ADNOC Deep Gas: Қазақстанға AI бойынша 7 сабақ

ADNOC-тың SARB Deep Gas Development жобасы бойынша Final Investment Decision (FID) қабылдауы — жай ғана «тағы бір платформа» жаңалығы емес. Бұл — газ үшін жаһандық бәсекенің қалай жүріп жатқанын көрсететін нақты сигнал: газ өндіру күрделенген сайын, тиімділік пен сенімділікті өсірудің ең қысқа жолы — дерек, автоматтандыру және жасанды интеллект (AI).

Жоба SARB кен орнынан (Абу-Дабиден шамамен 120 км оффшорда) газ өндіруді күшейтіп, жаңа оффшор платформасын және төрт газ өндіру ұңғымасын қамтиды. Өндірілген газ Das Island инфрақұрылымына байланыстырылмақ. Мақсат айқын: ішкі газ сұранысын жабу және LNG экспортын ұлғайту.

Қазақстан үшін бұл жаңалық неге маңызды? Себебі біздің мұнай-газ және энергия компаниялары да дәл осы қысымда өмір сүріп отыр: өзіндік құн, қауіпсіздік, тоқтап қалу уақыты, күрделі активтер, кадр тапшылығы, ESG талаптары. Менің тәжірибемде, осының бәрін бір мезетте ұстап тұрудың ең прагматикалық тәсілі — AI-ды “пилот” емес, өндірістік тәртіп ретінде енгізу.

SARB Deep Gas нені көрсетеді: күрделілік өссе, «ақылды» операция міндетті

SARB сияқты терең және оффшор газ жобаларының басты сипаты — әр минуттың бағасы жоғары. Логистика қиын, ауа райы тәуекелі бар, жабдық қымбат, жөндеу терезелері тар. Осындай жерде өнімділік «батырлықпен» емес, процестердің цифрлық тәртібімен шығады.

Оффшор газдағы нақты ауырсыну нүктелері

Мұндай жобаларда әдетте мына проблемалар жиі кездеседі:

• Жоспардан тыс тоқтау (compressor trips, hydrate қаупі, клапан/сорғы ақауы)
• Қауіпсіздік тәуекелі (газ шығуы, HSE оқиғалары, теңіздегі жұмыс)
• Өндірісті тұрақты ұстап тұру (pressure/temperature тербелістері, slugging)
• Жабдықтың сенімділігі (rotating equipment, subsea жүйелер)

AI бұл жерде «әдемі презентация» емес. Дұрыс жасалса, ол:

• ақауды ертерек байқайды,
• өндіріс режимдерін автоматты түрде оңтайлайды,
• жөндеуді жоспарлы етеді,
• қауіпсіздік оқиғаларын азайтады.

LNG экспортының логикасы: көлем емес, тұрақтылық ақша әкеледі

ADNOC-тың ішкі газды күшейтіп, экспортқа шығуды көздеуі — нарық логикасы. LNG-де табыс көбіне тұрақты жеткізу мен сенімділікке тіреледі. Бір рет тоқтап қалсаңыз, айыппұл, қайта іске қосу шығыны, бедел тәуекелі келеді.

Қазақстанға параллель: экспорттық тәртіп пен өндірістік тәртіп бір нәрсе

Қазақстанда да экспорттық бағыттағы кез келген энергия жобасы (газ, мұнай, электр, химия) мына үш сұраққа келіп тіреледі:

1. Біз жоспарланған көлемді ұстай аламыз ба?
2. Біз өзіндік құнды бақылауда ұстай аламыз ба?
3. Біз қауіпсіздік пен экология талаптарына сай бола аламыз ба?

AI-дың құны осы жерде ашылады: ол «көбірек өндірейік» емес, «жұмыс тұрақты болсын» деген тапсырманы шешеді.

Тұрақтылық — өндірістегі ең бағалы валюта. AI сол валютаны көбейтетін құрал.

Қазақстан мұнай-газында AI қай жерден басталуы керек?

Жаңадан платформа салу — бір сценарий. Ал Қазақстандағы көптеген активтерде мәселе басқаша: қолда бар қондырғыларды тиімді жүргізу. Сондықтан AI енгізу көбіне мына төрт бағыттан басталғаны дұрыс.

1) Predictive maintenance: «сынған соң» емес, «сынбай тұрып»

Ең тез қайтарым беретін бағыттардың бірі — жабдықтың істен шығуын болжау. Компрессор, насос, турбина, генератор, сепарация желісі — бәрі сенсор деректерін береді (vibration, temperature, pressure, power draw).

Нәтиже ретінде компания:

• жоспардан тыс тоқтауды қысқартады,
• қосалқы бөлшек қорын дәл жоспарлайды,
• жөндеу бригадасын тиімді жүктейді.

2) Process optimization: газды өңдеу мен компрессияны «ақылмен» жүргізу

Газ өңдеу зауыттарында (amine sweetening, dehydration, compression) режим дұрыс таңдалмаса:

• энергия шығыны өседі,
• флейр/шығын артады,
• өнім сапасы тұрақсызданады.

AI/ML модельдері операторға:

• ең үнемді режимді ұсынады,
• limit-терді бұзбай throughput өсіреді,
• сапа көрсеткішін тұрақтандырады.

3) Digital twin: күрделі активті «көрінетін» ету

Оффшор платформа сияқты күрделі объектілерде цифрлық егіз (digital twin) — бір ғана 3D модель емес. Бұл:

• asset data + process data + maintenance history біріктірілген орта,
• сценарийлік есептеу (what-if),
• жоспарлау мен қауіпсіздік талдауы.

Қазақстан үшін бұл әсіресе ірі кен орындары, ГПЗ, магистральдық инфрақұрылымда маңызды.

4) HSE және қауіпсіздік аналитикасы: камера да, мәтін де дерек

Көп компания қауіпсіздікті тек регламентпен ұстайды. Бірақ 2026 жылға келгенде қауіпсіздік — бұл да аналитика.

• Компьютерлік көру (CCTV) арқылы PPE compliance, қауіпті аймаққа кіру, түтін/өрт белгілері
• Оқиға актілері мен near-miss мәтіндерін NLP арқылы талдау (қай учаске, қандай себеп қайталанады)

Бұл бағыт «қымбат» көрінуі мүмкін, бірақ ауыр оқиғаның бағасымен салыстырғанда аргументі қатты.

ADNOC мысалынан Қазақстан алатын 7 практикалық сабақ

ADNOC жобасы толық техникалық детальдарымен бізде жоқ (RSS қысқаша мазмұн ғана), бірақ инвестициялық шешімнің өзінен мына қорытындылар шығады.

1. FID — технологиялық тәртіпті талап етеді. Ірі CAPEX жобасында дерексіз шешім болмайды: модельдеу, сенімділік есептері, жеткізу тізбегі болжамдары.
2. Инфрақұрылым түйіні маңызды. SARB → Das Island байланысы сияқты, бізде де «кен орын–ГПЗ–құбыр–экспорт» түйіндерінің әлсіз жерін AI арқылы көру керек.
3. Төрт ұңғыма — аз сияқты, бірақ мән режимде. Көлемді тек ұңғыма санымен өлшеу қате. Дебит тұрақтылығы мен қысым менеджменті маңызды.
4. Оффшорда адам факторын азайтасың. Қашықтан мониторинг, автоматты дабыл, predictive maintenance — қауіпсіздіктің бірінші қабаты.
5. LNG үшін сенімділік бірінші орында. Үзіліссіздікке қызмет ететін AI жобалары (анализаторлар, компрессор бақылауы, флейрді азайту) экспорт логикасына дәл келеді.
6. Дерек сапасы — табыстың 70%-ы. Сенсор калибровкасы, тегтер тәртібі, уақыт синхрондау болмаса, ML «оқымайды».
7. Кадр мәселесін AI шешпейді, бірақ жұмысын жеңілдетеді. Оператордың үстінен «AI бастық» қою емес, операторға нақты ұсыныс беретін decision support құру керек.

Қазақстан компаниялары үшін 90 күндік іске қосу жоспары (артық бюрократиясыз)

AI туралы көп айтылады, бірақ «ертең не істейміз?» деген сұрақта бәрі тоқтайды. Мына жоспарды мен шынайы өндірістік жағдайда жұмыс істейтін формат деп санаймын.

0–30 күн: мақсат пен дерек аудиті

• 1–2 нақты use case таңдаңыз: мысалы, компрессор trips азайту немесе amine unit энергия шығынын қысқарту
• Тегтер картасы: қай датчик бар, сапасы қандай, gap қай жерде
• Сәттілік метрикасы: downtime сағаты, энергия кВт·сағ/тонна, флейр көлемі, MTBF

31–60 күн: прототип емес, «операторға пайдалы» MVP

• Тарихи дерекпен baseline модель
• Дабыл логикасын фильтрация (false positive-ті азайту)
• Оператор экраны: 3 нәрсе ғана — не болып жатыр, неге, енді не істейміз

61–90 күн: өндірістік енгізу тәртібі

• SCADA/DCS-пен интеграцияны жоспарлау (оқу/жазу құқықтары бөлек)
• MOC (Management of Change) және HSE approvals
• Персонал тренингі: «модельді» емес, шешім қабылдауды үйрету

Бұл жазба серияның үлкен ойына қалай жалғасады?

Осы серияда біз бір нәрсені қайта-қайта айтамыз: Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр деген сұрақтың жауабы бір ғана технологияда емес. Ол — өндірістік тәртіп, дерек мәдениеті және нақты бизнес-метрика.

ADNOC-тың SARB Deep Gas инвестициясы бізге қарапайым сабақ береді: газ жобалары күрделенген сайын, «дәстүрлі тәсілмен» тиімді болу қиындайды. Ал тиімділікті жоғалтсаңыз, экспорт та, ішкі тұрақтылық та әлсірейді.

Егер сіз Қазақстандағы мұнай-газ немесе энергетика компаниясында жұмыс істесеңіз, өзіңізге бір ғана сұрақ қойыңыз: біздің ең қымбат “тоқтап қалуымыз” қай жерде, және оны дерек пен AI арқылы 6 айда қаншаға қысқарта аламыз?