Как Chevron использует генеративный ИИ для улучшения разведки и добычи нефти

Использование данных в нефтегазовых операциях

Нефтегазовые операции генерируют огромные объемы данных, например, сейсмическое исследование в Нью-Мексико может создать файл объемом до одного петабайта. Билл Браун, CIO Chevron, подчеркнул масштаб необходимых процессов обработки данных: «Чтобы превратить это в изображение для принятия решений, требуется операция на 100 экзафлопс. Это невероятное количество вычислений».

С 2008 года Chevron использует GPU, задолго до того, как многие отрасли осознали необходимость в такой вычислительной мощности. Теперь компания применяет передовые инструменты генеративного ИИ для извлечения более глубоких инсайтов и повышения ценности своих обширных наборов данных. «ИИ идеально подходит для крупных предприятий с большими наборами данных — это именно тот инструмент, который нам нужен», отметил Браун.

Инсайты из бассейна Пермиан

Эта проблема не уникальна для Chevron; крупные хранилища данных встречаются по всей отрасли. Браун упомянул бассейн Пермиан, расположенный в Западном Техасе и юго-восточном Нью-Мексико, где Chevron занимает значительные площади. Этот обширный район простирается примерно на 250 миль в ширину и 300 миль в длину, содержит около 20 миллиардов баррелей нефти, что составляет 40% нефтедобычи США и 15% добычи природного газа. «За последнее десятилетие они сыграли огромную роль в производственной истории США», отметил Браун. Уникальным преимуществом является требование Комиссии по железным дорогам Техаса от всех операторов публично раскрывать данные о деятельности на площадках. «Всё является общественным достоянием», сказал Браун, подчеркивая стратегическое преимущество этой прозрачности: «Это предоставляет возможность учиться у конкурентов, и если вы этого не делаете, они учатся на вашем опыте. Это мощный катализатор для обучения в отрасли».

Стимулирование проактивного сотрудничества и безопасности

Операции Chevron охватывают обширные территории, где качество данных может варьироваться. Браун отметил, что генеративный ИИ может оказаться необходимым для заполнения геологических пробелов между точками данных. «Это идеальное применение для завершения модели», сказал он. Например, при длине скважин, достигающей нескольких миль, ИИ может оповестить команды о потенциальных вмешательствах в соседние операции, позволяя проактивно общаться для предотвращения сбоев. Кроме того, Chevron использует большие языковые модели (LLM) для разработки инженерных стандартов, спецификаций, бюллетеней безопасности и оповещений, постоянно уточняя эти модели для достижения оптимальной точности. «Когда нужны точные конструкции, мы не хотим, чтобы наш генеративный ИИ проявлял креативность», объяснил Браун. «Они должны быть настроены чрезвычайно точно».

Компания также исследует роботизированные модели для повышения безопасности. «Цель состоит в том, чтобы роботы выполняли опасные задачи, пока люди контролируют операции на безопасном расстоянии», заявил он, добавив, что этот подход может снизить затраты и ответственность.

Стимулирование сотрудничества между командами

Традиционно команды в энергетическом секторе работали в изоляции, как физически, так и в цифровом пространстве. Chevron сосредоточилась на устранении этой разрозненности, объединяя команды. «Наиболее эффективные команды возникают, когда инженеры по машинному обучению сотрудничает с механическими инженерами над общими задачами», объяснил Браун. Chevron также инвестировала в обучение инженеров для получения продвинутых степеней в области науки о данных и системного инжиниринга, интегрируя специалистов по данным — или «цифровых ученых» — с операционными командами для стимулирования инновационных подходов. «Мы развивались, начиная с небольших побед и постоянно наращивая их», сказал Браун.

Решение экологических проблем с помощью технологий

Как и в каждой отрасли, воздействие на окружающую среду является значительной проблемой в энергетике. Углеродное накопление — захват и постоянное хранение CO2 — приобретает всё большее значение. Браун отметил, что Chevron управляет одним из крупнейших объектов по углеродному накоплению в мире, хотя остаются неопределенности по производительности резервуаров со временем. Чтобы справиться с этими неопределенностями, Chevron использует цифровые двойники для обеспечения сохранности углерода и создает синтетические данные для предсказательной аналитики. Браун также подчеркнул важность управления значительными энергозатратами дата-центров и приложений ИИ для поддержания чистых операций, заявив: «Как максимально чисто управлять этими часто удаленными локациями — всегда то, с чего начинается разговор».