Газпромнефть - будущее индустрии, синергия физики и нейросетей в проектах, от чертежей к оптимизации
Ольга Канакова, руководитель направления по методологии управления инновациями и экспертной поддержке, Департамент по цифровой трансформации, Газпром нефть. Ксения Черемисина, руководитель направления анализа инновационных технологий, Дирекция цифрового инжиниринга, Газпромнефть ИТО.
Эволюция искусственного интеллекта в промышленности Современный этап развития технологий привел к тому, что генеративный искусственный интеллект перестал быть просто инструментом для работы с текстами или изображениями. В промышленном секторе, и в частности в деятельности компании Газпромнефть, акцент смещается в сторону генеративного проектирования. Это принципиально иная область, где целью является не создание «правдоподобного» результата, как это делают большие языковые модели вроде ChatGPT или Claude, а поиск математически и физически оптимального решения.
Ключевое отличие здесь заключается в интеграции физически информированных нейронных сетей (Physics-AI). Если обычный ИИ оперирует словами, то инструменты генеративного проектирования работают с конструкторской документацией, графиками, цифрами и чертежами. На выходе компания получает не текст, а готовые инженерные решения, которые соответствуют законам физики и требованиям безопасности.
Глобальный контекст и рыночные возможности Анализ рынка показывает удивительный парадокс: доля генеративного проектирования в общем объеме рынка генеративного ИИ составляет всего около 2%. Это означает, что технологические гиганты вроде OpenAI или Яндекса не будут глубоко погружаться в эту специфику. Данная ниша остается открытой для промышленных корпораций и сервисных компаний. Именно здесь Газпромнефть видит огромный потенциал, так как запрос на такие решения еще даже не сформирован полностью, но эффект от их внедрения может быть колоссальным.
Мировой опыт подтверждает жизнеспособность этого подхода. В аэрокосмической отрасли уже создаются ракетные двигатели с невероятно сложной геометрией сопел всего за три недели — от технического задания до успешных огневых испытаний. Это становится возможным благодаря тому, что ИИ проектирует деталь без прямого участия человека, основываясь на заданных целях и ограничениях, а затем объект печатается из медного сплава на 3D-принтере. В автомобилестроении компания General Motors смогла заменить узел крепления ремня безопасности из восьми деталей одной цельнолитой конструкцией, что повысило прочность на 40% и снизило стоимость и вес на 20%. Еще раньше, в 2015 году, Airbus облегчила перегородку в салоне самолета с 65 до 35 килограммов. Эти примеры демонстрируют, что путь от идеи до реализации сокращается в разы, а эффективность конструкций растет экспоненциально.
Стратегический вектор Газпромнефти: лидерство через уникальность Для компании Газпромнефть приоритетным направлением применения этих технологий является процесс обустройства месторождений. Этот этап во многом схож с гражданским строительством, однако имеет свою специфику. Важным аналитическим выводом является то, что Россия обладает уникальными условиями для лидерства в этой области. Арктический шельф, вечная мерзлота Западной Сибири и огромные расстояния без связи создают среду, которой нет у западных компаний. Адаптация технологий генеративного проектирования к таким экстремальным условиям позволяет Газпромнефти не просто догонять мировых лидеров, а создавать собственные уникальные стандарты.
Переход на новый технологический уклад в компании рассматривается как последовательный процесс. Сначала идет совершенствование текущего программного обеспечения, затем — выход в зону рентабельности проектов, которые ранее считались экономически нецелесообразными. Благодаря генеративному проектированию можно снизить капитальные затраты (CAPEX) и существенно сократить сроки разработки, что позволяет быстрее выйти на добычу нефти и газа.
Практическая реализация и кейсы компании В Газпромнефти уже реализован ряд прототипов, которые приносят реальную экономическую выгоду. Одним из основных достижений стало проектирование отдельных узлов оборудования, что позволило оптимизировать вспомогательную инфраструктуру на промыслах. Поскольку любое освоение месторождения начинается со стройки — дорог, временных сооружений и коммуникаций — поиск оптимальных проектных решений здесь напрямую конвертируется в экономию миллионов рублей.
Кроме того, компания внедрила системы контроля за исполнением проектной документации. Генеративные модели теперь выступают полноценными участниками процесса согласования: они проводят ревью решений, выявляют коллизии и выдают конкретные рекомендации по устранению ошибок. Это критически важно при работе с многочисленными подрядными организациями, так как минимизирует риск дорогостоящих переделок на этапе строительства.
Цифровые двойники и работа с наследием Особое внимание в Газпромнефти уделяется созданию цифровых двойников активов. Проблема многих зрелых месторождений заключается в том, что объекты 70-80-х годов были спроектированы на бумаге. Для эффективного технического обслуживания необходимо оцифровать эти данные. Компания разработала специализированную инженерную модель, которая способна превращать старые 2D-чертежи в полноценные 3D-модели.
Параллельно с этим развиваются технологии воссоздания объектов по фотографиям с различных ракурсов с использованием видеоаналитики и беспилотников. Это создает пространство для новых сценариев: от надзора за подрядчиками до оперативного выявления несоответствий плана фактическому исполнению в режиме реального времени.
Системные барьеры и необходимость партнерства Несмотря на успехи, внедрение генеративного проектирования сталкивается с серьезными ограничениями. Работа со сложной инженерной информацией принципиально отличается от работы с текстом. Модель должна понимать не только семантику описания установки, но и законы геометрии, механики и физики, а также соответствовать жестким государственным нормативным требованиям.
Острой проблемой остается дефицит «готовых» данных для обучения нейросетей (iReady data). Чтобы модель выдавала точные результаты, ей нужны тысячи примеров как правильных решений, так и типичных ошибок (антипаттернов). Кроме того, ощущается нехватка кадров на стыке компетенций: нужны специалисты, которые одновременно являются глубокими инженерами-практиками и экспертами в области ИИ.
В связи с этим Газпромнефть выступает за создание широкой экосистемы партнерства. Одной компании, даже такой крупной, сложно самостоятельно обеспечить все вычислительные мощности, собрать все необходимые датасеты и привлечь всех узкопрофильных исследователей. Решение задачи требует кооперации нефтегазовых корпораций, разработчиков инженерного ПО (таких как Top System или NanoSoft), научных институтов и экспертов по искусственному интеллекту.
Выступление демонстрирует стратегический переход Газпромнефти от использования ИИ как вспомогательного инструмента к полноценному внедрению генеративного проектирования в ядро инженерных процессов. Основная ценность подхода заключается в замене «правдоподобности» на «оптимальность», что позволяет радикально снижать CAPEX и сроки реализации проектов. Компания делает ставку на уникальные природные условия России как драйвер технологического лидерства и признает необходимость создания открытого партнерского контура для преодоления дефицита данных и компетенций. Внедрение цифровых двойников через трансформацию 2D-архивов в 3D-модели завершает цикл цифровизации, объединяя наследие прошлого с технологиями будущего.
