Урок 3: Upstream AI — от сейсмики до скважины

Чему вы научитесь

• Видеть полный upstream workflow: от сейсмики и интерпретации до размещения скважин и online-оптимизации бурения
• Различать foundation-model слой, domain simulation слой и real-time optimization слой в upstream AI
• Понимать, как устроены SLB Delfi, Halliburton DecisionSpace, Газпром нефть «Когнитивный геолог» и решения Роснефти
• Использовать открытые датасеты и open-source инструменты для пилота без западных SaaS-зависимостей
• Быстро отделять красивые геологические демо от production-системы, которая влияет на NPV и drilling days

В upstream AI деньги начинаются там, где модель влияет на размещение скважины, траекторию бурения, time-to-first-oil или recovery factor. Всё остальное — вспомогательный слой. Именно поэтому нефтегазовый upstream чаще всего оказывается первым кандидатом на крупный AI-бюджет.

Полная цепочка upstream AI

flowchart LR
    A[Seismic volumes and well logs] --> B[Processing and labeling]
    B --> C[Foundation models and CNNs]
    C --> D[Interpretation and geological model]
    D --> E[Well placement and field development]
    E --> F[Drilling optimization]
    F --> G[Production monitoring and lift optimization]
    G --> H[Field economics and NPV]

Foundation models для сейсмики — зачем они нужны

Участок upstream, где AI за последние два года реально изменил подход, — это seismic interpretation. В статье Seismic Foundation Model авторы собрали 192 глобальных 3D seismic volumes и сформировали датасет из 2 286 422 2D seismic images для pre-training foundation model (arXiv:2309.02791; ResearchGate mirror).

Практический смысл тут один: вместо обучения узкой модели с нуля на каждом локальном наборе можно стартовать с большого предварительно обученного representation layer и потом дообучать его под fault segmentation, horizon picking или facies classification.

Для промышленной команды это означает следующее.

• Foundation model полезен как стартовый слой.
• Domain adaptation всё равно нужен под конкретный бассейн.
• Без геолога и geophysicist в цикле это не работает.

Открытые upstream-данные — почему это важно

Это особенно важно для российских команд. Когда прямой доступ к западным SaaS и vendor platforms ограничен, открытые датасеты позволяют проверить гипотезы без лицензионной зависимости от Delfi, Petrel или proprietary cloud.

SLB Delfi и Halliburton — как устроен западный reference stack

SLB Delfi / Lumi AI Platform

SLB прямо позиционирует Delfi как открытый digital environment для E&P с опорой на OSDU, интеграции Google/Microsoft/Dataiku и встроенные AI workflows (SLB Delfi; SLB AI in Delfi). В переводе на архитектурный язык это значит:

• единая модель upstream-данных;
• общие сервисы для interpretation, reservoir, drilling;
• AI не как отдельный island, а как встроенный слой в рабочий workflow инженера.

Halliburton DecisionSpace 365 / LOGIX

Halliburton продаёт ту же идею с акцентом на drilling and well construction: cloud-native environment, AI assistance и автоматизированный geosteering (DecisionSpace 365 AI; LOGIX automated geosteer).

Ключевой вывод для российского enterprise-заказчика: это сильный reference по тому, как должен выглядеть upstream workflow, но не рабочая закупочная реальность для нового проекта в РФ. Ограничения по доступности и санкционному контуру разобраны в p.3/05.

Что показывает Газпром нефть

У Газпром нефти самый сильный публичный российский upstream-кейс — «Когнитивный геолог». Компания прямо заявляет, что AI сократил цикл геоанализа с 6 месяцев до 1–2 недель; по публичным оценкам компании совокупный эффект системы к 2025 году находится в коридоре ~5–6 млрд ₽ в год (Газпром нефть; Neftegaz.ru).

Это важный момент: российский public benchmark в upstream — не просто CV или документооборот, а прямая монетизация геологической неопределённости.

Отдельно в апреле 2026 компания раскрыла AI-агента для проектирования скважин: до 1000 вариантов расстановки скважин в час и примерно ×5 ускорение расчётов относительно ручной работы команды инженеров (Петербургский дневник, 14.04.2026). Это уже не просто аналитика, а переход к agentic workflow на производственной задаче.

Что показывает Роснефть

Роснефть интересна тем, что у неё upstream AI раскрыт не только через геологию, но и через массовый drilling stack.

ADNOC и Aker BP — свежие ориентиры 2024–2026

ADNOC разложила upstream AI на два разных слоя.

• AI-ROP optimization с AIQ + Baker Hughes + CORVA: online рекомендации по WOB, RPM и другим drilling parameters (AIQ, 05.12.2024). ADNOC отдельно сообщал о $500 млн дополнительной ценности от всех AI-решений за 2023 год; эту сумму не стоит приписывать только ROP-оптимизации.
• Well digitalization на 2000+ скважин с контрактом на $920 млн, private 5G и RoboWell для автономного управления в реальном времени (ADNOC, 05.11.2024).

Aker BP показывает ещё один новый слой: time-series foundation models и AI agents для anomaly detection. В марте 2026 Cognite и NVIDIA объявили про operationalization NV-Tesseract with Aker BP, где целью является раннее обнаружение аномалий по wells, heat exchangers и другим critical assets (Cognite, 23.03.2026; World Oil).

Open-source слой для пилота без западного SaaS

Как запускать upstream AI у себя

1. Выберите один bottleneck в цепочке. Не делайте «AI для upstream вообще». Возьмите seismic interpretation, well placement, drilling ROP или production monitoring.

2. Соберите data contract. Без единого описания well logs, seismic cubes, drilling parameters и economics никакой foundation model не спасёт.

3. Разведите simulation и AI. Reservoir simulator, drilling simulator и ML не должны подменять друг друга. Лучшие решения комбинируют их.

4. Постройте контур внедрения в инженерный workflow. Если геолог, буровик или production engineer не получает готовый action, вы создали исследование, а не промышленный AI.