Разработка трудноизвлекаемых запасов в России важна и значима тем, что их доля в общей структуре запасов углеводородов к 2035 году увеличится, а добыча нефти в свою очередь, по прогнозам, будет падать.
В создавшихся условиях именно цифровые решения становятся приоритетными направлениями в повышении эффективности деятельности компаний. Сегодня практически все ведущие нефтегазовые компании в мире основывают стратегию своего развития на использовании цифровой трансформации в качестве главного направления. Цифровая трансформация является весомым конкурентным преимуществом, она способствует повышению рентабельности нефтегазовых компаний и увеличивает их устойчивость на рынке.
Цель текущего исследования заключается в изучении и анализе литературы в области технико-экономического обоснования нефтегазовых проектов в условиях цифровизации, выявлении актуальных проблем и направлений совершенствования нефтегазовых проектов в условиях цифровизации, анализе международного и отечественного опыта по внедрению современных цифровых технологий для объектов добычи нефти и газа.
Цель определила необходимость выполнения следующих задач:
- анализ теоретических основ цифровизации и цифровой трансформации;
- анализ мирового опыта внедрения цифровых технологий на месторождениях нефти и газа;
- сравнение современных цифровых технологий, внедряемых в производство нефти и газа, а также определение их преимуществ и недостатков.
Предмет исследования – применение цифровых технологий в нефтегазовой отрасли для повышения эффективности разработки.
Объект исследования – цифровые технологии, применяемые при разработке нефтегазовых месторождений.
Основной теоретической базой исследования явились работы отечественных и зарубежных ученых в области цифровых технологий.
Необходимость применения современных цифровых технологий напрямую связана с потенциалом добычи нефти и газа. Ведущие компании именно по этой причине внедряют цифровые технологии в разные цепочки производства. Многие эксперты убеждены, что цифровые технологии простимулируют рост нефтеотдачи в мире c 30 до 50 %. Добиться этого можно путем внедрения инноваций не только в технологическом плане, но и в области принятия быстрых и качественных управленческих решений, а также правильной обработки больших данных информации [1].
В нефтегазовой отрасли на протяжении всего времени наблюдается необходимость в увеличении коэффициентов извлечения нефти, газа и конденсата, особенно на последних стадиях добычи, а также в уменьшении рисков и неопределенности при принятии управленческих решений, касающихся технологий добычи, в ходе разработки месторождений [22].
Цифровые технологии в нефтегазовой отрасли в основном направлены на решение двух задач: повышение нефтеотдачи (КИН) и снижение эксплуатационных и прочих затрат (своевременное обслуживание скважин и т.д.) [2, 21].
Наряду с положительными тенденциями развития цифровизации в ведущих компаниях нефтегазовой отрасли в России остается ряд нерешенных проблем, затрудняющий формирование цифровых платформ:
· зависимость отрасли от зарубежных технологий, оборудования, программного обеспечения и инвестиций, усугубляющейся в условиях санкций. Уровень импортозамещения остается недостаточным [3, 90]. Например, арктические шельфовые проекты практически не осваиваются после выхода из совместных проектов американских компаний ExxonMobil и британской BP, владеющих необходимыми технологиями;
· стартапы нефтяных компаний не финансируются должным образом – для цифровых проектов необходимы специальные полигоны, где испытывают новые технологии, однако такие полигоны требуют немалого финансирования [3, 89].
Опыт в финансировании подобных полигонов есть у западных коллег, например в США технологический полигон Rocky Mountain Oilfield Testing Center финансируется из средств Министерства энергетики США [4]. Данный полигон занимается совершенствованием системы добычи высокообводненной нефти. Такое решение оказалось очень эффективным и вполне вписывается для использования в России, а именно для месторождений Западной Сибири [5];
· отдаленность интересов науки и бизнеса, из чего и вытекает предыдущая проблема [3, 18];
· разработка активов осуществляется в основном крупными компаниями, вследствие чего уровень конкуренции является низким, что сопровождается потерей желания использовать современные цифровые технологии [6];
· компании не ставят в приоритет технологическое развитие отрасли из-за долгосрочных инвестиций, к которым и относят интеллектуальные технологии [5];
· отсутствие нужного количества персонала с определенными навыками и квалификацией для ведения цифровых проектов. Требуются специалисты с цифровыми компетенциями, такими как аналитика и работа с большими данными, робототехника, эксплуатация беспилотных летательных аппаратов, программирование, 3D-моделирование, а также компетенциями новых возникающих профессий в отрасли, связанными с цифровизацией [5];
· нет единого стандарта для использования технологии IoT;
· сложность в переустройстве уже сформировавшихся бизнес-процессов [7].
При решении вышеперечисленных проблем процесс цифровизации будет проходить быстрее и с большим эффектом для нефтегазовой отрасли.
Главным вопросом остается выбрать, каким образом стоит переходить на интеллектуальный путь решения производственных задач и как повысить качество управления процессами. Этот вопрос является основополагающим в этом исследовании и обусловил выбор его названия.
С каждым годом количество цифровых месторождений в мире растет. Сейчас их насчитывается около 240, 27 из которых находятся на территории России. Компании «BP», «Shell» и «ExxonMobil» являются лидерами в сегменте внедрения интеллектуальных технологий в нефтегазовую отрасль.
С практической точки зрения цифровая трансформация нефтяной отрасли разделяется на три этапа:
- автоматизация, то есть оснащение производства системами телеметрии и телемеханики с целью постоянного дистанционного контроля и управления;
- создание цифрового двойника месторождения для совершения прогноза возможных сценариев и выбора наиболее рентабельного;
- внедрение автоматического управления промыслом в режиме «реального времени» [18,19].
Используемые интеллектуальные технологии имеют разные области применения. Они могут охватывать сферы управления (производственная, финансовая, трудовая и т.д.); контуры управления (оперативное управление, регулярное управление и т.д.); бизнес-процессы (основные, управленческие, обеспечивающие и т.д.); цели управления (снижение производственных затрат, увеличение производительности и т.д.); роли сотрудников и рабочие места [8].
При помощи внедрения новых технологий в эти элементы достигается увеличение производственных и финансовых показателей. Основными направлениями цифровизации нефтяной отрасли являются: big data (большие данные и их обработка); цифровые двойники (создание интегрированной модели месторождения); blockchain (блокчейн); IoT (internet of things), он же Интернет вещей; аддитивные технологии – 3D-печать, роботизация; виртуальная и дополненная реальность; умные материалы [9, 17].
Рассмотрим основные технологии и приведем методы их использования в нефтегазовой индустрии.
Особенности управления цифровыми месторождениями на нефтегазовом промысле
С каждым годом применение цифровых технологий становится все более востребованным, доказывая свою эффективность для всех процессов в нефтегазовом комплексе, ибо цифровизация охватывает все стадии отрасли: от скважин до заказчиков или потребителей.
В отрасли используются такие технологии, как Интернет вещей, блокчейн, робототехника, 3D-модели, виртуальная реальность, цифровые двойники и не только. Каждый из этих инструментов по-своему эффективен, воздействуя на те или иные процессы, но именно «умные месторождения», то есть цифровые двойники, способствуют достижению максимального результата, включая в себя каждый из вышеперечисленных инструментов.
«Умные месторождения» также носят название «интеллектуальные» или «цифровые». В источниках литературы можно найти немалое количество определений данного термина, однако все они схожи по своей сути:
– интеллектуальное месторождение – это динамическая система взаимосвязанных технологий и бизнес-процессов, обеспечивающих повышение экономической эффективности всех элементов производства и управления нефтегазовым активом;
– цифровое месторождение – это программное обеспечение, включающее набор приложений, которые позволяют описывать поведение месторождения на компьютере.
Многие зарубежные и отечественные компании уже имеют опыт внедрения таких месторождений в свои производства, примеры наименований технологии в различных компаниях представлены в таблице 1:
«Умная» эпоха наступила более 10 лет назад, когда значительная часть месторождений, эксплуатируемых еще с 60-х годов прошлого века, вступила в стадию снижения добычи ввиду высокой степени выработанности. Запасы «легких и средних нефтей» на сегодняшний день стремительно сокращаются, ввиду чего увеличивается объем добычи трудноизвлекаемых запасов, под которыми понимают тяжелые, вязкие, парафинистые углеводороды, в большинстве случаев с неблагоприятными условиями залегания. Очевидно, что для работы на таких месторождениях необходимы принципиально новые технические решения, либо модернизированные технологии, применяемые при извлечении традиционных залежей с благоприятными для добычи запасами, а это, в свою очередь, ведет к увеличению капиталовложений на освоение и эксплуатацию месторождений.
В настоящее время главным фактором, от которого зависит скорость и качество применяемых на производстве решений становится ускорение обработки промысловых данных, а также правильное обоснование применяемых решений, которые достигаются с помощью интеллектуальных технологий.
Управление умными месторождениями нефти и газа будет продолжать превращаться в более автоматизированное и цифровое, благодаря прогрессирующей цифровизации, аналитическим технологиям и искусственному интеллекту.
Некоторые особенности управления цифровыми месторождениями в ближайшей перспективе будут включать в себя:
- Интеграцию различных систем месторождений, что позволит максимально использовать данные, производимые на месторождениях.
- Безопасность работ: применение современных технологий и программного обеспечения способствует снижению рисков и обеспечению безопасности работников.
- Использование больших данным: анализ данных позволит повысить эффективность работы месторождений и снизить затраты, что будет положительно сказываться на экономической эффективности.
- Скорость обработки данных: повысится благодаря синхронизации данных с облачными технологиями.
- Автоматизация операций: применение искусственного интеллекта и автоматических систем управления позволит автоматически контролировать многие процессы на месторождениях.
- Расширение границ: все больше месторождений начнут обрабатывать большие объемы данных и соединяться по всему миру, позволяя расширять границы географических ограничений.
Исходя из всего вышесказанного, можно сделать вывод о том, что для повышения эффективности работы нефтегазового комплекса необходимо создание такой технологии, которая бы включала в себя геолого-техническую модель, модель движения флюида из пласта в насосно-компрессорные трубы (НКТ), модель скважин, а также систему сбора и подготовки продукта, совмещенную с технологией оценки рисков и оценкой экономических параметров. Именно эта совокупность элементов называется интегрированной моделью и представляет собой «центр» «умного месторождения».
Эффективность разработки месторождения во многом зависит от грамотной разработки месторождения и обустройства кустовых площадок. Для этих целей Татнефть совместно с Московским физико-технологическим институтом тоже разработало специализированное ПО с названием «СЭТ Крот». С помощью этой программы учитываются все необходимые технологические и геологические факторы, по которым определяется количество кустов, скважин, порядок их бурения и много других параметров.
В настоящее время все ИТ-проекты в нефтегазовой отрасли ориентированы на развитие «умного производства». Приведем в пример ряд таких проектов в различных зарубежных нефтяных компаниях:
«Умные» скважины – Smart Wells (Schlumberger);
«Умные» операции – Smart Operations (Petoro);
«Интегрированные» операции – Integrated Operations (Statoil, OLF);
«Электронное» управление – Operations (North Hydro);
«Управление в режиме реального времени» – Real Time Operations (Halliburton);
«Правильное» направление – eDrift (OD);
«Интегрированная модель управления активами» – Integrated Asset Operation
Model (IAOM), ADCO;
«Умное» месторождение – Smart Field (Shell);
«Интеллектуальное» месторождение – i-field (Chevron);
«Месторождение будущего» – Field of the future (BP);
«Цифровое» нефтяное месторождение будущего – Digital oil field of the future DOFF (CERA);
Оптимизация «интеллектуального» месторождения и удаленное управление –Intelligent Field Optimisation and Remote Management/INFORM (Cap Gemini) и другие.
Несмотря на разные наименования и точечные цели, у всех этих ИТ-продуктов имеется схожий функционал: моделирование большого количества ситуаций и дифференциация вариантов развития их в производственной сфере нефтегазового сектора, в том числе захватывая наиболее эффективное управление персоналом нефтегазовых компаний.
Доказана эффективность «интеллектуального управления». Отличия представлены в таблице 2.
В таблице 2 были выделены три типа управления месторождениями:
– активное, то есть использование автоматизированных методов, имеющихся на данный момент (без применения цифрового месторождения);
– реактивное – будет возможно при решении производственных и управленческих задач, использующих технологию цифрового месторождения;
– проактивное – применяется на этапе интеллектуализации процессов принятия решений с использованием всех имеющихся технологий цифрового месторождения для повышения эффективности тактических, операционных и стратегических задач.
В таблице 3 представлены результаты мирового опыта внедрения интеллектуальных месторождений
В связи с увеличением сложности и стоимости реализации проектов по разработке и эксплуатации нефтяных и газовых месторождений современный подход к их оценке, проектированию и мониторингу предполагает комплексную оценку геолого-технологической цепочки добычи углеводородов (УВ): пласт – скважина – наземная инфраструктура – экономика. Расширение фокуса внимания с процессов, которые протекают в пласте, на всю цепочку добычи нефти и газа, учет взаимного влияния и ограничений во всех ее элементах позволяют осуществлять подбор наиболее эффективных комплексных оптимизационных мероприятий, реализация которых влияет на повышение технико-экономических показателей разработки месторождений.
Интегрированные модели строятся на основе определенного набора моделей-компонентов, объединенных в единую систему или полную модель месторождения. Такой подход можно назвать композиционным или системным. Модели-компоненты, входящие в состав ИММ, представлены в таблице и классифицированы по уровню сложности. Уровень сложности определяется, исходя из поставленных задач, объектов разработки, этапа развития проекта, горизонта планирования. Так, в состав ИММ могут входить: модель пласта, модель скважины, модель системы сбора и транспорта, модель системы поддержания пластового давления, экономическая модель.
Стоит обратить внимание, что интегрированное моделирование особенно актуально для пластов с нефтяными оторочками, газовых и газоконденсатных объектов, когда в добываемой продукции содержится большое количество попутного нефтяного газа и когда система «пласт – скважина – сеть сбора и подготовки УВ» неразделима.
Такой подход имеет практическую значимость для крупных проектов, когда каждая модель-компонента имеет различную детальность и решает поставленные задачи, и далее эти модели-компоненты объединяются в такую конфигурацию ИММ, которая способна решить определенные производственные задачи.
Исходя из этого, для добывающих предприятий актуальным является создание унифицированной методики, которая систематизирует подходы к выбору оптимального состава/сложности и детальности моделей-компонентов для всех месторождений.
Неотъемлемой частью методики будет являться учет степени готовности объекта разработки к использованию интегрированного моделирования и потенциальный экономический эффект.
Проанализировав открытые источники, на первом этапе автором выделены и систематизированы основные критерии для выбора месторождений-кандидатов:
- Качественные и количественные характеристики геологических данных, включая геофизические, геологические и гидрогеологические данные.
- Геологическая сложность находящихся в месторождении горных пород и их физические свойства, включая пористость, проницаемость.
- Расположение месторождения, включая доступность для освоения, близость к рынкам сбыта, логистические возможности и энергетические ресурсы.
- Промышленная и экологическая безопасность с точки зрения технологий, используемых для разработки месторождения.
- Экономическая эффективность месторождения, включая потенциальный доход от добычи, расходы на разработку и эксплуатацию, налоговые пошлины.
- Риски, связанные с разработкой месторождения: геологические, технологические, экономические, политические.
- Уровень исторических исследований месторождения, включая предыдущие геолого-разведочные работы и историю добычи.
- Наличие и доступность инфраструктуры, включая автомобильные, железные дороги, порты, аэропорты, линии электропередачи и т.д.
- Уровень социальной ответственности разработчиков месторождения и принимаемых ими мер по охране окружающей среды и социальной защите.
- Наличие и доступность квалифицированных кадров и технологий для разработки месторождения.
Выбранные критерии можно разделить на количественные и качественные показатели, для оценки каждого из них разработана шкала от 0 до 3. Примеры правил определения оценки приведены в таблице 5.
Автором выделены основные этапы предлагаемой методики оценки месторождений-кандидатов для внедрения интегрированного моделирования:
Согласно вышеизложенному, состояние месторождения можно оценить на основании двух комплексных параметров: «необходимость интегрированного моделирования месторождения» и «пригодность месторождения к интегрированному моделированию».
Параметр «необходимость интегрированного моделирования месторождения» содержит в себе критерии, позволяющие оценить объем задач, которые могут быть решены с помощью интегрированной модели, и вероятный эффект от ее применения: объем добычи, средний дебит скважин, остаточные извлекаемые запасы, наличие осложняющих факторов при эксплуатации месторождения, перспективы развития месторождения.
Параметр «пригодность месторождения к интегрированному моделированию» позволяет оценить, насколько оперативно возможно внедрить интегрированную модель в операционную деятельность. Оценивается по следующим критериям: наличие моделей-компонентов месторождения в момент старта проекта, уровень квалификации персонала, наличие формализованных бизнес-процессов, в которые может быть внедрена интегрированная модель, а также степень автоматизации процесса сбора и хранения производственной информации.
Составляющие ИММ можно определить с помощью матрицы. Области пересечения двух параметров определяют набор, количество моделей-компонентов и степень их интеграции.
Заключение
Актуальным вопросом является разработка трудноизвлекаемых запасов, так как их доля превышает 50 % от всех углеводородов России. Разработка ТРИЗ во многом зависит от внедрения цифровых технологий, которые заимствуются из различных отраслей, в том числе аэрокосмической.
Зарубежные компании уже продолжительное время осуществляют цифровую модернизацию производства, тогда как в России данный процесс только начинает развиваться. Компании ПАО «Газпром нефть», ПАО «НК Роснефть», ПАО «Лукойл» и ПАО «Татнефть» активно осваивают интеллектуальные технологии и уже имеют опыт работы с ними. Но все же темпы трансформации нельзя назвать высокими, несмотря на то, что в последние годы благодаря программе импортозамещения отечественным производителям удалось нарастить скорость освоения новых технологий.
Причина, по которой цифровые технологии являются эффективными: увеличение эффективности производства; более низкие производственные затраты; увеличение скорости принятия управленческих решений; повышение качества применяемых решений и другие.
Основными проблемами реализации интеллектуальных технологий являются: недостаточное финансирование со стороны компаний и государства, отсутствие большого количества квалифицированных специалистов, отсутствие единого стандарта применения цифровых технологий, приверженность к традиционной добыче и ряд других проблем.
Во многом проблемы решается достаточным финансированием научных исследований в области цифровизации месторождений, а именно созданием соответствующих полигонов для разработки и испытания технологий. Опыт западных коллег показал, что такой метод эффективен для реализации цифровых технологий и высокотехнологического оборудования на производстве.
Внедрение технологий интегрированного моделирования дает возможность использовать весь потенциал месторождения и внедряются во всех его сегментах: начиная с разведки и заканчивая реализацией продукции. Такие решения возможны как на проектах greenfield, так и на brownfield. Число цифровых месторождений в мире на сегодняшний день уже превысило 240, из них 27 в России. Лидерами в области интеллектуализации производства являются зарубежные компании «Shell», «BP» и «ExxonMobil».
Внедрение интеллектуальных технологий сопровождается своими сложностями: дорогое оборудование и программное обеспечение, необходимость в специальной подготовке кадров, оснащение производства сетью и сервером данных, консервативность взглядов руководства, удаленность месторождений и т.д.
Мировая практика внедрения и использования ЦТ (цифровых технологий) показала, что система ИМ дает возможность увеличить КИН на 5–10 %, добычу углеводородов в целом на 20 % и снизить затраты как капитальные (на 50 %), так и операционные на 20 %. ИМ позволит в онлайн-режиме обеспечить обмен информацией, передачу данных между специалистами, эффективно спроектировать деятельность компании.
Технология «интеллектуального месторождения» в системе нефтегазовых предприятий основана на технологической, управленческой и информационной области принятия решений. Введение данной технологии предусматривает выбор мер повышения эффективности, с помощью которых произойдет совершенствование информационных потоков.
Литература
1. Rubio, Erismar, Alklih, Mohamed Yousef, Reddicharla, Nagaraju, Albelazi, Abobaker, Dilsiz, Melike, Al-Attar, Mohamed Ali, Davila, Rayner, and Karem Khan «Integrated Automation and Data-Driven Workflow for CO2 Project Management – Case Study from a Smart Oil Field in the Middle-East». Paper presented at the Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, November 2021. doi: https://doi.org/10.2118/207422-MS.
2. Alhandhal, Hussein Basim «Digital Oil Field: Real Time pH Monitoring and Automatic Neutralization System Using Smart Phone/Watch/PC and Microcontroller in Hydrogen Sulfide Formations». Paper presented at the SPE Annual Technical Conference and Exhibition, Virtual, October 2020. doi: https://doi.org/10.2118/204261-STU.
3. Temizel, Cenk, Canbaz, Celal Hakan, Palabiyik, Yildiray, Putra, Dike, Asena, Ahmet, Ranjith, Rahul, and Kittiphong Jongkittinarukorn «A Comprehensive Review of Smart/Intelligent Oilfield Technologies and Applications in the Oil and Gas Industry». Paper presented at the SPE Middle East Oil and Gas Show and Conference, Manama, Bahrain, March 2019. doi: https://doi.org/10.2118/195095-MS.
4. Ariffin, Mohd Hafizi, Tham, Su Li, Johing, Fedawin, Jamel, Delwistiel, and Khomeini Abdussalam «Smart Field: Is it Really Smart-Donkey Field Experience». Paper presented at the SPE/IATMI Asia Pacific Oil & Gas Conference and Exhibition, Bali, Indonesia, October 2019. doi: https://doi.org/10.2118/196246-MS.
5. R.F. Hussain, M.A. Salehi, A. Kovalenko, Y. Feng and O. Semiari «Federated Edge Computing for Disaster Management in Remote Smart Oil Fields», 2019 IEEE 21st International Conference on High Performance Computing and Communications; IEEE 17th International Conference on Smart City; IEEE 5th International Conference on Data Science and Systems (HPCC/SmartCity/DSS), Zhangjiajie, China, 2019, pp. 929–936, doi: 10.1109/HPCC/SmartCity/DSS.2019.00134.
6. Al-Subaiei, Dalal, Al-Hamer, Mohammad, Al-Zaidan, Ahmed, and Mohammad Sami Nawaz «Smart Production Surveillance: Production Monitoring and Optimization Using Integrated Digital Oil Field». Paper presented at the SPE Kuwait Oil & Gas Show and Conference, Mishref, Kuwait, October 2019. doi: https://doi.org/10.2118/198114-MS.
7. T. R. Wanasinghe et al. «Digital Twin for the Oil and Gas Industry: Overview, Research Trends, Opportunities, and Challenges», in IEEE Access, vol. 8, pp. 104175–104197, 2020, doi: 10.1109/ACCESS.2020.2998723.
8. LaGrange, Elgonda «Developing a Digital Twin: The Roadmap for Oil and Gas Optimization». Paper presented at the SPE Offshore Europe Conference and Exhibition, Aberdeen, UK, September 2019. doi: https://doi.org/10.2118/195790-MS.
9. Sarsekov, Arlen, Mogensen, Kristian, Albeshr, Manal, Al Kindi, Salem, Mabrook, Maged, and Ram Narayanan «First Ever Deployment of Production System Optimization Tool in Giant Carbonate Offshore Field in UAE – Laying the Foundation for Digital Oil Field». Paper presented at the International Petroleum Technology Conference, Riyadh, Saudi Arabia, February 2022. doi: https://doi.org/10.2523/IPTC-21984-MS.
10. Sletcha, Ben, Vivas, Cesar, K. Saleh, Fatemeh, Ghalambor, Ali, and Saeed Salehi «Digital Oilfield: Review of Real-time Data-flow Architecture for Upstream Oil and Gas Rigs». Paper presented at the SPE International Conference and Exhibition on Formation Damage Control, Lafayette, Louisiana, USA, February 2020. doi: https://doi.org/10.2118/199298-MS.
11. Liu Zhuo, Zhang Yu, Zhang Hongyang Trends and Strategies of Chinese and Foreign Digital Oilfield Technological Development[J]. Petroleum Science and Technology Forum, 2020, 39 (4): 62–67. DOI: 10.3969/j.issn.1002-302x.2020.04.010.
12. Desai, Sameer Faisal, Rane, Nitin M., Al-Shammari, Baraa S., Al-Sabea, Salem H., and Meqdad Al-Naqi «Challenges In Operating A Digital Oilfield – Lessons Learned From The Burgan Integrated Digital Field Pilot». Paper presented at the SPE Kuwait Oil & Gas Show and Conference, Mishref, Kuwait, October 2019. doi: https://doi.org/10.2118/198029-MS.
13. Aslanyan, A.N. «Digital oilfield development experience based on interactive petrocup sessions (Russian)». OIJ 2019 (2019): 28–34. doi: https://doi.org/10.24887/0028-2448-2019-3-28-34.
14. Al-Subaiei, Dalal, Al-Hamer, Mohammad, Al-Zaidan, Ahmed, Chetri, Hom, and Mohammad Sami Nawaz «Intelligent Digital Oilfield Implementation: Production Optimization Using North Kuwait Integrated Digital Oil Field NK KwIDF». Paper presented at the Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, November 2019. doi: https://doi.org/10.2118/197811-MS.
15. Alfajri, Reza, Siregar, Sakti Parsaulian, Sitanggang, Liston, and Andar Parulian Hutasoit «Operational Data Repository as the First Step to Digital Oil Field». Paper presented at the SPE/IATMI Asia Pacific Oil & Gas Conference and Exhibition, Virtual, October 2021. doi: https://doi.org/10.2118/205718-MS.
16. Mehran, Fatemeh, Turiman, Hayati, Mohd Jamil, Nur Farhana, and Khairul Mustaqim A Aziz «Enhanced Oil Recovery Surveillance and Operation Optimization through Digital Oilfield». Paper presented at the International Petroleum Technology Conference, Virtual, March 2021. doi: https://doi.org/10.2523/IPTC-21402-MS.
17. Lai, Wenhua, Zhang, Hu, Jiang, DaWei, Wang, YanHui, Wang, RongDe, Zhu, Jun, Chen, Qiulin, Gao, Yuan, Li, Weixiang, and Dengpan Xie «Digital Twin and Big Data Technologies Benefit Oilfield Management». Paper presented at the ADIPEC, Abu Dhabi, UAE, October 2022. doi: https://doi.org/10.2118/211116-MS.
18. Zhao Xianzheng, Wang Hongyu, Liu Jichao, Lai Jishun Research and Contemplation on How to Build Old Oilfields into Digital Intelligent Ones – Take Dagang Oilfield for Example[J]. Oil Forum, 2021, 40 (5): 1–8. DOI: 10.3969/j.issn.1002-302x.2021.05.001.
19. Sorokin, Valery Sergeevich, Gudoshnikov, Alexey Semenovich, Nyunyaykin, Denis Vyacheslavovich, Kochenkov, Andrey Anatolyevich, Sethuraman, Prasad, Barysheva, Sabina, Lipanin, Dmitriy Sergeevich, Mokrev, Aleksey Aleksandrovich, Vukolov, Sergey Aleksandrovich, and Aleksey Anatolyevich Ardalin «Production Optimiser Pilot for the Large Artificially-Lifted and Mature Samotlor Oil Field». Paper presented at the SPE Russian Petroleum Technology Conference, Virtual, October 2021. doi: https://doi.org/10.2118/206517-MS.
20. https://itps.com/uploads/files/Тихомиров.pdf.
21. https://assets.dm.ux.sap.com/webinars/og-summit-online/pdfs/lukoil_kozlov_rus.pdf.
