Каталог статей

Все статьи

Конференции

Анализ наиболее распространенных сценариев использования искусственного интеллекта в нефтегазовой отрасли

В.И. Булаев* (1) (1 - АО НПФ «Геофизика»)

В докладе предложен подход к структурированию способов использования систем на базе искусственного интеллекта в организациях нефтегазовой отрасли. Выделено четыре наиболее распространенных сценария (апробация, НИР, пилотный проект, продакшен) и рассмотрены основные особенности каждого из них...

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки

И.И. Приезжев (1,4), Д.А. Горбач (2), В.Г. Мирошкин (2), В.Ю. Овечкина (2), Е. Тайкулаков (3) (1 - ООО «Лаборатория Приезжева», 2 - ООО «Газпромнефть НТЦ», 3 - Satbayev University, 4 - РГУ нефти и газа ( НИУ) имени И.М. Губкина)

В докладе предлагается использование прямого прогноза коллекторских свойств по данным сейсморазведки с помощью технологии, основанной на применении нейронных сетей Колмогорова (Priezzhev, 2020). Собственно прогноз выполняется по данным в глубинном масштабе и может включать несколько кубов на входе, включая кубы - результаты сейсмической инверсии и скоростной куб, полученный в процессе обработки. П..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Машинное обучение при комплексировании результатов детальных литологических исследований с данными ГИС и петрофизики

В.Ю. Руденко * (1), Д.Е. Гуренцов (1) (1 - ЗАО "МиМГО")

В работе проведено обоснование необходимости использования данных ГИС наравне с данными керна при обосновании пространства классов литотипов. Решение задачи типизации разреза проводилось на основе комплексного анализа данных описаний керна, ФЕС на цилиндрических образцах и данных ГИС с применением методов машинного обучения...

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Оптимизация нагнетания для повышения добычи нефти по итогам количественной оценки межскважинной интерференции на основе долговременного мониторинга давления и дебита

А.Н. Никонорова* (1), В.Ю. Ким (2), А.С. Наумов (1), Д.Н. Гуляев (3), А. Аюпов (3), Р.А. Мингараев (4) (1 - РГУ нефти и газа (НИУ) имени И.М. Губкина, 2 - ООО "ИНК", 3 - ООО "Софойл", 4 - ООО "Поликод")

Для того, чтобы оптимизировать режимы работы скважин, в первую очередь нагнетательных, необходимо иметь полное представление о гидродинамической связности объекта и количественном влиянии работы нагнетательных скважин на добывающее окружение. Подобные оценки возможно выполнить на основе исторических данных об изменении забойного давления и дебита скважин благодаря использованию математического алг..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Применение глубокого обучения для акустической инверсии на примере газового месторождения Гронинген

Д.А. Богоедов * (1), Р.Ф. Мифтахов (1), А. А. Тархов (1), А.К. Базанов (1), И.И. Ефремов (1) (1 - ООО «ГридПоинт Дайнамикс»)

В докладе представлен новый метод акустической инверсии, основанный на применении нейронной сети глубокого обучения. Предложенный подход демонстрирует несколько преимуществ по сравнению с классическими методами акустической инверсии. Он позволяет избежать множества проблем, возникающих в традиционном процессе инверсии, поскольку не требует использования извлеченного сейсмического вейвлета и началь..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Использование методов машинного обучения в картопостроении. Методики выбора архитектуры и параметров, анализ неопределённости, заложенной в обучающую выборку

И.Л. Терентьев (1) (1 - Цифровые решения/ООО "БурСервис")

Методы машинного обучения стремительно проникают во все сферы человеческой жизни. Подчас готовые, обученные модели с непрозрачной архитектурой, преподносятся как универсальные решения всех задач. Однако любой метод работает лишь в рамках заложенных в него неопределённостей и в пределах значений, использованных при обучении модели. Неполнота обучающей выборки, неподходящая к конкретному случаю архи..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Применение технологий глубокого обучения при выполнении сейсмостратиграфической привязки и расчете атрибутной акустической инверсии для повышения достоверности прогноза и снижения геологических рисков

П.А. Авдеев* (1), Д.А. Богоедов (1), Р.Ф. Мифтахов (1), А.А. Тархов (1), А.К. Базанов (1), И.И. Ефремов (1) (1 - ООО «ГридПоинт Дайнамикс»)

Сейсмическая амплитудная инверсия является одним из важнейших инструментов прогноза, позволяющим преобразовать амплитуды волнового поля в распределения упругих свойств слоистой среды. Однако, решение задачи инверсии сейсмического импеданса по-прежнему остается сложным, нелинейным и неоднозначным из-за множества факторов. Большое количество ошибок возникает уже на начальном этапе подготовки данных ..

Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Автоматическое восстановление каротажных диаграмм различными методами аппроксимации

Г.Р.Вахитова* (1), А.М.Касимов (1) (1- Уфимский университет науки и технологий)

В работе представлены результаты автоматизации процесса восстановления исходных каротажных диаграмм, отсутствующих по разным причинам в цифровых массивах данных, зарегистрированных в скважинах. На основе комбинации классических методов и современных алгоритмов машинного обучения создан оригинальный инструмент в виде надстройки в программное обеспечение Microsoft Excel для автоматического восстанов..

Санкт-Петербург 2023 Машинное обучение и ИИ ГИС Добавлено: 31.05.2023

Метод прогноза упругих свойств по данным сейсморазведки на основе анизотропного петроупругого моделирования и нейронных сетей Колмогорова

Д.А. Данько* (1), И.И. Приезжев (1), И.О. Баюк (2), В.И. Рыжков (1) (1 - РГУ нефти и газа (НИУ) им. И.М. Губкина, 2 - Институт физики Земли им. О.Ю. Шмидта РАН)

В работе описан метод прогноза упругих свойств по данным сейсморазведки на основе анизотропного петроупруго моделирования и нейронных сетей Колмогорова. В основе предлагаемого метода лежит идея использования анизотропной библиотеки синтетических сейсмических образов и соответствующих им пар упругих свойств в качестве обучающей выборки для нейронных сетей. Библиотека синтетических образов формирует..

Санкт-Петербург 2023 Машинное обучение и ИИ Нетрадиционные месторождения Добавлено: 31.05.2023

Когнитивный Геолог или как искусственный интеллект помогает строить концептуальные геологические модели

М.Е. Кубанина* (1), Л.С. Дансарунова (1), И.О. Галушко (1), З.М. Бочкова (2), О.Т. Осмоналиева (3) (1 - ООО «Цифровая Формула Доверия», 2 - ПАО «ГАЗПРОМ НЕФТЬ», 3 - ООО «Газпромнефть НТЦ»)

Когнитивный Геолог представляет собой набор математических моделей, построенных на основе теоремы Байеса, который при учете введенных признаков геологических объектов позволяет рассчитывать вероятности геологических сценариев. На основе числового выражения вероятностей геологических сценариев геолог может моделировать прогнозы и формировать геологические концепции при разведке месторождений. Когни..

Санкт-Петербург 2023 Машинное обучение и ИИ Геологическое гидродинамическое и геомеханическое моделирование Добавлено: 31.05.2023

К вопросу о применимости алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей

Зайцев С.В. (1), В.Д. Гулин (3), Г.С. Григорьев (2), Орлов Р.В. (1), В.В.Ананьев (4), Чепиго Л.С.(5) (1 - ООО «Газпромнефть-ЦР», 2 - ПАО «Газпром нефть», 3 - ООО «Газпромнефть-ГЕО», 4 - ООО «Газпромнефть НТЦ», 5 - ООО «Лолгео»)

Широкое распространение в геофизических кругах нашло решение задачи восстановления структурных границ по данным несейсмических методов. Повсеместное применение алгоритмов машинного обучения и относительная простота их реализации позволяет решать эту задачу с привлечением небольших ресурсов и за сравнительно короткие сроки. В открытых источниках известны уже несколько групп, занимающихся подобными ..

Санкт-Петербург 2023 Машинное обучение и ИИ Комплексирование геофизических методов Добавлено: 31.05.2023

Применение пост-стак инверсии на алгоритмах искусственного интеллекта для выделения коллекторов регионального/локального уровня на примере мега сейсмического куба Норвежского моря

А.З. Недоступов* (1), В. Калашникова (2), Р. Оверос (2), Т.Р. Шарафутдинов (1), Г.Р. Вахитова (1) (1 - ООО «ПетроТрейс Сервисиз», 2 - AO «Пре Стак Солюшинс-Гео»)

В данной работе показано эффективное геолого-геофизическое изучение региона Норвежского моря как на региональном уровне, так и на уровне месторождения через «сканирование» данных. Основой для получения успешных результатов работ послужил широкополосный «бесшовный» куб сейсмических данных, по которому была выполнена новая инверсия на основе алгоритмов искусственного интеллекта (Rune Inversion). Исп..

Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Алгоритм на базе ИИ для предсказания карты проницаемости пласта в межскважинном пространстве из сейсмических данных и с помощью результатов комплексирования

К.М. Рамазанов* (1), К.Е. Павленко (1), В.М. Дупляков (1), Д.Г. Муртазин (2), С.В. Кайгородов (3), В.С. Котежеков (4), Б.В. Белозеров (3), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколковский институт науки и технологий, 2 - ООО «Газпромнефть – ЦР», 3 -

Основной проблемой обучения сложных нейросетевых моделей на сейсмических данных по месторождению является отсутствие "ground truth" данных по скважинам в достаточном количестве. Мы предлагаем расширить обучающую выборку путем добавления в нее промежуточных данных комплексирования ГИСов и ГДИСов в прискважинных зонах. Также, для избежания проблемы переобучения модели, предложен метод кросс-валидаци..

Санкт-Петербург 2023 Машинное обучение и ИИ Комплексная интерпретация Добавлено: 31.05.2023

Генеративные модели на основе технологий ИИ для обуславливания карт проницаемости на результаты измерений с учетом геологического реализма

И.А. Мельников* (1), К.Е. Павленко (1), А.С. Мурзина (2), Д.Г. Муртазин (3), С.В. Кайгородов (4), В.С. Котежеков (5), Б.В. Белозеров (4), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ТПУ, 3 - ООО «Газпромнефть – ЦР», 4 - ООО «Газпромнефть НТЦ»,

Представлена методика генерации карт проницаемости с элементами геологического реализма. Геологический реализм достигается путем обучения генеративной нейронной сети на подготовленной выборке карт, учитывающей геологические характеристики конкретного пласта. Сгенерированные карты обуславливаются на результаты комплексирования (объединения данных измерений) по ГИСам и ГДИСам, а также по сейсмике, и..

Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Современные технологии построения структурно-тектонической модели геологической среды на основе данных аэрогравимагнитной съемки и сейсморазведки МОГТ-2D

А.В. Колмаков* (1), А.Л. Мейснер (1), А.А. Трусов (1) (1 - АО ГНПП «Аэрогеофизика»)

В докладе рассматривается вопрос применения различных алгоритмов машинного обучения (LASSO-регрессия (LASSO-regression), градиентный бустинг (Gradient boosting), искусственные нейронные сети (Artificial neural network)) для восстановления морфологии отражающих горизонтов в межпрофильном пространстве сейсмических данных по материалам площадной аэрогравимагнитной съемки. Затрагивается вопрос, касающ..

Санкт-Петербург 2023 Комплексирование геофизических методов Машинное обучение и ИИ Добавлено: 31.05.2023

Показано с 1 по 15 из 30 (Страниц: 2)