При решении некоторых задач в сфере прогнозирования, планирования, оперативного управления и контроля в нефтегазовой промышленности могут возникнуть проблемы, связанные с неполнотой и недостоверностью исходной информации. Это затрудняет использование математических методов. В таких случаях рекомендуется применять экспертные оценки.
Суть научных исследований, основанных на экспертных процедурах, заключается в разработке модели, которая объединяет интуитивный и логический анализ человека с количественными методами оценки и обработки данных. Результаты подобных исследований, проводимых как внутри страны, так и за ее пределами, позволяют считать экспертные оценки устоявшимся научным методом для анализа сложных неформализуемых проблем.
Основные этапы и проблемы метода экспертных оценок включают в себя проведение экспертизы, выбор экспертов, опрос экспертов и обработку результатов опроса. При этом важно учитывать не только интересы отрасли, но и общегосударственные, а иногда и общечеловеческие цели.
Суть метода экспертных оценок заключается в проведении специалистами интуитивно-логического анализа проблемы с количественной оценкой суждений и формальной обработкой результатов.
Матрица приоритетов, также известная как матрица критериев, представляет собой мощный инструмент, предназначенный для упорядочивания и анализа информации в условиях неопределенности или при необходимости оценить значимость различных элементов.
Этот инструмент помогает установить приоритеты и ранжировать данные в соответствии с их относительной важностью. Особенно полезен он в случаях, когда отсутствуют четкие критерии для оценки или когда участники процесса принятия решений имеют различные точки зрения на приоритеты.
С помощью числовых значений и сравнений между элементами можно обоснованно определить, какие из них являются наиболее важными или критическими для достижения поставленных целей.

Особенности заполнения матрицы методом попарного сравнения параметров: a — установите значения равные 1 по главной диагонали, b — при попарном сравнении двух параметров предпочтительному параметру присваивайте значение равное 1, а другому — 0. Следующим шагом является исследование полученных матриц путем вычисления определителей данных матриц и выявление «скрытых» закономерностей.
Пусть дана матрица n-ого порядка, где общее количество баллов для каждого из критериев отлично друг от друга, при этом баллы предпочтения эксперты ставят либо 0, либо 1:

где b₁ ≠ b₂ ≠ b₃…b_n, → какой-то критерий будет наихудшим и получит 1 балл (т.к. все остальные критерии лучше него и остается балл, стоящий в главной диагонали).
Вычисляя определитель матрицы по возрастанию (т.е. начиная с критериев, набравших наименьшее количество баллов от 1 и до n), количество единиц в строках будет уменьшаться на один с каждым вычеркиванием столбца. При этом в следующей строке по возрастанию (с шагом единица) становится на одну единицу меньше, и остается только одна единица, находящаяся на главной диагонали, где i = j, и поэтому алгебраические дополнения не отрицательны.
Пусть z — количество единиц в каждой строке (они разнятся: например, критерий, набравший 1 балл, z = 1; для критерия, набравшего 10 баллов, z = 10), а наибольшее количество баллов, которое критерий смог бы набрать, это n (следует из нашего изначального условия), т.е. z_max = n.
Пусть k — количество вычеркнутых строк в результате преобразований, где k ≠ n.
В результате k = n-1 преобразований получаем, что остается критерий, набравший наибольшее количество баллов z_max = n, при этом мы вычеркнули k = n-1 столбцов, состоящих из одних единиц, то есть в данной строке остается один элемент, т.к. у нас всего n строк и столбцов, а в результате
k = n-1 преобразований остается матрица 1×1, т.е. один элемент матрицы, который равен единице (т.к. в результате наших преобразований остаются единичные элементы только на главной диагонали). Таким образом, была доказана вышеизложенная гипотеза. Представленный метод могут использовать эксперты для оценки критериев.
Нечеткое множество (fuzzyset) — это совокупность элементов, относительно которых нельзя точно (однозначно) утверждать, обладают ли эти элементы некоторым характеристическим свойством, которое используется для задания нечеткого множества [1].
Нечеткое подмножество отличается от обычного тем, что для элементов x из X нет однозначного ответа «да-нет» относительно свойства R. Нечеткое подмножество A универсального множества X определяется как множество упорядоченных пар A = (x, μ(x)), где μ(x) — функция принадлежности, принимающая любые значения от 0 до 1. Функция принадлежности указывает степень (или уровень) принадлежности элемента x подмножеству A.

Есть несколько способов задания функции:

• табличный;
• аналитический;
• графический.

Носитель нечеткого множества A — это четкое подмножество универсального множества X, состоящее из элементов, которые имеют степени принадлежности, отличные от нуля.
Ядро нечеткого множества A — это четкое подмножество универсального множества X,
содержащее элементы, у которых степени принадлежности равны единице.
Итак, нечеткая переменная характеризуется набором (N, X, R(N, х)), где N — название переменной;
X — универсальное множество с базовой переменной x; R(N, x) — нечеткое подмножество множества X, представляющее собой нечеткое ограничение на значения переменной x, определяемое названием N.
И обобщением нечеткой переменной является лингвистическая переменная.
Для определения лингвистической переменной необходимо указать название переменной и множество ее значений, которые называются термами, причем каждый терм представляет собой наименование отдельной нечеткой переменной α [2].
С помощью ПО MATLAB, а именно использования Fuzzy inference system (Системы нечеткого логического вывода), будем выбирать вид функции принадлежности для каждого терма.
В данной работе были использованы следующие виды функций принадлежности:
1. Треугольная функция принадлежности y = trimf (x [a, b, c])

В данной работе треугольная функция принадлежности задана на универсуме x = [0, 100], в качестве которого был выбран замкнутый интервал натуральных чисел, где a, b, c — это числовые параметры, которые могут принимать произвольные действительные значения и упорядочены следующим отношением: a ≤ b≤ c.
Покажем пример задания треугольной функции принадлежности графически (рис. 1).

В данном случае a = 0; b = 50; c = 100.

2. Трапециевидная функция принадлежности y = trapmf (x [a, b, c, d])

В данной работе трапециевидная функция принадлежности задана на универсуме x = [0, 100], в качестве которого был выбран замкнутый интервал натуральных чисел, где a, b, c, d — это числовые параметры, которые могут принимать произвольные действительные значения и упорядочены следующим отношением: a ≤ b≤ c ≤ d.
Приведем пример задания трапециевидной функции графически (рис. 2).

В данном случае a = 0; b = 40; c = 60; d = 100.

3. Обратная z-образная (или S-образная) функция принадлежности y = smf (x [a, b])

В данной работе трапециевидная функция принадлежности задана на универсуме x = [0, 100], в качестве которого был выбран замкнутый интервал натуральных чисел, где a, b — это числовые параметры, которые могут принимать произвольные действительные значения и упорядочены следующим отношением: a ≤ b.
Покажем пример задания S-образной функции графически (рис. 3). В данном случае a = 10; b = 100.

Используем вышеописанные нечеткие множества и функции принадлежности для оценки цифровых технологий нефтегазовых компаний. С помощью ПО MATLAB, а именно использования Fuzzy inference system (Системы нечеткого логического вывода), будут определены стадии внедрения инновационных технологий по программе: «Цифровая экономика 2017–2024 гг.»; «Экономика данных 2025–2030 гг.» [11].

В данной работе оценка уровня цифровизации нефтегазовых компаний осуществлялась по следующим критериям:

• создание программных алгоритмов на основе нейронной сети (3-мерные цифровые модели; программный комплекс для проектирования ГРП, для обработки и интерпретации ГИС и т.д.);
• строительство высокотехнологичных скважин;
• создание цифровых двойников и интеллектуальных помощников;
• создание программного модуля для автоматизированного анализа и дистанционного мониторинга нефтегазового оборудования в РРВ;
• применение аддитивных технологий и внедрение VR/AR-технологий;
• разработка и внедрение квантовых технологий;
• автоматизация и роботизация производственных процессов.

Оценка внедрения цифровых технологий производилась по 100-балльной шкале, как показано в таблице 1.

В таблице 2 представлена оценка развития цифровых технологий в пяти российских и пяти зарубежных нефтегазовых компаниях РНК1-5 и ЗНК1-5.

В результате анализа открытой информации в интернете, а также информации на официальных сайтах компаний за 2021–2024 годы была определена оценка цифровых технологий нефтегазовых компаний. Как говорилось выше, оценка цифровых технологий производилась по 100-балльной шкале. Где:
1. Этап зарождения технологии (0–10) — означает, что технологию только начали разрабатывать, данная технология находится на начальных этапах, есть только идеи. Например, начиная с середины 2023 года разработкой и внедрением квантовых технологий занялись компании
ПАО «НК «Роснефть», ПАО «Газпром нефть» и ПАО «ЛУКОЙЛ» совместно с ГК «Росатом» [9].
2. Создание прототипа (10–40) — то есть начальный вид «продукта» (технологии), который в дальнейшем отправляют на лабораторные исследования. Например, компания Eni предлагает квантовый конвейер, включающий квантовый автоэнкодер, за которым следует квантовый классификатор, который используется сначала для сжатия, а затем для маркировки классических данных, поступающих из сепаратора, то есть машины, используемой на одной из установок подготовки нефти [10].
3. Создание пилотного проекта (40–70) — то есть проверка технологии на жизнеспособность в реальных условиях труда. Например, компания ПАО «Газпром нефть» в 2021 году провела успешное испытание первого российского многофункционального аэрокомплекса геологоразведки.
4. Опытно-промышленные работы (70–95) — то есть проверка технологии на жизнеспособность в реальных условиях труда, только уже на одном или нескольких кустах скважин или на нескольких цехах предприятия. Например, в 2023 году компанией АО «Зарубежнефть» запланировано продолжение проекта по системному внедрению технологий программной роботизации (RPA, Robotic Process Automation) в производственные процессы — на 2024 год это уже опытно-промышленные работы [5].
5. Промышленные работы (>95) — полномасштабное внедрение технологии в производственные процессы. Например, технология AR Remote Assist (компании Shell Global) позволяет работникам на местах получать помощь в режиме реального времени от опытных технических специалистов («экспертов») со всего мира [6].

В области разработки программных алгоритмов, основанных на нейросетях, лидируют компании ПАО «НК «Роснефть» и ПАО «Газпром нефть». Компания ПАО «НК «Роснефть» в 2017 году представила программный комплекс «РН-ГРИД», предназначенный для проектирования гидроразрыва пласта (ГРП). В 2019 году она вывела на рынок еще два программных продукта:
«РН-СИГМА» — для геомеханического моделирования в процессе бурения и «РН-Горизонт+» — для геологического сопровождения бурения скважин.
В 2022 году специалисты ООО «РН-КрасноярскНИПИнефть» разработали программное обеспечение «РН-Нейросети», основанное на принципах нейронных сетей. В 2023 году компания ввела в промышленное использование программный комплекс «РН-ПЕТРОЛОГ» для обработки и интерпретации геолого-геофизических исследований (ГИС), а также создала два новых программных продукта: «РН-ВЕГА» — для решения задач по оптимизации процессов бурения
и «РН-Буровые расчеты» — для выполнения буровых расчетов.
Компания ПАО «Газпром нефть» в 2020 году представила программный комплекс «Когнитивный геолог», а в 2023 году разработала цифровой симулятор «КиберГРП», который позволяет моделировать и оптимизировать процессы ГРП [8, 9].
В области строительства высокотехнологичных скважин лидируют компании ПАО «Газпром нефть», ПАО «ЛУКОЙЛ» и АО «Зарубежнефть». Компания ПАО «Газпром нефть» в настоящее время имеет
10 центров управления по строительству высокотехнологичных скважин и осуществляет добычу углеводородов на морской ледостойкой стационарной платформе (МЛСП) «Приразломная», предназначенной для разработки Приразломного месторождения в Печорском море [3]. Компания ПАО «ЛУКОЙЛ» на 2024 год имеет более тысячи высокотехнологичных скважин на месторождениях Югры и Ямала [4]. Компания АО «Зарубежнефть» в 2020 году построила высокотехнологичную скважину на месторождении Кондаковском и планирует построить еще 4 высокотехнологичные скважины [5].
В области создания цифровых двойников и интеллектуальных помощников лидируют компании ПАО «Газпром нефть», ПАО «ЛУКОЙЛ», ПАО «Татнефть» и АО «Зарубежнефть». Компания
ПАО «Газпром нефть» в 2022 году начала полномасштабное внедрение цифровых двойников месторождений. Например, в 2022 году завершила 3D-сейсморазведку на шельфе Карского моря, на месторождении Еты-Пуровском была построена 3-мерная модель куста скважин № 270, а также была построена 3-мерная цифровая модель Приразломного месторождения. В компании
ПАО «ЛУКОЙЛ» с 2019 года ведется постоянный контроль за 12 объектами разработки и 1 700 скважинами при использовании интегрированной модели. В 2021 году компания ПАО «ЛУКОЙЛ» запустила в эксплуатацию самую масштабную цифровую модель нефтяного месторождения (создание цифровых двойников у более чем 3 000 скважин) [4]. Компания ПАО «Татнефть» уже несколько лет создает цифровые двойники своих месторождений, при этом к 2025 году компания планирует создать модели всех своих нефтепромыслов [9]. Компания АО «Зарубежнефть» в 2022 году довела до промышленного внедрения первый в отрасли проект цифрового двойника с комплексом виртуальной и дополненной реальности на Харьягинском месторождении [5].

В области дистанционного мониторинга нефтегазового оборудования лидируют компании
ПАО «Газпром нефть» и ПАО «ЛУКОЙЛ». Компания ПАО «Газпром нефть» в 2021 году провела успешное испытание первого российского многофункционального аэрокомплекса геологоразведки. Компания ПАО «ЛУКОЙЛ» с 2020 года усилила мониторинг трубопроводов при помощи систем БПЛА ZALA. Также компания ПАО «ЛУКОЙЛ» на сегодняшний момент практически полностью перешла на полную замену труб в инновационном антикоррозионном исполнении, а также качество снимков, сделанных из космоса, составляет двадцать девять сантиметров на пиксель. На Аспинском месторождении компания ПАО «ЛУКОЙЛ» реализовала пилотный проект по дистанционному мониторингу НГО на базе технологии LoRaWAN [4].
В области применения аддитивных технологий и внедрения VR/AR-технологий лидируют компании ПАО «Газпром нефть», ПАО «ЛУКОЙЛ», ПАО «Татнефть» и АО «Зарубежнефть». Компании
ПАО «Транснефть», ПАО «Татнефть», ПАО «Газпром нефть», ПАО «Сургутнефтегаз» и ПАО «ЛУКОЙЛ» активно начали внедрять аддитивные технологии в производственные процессы. Компания
ПАО «Газпром нефть» создала VR-тренажер для обучения специалистов на МЛСП «Приразломная» [4]. Компания ПАО «ЛУКОЙЛ» в 2023 году обучила более 100 сотрудников новым навыкам с использованием VR-тренажеров на Волгоградском НПЗ [4]. Компания АО «Зарубежнефть» с 2023 года начала применять метод обучения сотрудников через использование VR-технологий — это повысило качество усвоения материала на 30 % [5].
С середины 2023 года ПАО «НК «Роснефть», ПАО «Газпром нефть» и ПАО «ЛУКОЙЛ» совместно
с ГК «Росатом» активно занимаются разработкой и внедрением квантовых технологий [9].
В области автоматизации и роботизации производственных процессов лидерами выступают компании ПАО «Татнефть», АО «Зарубежнефть» и ПАО «ЛУКОЙЛ». ПАО «ЛУКОЙЛ» в 2018 году начало внедрять роботизированные технологии в рутинных операциях в ООО «Лукойл-УРЦ Пермь» [4].
АО «Зарубежнефть» в 2022 году создало 10 программных роботов для выполнения повторяющихся задач. В 2023 году компания планирует продолжить проект по системному внедрению технологий программной роботизации (RPA, Robotic Process Automation) в производственные процессы [5].
ПАО «Татнефть» в 2021 году объявило о полном переходе мониторинга добычи сверхвязкой нефти на своих объектах на роботизированный контроль. Также в 2021 году компания начала разработку роботизированного бурового комплекса грузоподъемностью 320–450 т — БУ 2.0. В 2022 году на территории Бугульминского механического завода (БМЗ) был запущен робот «Трал Патруль 5» [9].
Чтобы не подрывать авторитет компаний, мы будем использовать следующие сокращения: российские нефтегазовые компании — РНК, зарубежные нефтегазовые компании — ЗНК.
Для перехода от метрического пространства к безразмерному использовались две функции принадлежности нечетким множествам «Цифровая компания»:
1. Оценка цифровых технологий при переходе от метрики к нечетким числам с использованием линейной функции принадлежности (табл. 3);

2. Оценка цифровых технологий при переходе от метрики к нечетким числам с использованием обратной z-образной функции принадлежности (табл. 4).

На следующем шаге были определены степени принадлежности каждой из рассматриваемых нефтегазовых компаний нечеткому множеству «Цифровая компания» на диаграммах в семикритерийном пространстве высоких и передовых технологий нефтегазовых компаний (рис. 4–13).

Многокритериальные оценки уровня внедрения цифровых технологий в нефтегазовых компаниях при переходе от метрического пространства к безразмерному с использованием теории нечетких чисел при использовании линейной функции принадлежности и обратной z-образной функции принадлежности примерно совпадают. Сравнивая лидирующие российские нефтегазовые компании с западными, видно отставание в следующих областях: аддитивные технологии, AR/VR технологии и в области автоматизации и роботизации производственных процессов.
Так как индексы цифровизации нефтегазовых компаний при использовании линейной функции принадлежности и обратной z-образной функции принадлежности примерно совпадают, то дальнейшее исследование проводилось только с линейной функцией принадлежности.
Следующим шагом стало определение веса каждого критерия (табл. 3). Сотрудники двух ведущих российских компаний были приглашены в качестве экспертов для попарного сравнения определения весовых коэффициентов рассматриваемых семи критериев (табл. 5).

Далее был определен вес каждого критерия для определения значимости данных параметров для повышения эффективности и рентабельности нефтегазового производства (табл. 6).

Весовые коэффициенты играют ключевую роль в понимании того, насколько каждая переменная важна для решения конкретной задачи. Они помогают оценить значимость каждой переменной, что дает более полное представление о процессе.
С помощью весовых коэффициентов мы можем проанализировать, как ведущие российские нефтегазовые компании внедряют цифровые технологии в производство и как это влияет на различные области инновационных разработок (табл. 7).

Например, зарубежная компания ЗНК4 не занимается строительством высокотехнологических скважин, так как ей пока не приходилось работать с трудноизвлекаемыми запасами. Однако, по мнению экспертов, это наиболее важный критерий, который имеет наибольший весовой коэффициент. Именно поэтому ЗНК4 оказалась ниже российских компаний РНК2 и РНК3 по индексу цифровизации.
Следующим шагом стало определение индекса цифровизации нефтегазовой отрасли Российской Федерации на 01.07.2024 г.
На рисунке 14 изображены лучшие российские нефтегазовые компании по каждому из критериев при использовании линейной функции принадлежности.

На основе данной диаграммы был определен индекс цифровизации нефтегазовой отрасли Российской Федерации как в целом, так и в компаниях-лидерах (табл. 8).

Следующим шагом стало построение модели в ПО MATLAB, а именно использование Fuzzy inference system (Системы нечеткого логического вывода).
В процессе разработки системы нечеткого вывода была создана трехмерная математическая модель, которая позволяет оценить перспективы внедрения инновационных цифровых технологий в различные временные периоды согласно трем программам: «Цифровая экономика 2017–2024 гг», «Экономика больших данных 2025–2030 гг.» и «Роботизированная экономика 2030–2040 гг.» (рис. 15).