РАЗРАБОТКА КОНЦЕПЦИИ И МОДЕЛИ ИНТЕЛЛЕКТУАЛЬНОГО МЕСТОРОЖДЕНИЯ
Презентация подготовлена командой “В UPSTREAM ТОЛЬКО ДЕВУШКИ” Морозова Татьяна Пужайлова Ольга Рудавина Варвара Тарасова Татьяна
Executive summary
Интеграция
Дорожная карта
Почему ИС
Митигация рисков
Влияние
Выводы
Внедрение интеллектуальной системы позволит эффективную добычу зрелого месторождения Потребление нефти в мире имеет растущий тренд1 96 94 92 90 88
млн. бар. в день
Интеллектуальную систему нужно вводить поэтапно Создание удаленного диспетчер-центра
Добыча
Информационная платформа 2014
2016
2018
2020
При этом происходит замедление прироста запасов на территории России2 4,2
2015
3,4
2020
3,05
Преобразование сервисов Переквалификация персонала
млн.тонн за 5 лет
При расчете OEE3 в нефтегазовой отрасли характерно преобладание DTL4 DTL
110% 100% 90% 80%
Накопление обширной базы знаний
Довнедрения До внедрения иновации инновации
DTL
Добыча
После внедрения инновации
Формирование самообучающейся системы
2025
Мировые компании имеют успешный опыт применения цифровых технологий Smart Field: Повышение отдачи нефти на 10% Увеличение темпов производства Snake Well: Уменьшение вероятности оставления нефти в пласте Снижение стоимости нефтедобычи ОПЕК Источник: анализ команды
Умная логистика: Улучшения в показателях безопасности Экономические выгоды I-field: Контроль всех единиц оборудования Оптимизация процессов добычи
1 Источник:
3 OEE
2
4
Field of the future: Укрепление безопасности Повышение операционной эффективности Увеличение производства более чем на 1,5 млн баррелей в год со скважин Valhall
eOperations: Обеспечение бесперебойности процесса нефтедобычи Сокращение производственных потерь нефти
- Overall Equipment Effectiveness - общая эффективность оборудования DTL - Down Time Loss -потери на остановки
1
Executive summary
Интеграция
Почему ИС
Дорожная карта
Митигация рисков
Влияние
Выводы
Внедрение интеллектуальной системы позволит структурировать Big Data и связать все системы воедино Бизнессистемы
Обслуживающие сервисы Внешние условия среды
КИП 1
Сервисы
ГЕО данные
Вычисления
Визуализация
БД2 Платформа
Действие
ИС3
Источники информации месторождения
Банк решений
Диспетчерский центр
В качестве платформы для интеллектуальной системы мы можем предложить платформу SAP HANA4.
SAP HANA
Запрос
In- Memory)
Решение
Оптимизирует операции путём анализа большого количества информации в режиме реального времени
Решение Хранит и анализирует в 30 раз больше данных
930 TB Взаимодействие ИС с банком решений позволит системе накапливать опыт, самообучаться и глубже автоматизировать производство
1 2
- Контрольно-измерительные приборы - База данных
3 4
– Интеллектуальная система – Cм.Приложение 4
27.9 PB
2,000
В раз быстрее обычных баз данных
2
Executive summary
Интеграция
Почему ИС
Дорожная карта
Влияние
Митигация рисков
Выводы
Рациональность интеллектуального месторождения
Традиционный подход Инженеры собирают данные, затем анализируют их Инженеры проводят мониторинг оборудования на месторождении
Рациональный подход Прозрачность в реальном времени (Рост производительности: сбор данных не занимает рабочее время)
Эффективная совместная работа (Повышение производительности труда инженеров и операторов)
Предприятие управляет сложными событиями самостоятельно
Сокращение сроков решения проблем
Технические службы реагируют на событие
Прогностический анализ
Операторы реагируют на событие
Рост пропускной способности
Оператор поддерживает текущее стабильное состояние
Непрерывная оптимизация
(запроса) на 90%
Инженеры анализируют, а затем действуют Мониторинг оборудования по приборам в удаленном режиме
Запрос удовлетворяется через банк решений Интеллектуальной системы Своевременное предотвращение неполадок в работе на месторождении. Профилактические работы. Плановая работа
Диспетчеры работают на базе оптимизированной системы.
3
Executive summary
Интеграция
Диспетчерцентр
Дорожная карта
Влияние
Митигация рисков
Выводы
Создание диспетчер-центра и получение структурированной информации в реальном времени позволяет Итоги автоматизации Возможность визуализации
Диспетчерский центр Визуализация Идентификация элемента системы Где он находится? История функционирования Графическое отображение
Анализ
Действие
Когда началась проблема?
Корректировка режима работы
Причина сбоя
Оповещение служб
Степень ущерба для всей системы
Корректировка моделей
Потенциальные риски
Корректировка прогнозов
Моделирование решения
Снижение трудозатрат при анализе информации Рационализация использования запасов Оптимизация работ скважин Оптимизация документооборота Возможность принятия стратегических решений Эффективное использование времени персонала
Потребность в операторе
Потенциал развития Этап мониторинга
Этап аналитики
Этап контроля
Потенциал использования решения при организации единого диспетчерского центра
До внедрения интеллектуальной системы
Газпромнефть Этап контроля После внедрения интеллектуальной системы
Потенциал интеграции в единую цепь (добычаобработка-реализация) Газпромнефти.
4
Executive summary
Интеграция
Почему ИС
Дорожная карта
Митигация рисков
Влияние
Выводы
Интеллектуальную систему требуется вводить поэтапно Диспетчер-центр в Ханты-Мансийске
Налаживание связи
Оборудование для ДЦ*
Адаптация оборудования на м-нии Снежное
Сумма инвестиций в проект составит 96 96 млн. руб. 12
Возврат инвестиций
Реструктурирование персонала Переход на полную проектную мощность
Переквалификация специалистов
12
Cоздание единого ДЦ
12
Сбор банка решений интеллектуальной системы 2016
2015 Информационная платформа
2018
2019
2022
2025
2035
31 29
Облако
1. МОНИТОРИНГ Геологоразведка Добыча 2015 2016 2017 2018 2019
Сбор информации
Масштабирование в регионе
2. АНАЛИЗ Моделирование процессов Долгосрочное планирование
3. BI3
Глобальное масштабирование
Всесторонний анализ
Комплексная защита ИС 1ДЦ
- Диспетчер-центр - Констатация факта, не является обозначением процесса, как в остальных случаях. 3 BI - (Business intelligence) бизнес-аналитика. См.Приложение 3. 2
– программное обеспечение, позволяющее трансформировать комплекс данных в действенно полезную визуальную информацию 4 DASHBOARD
5
Executive summary
Интеграция
Почему ИС
Дорожная карта
Митигация рисков
Влияние
Выводы
Переход к «интеллектуальному месторождению» приведет к улучшению как технологических, так и экономических показателей1
1
СДФ будет в среднем расти на 5% в год, скв.
2
СДФ
С внедрением ИС
1,471,52
2015
1,551,59
2016
1,62 1,6
2017
Без внедрения ИС
1,71 1,55
2018
1,79 1,51
2019
С внедрением ИС
1,98
1,88 1,48
2020
1,45
4,58
2021
Падение уровня операционных затрат составит 9% к 2018г., млн. руб. Уровень добычи нефти
5
2015
4
5,23 4,35
2016
5,28 4,01
2017
Без внедрения ИС 5,18
3,6
2018
5,1 3,24
5,02
2,92
2019
2020
4,93
2,63
2021
Коэффициент извлечения нефти будет возрастать на 2% за год
12000,0
50%
10000,0
40%
8000,0
30%
6000,0
С внедрением ИС
4000,0
Без внедрения ИС
20% 10%
2000,0
0%
0,0 2015 2016 2017 2018 2019 2020 2021
1-
Рост показателей добычи нефти достигнет 10% к 2018г, тыс.т Операционные затраты
Источник: анализ команды. Расчеты приведены в Прило;ении 2.
2015
2016
2017
2018
2019
2020
2021
6
Executive summary
Интеграция
Почему ИС
Дорожная карта
Влияние
Митигация рисков
Выводы
Создание интеллектуальной системы на месторождении позволит снизить негативное влияние на экологию и улучшить условия труда Преимущества инновации
Экологические выгоды
Условия труда
Технологичное извлечение нефти, выработка максимума сырья
восстановление энергии пласта (до 10% ускоренного восстановления)1
Создание диспетчерского центра приведет к улучшению условий труда:
Постоянный мониторинг экологического состояния с помощью специальных датчиков
минимизация негативного экологического влияния, предупреждение катастроф
Ввод данных о сроке годности и времени эксплуатации трубопроводов в систему и автоматический расчет плановой замены
минимизация аварий с разливом нефти, своевременная замены оборудования
Отсутствие необходимости находиться в суровых условиях и труднодоступных местах Повышение квалификации сотрудников Облегчение принятия решений в связи с доступностью большего количества данных
Грамотное планирование точек бурения дополнительных скважин
снижение воздействия на окружающую среду
Разработка новых месторождений в более удаленных и труднодоступных регионах
удаленность месторождений от места проживания людей
Внедрение Искусственного интеллекта, автоматизация принятия решений: Консолидированный центр управления- возможность группового обсуждения принятия стратегических решений, Большой интеллектуальный потенциал, собранный в одном месте.
Выводы: Минимизация негативного экологического влияния Предупреждение катастроф До 10% ускоренного или дополнительного восстановления
1
* Источник: анализ команды - Источник: опыт успешного внедрения интеллектуальных систем, PetroWiki
Сокращение числа диспетчеров, решение проблемы с квалифицированными кадрами Более простая кадровая структура, Большой интеллектуальный потенциал, собранный в одном месте
7
Executive summary
Интеграция
Дорожная карта
Почему ИС
Влияние
Митигация рисков
Выводы
Фокус на наиболее критические и высокие риски внедрения ИС позволит предотвратить серьезные последствия
Важность рисков
Описание риска
Степень влияния
Управление риском
Сбой системы, аварийные остановки и простои
Разработка альтернативного варианта в случае отказа системы; создание группы специалистов «Скорой помощи»
Информационной безопасности
Использование передовых технологий передачи данных
Нежелание персонала адаптироваться к нововведениям
Change management
Риск для жизни и здоровья людей при разработке в суровых условиях
Использование роботов для замены оборудования в труднодоступных местах
Риск некорректных действий при передаче управления Интеллектуальной системе
Провести конкурс разработчиков по адаптивному управлению Интеллектуальной самообучающейся системы
Погрешность измерений приборов и расчетов
Проводить проверку и калибровку приборов раз в квартал/год
Человеческий фактор
Разработать новую бизнес-культуру
Недооценка стоимости внедрения системы
Заложить 2-5% стоимости на нужды Пригласить высококвалифицированных специалистов, сделать несколько независимых прогнозов
Нереалистичные прогнозы нефтеотдачи
Риск долгого накопления Базы Знаний, ее неактуальность Технологические
Вер-сть появления
Экономические
Организационные
Использовать базу знаний по мере ее формирования, оценивать и проверять Экологические
8
Executive summary
Интеграция
Почему ИС
Дорожная карта
Влияние
Митигация рисков
Выводы
Важно акцентировать внимание на правильном распределении приоритетов по затратам при внедрении инновации
Расставление приоритетов при внедрении инновации Организационные
Технологические
Запад
60%
40%
Россия
15%
85%
ЛЮДИ
Change-management Создание группы консультантов
CHANGE MANAGEMENT
Работа в тестовом режиме Контроль Введение программы поощрений
ПРОЦЕССЫ
ТЕХНОЛОГИИ
9
Executive summary
Интеграция
Почему ИС
Дорожная карта
Влияние
Митигация рисков
Выводы
Создание интеллектуального месторождения позволит получить экономические выгоды и решить текущие проблемы Реализация проекта повлечет за собой позитивную динамику ключевых показателей
Газпромнефть будет получать прибыль уже через 3 года после начала интеграции 50 Прибыль, млн.руб.
36 млн.руб Стабильные Капитальные расходы, млн. руб.
11,0
падение уровня операционных затрат к 2018 году
5% в год Рост СДФ
2% в год Рост КИН
Рост показателей реализации нефти К 2018 году Рост добычи нефти
10%
Ускорение восстановления месторождения
0 2015 2016 2017 2018 2019 2020 2021 -50 Базовый
Пессимистичный
Оптимистичный
После запуска проекта у компании появятся различные перспективы Тиражирование интеграционной модели на другие месторождения ОАО «Газпром нефть» Разработка новой Интеллектуальной системы управления Технологический прорыв нефтедобывающей сферы Вхождение в долю при разработке месторождений вне России, внедряя разработанную систему и постоянно ее улучшая Интеграция лучшего опыта компаний, совместная разработка универсального настраиваемого продукта Безопасное освоение все более труднодоступных территорий
10
Резюме команды
КУБОК ГАЗПРОМ НЕФТИ >> ПОЛУФИНАЛ >> КОМАНДА В UPSTREAM ТОЛЬКО ДЕВУШКИ
Татьяна Тарасова
Варвара Рудавина
МГУ, Физический факультет
Сотрудница KPMG
РГУ Нефти и Газа им.И.М.Губкина, Факультет экономика /Менеджмент
+7(968)897-31-49
+7(915)221-96-67
ttarasova7@gmail.com
varvara.rudavina@ mail.ru
Татьяна Морозова
Ольга Пужайлова
МГУ, Физический факультет
РЭУ им.Г.В.Плеханова, Общеэкономический факультет, магистратура
+7(915)263-46-84
Сотрудница KPMG +7(925)531-52-05
morozova.tatjjana@ physics.msu.ru
olgapuzhaylova@ gmail.com
ПРИЛОЖЕНИЯ
Приложение 1
Приложение 2
Приложение 3
Приложение 4
Расчеты: бюджет 1 год
2 год
Количество лицензий
150
Количество необходимых лицензий
75
Стоимость одной лицензии ( в среднем по рынку)
175 000
Расходы на приобретение лицензий
13 125 000
поддержка 1 лицензии(20%) Издержки по поддержке Издержки на лицензии
35 000 2 625 000 13 125 000
Расходы на мониторинг и выявление отклонений (30%)
3 937 500
Расходы на мониторинг и выявление отклонений (30%)
3 937 500
Расходы на обучение сотрудников
4 375 000
Расходы на обучение сотрудников
4 375 000
Расходы на аренду центра
7 000 000
Расходы на аренду центра
7 000 000
Суммарные годовые затраты 3 год поддержка одной лицензии (20%) Издержки на поддержку Расходы на аренду центра
Суммарные годовые затраты
28 437 500 4 год
Суммарные годовые затраты
31 062 500
5год
35 000 5 250 000 7 000 000
5 250 000 7 000 000
5 250 000 7 000 000
12 250 000
12 250 000
12 250 000 Затраты итого
Максимальный лимит Остаток
96 250 000
100 000 000 3 750 000
11
Приложение 1
Приложение 2
Приложение 3
Приложение 4
Расчеты: показатели Показатели Производственные
2014
2016
2017
2018
2019
2020
2021
СДФ ( скв.)
1 404
1 474
1 548
1 625
1 706
1 791
1 881
1 975
Реализация нефти (тыс.т.)
5 905
6 072
6 376
6 694
7 364
8 100
8 910
9 801
13 042 288
25 553 248
27 912 009
11 007 553
11 007 553
11 007 553
11 007 553
11 007 553
CAPEX ( млн.руб.) Экономические
2015
OPEX ( млн. руб.) КИН
4 723 575 25%
Инвестиции в интеллектуальное месторождение ( млн. руб.)
Пессимистичный прогноз Цены на нефть Urals( руб\т) Доходы ( млн.руб.) Расходы (млн. руб.) Прибыль Оптимистичный прогноз Цены на нефть Urals( руб\т) Доходы ( млн.руб.) Расходы (млн. руб.) Прибыль Базовый сценарий Цены на нефть Urals ( руб\т) Доходы ( млн.руб.) Расходы (млн. руб.) Прибыль
14 514 400
4 581 868 27% 28 437 500
4 352 774 29% 31 062 500
4 004 552 31% 12 250 000
3 604 097 33% 12 250 000
3 243 688 35% 12 250 000
2 919 319 37% 12 250 000
2 627 387 39% 12 250 000
-
2014 3 800 22 438 962 47 781 707 25 342 745 -
2015 3 990 24 227 124 60 966 174 36 739 049 -
2016 4 190 26 710 405 62 166 417 35 456 012 -
2017 4 399 29 448 221 41 074 098 11 625 877 -
2018 4 619 34 012 695 38 485 790 4 473 095
2019 4 850 39 284 663 36 673 987 2 610 676
2020 5 092 45 373 786 35 574 176 9 799 610
2021 5 347 52 406 723 34 052 239 18 354 484
-
2014 4 760 28 107 752 47 781 707 19 673 954 -
2015 4 998 30 347 661 60 966 174 30 618 512 -
2016 5 248 33 458 296 62 166 417 28 708 120 -
2017 5 510 36 887 772 41 074 098 4 186 326
2018 5 786 42 605 376 38 485 790 4 119 586
2019 6 075 49 209 210 36 673 987 12 535 222
2020 6 379 56 836 637 35 574 176 21 262 462
2021 6 698 65 646 316 34 052 239 31 594 077
-
2014 4200 24 800 958 47 781 707 22 980 749 -
2015 4 410 26 777 348 60 966 174 34 188 826 -
2016 4 631 29 522 026 62 166 417 32 644 391 -
2017 4 862 32 548 034 41 074 098 8 526 064 -
2018 5 105 37 592 979 38 485 790 892 811
2019 5 360 43 419 891 36 673 987 6 745 904
2020 5 628 50 149 974 35 574 176 14 575 798
2021 5 910 57 923 220 34 052 239 23 870 981
12
Приложение 2
Приложение 1
Приложение 3
Приложение 4
Иерархия модуля Business Intelligence
BI SAP BI CYO ERP EAM
PIMS
SCM
SAP ERP
DPO
MES АС КУБ
БДРВ
SAP HR ORION PI SYSTEM
АСУ ТП DCS
APC
КИП
BI - Business Intelligence SAP BI - SAP Business Objects СYO- Управленческая отчетность по нефтепереработке, сводный и исполнительный балансы нефтепродуктов на платформе SAP BI, отчетности о реализации крупных инвестпроектов. ERP - Enterprise Resource Planning System EAM -Enterprise Asset Management SCM - Supply Chain Management SAP HR - Human Resources Software PIMS - Plan Information Management System DPO - Days Payables Outstanding ORION - Information Management MES - Manufacturing Execution System АС КУБ - Учет движения нефтепродуктов и полуфабрикатов, расчет материальных балансов завода БДРВ - База данных реального времени PI System - Plant Information System АСУ ТП - Автоматизированная система управления технологическим процессом АРС - Advance Process Control DCS - Distributed Control System КИП - Контрольно-измерительные приборы
IT-ИНФРАСТРУКТУРА
13 10
Приложение 1
Приложение 2
Приложение 3
Приложение 4
Обзор платформы SAP HANA
*BICS – потребительские услуги бизнес-информации и аналитики ***MDX – многомерное выражение **SQL – язык структурированных запросов
14