ВведениеСтроительство объектов нефтегазовой инфраструктуры отличается высокой капиталоёмкостью и жёсткими нормативными требованиями к безопасности и качеству выполняемых работ. На каждом этапе — от проектирования до пусконаладки — накапливается значительный объём инженерных данных, управление которыми всё чаще требует автоматизированных средств обработки. В этих условиях цифровые технологии из вспомогательного инструмента постепенно становятся неотъемлемой частью производственных процессов. Коротеев и Текич, анализируя сценарии развития нефтегазового сектора, отмечают, что компании, сумевшие встроить цифровые решения в операционную деятельность, получают измеримое конкурентное преимущество за счёт сокращения простоев и оптимизации затрат [1].Среди направлений, определяющих облик цифровизации нефтегазового строительства, выделяются два технологических класса. Первый — искусственный интеллект (ИИ; в англоязычных источниках — AI, здесь и далее обозначения используются как синонимы), включающий методы машинного и глубокого обучения. Мохаммадпур и Тораби в обзоре, посвящённом аналитике больших данных в нефтегазовой отрасли, показали, что такие методы позволяют выявлять скрытые закономерности в работе оборудования, недоступные при традиционном инженерном анализе [2]. Сиркар с коллегами обобщили опыт применения машинного обучения в задачах добычи, переработки и транспортировки углеводородов и пришли к выводу, что наибольшую практическую отдачу дают модели предиктивного обслуживания и оптимизации технологических режимов [3].Второй класс — технологии дополненной и виртуальной реальности (AR/VR). Их применение в строительстве тесно связано с информационным моделированием: Скьяви с соавторами описали архитектуру потоков данных между BIM-моделью (BIM, Building Information Modelling; в российской нормативной практике — технологии информационного моделирования, ТИМ; здесь и далее термины используются как синонимы) и AR/VR-устройствами, при которой проектная информация накладывается на физическое состояние объекта в реальном времени [4]. Монла с коллегами провели обзор методов оценки зрелости BIM-AR/VR-решений и установили, что большинство внедрений пока находится на стадии пилотных проектов, а переход к серийному использованию сдерживается недостатком стандартизованных протоколов обмена данными [5]. Евтушенко и Куценко рассмотрели применение дополненной реальности на различных этапах жизненного цикла объекта капитального строительства и отметили, что наибольший эффект AR-инструменты обеспечивают при авторском надзоре и приёмке скрытых работ [6].Несмотря на растущее число публикаций, посвящённых отдельным технологическим решениям, систематизированные сведения о масштабе и результативности НИОКР-проектов, одновременно охватывающих оба класса технологий применительно к нефтегазовому строительству, в литературе практически отсутствуют. Игитбас с соавторами, проведя обширный обзор литературы по BIM и AR/VR в строительстве, также зафиксировали этот пробел: большинство работ ограничивается описанием единичных случаев внедрения, а сравнительные данные о конверсии пилотов в промышленные решения не систематизированы [7].Цель настоящей работы — провести количественный анализ 528 НИОКР-проектов, реализованных в сфере научно-технического сопровождения строительства нефтегазовых объектов в 2018–2024 гг., и выявить закономерности их динамики, отраслевого распределения и конверсии по двум технологическим классам.Материалы и методыОснову исследования составила база данных НИОКР-проектов, сформированная по результатам систематического мониторинга научно-технической деятельности в сфере капитального строительства одной крупной вертикально интегрированной нефтегазовой компании за 2018–2024 гг. Источниками для наполнения базы служили: внутренняя отчётность по НИОКР (технические задания, отчёты о выполнении этапов, акты приёмки работ), протоколы научно-технических советов и реестры цифровых проектов. Мониторинг охватывал все зарегистрированные инициативы за указанный период; работы, не прошедшие внутреннюю процедуру регистрации или не имевшие задокументированного плана испытаний, в выборку не включались. Дублирование исключалось путём сверки по уникальным идентификаторам проектов (номер технического задания, код в корпоративной информационной системе); при обнаружении нескольких записей об одной инициативе в базу вносилась единственная актуальная версия. Классификация проектов по технологическим классам (ИИ или AR/VR) проводилась двумя независимыми экспертами предметной области на основе анализа технического задания и отчётной документации; в случае расхождения мнений привлекался третий эксперт. Итоговая выборка — 528 проектов за период с 2018 по 2024 г. Критерии включения: (1) явная нацеленность проекта на применение технологий ИИ или AR/VR; (2) принадлежность к строительным, монтажным или надзорным процессам нефтегазового объекта; (3) наличие задокументированного плана испытаний или отчётной документации. Концептуальные разработки без зафиксированного объёма апробации в выборку не вошли.Каждый проект отнесён к одному из двух технологических классов. Класс ИИ объединил инициативы на базе методов машинного и глубокого обучения: предиктивную аналитику технического состояния оборудования, мультиагентное управление ресурсами, алгоритмы компьютерного зрения для видеоаналитики, семантический анализ неструктурированных данных. Адамцевич и Харисов в обзоре технологий Индустрии 4.0 применительно к дистанционному управлению строительной площадкой подтверждают релевантность именно этого набора задач для строительного производства [8]. Класс AR/VR включил решения дополненной, виртуальной и смешанной реальности, реализуемые, как правило, совместно с информационной моделью объекта. Проекты, целенаправленно совмещавшие инструменты обоих классов, дополнительно маркировались как комбинированные.Функциональная классификация велась по шести направлениям: добыча и разведка, переработка и сбыт, логистика и снабжение, промышленная безопасность, корпоративные функции, экология и энергетика.Оценка результативности проведена на двух уровнях. Первый уровень — переход в реализацию: проект получал статус «реализуемого», если по итогам пилотной фазы принималось решение о его продолжении в любой организационной форме (включение в ИТ-портфель, присвоение статуса цифрового проекта, передача в эксплуатирующее подразделение). По этому критерию 259 из 528 проектов (49 %) перешли от стадии НИОКР к дальнейшей реализации. Второй уровень — подтверждённое промышленное внедрение (далее — «конверсия»): проект считался успешно конвертированным при наличии акта ввода в промышленную эксплуатацию, договора на тиражирование или включения разработки в действующую нормативно-методическую документацию. По этому критерию успешно конвертированы 168 проектов (132 ИИ и 36 AR/VR). Далее в статье, если не указано иное, под «конверсией» понимается именно второй, более строгий показатель.Обработка данных включала расчёт абсолютных значений и долей по годам, технологическим классам и отраслевым направлениям, а также сравнительный анализ конверсии.РезультатыОбщая динамика НИОКР-проектовЗа 2018–2024 гг. зафиксировано 528 НИОКР-проектов: 441 в классе ИИ (83,5 %) и 87 в классе AR/VR (16,5 %). Распределение проектов по технологическим классам и годам представлено в табл. 1 и на рис. 1.Таблица 1Распределение НИОКР-проектов по технологическим классам и годам (2018–2024 гг.)ГодИИ-проектыAR/VR-проектыИтого201818153320191162614220206318812021759842022681078202356561202445449Итого44187528  Рис. 1. Сравнительный анализ общего числа и успешной конверсии проектов с применением технологий AR/VR и AI (2018–2024 гг.) Пиковый объём инициатив приходится на 2019 г.: 116 ИИ-проектов и 26 AR/VR-проектов. В последующие годы число новых AR/VR-инициатив устойчиво снижается (с 18 в 2020 г. до 4 в 2024 г.), тогда как ИИ-проекты после спада в 2020 г. (63 проекта) демонстрируют рост в 2021–2022 гг. (75 и 68 проектов соответственно) с последующим снижением до 45 проектов к 2024 г. Соотношение технологических классов в общем портфеле представлено на рис. 2. Рис. 2. Соотношение проектов с технологиями AR/VR и AI в научно-техническом сопровождении (2018–2024 гг.) Отраслевая структура инициативВ разрезе шести функциональных направлений востребованность технологических классов существенно различается (табл. 2). Динамика распределения проектов по категориям и годам представлена на рис. 3.Таблица 2Распределение НИОКР-проектов по функциональным направлениямНаправлениеИИAR/VRИтогоДобыча и разведка19020210Переработка и сбыт1015106Логистика и снабжение551166Промышленная безопасность201636Корпоративные функции7234106Экология и энергетика314Итого44187528  Рис. 3. Динамика распределения научных проектов по категориям в нефтегазовой отрасли (2018–2024 гг.) Максимальный объём сосредоточен в секторе добычи и разведки (210 проектов), где доминируют ИИ-решения (190 из 210), ориентированные на предиктивное обслуживание скважинного и наземного оборудования. Азми с коллегами, обобщившие 91 публикацию по предиктивной аналитике в нефтегазовой отрасли, подтверждают, что именно задачи прогнозирования отказов и оптимизации режимов эксплуатации составляют основной массив прикладных разработок в этом секторе [9]. Переработка и сбыт (106 проектов) также отдают предпочтение ИИ (101 проект): задачи оптимизации технологических режимов хорошо формализуются и удобны для автоматизированного решения.Иная картина складывается в секторе промышленной безопасности: при сопоставимом числе ИИ- и AR/VR-инициатив (20 и 16 из 36 проектов) значительная часть ИИ-проектов использует алгоритмы компьютерного зрения для видеоаналитики и предотвращения инцидентов. Фанг с соавторами, разработавшие метод автоматического обнаружения рабочих и тяжёлой техники на строительных площадках с помощью свёрточных нейронных сетей, показали, что подобные системы способны существенно сократить задержку реагирования на нарушения по сравнению с ручным мониторингом [10]. AR/VR в этом секторе применяется для дистанционного контроля и обучения персонала в условиях опасных производств. Детализация масштабов внедрения по сферам применения представлена на рис. 4 и 5. Рис. 4. Масштабы внедрения технологий AR/VR по сферам применения (2018–2024 гг.)  Рис. 5. Масштабы внедрения технологий AI по сферам применения (2018–2024 гг.) Корпоративные функции (106 проектов) — лидер по использованию AR/VR (34 из 87 проектов выборки), что объясняется широким распространением VR-тренажёров и AR-инструментов в управленческих и образовательных процессах. Логистика и снабжение (66 проектов) акцентирована на ИИ-решениях для оптимизации графиков поставок. Адамцевич с коллегами, изучившие международный опыт применения технологий Индустрии 4.0 для мониторинга строительного производства, отмечают, что автоматизация логистических цепочек на стройплощадке даёт измеримый эффект в виде сокращения простоев [11]. Экология и энергетика (4 проекта) пока остаётся на периферии цифровых преобразований.Конверсия проектовОбщая картина перехода НИОКР-проектов в реализацию по годам представлена на рис. 6 и в табл. 3.Рис. 6. Динамика общего числа НИОКР-проектов и их успешной конверсии по технологиям AR/VR/AI (2018–2024 гг.) Таблица 3Динамика перехода НИОКР-проектов в реализацию (2018–2024 гг.)ГодОбщее число НИОКРПроекты, перешедшие в реализациюДоля, %20183319582019142997020208158722021842024202278253220236118302024491327Всего52825949 В 2018–2020 гг. доля проектов, перешедших в реализацию, достигала 58–72 %, а начиная с 2021 г. снизилась до 24–32 %.При оценке по более строгому критерию — подтверждённому промышленному внедрению — успешно конвертированы 168 проектов из 528 (табл. 4).Таблица 4Сводные показатели конверсии НИОКР-проектов в промышленное внедрениеКласс технологийВсего проектовКонвертированоКонверсия, %ИИ44113230AR/VR873641Итого52816832 Конверсия ИИ-проектов составляет около 30 %. Среди нереализованных инициатив порядка 20–30 % закрыты из-за недостаточного экономического эффекта по итогам пилота или организационных затруднений при передаче в эксплуатацию.Конверсия AR/VR-проектов — около 41 %. Более высокий показатель объясняется несколькими факторами. AR/VR-решения в связке с BIM-моделью имеют сравнительно линейный сценарий применения: оператор совмещает цифровую модель с физическим объектом и фиксирует расхождения. Пащенкова с соавторами на примере объектов капитального строительства нефтегазовой отрасли описали практику применения AR совместно с информационной моделью [12]. Кроме того, меньший масштаб выборки (87 против 441) не исключает эффекта отбора: AR/VR-проекты запускались прицельнее, с более зрелыми бизнес-обоснованиями.Тренд на комбинирование технологийДоля комбинированных ИИ+AR/VR-проектов неуклонно растёт: с 10–12 % в 2018–2019 гг. до 20–25 % в 2023–2024 гг. Такие проекты появляются там, где нужно одновременно автоматизировать контроль качества и обеспечить оперативную пространственную визуализацию — например, при приёмке блочного оборудования или верификации монтажных узлов трубопроводов. Железнов описал модель управления жизненным циклом объекта капитального строительства на базе облачной BIM-платформы, в которой интеграция различных цифровых инструментов обеспечивает единое информационное пространство для принятия решений [13]. При совмещении ИИ-алгоритмов с AR-визуализацией геометрические расхождения и нарушения регламентов выявляются быстрее, чем при раздельном применении методов, что сокращает затраты на устранение дефектов. Обязательным условием результативности остаётся регулярное обновление BIM-модели и согласование данных из разрозненных источников.ОбсуждениеПолученные результаты согласуются с тенденциями, зафиксированными в отраслевой литературе. Коротеев и Текич указывают на то, что нефтегазовый сектор прошёл стадию первоначального технологического энтузиазма и перешёл к прагматичной оценке экономической отдачи цифровых решений [1]. Динамика числа проектов — пик в 2019 г. с последующим снижением — допускает несколько интерпретаций: как завершение фазы массового пилотирования и переход к целенаправленному масштабированию, так и влияние внешних факторов (пандемия COVID-19 в 2020–2021 гг., корректировка инвестиционных программ). Разграничить вклад этих факторов на имеющихся данных не представляется возможным.Разница в конверсии между ИИ (30 %) и AR/VR (41 %) находит объяснение в структурных особенностях этих технологий. Мохаммадпур и Тораби отмечают, что внедрение аналитики больших данных в нефтегазовой отрасли сопряжено с длительным накоплением обучающих массивов и перестройкой процессов сбора информации [2]. AR/VR-инструменты, напротив, дают наглядный результат уже на этапе первых испытаний — пользователь видит совмещение модели и объекта и быстро оценивает полезность инструмента. Монла с коллегами приходят к аналогичному заключению: короткий цикл обратной связи при работе с AR/VR способствует более высокому уровню принятия технологии конечными пользователями [5].Доминирование ИИ в секторе добычи и разведки обусловлено хорошей оснащённостью промысловых объектов датчиками и наличием длинных временных рядов — необходимой предпосылки для обучения предиктивных моделей [3]. Сектор безопасности, где AR/VR занимает сопоставимую долю с ИИ, характеризуется высокой мотивацией к снижению человеческого фактора. Аканму с соавторами, разработавшие систему распознавания объектов на строительных площадках с применением глубокого обучения и синтетических данных, указывают на перспективность комбинирования компьютерного зрения с AR-визуализацией для оперативного оповещения персонала об опасных ситуациях [14].Рост доли комбинированных решений свидетельствует о зрелости технологической экосистемы. Организации, накопившие опыт раздельного применения ИИ и AR/VR, выстраивают архитектуры, в которых алгоритм автоматически выявляет отклонение, а AR-интерфейс представляет его в контексте физического объекта. Скьяви с соавторами подчёркивают, что устойчивая BIM-основа является обязательным условием для результативного AR-применения [4]. Алексанин, анализируя использование информационных технологий на этапе строительства, также указывает на ключевую роль актуальности и полноты цифровой модели для успешного внедрения любых надстроечных инструментов [15].Необходимо обозначить ограничения исследования. База данных охватывает проекты одной компании и не претендует на репрезентативность всего нефтегазового рынка. Критерий конверсии отражает формальный переход к промышленной эксплуатации, но не учитывает масштаб внедрения и долгосрочный экономический эффект. Классификация проектов по двум технологическим классам неизбежно огрубляет разнообразие подходов: за понятием «ИИ» скрываются как простые регрессионные модели, так и архитектуры глубокого обучения с разным потенциалом конверсии. Эти ограничения задают направление для дальнейших исследований.ЗаключениеПроведённый анализ 528 НИОКР-проектов по применению ИИ и AR/VR в строительстве нефтегазовых объектов одной вертикально интегрированной компании за 2018–2024 гг. позволяет сформулировать следующие выводы.В исследованном портфеле НИОКР технологии ИИ занимают доминирующее положение (83,5 % инициатив), однако их конверсия в промышленное внедрение (около 30 %) уступает показателю AR/VR-проектов (около 41 %). При этом почти половина всех НИОКР (259 из 528, 49 %) переходит в ту или иную форму реализации, что свидетельствует о высоком общем уровне востребованности цифровых решений.Сектор добычи и разведки — лидер по числу ИИ-инициатив (190 из 441), в рамках исследованного портфеля сектор промышленной безопасности демонстрирует наиболее сбалансированное соотношение ИИ и AR/VR (20 и 16 проектов), отражая двойную потребность в автоматизированном обнаружении угроз и наглядном представлении информации для полевого персонала.Устойчивый рост доли комбинированных ИИ+AR/VR-проектов (с 10–12 % до 20–25 % за шесть лет) указывает на формирование нового класса решений, способных одновременно закрывать задачи контроля качества и оперативной визуализации. Их результативность опирается на актуальную BIM-модель, что выдвигает повышение культуры информационного моделирования в число приоритетов отраслевой цифровизации.Практический вывод для нефтегазовых компаний состоит в целесообразности переключения фокуса с количества запускаемых НИОКР на глубину проработки сценариев их конверсии: наличие плана масштабирования с первых этапов пилота повышает вероятность успешного внедрения. Перспективным направлением дальнейших исследований представляется создание методики оценки конверсионного потенциала НИОКР-проектов, учитывающей технологическую зрелость решения, готовность данных и операционные условия. Перенос выявленных закономерностей на отрасль в целом требует верификации на данных других компаний, что составляет одно из направлений дальнейших исследований.