Цифровой двойник месторождения: где в нём ИИ, где физика, и как проверить подрядчика

· 12 мин чтения

Этот материал для тех, кто выбирает цифровой двойник месторождения или принимает его у подрядчика: руководителей разработки, добычи, цифровизации и центров управления добычей. Задача простая на словах. Почти каждое предложение сейчас приходит «с ИИ», и нужно понять, что за этим стоит и как проверить обещанный эффект.

Внутри четыре рабочих инструмента. Таблица уровней двойника: где в каждом уровне считает физика, а где работает ИИ, с примерами и стадией проектов. Разбор шестнадцати российских двойников из открытых публикаций: у кого ИИ назван, а у кого нет. Классификация цифр эффекта: как отличить замер от прогноза. И чек-лист из двенадцати вопросов подрядчику.

Почему этот разбор пишу я. Двадцать лет в B2B-продажах промышленного оборудования научили меня читать коммерческие предложения глазами покупателя: что именно будет сдано, кто посчитал обещанный эффект и сколько стоит содержать то, что купили. С цифровыми двойниками те же вопросы задают реже, чем стоило бы, — слово «ИИ» в предложении их заглушает.

Все цифры ниже — из открытых источников, ссылки в тексте. У каждой цифры указано, чья она: добывающей компании, разработчика решения или отраслевого издания.

Инженер в диспетчерской промысла смотрит на экран с многослойной моделью пласта, за окном — заснеженное месторождение
Инженер в диспетчерской промысла смотрит на экран с многослойной моделью пласта, за окном — заснеженное месторождение

Что такое цифровой двойник месторождения и зачем он нужен

Под цифровым двойником месторождения обычно понимают единую расчётную модель промысла — от залежи до узла учёта на выходе, — которая подстраивается под свежие замеры. С её помощью проверяют сценарии разработки, подбирают режимы скважин и ищут узкие места до того, как менять что-то на промысле.

Удобно думать о двойнике как о пяти уровнях. Внизу — геология недр и гидродинамика пласта. Посередине — интегрированная модель добычи, которая связывает пласт, скважины, сеть сбора и подготовку. Сверху — модель наземной инфраструктуры и операционный двойник, который сравнивает фактическое состояние промысла с расчётным. Пользователи у уровней разные: геолог, разработчик, технолог, диспетчер. Руководитель видит сводные показатели.

Где в цифровом двойнике физика, а где ИИ

Таблица ниже — главная часть материала. Для каждого уровня указаны задачи ИИ с лучшим найденным примером и его стадией, а рядом то, что считает физика.

УровеньЧто даётЗадачи ИИ: пример и стадияЧто считает физика
Геологическая модельстроение залежи, разломы, свойства пород; основа запасовИнтерпретация сейсмики. «Роснефть»: нейросеть выполняет этап обработки сейсмограмм за ~7 ч вместо 80 ч вручную, прототип испытан на данных двух участков («Ведомости»). Equinor: сейсмика Grane за неделю вместо 12 месяцев (годовой отчёт 2024)обработка сейсмики по волновой физике, инверсия, корреляция пластов, геостатистика
Гидродинамическая модель пластадавление, насыщенность, дебиты, обводнение; сравнение сценариевНейросеть вместо части расчёта — только в научных работах на синтетических и учебных моделях (пример). Промышленного внедрения в открытых источниках нетчисленное решение уравнений фильтрации, адаптация к истории разработки
Интегрированная модель добычисистема «пласт — скважина — сеть — подготовка»: узкие места, допустимые режимыРекомендации по закачке: Западно-Малобалыкское, внедрено, цифры разработчика (ТИНГ). Виртуальный расходомер «Башнефти»: приток за ~10 с на скважину, опытная эксплуатация (ComNews)приток, лифт, многофазная гидравлика — сама интегрированная модель
Наземная инфраструктурапропускная способность труб и установок, давления, энергияДиагностика оборудования. В России внедрённого примера с объектом и цифрой не нашлось. Shell: модели машинного обучения на регулирующих клапанах платформы в Мексиканском заливе (2020)материальные и тепловые балансы, фазовое равновесие
Операционный двойникфакт против расчёта: где потери, что делать сейчасРаннее выявление проблем скважин. ЛУКОЙЛ: система на машинном обучении предупреждает о вероятной остановке газовых скважин («Коммерсантъ»). Aramco: двойники и ИИ на 330 скважинах с ЭЦН, −18% электроэнергиисбор телеметрии, пороги, диспетчеризация

Из таблицы видны три вещи. Обученные модели уже в работе там, где много однотипных данных: сейсмограммы, история закачки, замеры притока, телеметрия скважин. Нейросеть вместо гидродинамического расчёта пока остаётся задачей для науки. А сама интегрированная модель, ради которой двойник обычно и строят, — это физика.

Где применяется искусственный интеллект на месторождениях нефти и газа: шестнадцать российских двойников

Я собрал российские двойники месторождений и промысловых объектов, о которых есть открытые публикации, и для каждого проверил по первоисточнику одно: назван ли там прямо искусственный интеллект, машинное обучение или нейросети.

Компания, объектГодИИ названЭффектЧья цифра
«Газпром нефть», Новопортовское2025нетпроходка скважины на 23% быстреекомпании
«Роснефть», «Сибнефтегаз»2023нетдо 600 тыс. м³ газа в месяцкомпании
ЛУКОЙЛ, Батырбайское2022нет——
ЛУКОЙЛ, Инзырейское2023нет——
ЛУКОЙЛ, Ватьеганское2021–2023нетболее 3 млрд руб. EBITDA за 2020 по всем интегрированным моделямкомпании, сумма
«Газпром добыча Оренбург», Оренбургское НГКМ2025нет— (приёмочные испытания)—
«Газпромнефть-Оренбург», Восточный участок2021нет3,3 млрд руб. до 2030прогноз
«Ачим Девелопмент», ачимовские залежи2024–2025да в 2024, «на физике» в 2025ожидаемые +10,3% конденсатаразработчика, прогноз
«Севернефтегазпром», Южно-Русское2023слово есть, описаны численные методы——
НОВАТЭК, конденсатопровод2023нет−50 т присадок за годкомпании
«Зарубежнефть», ЦПС Харьяги2022нет——
«Газпромнефть-Хантос», им. Жагрина2021нетболее 1 млрд руб. до конца 2023прогноз
«Татнефть», интегрированные модели и «ТН-Нейрокрам»2023да−80% трудозатрат на подбор мероприятийпрогноз
«Башнефть», «Цифровое месторождение»2025да, в перечне технологий−35% затрат на выезды за 5 леткомпании, весь проект
«Роснефть», «Уватнефтегаз»2024не про двойник——
«Роснефть», концепция обустройства газовых месторождений2023нет——

Ссылки на первоисточники по каждой строке: Новопортовское, «Сибнефтегаз», Батырбайское, ЛУКОЙЛ, Инзырейское и итог по моделям, Ватьеганское, Оренбургское НГКМ, Восточный участок, Ачим, 2024, Ачим, 2025, Ачим, кейс разработчика, Южно-Русское, НОВАТЭК, Харьяга, Жагрин, «Татнефть», «Башнефть», «Уватнефтегаз», газовые месторождения «Роснефти».

Итог счёта: ИИ прямо назван у трёх из шестнадцати. Описание работы нейросети нашлось у одного проекта: «ТН-Нейрокрам» читает данные двойников и предлагает скважины-кандидаты под ГРП, дострелы и зарезку стволов; испытания идут на паре объектов. «Татнефть» в таблице — одна строка: её интегрированные модели и нейросеть над ними я не разделял, иначе строк было бы семнадцать.

Три случая стоит разобрать отдельно, потому что они показывают, как одно слово обозначает разное.

«Ачим Девелопмент». В сообщении о проекте 2024 года — «активное применение искусственного интеллекта». В интервью 2025 года заказчик описывает тот же двойник как модель, «полностью построенную на физике инженерных расчётов». Эффект в интервью — «значительный», без цифр. Цифры есть у разработчика, и они ожидаемые: +10,3% выхода конденсата, проект в опытно-промышленной эксплуатации.

Южно-Русское. Двойник в постоянной эксплуатации, в сообщении упомянута «архитектура с искусственным интеллектом». Дальше сказано, что это многосеточные вычислительные технологии и метод последовательных приближений. Это численные методы, не машинное обучение.

«Башнефть». ИИ стоит в перечне технологий проекта рядом с двойниками, 3D-моделями и программными роботами. Эффект −35% затрат на выезды относится ко всему проекту за пять лет.

Как читать цифры эффекта цифрового двойника

Цифры эффекта двойников делятся на несколько классов, и разница между ними важнее самих чисел.

КлассСколько нашлосьПример
Замер против базы или контрольной группы0—
Подтверждено не компанией и не поставщиком0—
Заявлено компанией, метод не раскрыт5«Газпромнефть-Оренбург»: +15% добычи на опытных кустах, контрольных кустов нет (ITPS)
Прогноз: «позволит», «ожидается», «потенциал»8«КазМунайГаз»: +2,8 млн т нефти на 12 месторождениях к 2028 году — ожидание (КМГ)
Сумма по многим объектам или инструментам3ЛУКОЙЛ — более 3 млрд руб. EBITDA по всем интегрированным моделям
Экономия времени инженеров, а не результат промысла3расчёт сценариев за часы или дни вместо недель

Ближе всех к честной проверке подошёл Petrobras. Компания два года испытывала двойник на двух платформах месторождения Jubarte и после этого объявила технологию проверенной. Но итоговая цифра — добыча «может» вырасти примерно на 1% (Petrobras). Это хороший пример того, как выглядит осторожная, проверенная оценка: она скромнее рекламной.

Отдельный случай — Equinor. В годовом отчёте за 2024 год компания оценивает вклад усовершенствованного управления процессом, в том числе машинного обучения, на Johan Sverdrup в 1,1–2,2 млрд крон в год. Это оценка самой компании без методики, и к двойнику она в тексте не привязана.

И ещё одно: стоимость создания и сопровождения двойника месторождения не раскрыта ни в одном из найденных источников. Окупаемость двойника из открытых данных посчитать нельзя.

Почему проекты цифровых двойников застревают в пилоте

Названного двойника месторождения, который остановили или забросили, в открытых источниках нет. Поэтому честнее говорить не о провалах, а о том, что тормозит.

Первое — доверие к данным. В проекте «Газпромнефть-Оренбурга» отдельной задачей было понять, какие источники данных заслуживают доверия, а где информация искажается (Global CIO). Там же отмечено, что для каждого актива набор данных уникален, поэтому двойник нельзя просто скопировать на соседнее месторождение.

Второе — живые данные. Интегрированную модель ямальской группы месторождений построили, а онлайн-поток с промысла запланировали на потом (ComNews). Модель без потока данных быстро расходится с промыслом.

Третье — сопровождение. KBR, делавшая двойник платформы Azeri Central East для bp, предупреждает: модель, которую перестали актуализировать, теряет ценность. Поэтому после сдачи подрядчик ещё три года держал на проекте свою команду (KBR). Это платформа, а не месторождение, но для двойника месторождения логика та же.

Четвёртое — люди и владелец результата. По опросу EY 2025 года программы двойников в нефтегазе и химии чаще ведёт технологическое подразделение или подразделение инноваций, а навыков для планируемых проектов, по самооценке, хватает лишь трети компаний (EY). BCG ещё в 2019 году писала, что двойнику, чтобы он оставался точным, нужны своя операционная модель, компетенции и правила владения данными (BCG).

Чек-лист: 12 вопросов подрядчику о цифровом двойнике и ИИ

Каждый вопрос появился из конкретного случая, разобранного выше.

  1. Физика или ИИ. Покажите на схеме двойника, какие блоки — расчётные модели, а какие обучены на данных. Что подаётся на вход обученной модели и что она выдаёт?
  2. Чей эффект. Цифра в предложении относится к двойнику, к модулю ИИ, ко всему проекту цифровизации или ко всем моделям компании сразу?
  3. Факт или прогноз. Цифра уже получена на промысле, или в источнике стоят слова «позволит», «ожидается», «потенциал»?
  4. База сравнения. Как учли естественное падение добычи и ремонты скважин, которые шли в тот же период?
  5. Контрольная группа. Были ли скважины или кусты, где ничего не меняли, для сравнения?
  6. Кто считал. Эффект посчитали вы, мы или третья сторона?
  7. Точность. Что вы называете точностью, и проверяли ли её на нашем месторождении или на синтетической модели?
  8. Единица эффекта. В чём эффект в натуре: тонны, кубометры, энергия или часы инженеров?
  9. Расчёт или замер. Цифра получена расчётом по выбранному сценарию или замером после бурения и запуска?
  10. Живые данные. Подключены ли данные с промысла в реальном времени, и каким источникам модель доверяет?
  11. Сопровождение. Кто обновляет модель после сдачи, как часто и сколько это стоит в год?
  12. Проверка рекомендаций. Кто проверяет рекомендацию модели до того, как её исполняют на промысле?

Если подрядчик спокойно отвечает на первые шесть вопросов, разговор об ИИ в двойнике можно вести предметно. Если ответы начинаются со слов «у нас передовые алгоритмы», стоит вернуться к вопросу номер один.

Вывод

Если свести всё сказанное к одной строке: в основе цифрового двойника месторождения лежат уравнения, а не нейросети. Обученные модели встречаются по периметру — при разборе сейсмики, выборе режимов закачки, оценке притока и наблюдении за фондом скважин. Ни одного эффекта, замеренного против базы, в открытых публикациях нет. Физические модели дают больше подтверждённых цифр, но стареют без онлайн-данных и быстрых расчётов, а это как раз та работа, где ИИ полезен.

Для руководителя отсюда следует простое правило. Добавлять ИИ стоит в тех местах, где физическая модель не успевает или где замеров больше, чем инженеры способны разобрать. А принимать двойник лучше по чек-листу выше, начиная с первого вопроса.

Станислав Голкин

Внедряю ИИ в процессы продаж, маркетинга и аналитики промышленных компаний. 20+ лет на B2B-рынке оборудования и сервиса. В блоге разбираю, где ИИ даёт измеримый эффект, а где только расход.

Обсудим, где ваш бизнес может терять деньги

30 минут по телефону или видеосвязи: разберём вашу ситуацию, найдём очевидные потери и определим, с чего начать. Без обязательств.

Записаться на консультацию