До недавнего времени нефтяная отрасль меньше всего ассоциировалась со сферой IT, однако уже сегодня нанотехнологии активно вошли и в данную сферу человеческого обихода. Например, о свойствах нефтеносного пласта, находящегося на глубине нескольких километров, ученые могут судить только по косвенным измерениям, из-за чего остро стоит вопрос необходимости анализа полученной при разработке нефтяных месторождений информации, моделирования, проведения математических экспериментов.

Для эффективного проведения добычи специалистам необходимо решить сложные нелинейные математические уравнения, провести многочисленные итерационные расчеты. "От руки" этого не сделать. Каждое месторождение — сложнейшая система, состоящая из пластов, скважин, объектов поверхностного обустройства и инфраструктурных объектов. В ней так много параметров, с помощью которых можно управлять эффективностью, что найти глобальный экстремум можно только с помощью искусственного интеллекта.

Уже сегодня математики КФУ готовы внедрить методы машинного обучения в решение задач поиска неисправностей в интегральных схемах. Работа осуществлялась на базе НИЛ «Геоинформационные и геофизические технологии». Результаты работы были опубликованы на научно-исследовательском портале Researchgate.

«Возьмем, к примеру, современное цифровое месторождение - здесь непременно используются элементы интернета вещей. А что такое интернет вещей? Простыми словами, это микросхемы, которые обеспечивают "съем" информации по ряду электрофизических показателей. Они измеряют некие величины, преобразуют их в удобный для восприятия формат и передают в центр накопления», – рассказал директор Института вычислительной математики и информационных технологий КФУ Сергей Мосин.

По словам разработчиков, исследование строилось иерархическим образом: т.е. сначала методически прорабатывались аспекты математического моделирования, определения подходов выбора шаблонов и критических характеристик, которые отражают, в первую очередь, информацию об объекте. Следом идет построение нейронной сети, ее обучение и проведение экспериментов.

«В рамках эксперимента мы проводили обучение нейронной сети для тестирования проектируемого устройства и поиска в нем неисправностей.С помощью математического моделирования осуществлялось накопление характеристик, отражающих поведение схемы, с учетом  влияния возможных неисправностей на работу соответствующих устройств. Накопленные данные являются, по сути, источником больших данных (BigData) в силу высокой структурной и функциональной сложности современных интегральных схем. Допуски определяют случайные отклонения параметров внутренних компонентов от номинала. Все это приводит к существенному разрастанию неоднозначности в выходных характеристиках. Чтобы получить комплексную оценку поведения, необходимо выполнить исчерпывающее моделирование, так называемое "стохастическое моделирование" с использованием метода Монте-Карло, когда объект наделяется реальными свойствами и обеспечивается моделирование при разных начальных условиях. Все, что удастся накопить, является неким портретом работы проектируемого устройства», – объясняет суть исследования Сергей Мосин.

Что касается аспектов применения искусственного интеллекта в решении актуальных задач, учеными КФУ были предложены новые способы выбора существенных характеристик, позволяющие минимизировать время облучения нейронной сети, повысить точность предсказания и, самое главное, повысить качество диагностики неисправностей. Так и получается, что при меньших вычислительных затратах открывается возможность оценивать качество готового изделия, находить неисправности в изготавливаемых микросхемах, ну и, соответственно, выпустить на рынок только те микросхемы, которые прошли тестирование. В случае неудачи диагностика покажет причину и суть дефекта.

Несмотря на многообещающие перспективы проекта, ученые КФУ отнюдь не первые, кто изучает работу машинного обучения для нефтегазовой отрасли. Чтобы быть лидерами цифровой революции, не надо ограничиваться изучением опыта Запада — в этом случае нельзя стать лидером, скорее последователем. Чтобы успешно заявить о себе, нужно идти в своем, наилучшем направлении. Сегодня приоритетное направление КФУ «Эконефть» идет именно таким путем. Ученые правильно определили тему, на которую можно сделать «ставку». Уже сегодня ученые Казанского университета имеют реальную возможность повлиять на технологический процесс, рассматривая комплексные проблемы построения цифрового месторождения, включая надежность и качество применяемых интегральных схем.