Одной из задач концептуального проектирования, развивающего принципы системной инженерии обустройства месторождений, является поиск оптимальных решений при подборе наземных объектов технологического комплекса добычи, сбора, транспорта и подготовки нефти и газа. Однако в связи с высокой степенью неопределенности, сложностью и трудоемкостью решения поставленной задачи, а также из-за наличия множества трудно формализуемых факторов на практике «глобально-оптимальные» решения уступают место «локально-рациональным» решениям, которые отражают баланс интересов множества участников процесса освоения месторождений (геологи, буровики, инженеры, строители, экономисты и др.). Вопросы такого учитывающего множество интересов, рационального подбора и согласования параметров оборудования, которое удовлетворяет требованиям и условиям эксплуатации, являются актуальными для нефтегазодобывающей отрасли. Это связано с высокой долей капитальных вложений в общей структуре затрат, которые необходимо оптимизировать для повышения рентабельности разработки месторождений. В статье рассмотрен онтологический подход в задаче автоматического подбора технологической линии оборудования с учетом требований стейкхолдеров и нормативной документации. Целью является разработка архитектуры и онтологической модели знаний для системы интеллектуальной поддержки нефтегазового инжиниринга на основе концепции дополненного интеллекта для нефтегазовой системной инженерии Oil&Gas AugSE. Предложена обобщенная архитектура системы, ядром которой является онтология объектов и процессов обустройства месторождений. Разработана многослойная дополняемая структура онтологических моделей и справочников данных. На основе этой архитектуры предложен алгоритм для решения задачи автоматического конфигурирования объектов кустовой площадки нефтегазового месторождения.
Список литературы
1. Трудноизвлекаемые запасы нефти Югры (Западная Сибирь) / В.И. Исаев, С.Г. Кузьменков, Р.Ш. Аюпов [и др.] // Геофизический журнал. – 2019. - № 1(41). – С. 33-43. - https://elibrary.ru/download/elibrary_37109369_67622964.pdf
2. Evaluating the degree of complexity of tight oil recovery based on the classification of oils / G. Efendiyev, M. Karazhanova, D. Akhmetov, I. Piriverdiyev // Visnyk Taras Shevchenko Natl Univ Kyiv Geol. – 2020. - № 1 (88). – P. 76–81. - DOI:10.17721/1728-2713.88.11
3. Madni A.M. Exploiting Augmented Intelligence in Systems Engineering and Engineered Systems // Insight. – 2020. – V. 23 (1). – DOI:10.1002/inst.12282.
4. Miller W. Future of Systems Engineering. – INCSOE 2019 International Symposium. Torrance, US-CA, January 28, 2019.
5. Rouse W.B. AI as Systems Engineering Augmented Intelligence for Systems Engineers // Insight. - 2020. - V. 23 (1). - P. 52-54. - DOI:10.1002/inst.12286
6. Guide for the application of systems engineering in large infrastructure projects / E.W.Aslaksen, M. Delamare, K. Fehon [et al.] // INCOSE Infrastructure Working Group San Diego, 2012.
7. INCOSE Systems Engineering Handbook: A Guide for System Life Cycle Processes and Activities, 4th Edition. – Hoboken, NJ: John Wiley & Sons, 2015.
8. NASA System Engineering Handbook Revision 2. National Aeronautics and Space Administration, 2016.
9. Engen S., Falk K., Muller G. The Need for Systems Awareness to Support Early-Phase Decision-Making – A Study from the Norwegian Energy Industry // Systems. – 2021. - 9(3), 47. - DOI:10.3390/systems9030047
10. Muller G., Falk K. What can (Systems of) systems engineering contribute to oil and gas? An illustration with case studies from subsea. In: 2018 13th System of Systems Engineering Conference. 2018. – P. 629–635. - DOI:10.1109/SYSOSE.2018.8428724
11. Evaluating the Cost Efficiency of Systems Engineering in Oil and Gas Projects / I.N. Glukhikh, A.F. Mozhchil, M.O. Pisarev, [et al.] // Appl. Syst. Innov. – 2020. – № 3. – DOI:10.3390/asi3030039
12. Ценностно-ориентированная инженерия в «Газпром нефти» / М.М. Хасанов, Ю.В. Максимов, О.О. Скударь [и др.] // Нефтяное хозяйство. – 2019. – № 12. – С. 6–11. – https://doi.org/10.24887/0028-2448-2019-12-6-11
13. Направления развития когнитивных технологий в периметре Блока добычи и разведки компании «Газпром нефть» / В.В. Яковлев, М.М. Хасанов, А.Н. Ситников [и др.] // Нефтяное хозяйство. – 2017. – № 12. – С. 6–9. – https://doi.org/10.24887/0028-2448-2017-12-6-9
14. «Эра-Добыча» – интегрированная платформа для повышения эффективности эксплуатации механизированного фонда скважин / А.А. Шушаков, А.В. Билинчук, Н.М. Павлечко [и др.] // Нефтяное хозяйство. – 2017. – № 12. – С. 60–63. – https://doi.org/10.24887/0028-2448-2017-12-60-63
15. Knowledge Representation with Ontologies and Semantic Web Technologies to Promote Augmented and Artificial Intelligence in Systems Engineering / T. Hagedorn, M. Bone, B. Kruse, [et al.] // Insight. – 2020. –V. 23 (1). – P. 15-20. – DOI:10.1002/inst.12279
16. Ontology summit 2020 communiqué: Knowledge graphs / K. Baclawski, M. Bennett, G. Berg-Cross [et al.] // Applied ontology. – 2021. - V. 16 (2). - P. 229–247. – DOI:10.3233/AO-210249
