|
В статье рассмотрено современное состояние и основные тенденции развития корпоративного программного обеспечения (ПО) для геологического моделирования нефтегазовых месторождений, а также выявление основных факторов, влияющих на функциональное наполнение и архитектурные особенности корпоративного программного продукта в ближайшей перспективе. Изучено влияние современных информационных технологий, таких как нереляционные базы данных, облачные хранилища и приложения, многоядерные вычисления, системы управления знаниями, на программное обеспечение, разрабатываемое для решения задач построения «цифрового двойника» месторождения и цифровой геологической модели. Особое внимание уделено актуальным тенденциям в развитии ПО для моделирования нефтегазовых месторождений. Отмечена потребность в интеграции специализированных программ моделирования нефтегазовых месторождений в универсальные комплексы, охватывающие весь цикл геолого-технологического проектирования (от обработки сейсмической информации до фильтрационных расчетов и оценки экономических рисков). Показана необходимость автоматизации процесса моделирования месторождений, в том числе фиксации технологических особенностей различных этапов процесса и создания «шаблонов» моделирования, обеспечения повторяемости вычислений. Важным аспектом является обеспечение возможности многопользовательской работы с «цифровой моделью» как в режиме поэтапной обработки данных специалистами различных профилей, так и в режиме параллельной обработки одного массива данных однопрофильными специалистами. Отмечены такие этапы, как переход от распараллеленных вычислений к распределенным, позволяющим исключить ограничения на вычислительные мощности, и переход к системам интеллектуальной поддержки ПО в рамках корпоративных систем управления знаниями. Сделан акцент на разработку, в соответствии с указанными приоритетами, корпоративной линейки программных продуктов моделирования нефтегазовых месторождений ПАО «НК «Роснефть» и, в частности, программного комплекса геологического моделирования «РН-ГЕОСИМ». Полученные результаты позволяют компании обоснованно выбирать функциональное наполнение и программную архитектуру для разрабатываемых программных средств моделирования месторождений и таким образом повышать эффективность их использования. Список литературы 1. Технологическое развитие Блока разведки и добычи ПАО «Газпром нефть» / В.В. Яковлев, М.М. Хасанов, Д.О. Прокофьев, А.В. Шушков // Нефтяное хозяйство. – 2016. – №12 – C. 6–10. 2. Закревский К.Е. Геологическое 3D моделирование. – М.: ООО ИПЦ Маска, 2009. – 376 с. 3. Veyber V., Kudinov A., Markov N. Model-driven Platform for Oil and Gas Enterprise Data Integration // International Journal of Computer Applications. – 2012. – V. 49. – P. 14–19. 4. Экспертный анализ геолого-физической информации по Приобскому и Муравленковскому месторождениям на основе моделей машинного обучения / Д.В. Егоров, Н.В. Буханов, О.Т. Осмоналиева [и др.] // Нефтяное хозяйство. – 2017. – № 12. – С. 28–31. 5. Разработка методик автоматизации многоскважинного анализа и интерпретации данных геофизических исследований скважин и изучения керна / Л.Р. Миникеева, О.В. Надеждин, Э.Р. Нугуманов [и др.] // Нефтяное хозяйство. – 2018. – № 6. – С. 54–57. 6. Автоматизация процесса петрофизической интерпретации как элемент эффективной геонавигации / А.В. Билинчук, К.В. Горев, В.В. Корябкин [и др.] // Нефтяное хозяйство. – 2016. – № 12. – С. 36–39. 7. Integrated Static and Dynamic Uncertainties Modeling Big-Loop Workflow Enhances Performance Prediction and Optimization / S. Kumar, X.H. Wen, J. He [et al.] // SPE Reservoir Simulation Conference. – 2017. – DOI:10.2118/182711-ms 8. Moniruzzaman A.B.M., Hossain S. NoSQL Database: New Era of Databases for Big data Analytics – Classification, Characteristics and Comparison // International Journal of Database Theory and Application. – 2013. – V. 6. – № 4. 9. Perrons R.K., Hems A. Cloud computing in the upstream oil & gas industry: A proposed way forward // Energy Policy. – 2013. – V. 56. – P. 732–737. 10. High performance computing using MPI and OpenMP on multi-core parallel systems / H. Jin, D.C. Jespersen, P. Mehrotra [et al.] // Parallel Computing. – 2011. – V. 37. – P. 562–575. 11. https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html 12. Halsey T. Computational sciences in the upstream oil and gas industry// Phil. Trans. R. Soc.– 2016. – V. 374. – № 2078. – http://dx.doi.org/10.1098/rsta.2015.0429 13. Гидродинамическое моделирование основных месторождений ОАО «Сургутнефтегаз» с использованием суперкомпьютерных технологий / Н.С. Бахтий, А.А. Аристов, Д.А. Ходанович [и др.] // Нефтяное хозяйство. – 2017. – № 5. – С. 64–67. 14. Микрюкова А. iKnow: единая точка доступа к техническим знаниям // Управление производством. – 2014. – http://www.up-pro.ru/print/library/information_systems/management/iknow-bz.html 15. The Effect of KMS Usage on Organizational Performance in Oil and Gas Industry: An Empirical Study in the Context of Developing Economy / A. Badpa, J. Salim, J. Yahaya [et al.] // International Journal of Trend in Research and Development (IJTRD) – 2018. – V. 5. – № 2. – http://www.ijtrd.com/ViewFullText.aspx?Id=15819 |
