модели компьютерного зрения, проектирование устойчивых траекторий горизонтальных скважин, прогнозирование осложнений, языковые модели, «цифровой двойник» месторождения, промысловая система сбора данных (SCADA), алгоритмы машинного обучения, интеллектуальное геологическое и гидродинамическое моделирование, генеративно-состязательные сети (GAN), вариационные автоэнкодеры (VAE) для стохастического моделирования, интеллектуальное управление добывающим фондом, нейросетевые прокси- модели, гидродинамическая симуляция месторождения, физико-информированные нейронные сети (PINN), оптимизация операций гидроразрыва пласта (ГРП), управления рисками, вероятностный анализ и оценка рисков пресциплинативная аналитика, предиктивное управления активом

Abstract:

Oil and gas industry is currently undergoing one of the most profound transformations in its history. This transformation is driven by a combination of challenges: transition to the development of hard-to-recover and unconventional reserves (shale oil, Bazhenov suite, Arctic shelf), which are characterized by exceptional geological complexity and high cost of their development, by the obligations in field decarbonization and environmental responsibility; by volatility of hydrocarbon markets. Under these conditions, traditional approaches to field development design based on deterministic models, on limited number of scenarios and often by expert intuition, have reached their limits of efficiency. Designing of the development process is a very important, multi-disciplinary and iterative process that determines the economic fate of a project for decades to come. An error made at the stage of designing, whether it includes the sub-optimal well grid or an incorrect assessment of reservoir's filtration and storage properties, can lead to billion losses in USDS and significant loss of hydrocarbons. The basics of industry transformation and the driving force are presented by artificial intelligence (AI) and machine learning (ML) technologies. They have made a long way from point-to-point automation tools to an ecosystem of solutions that can improve efficiency, accuracy and speed of decision-making at all stages of the field lifecycle. The author of this paper offers a comprehensive analysis of the latest AI technologies that not only improve the designing of oil and gas field development, but also change approaches to it, thus opening the way to creation of autonomous self-optimizing assets

Key words:

artificial intelligence, oil and gas field, intelligent designing, convolutional neural networks (CNN), interpretation of seismics and logging data, recurrent neural networks (RNN), analysis of time series in seismic data, 4D seismic, models of computer vision, design of horizontal well stable trajectories, predicting the complications, language models, "digital twin" fields, field data gathering system (CADA), machine learning algorithms, intelligent geological and hydro-dynamic modeling, generative-adversarial networks (GAN), variational auto-encoders (VAE) for stochastic modeling, intelligent management over the operation of well stock, neural network proxy models, hydro-dynamic field simulation, physical/informative neural networks (PINN), optimization of hydraulic fracturing operations, risk management, probabilistic analysis and risk assessment, predictive analytics, predictive asset management

Об авторах about authors:

А.М. Щипачев, д.т.н., проф.С.О. Меньшиков, Б.С. Александрук, П.А. Жильцов

/Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург/

В.С. Борисова /Национальный исследовательский университет ИТМО, г. Санкт-Петербург

A.M. Shipachev, PhD, Prof., S.O. Menshikov, B.S. Aleksandruk, P.A. Zhiltsov /St. Petersburg

Mining University of Empress Catherine II, St. Petersburg/ V.S. Borisova /ITMO University, St. Petersburg/

Аннотация:

В статье рассматривается задача повышения эффективности оперативного диспетчерского управления газотранспортными системами в условиях дефицита времени и фрагментарности информации. Целью работы является разработка интеллектуальной системы поддержки принятия решений, обеспечивающей формирование рекомендательных сценариев управления. В качестве метода предложена модульная архитектура СППР с естественно языковым интерфейсом, семантическим анализом запросов диспетчера и вычислительным ядром, реализующим балансовые расчеты и оптимизацию потокораспределения с учетом энергозатрат. Разработан программный прототип системы и проведена его апробация на модельных сценариях, включая аварийные режимы. Полученные результаты свидетельствуют о том, что время выполнения типовых диспетчерских операций сократилось на 80–90 %, повысилось качество принимаемых решений. Практическая применимость подтверждена соответствием требованиям нормативных документов ПАО «Газпром».

Ключевые слова:

газотранспортная система, оперативное диспетчерское управление, интеллектуальная система поддержки принятия решений, оптимизация потоков газа, естественноязыковой интерфейс

Abstract:

The article discusses the task of improving the efficiency of operational dispatch control of gas transportation systems in conditions of time constraints and fragmented information. The aim of the work is to develop an intelligent decision support system that provides the formation of recommended management scenarios. The proposed method is a modular DSS architecture with a natural language interface, semantic analysis of dispatcher requests, and a computing core that performs balance calculations and flow distribution optimization, taking into account energy costs. A software prototype of the system has been developed and tested on model scenarios, including emergency modes. The results showed an 80–90 % reduction in the time required to perform typical dispatching operations and an improvement in the quality of decisions made. The practical applicability has been confirmed by compliance with the requirements of Gazprom PJSC regulatory documents

Key words:

gas transmission system, operational dispatch control, intelligent decision support system, gas flow optimization, natural language interface

Об авторах about authors:

И.В. Ряховских, к.т.н. А.А. Каверин, Ф.Н. Мирсаитов, к.т.н.,  /ООО «Газпром ВНИИГАЗ», г. Санкт-Петербург/

I.V. Ryakhovskikh, PhD, A.A. Kaverin, F.N. Mirsaitov, PhD /Gazprom VNIIGAZ LLC, Saint Petersburg/

Аннотация:

Представлен прототип цифровой платформы управления целостностью трубопроводов, разработанный на основе программного обеспечения с открытым исходным кодом с применением технологий больших данных (Big Data) и машинного обучения. Цифровая платформа является универсальным программным комплексом, обеспечивающим визуализацию 3D-струк туры трубопроводов, данных технического диагностирования и результатов их анализа. Впервые применено компьютерное зрение для распознавания элементов трубопроводов и образов дефектов на основании данных дефектометрии и систем мониторинга. С использованием технологий больших данных реализованы функции предиктивного моделирования поврежденности трубопроводов. В основе цифровой платформы лежит модель многофакторного целевого планирования мероприятий системы управления целостностью трубопроводов, представленная на примере технологических трубопроводов компрессорных станций. Модель обеспечивает методическое единство при оценке работоспособности, прогнозировании ресурса, мониторинге состояния и управлении целевыми показателями целостности трубопровода. Нормативная база цифровой платформы построена на риск-ориентированных подходах к планированию производственных программ с учетом экспериментальных данных по степени опасности и скоростям развития эксплуатационных дефектов трубопроводов, характеристик средств технического диагностирования и результатов верификации диагностических данных, режимов и условий эксплуатации трубопроводов. Экономический эффект от применения прототипа цифровой платформы обусловлен снижением рисков наступления негативных событий за счет выявления аварийных и предельных дефектов посредством адресного планирования объектов технического диагностирования.

Ключевые слова:

контроль технического состояния магистральных трубопроводов (МТ), интеллектуальная система сопровождения технического диагностирования технологических трубопроводов компрессорных станций (ТТ КС), искусственный интеллект, машинное обучение (МО), предиктивная аналитика, компьютерное зрение, 3D-визуализация сложных конфигураций магистральных трубопроводов, внутритрубные автоматизированные диагностические комплексы (ВАДК), техническое диагностирование и управление целостностью трубопроводов, неразрушающий контроль (НК), оценка прочности и ресурса МТ с дефектами, риск-ориентированный контроль при эксплуатации ТТ КС, прогнозирование развития дефектов и остаточного ресурса элементов трубопровода, методология управления целостностью трубопроводов на основе риск-ориентированного подхода

Abstract:

This article describes a prototype digital platform for pipeline integrity management developed on the basis of open-source software using Big Data and machine learning technologies. The digital platform is a universal software package providing 3D visualization of pipeline structures, technical diagnostics data, and analysis results. For the first time, computer vision has been applied for identification of pipeline elements and defect patterns based on flaw sizing and monitoring systems. Big Data technologies enable predictive modeling of pipeline defects. The digital platform is based on a multi-factor target planning model for pipeline integrity management, exemplified on compressor station process pipelines. The model ensures methodological unity in performance assessment, resource forecasting, status monitoring, and target integrity management. The platform’s regulatory framework is based on risk-based approaches to production planning, taking into account experimental data on hazard levels, defect growth rates, diagnostic tool characteristics, and verification results, as well as pipeline operational conditions. The economic effect of the platform application is associated with risk reduction through identification of critical and limit defects via targeted technical diagnostics planning.

Key words:

сontrol over the technical status of trunk pipelines (TP), intellectual monitoring system of technical diagnostics for the process pipelines of compressor stations (PP CS), artificial intelligence, machine learning (ML), predictive analytics, computer vision, 3D visualization of trunk pipeline complex configurations, in-line automated diagnostic complexes (IADC), technical diagnostics and pipeline integrity management, non-destructive control (NC), assessment of strength and service life of defective trunk pipelines, risk-based control during the operation of PP CS, forecasting the development of defects and the remaining service life of pipeline elements, methodology for pipeline integrity management as based on risk-oriented approach

Об авторах about authors:

С.И. Федоров, В.М. Саксон, к.г.-м.н. /ЗАО «ПОЛИИНФОРМ», г. Санкт-Петербург/

S.I. Fedorov, V.M. Sakson, PhD /Polyinform, JSC, Saint-Petersburg/

Аннотация:

Рассматриваются подходы к внедрению элементов искусственного интеллекта (ИИ) в обработку данных магнитометрии для неразрушающего контроля трубопроводов. Основное внимание уделено формированию многопараметрической сигнатуры сигнала, использованию фильтра Калмана, вейвлет-преобразования и метода главных компонент (PCA). Предложен гибридный подход, сочетающий физические методы обработки и алгоритмы машинного обучения.

Ключевые слова:

дистанционный контроль состояния подземных трубопроводов, магнитометрическая диагностика подземных трубопроводов, методы искусственного интеллекта, алгоритмы машинного обучения, вероятностная оценка наличия дефекта трубопровода, обработка магнитометрических данных, фильтр Калмана, вейвлет-анализ, метод главных компонент (PCA), применение методов искусственного интеллекта в обработке магнитометрических данных, комплексная многопараметрическая оценка аномалий, система диагностики подземных трубопроводов

Abstract:

The article discusses approaches to integrating artificial intelligence (AI) elements into the processing of magnetic survey data for non-destructive pipeline inspection. Particular attention is given to the formation of a multiparametric signal signature, as well as to the application of the Kalman filter, wavelet transform, and Principal Component Analysis (PCA). A hybrid approach combining physically grounded signalprocessing techniques with machine learning algorithms is proposed.

Key words:

remote monitoring of underground pipelines, magnetometric diagnostics of underground

pipelines, artificial intelligence methods, machine learning algorithms, probabilistic assessment of pipeline defect presence, magnetometric data processing, Kalman filter, wavelet analysis, principal component analysis (PCA), application of artificial intelligence methods in magnetometric data processing, comprehensive multiparametric anomaly assessment, underground pipeline diagnostic system

Об авторах about authors:

Е.А. Лихачева, А.Н. Мусинский, к.т.н., /ООО «РИГИНТЕЛ» (ГК «Нефтьсервисхолдинг»), г. Пермь

E.A. Likhacheva, A.N. Musinskiy, PhD /Rigintel LLC (Neftserviceholding GC), Perm/

Аннотация:

Представлены результаты опытно-промысловых испытаний системы IR-Test, предназначенной для предиктивного обнаружения отказов бурового оборудования. Непроизводительное время (НПВ) остается одной из главных причин срыва сроков строительства скважин и перерасхода бюджета, при этом значимую долю простоев формируют отказы буровых насосов. В отличие от традиционного регламентного обслуживания по наработке и визуальному контролю, система ориентирована на раннее выявление деградации по данным мониторинга и предиктивным алгоритмам. Испытания проведены на буровой бригаде при непрерывном наблюдении в течение 195 суток за двумя трехпоршневыми плунжерными насосами СИН71. За период ОПИ зафиксировано 17 документированных эпизодов отказа. Алгоритм выявлял целевые события деградации с упреждением 48–72 часа, обеспечивая технологический зазор для планирования вмешательств. Доля выявленных целевых событий деградации гидравлической части и узлов герметичности составила 85–90 %. Показано, что применение IR-Test поддерживает переход от реактивного обслуживания к предиктивному подходу, снижая риск НПВ и повышая эффективность управления жизненным циклом оборудования.

Ключевые слова:

непроизводительное время (НПВ) при строительстве скважин, отказы бурового оборудования, отказы ключевых силовых узлов буровой установки, реестр НПВ на буровых, анализ НПВ в бурении, диагностика и предиктивное обслуживание буровых насосов, предиктивная диагностика буровых насосов, вибрационная и акустико-эмиссионная диагностика буровых насосов, системы CBM для буровых насосов, система IR-Test для предиктивного обнаружения отказов и управления жизненным циклом ключевого оборудования буровой установки, 3D-модель бурового насоса, предиктивный мониторинг бурового насоса при совместном использовании вибрационных данных и эксплуатационных параметров.

Abstract:

The paper presents the results of field trials of IR-Test, a predictive failure detection system for drilling equipment. Non-productive time (NPT) is a major driver of schedule slippage and cost overruns in well construction, with a significant share of downtime caused by drilling pump failures. Unlike time-based maintenance supported by visual inspection, IR-Test focuses on early degradation detection using continuous monitoring data and predictive algorithms. The trials were conducted on a drilling crew with 195 days of uninterrupted monitoring of two SIN71 triplex plunger pumps. During the trial, 17 documented failure episodes were recorded; the algorithm detected target degradation events 48–72 hours in advance, providing a practical lead time for intervention planning. The detection rate for target degradation events in the hydraulic section and sealing units reached 85–90%. The results indicate that IR-Test enables a shift from reactive maintenance to a predictive approach, supporting data standardization, NPT reduction, and improved equipment lifecycle management.

Key words:

non-productive time (NPT) during well construction, failures of drilling equipment, failures in the operation of drilling rig major power units, register of NPT at drilling rigs, analysis of NPT in drilling, diagnostics and predictive maintenance of drilling pumps, predictive diagnostics of drilling pumps, vibration and acoustic emission diagnostics of drilling pumps, CBM systems for drilling pumps, IR-Test system for predictive failure detection and lifecycle management of major drilling rig equipment, 3D model of drilling pump, predictive monitoring of drilling pump while using combined vibration data and operational parameters

Об авторах about authors:

Р.М. Мустафина1, В.С. Саубанов2, к.т.н., доцент

1 OOO «НефтеПромПроект», г. Казань

2 Уфимский университет науки и технологий, г. Уфа

R.M. Mustafina1, V.S. Saubanov2, PhD, Associate Prof.

1 NeftepromProject LLC, Kazan,

2 Ufa University of Science and Technology, Ufa

Аннотация:

Рассматриваются современные подходы к автоматизации проектно-изыскательских работ (ПИР) для промышленных объектов с применением искусственного интеллекта (AI). Авторы акцентируют внимание не на рутинных задачах черчения, а на сложных процессах синтеза и принятия решений на стадии базового проектирования, где ошибки наиболее критичны и определяют до 80% итоговой стоимости объекта. Выделены ключевые направления применения AI: оптимизация технологических схем и расстановки оборудования, автоматизированный подбор оборудования, предсказательная аналитика рисков и семантическая проверка коллизий. Основной акцент сделан на проблемах и решениях в области управления каталогами оборудования, интеграции с CAD/BIM-системами, работе в среде общих данных (СОД) и снижении совокупной стоимости владения (TCO). Предложены практические методы использования AI (NLP, компьютерное зрение, ML-алгоритмы) для автоматического обогащения каталогов, интеграции с поставщиками, прогнозирования отказов и формирования цифровых двойников. В качестве наиболее перспективной цели внедрения AI определена стадия проектной документации, обеспечивающая максимальный мультипликативный эффект на весь жизненный цикл объекта

Ключевые слова:

проектно-изыскательские работы (ПИР), искусственный интеллект (AI), жизненный цикл промышленных объектов (ЖЦ), базовое проектирование, автоматизация и применение нейронных сетей при проведении ПИР, оптимизация технологических схем, автоматизированная расстановка оборудования, генеративное проектирование, многокритериальная оптимизация, предсказательная аналитика рисков и узких мест, анализ семантической информации, проверка на 3D-коллизии на семантическом уровне, интеграция каталога-справочника оборудования с САПР и BIM программами, семантический клэш-анализ, цифровой двойник, среда общих данных (СОД), инструменты по управлению проектами с применением систем электронного архива, BIM-моделирование, CAD-системы, совокупная стоимость владения (TCO/LCC), CAPEX, OPEX, NLP (обработка естественного языка), компьютерное зрение, машинное обучение (ML), применение AI для интеграции с поставщиками, AI-ассистент проектировщика, AI-робот, анализ BIM-модели, аналитическая оценка надежности и срока действия оборудования с помощью AI

Abstract:

The article examines contemporary approaches to the automation of design and survey work (DSW) for industrial facilities through the application of artificial intelligence (AI). The authors focus not on routine drafting tasks, but on complex processes of synthesis and decision-making at the basic design stage, where errors are most critical and determine up to 80% of the final facility cost. Key areas of AI application are identified: optimization of process flow diagrams and equipment layout, automated equipment selection, predictive risk analytics, and semantic clash detection. Emphasis is placed on the challenges and solutions in managing equipment catalogs, integration with CAD/BIM systems, operation within Common Data Environments (CDE), and reduction of Total Cost of Ownership (TCO). Practical AI-driven methods (NLP, computer vision, ML algorithms) are proposed for automatic catalog enrichment, supplier integration, failure prediction, and the formation of digital twins. The design development stage is identified as the most promising target for AI implementation, delivering the maximum multiplicative effect throughout the entire facility lifecycle.

Key words:

design and survey work (DSW), artificial intelligence (AI), life cycle of industrial facilities (LC), basic design, automation and application of neural networks during DSW process flow optimization, automated equipment layout, generative design, multi-criteria optimization, predictive risk and bottlenecks analytics, checking for 3D collisions at semantic level, integration of equipment reference catalog with CAD and BIM programs, semantic clash analysis, digital twin, common data environment (CDE), project management tools using electronic archive systems, BIM modeling, CAD systems, total cost of ownership (TCO/LCC), CAPEX, OPEX, natural language processing (NLP), computer vision, machine learning (ML), application of AI for supplier integration, AI design assistant, AI robot, BIM model analysis, analytical assessment of equipment reliability and service life using A

Об авторах about authors:

К.Д. Чекан1, О.Е. Корнейчик1, Н.С. Комлач1, А.В. Лавренюк2, Д.В. Корост3,4

1 ООО «Техноинфо», г. Москва

2 ООО «Проминт», г. Люберцы

3 МГУ им. М.В. Ломоносова, г. Москва;

4 ООО «Деко-Сервис», г. Москва

K.D. Chekan1, O.E. Korneichik1, N.S. Komlach1, A.V. Lavrenyuk2, D.V. Korost3,4

1 Technoinfo LLC, Moscow

2 Promint LLC, Lyubertsy

3 Lomonosov Moscow State University, Moscow;

4 Deco-Service LLC, Moscow

Аннотация:

Представлена концепция создания и функционирования геологической лаборатории «Цифровой керн», ориентированной на комплексную оцифровку кернового материала, количественную интерпретацию его структурно-текстурных и вещественных характеристик, а также физико-математическое моделирование фильтрационно-емкостных свойств пород. Рассматриваются методологические принципы построения лаборатории, архитектура приборного комплекса, особенности применения томографов медицинского класса для исследований полноразмерного керна, автоматизированные мультисенсорные системы сканирования для профильных исследований, микротомография и литохимический анализ для численного моделирования в масштабе пор. Особое внимание уделено вопросам обработки, хранения и интерпретации данных, а также интеграции получаемых результатов в задачи геологоразведки и разработки месторождений.

Ключевые слова:

цифровой керн, геология, нефтегазовая геология, геологическая лаборатория, томограф, томография, томография полноразмерного керна, микротомография, сканирование керна, автоматизированный анализ керна

Abstract:

The article presents the concept of creating and operating a Digital Core Laboratory which is focused on the comprehensive digitisation of core material, quantitative interpretation of its structural, textural, and material characteristics, as well as physical and mathematical modelling of the filtration and storage properties of rocks. It examines the methodological principles of laboratory construction, the architecture of the instrument complex, the features of using medicalgrade computed tomography for studying fullsize cores, automated multi-sensor scanning systems, microtomography, and lithochemical analysis. Particular attention is paid to the processing, storage and interpretation of data, as well as the integration of the results obtained into geological exploration and field development tasks.

Key words:

digital core, geology, petroleum geology, geological laboratory, tomograph, tomography, full-size core tomography, microtomography, core scanning, automated core analysis

Об авторах about authors:

Т.С. Ющенко1,2, к.ф.-м.н., Е.С. Ушаков1, Д.В. Масленников1, Ю.В. Проткова3, Р.Р. Абульева3, М.Ю. Просужих4

1 ООО «Цифра», г. Москва

2 Институт проблем нефти и газа РАН, г. Москва

3 ООО «Ачим Девелопмент», г. Новый Уренгой

4 ООО «Ачимгаз», г. Новый Уренгой

T.S. Yushchenko1,2, PhD, E.S. Ushakov1, D.V. Maslennikov1, Yu.V. Protkova3, R.R. Abulieva3, M.Yu. Prosuzhikh4

1 "Digital" LLC, Moscow

2 Institute on Oil and Gas Problems at Russian

Academy of Sciences, Moscow

3 "Achim Development" LLC, Novy Urengoy

4 "Achimgas" LLC, Novy Urengoy

Аннотация:

Представлен новый подход к описанию изменения компонентного состава и термофизических свойств пластового флюида ачимовских отложений Уренгойского месторождения. Теория разработана для лицензионных участков 1 и 2 и верифицирована на других участках при использовании единой корректировки структуры пласта. Показано, что PVTмодель, адаптированная под исследования одного участка, успешно применяется на других с минимальными отклонениями. Погрешность расчета основных PVT-свойств с использованием единой адаптированной PVT-модели не превышает 5–10 %. PVT-модель стала ключевым элементом цифрового двойника, обеспечивающего достоверное моделирование процессов разработки месторождения.

Ключевые слова:

ачимовские отложения, Унренгой ское месторождение, аномально высокое пластовое давление (АВПД), PVT-свойства пластовых флюидов ачимовских отложений, PVT-модель пластового флюида, гидродинамические и интегрированные модели, компонентный состав пластовых флюидов, цифровой двойник газоконденсатного промысла, методика создания PVT-моделей для сложнопостроенных залежей на основе структурных поправок к абсолютным глубинам

Abstract:

A novel approach to describing the changes in the composition and PVT-properties of reservoir fluid from the Achimov Formation of the Urengoy field is presented. The theory was developed for License Blocks 1 and 2 and verified on other blocks using a single adjustment to the reservoir structure. It is demonstrated that a PVT model tuned for studies on one block can be successfully applied to others with minimal deviations. The error in calculating key PVT properties using a single tuned PVT model does not exceed 5–10 %. This PVT model has become a key component of a digital twin, enabling reliable simulation of field development processes.

Key words:

Achimov deposits, Urengoyskoye field, abnormally high formation pressure (AHFP), PVT properties of Achimov formation fluids, PVT model of formation fluid, hydrodynamic and integrated models, component composition of formation fluids, digital twin of gas condensate field, methodology to creating PVT models for complexly structured deposits at the basis of structural updating to absolute depths

Об авторах about authors:

Т.С. Ющенко1,2, к.ф.-м.н. И.С. Лопина1, Д.В. Масленников1, П.А. Гужиков 1

1 ООО «Цифровая добыча», г. Москва

2 Институт проблем нефти и газа РАН, г. Москва

T.S. Yushchenko1,2, PhD, I.S. Lopina1, D.V. Maslennikov1, P.A. Guzhikov1

1 "Digital Upstream", Moscow

2 Oil and Gas Research Institute RAS, Moscow

Аннотация:

При проектировании и мониторинге разработки углеводородных залежей, а также при выборе параметров работы скважин и промысловых трубопроводов находят широкое применение гидродинамические модели на основе как численных, так и аналитических моделей. Одной из важных частей таких гидродинамических моделей является композиционная PVT-модель пластового флюида, основанная на кубическом уравнении состояния, позволяющем описывать фазовые переходы, а также прогнозировать поведение флюидов при их добыче, транспортировке и подготовке. При этом количество компонент в PVT-модели может существенно влиять как на время, так и на точность ее расчета. В данной работе было проведено сравнение нескольких вариантов группировки компонентов PVT-модели пластового флюида ачимовских отложений Уренгойского месторождения для оценки последствий ее упрощения, необходимого при расчетах гидродинамической модели месторождения из-за высоких требований к вычислительным ресурсам. Критерием оценки послужила точность воспроизведения основных PVT-свойств адаптированной PVT-модели с различным количеством компонент. Результаты сравнительного анализа показали, что строгое следование правилам группировки компонент приводит к снижению погрешности расчетов PVT-моделей с сгруппированным компонентным составом. Для решения задач цифровых двойников, интегрированных моделей и численных гидродинамических моделей возможно существенное уменьшение количества компонент посредством группировки с соблюдением базовых требований без снижения точности расчетов PVT-свойств и фазовых равновесий. Данные проведенного анализа открывают перспективу сокращения времени расчетов композиционной PVT-модели и ее использования в гидродинамических симуляторах.

Ключевые слова:

моделирование разработки месторождений углеводородов, интегрированное моделирование, цифровые двойники месторождения, PVT-модель пластового флюида, прогнозирование поведения флюида, анализ оптимизации количества компонент в PVT-модели пластовой газоконденсатной системы ачимовских отложений Уренгойского месторождения, группировка компонент PVT-модели, оптимальное количество компонент PVT-модели, математическое моделирование, PVT-свойства пластового флюида, оптимизация использования PVT-модели в цифровых двойниках и интегрированных моделях

Abstract:

Hydrodynamic models, encompassing both numerical and analytical approaches, are an integral component in the design and monitoring of hydrocarbon reservoir development, as well as in the selection of operating parameters for wells and field pipelines. A critical element of such flow simulation models is the compositional PVT model of the reservoir fluid. This model is based on a cubic equation of state, which enables the description of phase transitions and the prediction of fluid behavior during production, transportation, and processing. The number of components in a PVT model can significantly impact both its computation time and accuracy. In this study, a comparison of several component grouping (lumping) schemes for a PVT model of the reservoir fluid from the Achimov Formation of the Urengoy field was carried out. The objective was to evaluate the consequences of model simplification, which is necessitated by the high computational demands of full-field flow simulation. The accuracy with which the adapted PVT models, featuring a reduced number of components, reproduced key PVT properties served as the primary evaluation criterion. The results of the comparative analysis demonstrated that strict adherence to the rules of component lumping leads to a reduction in the calculation error of PVT models with a lumped component composition. For applications involving digital twins, integrated asset models, and numerical flow simulation models, it is possible to significantly reduce the number of components by means of component grouping, provided that basic lumping requirements are observed, without compromising the accuracy of PVT property and phase behavior calculations. The findings of this analysis open up the prospect of reducing computation time for compositional PVT models and facilitating their effective use in flow simulators.

Key words:

simulation of hydrocarbon field development process, integrated modeling, digital twins of the field, PVT model of formation fluid, predicting fluid behavior, optimization analysis of components amount in PVT model of formation gas condensate system in Achimov formations of Urengoy field, grouping the components of PVT model, optimal number of components in PVT model, mathematical modeling, PVT properties of formation fluid, optimization of PVT model application in digital twins and integrated models

Об авторах about authors:

С.О. Розанов, А.В. Полетаев /ООО «Тьюбот» группы «РОСНАНО», г. Троицк (Новая Москва)/

S.O. Rozanov, A.V. Poletaev /"Tubot" LLC @"ROSNANO" Group, Troitsk (New Moscow)/

Аннотация:

Представлена новейшая технология неразрушающего контроля – внутритрубные роботы «Тьюбот» Группы «РОСНАНО». Описаны – принцип работы внутритрубных роботов, решаемые с их помощью задачи, модели внутритрубных роботов. Показаны их возможности и преимущества. Роботы Группы «РОСНАНО» способны не только найти повреждение, но и устранить его. Рассматриваются возможные комплектации роботов, которые могут быть оснащены датчиками ультразвукового и вихретокового контроля, видеокамерой и лазером, устройствами для нанесения покрытий, вакуумной очистки, шлифовки и полировки стенки трубы и даже фрезерования.

Ключевые слова:

диагностика нефтепроводов и газопроводов, внутритрубные роботы «Тьюбот», робокраулер, роботы для работы в зонах класса ATEX 0, робот с роликами под трубы диаметром 190–320 мм, большой гусеничный робот под трубы диаметром 450–750 мм, технологии неразрушающего контроля, устранение повреждения трубопровода внутритрубным роботом

Abstract:

The authors of the paper present the latest technology of non-destructive control, i.e. "Tubot" in-pipeline robots of "ROSNANO" Group and provide the description of in-pipeline robot principals of operation, the tasks resolved with their help, and models of in-pipeline robots, thus illustrating their capabilities and advantages. The robots of "ROSNANO" Group are capable not only of located the damage, but also to rectify it. The authors also consider the possible robot configurations, which can be equipped with ultrasonic and eddy current monitoring sensors, with video camera and laser, with devices to provide coating, to perform vacuum cleaning, grinding and polishing of pipe wall, and even their milling.

Об авторах about authors:

А.В. Сабецкий, И.В. Одноколов

/ПАО «Газпром нефть», г. Санкт-Петербург/

A.V. Sabetskiy, I.V. Odnokolov /”Gazpromneft” PJSC, St. Petersburg/

Аннотация:

Рассматривается опыт ПАО «Газпром нефть» по системному внедрению робототехники на нефтегазовых производственных объектах. «Газпром -нефть-ЦР» апробирует робототехнические решения на своих рабочих площадках. Описана роль компании как единого интегратора робототехнических технологий. Охарактеризована методология – от поисковых НИОКР-проектов до опытно-промышленных испытаний. Представлены реализованные решения: роботизированный лабораторный комплекс, модульная система автономизации специальной техники, навигационная система для работы в условиях бездорожья. Описаны результаты испытаний безэкипажных катеров, роботов-канатоходов, мобильных роботов- обходчиков, а также перспективы применения антропоморфной робототехники. Приведены количественные ориентиры и оценка потенциального рыночного спроса на робототехнические решения для нефтегазовой отрасли.

Ключевые слова:

цифровая нефтяная компания, робототехника, нефтегазовая роботизация, роботизированный лабораторный комплекс, беспилотная специальная техника, навигатор цифровой модели местности, безэкипажный катер, автономный объект эксплуатации, топливно-энергетический комплекс

Abstract:

The authors of the paper consider the experience of "Gazpromneft" PJSC in systematic implementation of robotics at oil and gas production facilities and describe the role of the company as a single integrator of robotics technologies. "Gazpromneft-CR" tests robotic-operating solutions at its production objects. The methodology from exploratory R&D projects to industrial pilot tests is characterized. The paper informs on the implemented solutions, like robotic laboratory complex, modular autonomy system for special equipment, and navigation system for off-road operation. The authors also describe the test results of unmanned boats, rope-walking robots, mobile crawler robots, as well as the prospects for the use of anthropomorphic robotics and present the quantitative guidelines and the assessment of potential market demand in robotic solutions to resolve the solutions for oil and gas industry.

Key words:

digital oil company, robotics, robotics in oil and gas industry, robotic laboratory complex, unmanned special equipment, digital terrain navigator, unmanned boat, autonomous operation facility, fuel and energy complex

Об авторе about author:

В.И. Лесин, к.ф-м.н., /Институт проблем нефти и газа РАН, г. Москва/

V.I. Lesin, PhD /Oil and Gas Research Institute, Russian Academy of Sciences, Moscow

Аннотация:

Показано, что наличие электрических зарядов, ферромагнетизма и особых физических свойств поверхности коллоидных каталитически активных наночастиц оксидов металлов – нанороботов позволяют, используя внешние и электромагнитные поля, акустическое воздействие и воздействие напряжением сдвига, повышать температуру частиц, изменять траектории их движения, разрушать агрегаты частиц, изменять окислительно-восстановительные свойства флюидов и минералов. Такие изменения сопровождаются синтезом/крекингом углеводородов, изменением вещественного состава горных пород и водных/углеводородных флюидов.

Ключевые слова:

наночастицы (НЧ), нанороботы (НР), коллоидные частицы, управление движением частиц электромагнитным полем, магнитная НЧ-НР частица, катализатор крекинга/синтеза углеводородов, применение наночастиц-нанороботов в процессах крекинга углеводородов, обработка тяжелой нефти, применение магнитных полей для снижения темпов образования отложений парафинов в НКТ, магнитные устройства на трубопроводах нагнетательных скважин, увеличение приемистости водонагнетательных скважин, синтез метана в водном растворе при электрическом воздействии

Abstract:

It has been experimentally shown that the presence of electric charges, ferromagnetism, and special physical properties of the surface of colloidal catalytically active nanoparticles of metal oxides – nanorobots, allow using external and electromagnetic fields, acoustic effects, and shear stress to increase the temperature of particles, increasing chemical activity, and destroying particle aggregates, changing the redox properties of fluids. Such changes are accompanied by the synthesis/cracking of hydrocarbons, changes in the material composition of rocks and water/hydrocarbon fluids.

Key words:

nanoparticles (NP), nanorobots (NR), colloidal particles, control over the movement of particles by electro-magnetic fie magnetic NP-NR particle, catalyst for hydrocarbon cracking/synthesis, application of nanoparticles-nanorobots in hydrocarbon cracking processes, processing of heavy oil, application of magnetic fields to reduce the rate of paraffin sedimentation in tubing, magnetic devices at injection well pipelines, increasing the injectivity of injection wells, synthesis of methane in aqueous solution under electrical effectld