Конференция Интеллектуальный анализ данных в нефтегазовой отрасли

Интеллектуальный анализ данных

Сейсмофациальный анализ целевых горизонтов с применением методов машинного обучения

Е.И. Корыткин (1), Г.М. Митрофанов* (2, 3) (1 - ООО «СахалинНИПИ нефти и газа», 2 - ИНГГ СО РАН, 3 - НГУ)

В статье рассмотрено применение усовершенствованного байесовского классификатора на одном из месторождений в Волго-Уральском регионе. При выполнении исследований выполнен анализ эффективности применения усовершенствованного подхода в определении перспективных зон распространения коллектора продуктивного пласта Б2 бобриковских отложений нижнего карбона и оценке потенциала для добычи углеводородов...

Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Машинное обучение и ИИ Добавлено: 21.08.2025

Опыт применения методов машинного обучения для задачи сейсмофациального анализа на примере Казанского месторождения

А.М. Камашев* (1), П.А. Глазырин (1) (1 - НГУ)

В данной работе представлен опыт применения классических методов машинного обучения для решения задачи сейсмофациального анализа на примере продуктивного пласта Ю1 Казанского месторождения. Исследование направлено на сопоставление эффективности подходов кластерного анализа (методы K-средних, гауссовская смесь) и классификации (k-ближайших соседей, дерево решений, опорные векторы, наивный байесовск..

Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Машинное обучение и ИИ Добавлено: 21.08.2025

Применение сейсмических базовых нейросетевых моделей для решения задач обработки и интерпретации

В.Д. Гришко* (1,2), А.А. Козяев (1), Д.А. Петров (1), Т.Э. Хохрякова (1), А.С. Вострецов (1, 2), Д.А. Проскурин (1, 2), В.В. Болдырев (1, 2) (1 – ООО «РН-КрасноярскНИПИнефть», 2 – ФГАОУ ВО «Сибирский Федеральный Университет»)

В исследовании рассматривается применение предварительно обученных базовых нейросетевых моделей (foundation models) для обработки и интерпретации сейсмических данных. Авторы предлагают две специализированные архитектуры на основе трансформеров: для pre-stack (обработка сырых данных) и post-stack (анализ атрибутов) этапов. Модель для pre-stack данных использует метод MAE (Masked Autoencoder) для во..

Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Машинное обучение и ИИ Добавлено: 21.08.2025

Гибридизация концепций ML-прогнозирования и многовариантного моделирования

А.Ю. Дегтерёв* (1) (1 - ООО «ИРМ»)

В работе на примере задачи сейсмической инверсии рассмотрена возможность гибридизации концепций ML-прогнозирования и многовариантного моделирования, где стохастичность применяемого метода прогнозирования используется для повышения достоверности прогноза и получения новой информации об объекте исследования...

Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Машинное обучение и ИИ Добавлено: 21.08.2025

Гибридный подход создания и обучения нейросетевых моделей фильтрации для оптимизации системы заводнения

Р.Ю. Пономарёв* (1), Р.Р. Зиазев (1), А.А. Лещенко (1), Р.Р. Мигманов (1), М.И. Ивлев (1) (1 - Тюменский нефтяной научный центр)

В классическом представлении нейронные сети показывают качественные результаты при достоверной и разнообразной обучающей выборке. Однако, в условиях разработки нефтяных месторождений это не так. Следовательно, прогнозирования на фактических геолого-промысловых данных – это нетривиальная задача методов машинного обучения, требующая дополнительных модификаций методов обучения нейронных сетей или ком..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Разработка месторождений Добавлено: 17.10.2024

Контроль качества геометрии в сейсморазведке с помощью методов машинного обучения

А.М. Камашев* (1), П.С. Бекешко (2) (1 - НГУ, 2 - ООО «ГеоПрайм»)

В работе рассматривается проблема контроля качества геометрии в сейсморазведке. Авторы обращают внимание на значимость точности и достоверности данных для успешной деятельности в области поиска и добычи полезных ископаемых. В работе предлагается автоматизированный алгоритм, основанный на нейронных сетях для поиска сейсмических данных с ошибками в геометрии. Предложенный метод основан на задаче бин..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Добавлено: 17.10.2024

Глубокая сейсмическая инверсия – применение генеративно-состязательных нейронных сетей для восстановления упругих свойств

В.Д. Гришко* (1), А.А. Козяев (1) (1 - ООО «РН-КрасноярскНИПИнефть»)

Основным инструментом количественной интерпретации сейсмических данных является сейсмическая инверсия, позволяющая трансформировать волновое поле в распределение акустических и упругих свойств на основе решения обратной динамической задачи. Под сейсмической инверсией обычно понимают группу алгоритмов, с помощью которых традиционный и всем привычный сейсмический временной разрез трансформируется в ..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 17.10.2024

Прогнозирование динамических свойств пласта с использованием нейронного оператора Фурье с учетом петрофизических характеристик коллектора для произвольного расположения скважин

А.Н. Хамидов* (1), И.В. Матвеев (1), Г.Ю. Шишаев (1), В.С. Рукавишников (1) (1 - НИ ТПУ)

Рассматривается подход прогнозирования динамических свойств пласта с использованием нейронного оператора Фурье с учетом петрофизических характеристик коллектора для произвольного расположения скважин. Метод FNO относится к методу машинного обучения, что делает его актуальным способом аппроксимации данных. Новизна подхода обучения заключается в добавлении возможности произвольного расположения сква..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Петрофизика и исследование керна Добавлено: 17.10.2024

Применение физически-информированной нейронной сети для прогнозирования динамики изменения пластового давления вокруг работающей скважины

Г.М. Шутов (1), Д.И. Ахметов* (1), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех)

В результате исследования была обучена физически-информированная нейросетевая модель скважины, которая предсказывает поля давлений, при этом учитывая уравнения фильтрации. Модель работает на несколько порядков быстрее, чем численный симулятор. Это свойство модели, а также ее свойство дифференцируемости, позволяют использовать данную модель для различных задач моделирования течения жидкости на реал..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Мониторинг действующих скважин Добавлено: 17.10.2024

Обратный инжиниринг гидравлических корреляций с помощью физически информированных нейронных сетей

С.П. Бажуков* (1), Н.М. Бровин (1), Д.И. Константинов (1), А.А. Афанасьев (1), К.А. Печко (1), М.В. Симонов (1) (1 - ГК «Газпром нефть»)

Работа посвящена использованию физически информированных нейронных сетей (PINN) для обратного инжиниринга гидравлических корреляций в нефтегазовой промышленности. Реализованы два подхода к обучению модели: прямой расчет перепада давления и в сочетании с классическими гидравлическими корреляциями. Полученные результаты подтверждают высокую точность предложенного подхода. Более 90% расчетов имеют по..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Добавлено: 17.10.2024

Новый метод адаптации модели скважины на краткосрочный период методами машинного обучения

А.А. Афанасьев* (1), К.А. Печко (1), Д.И. Константинов (1), С.П. Бажуков (1), М.В. Симонов (1) (ГК «Газпром нефть»)

Аннотация: Адаптация моделей в нефтегазовой отрасли имеет большое значение для точного прогнозирования и эффективного управления производственными процессами. Однако этот процесс может быть сложным и затратным по времени. Предлагаемый метод использует модели машинного обучения для упрощения и ускорения адаптации моделей. Он включает в себя генерацию выборки данных на основе физико-математической м..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Интеллектуальный анализ данных Добавлено: 17.10.2024

Нейросетевое моделирование трехмерных полей свойств с обучаемым базисом на основе автокодировщика

А.А. Рябов* (1), М.А. Анисимов (1), С.В. Кайгородов (2), Б.В. Белозеров (2), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ООО «Газпромнефть НТЦ»)

В данной работе предлагается новый подход распространения геологических свойств в межскважинном пространстве для получения трехмерного куба из двухмерной карты средних значений и вертикальных профилей поля свойств, известных в точках скважин. Предложенный метод тестируется на 2D-картах проницаемости, полученных через комплексирование в скважинных данных по ГИС и ГДИС с учетом сейсмических атрибуто..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 17.10.2024

Алгоритм комплексирования для построения кубов статистически связанных геолого-гидродинамических свойств пласта на основе ядерной регрессии и перекрестно-связанных сверточных нейронных сетей

М.А. Анисимов (1), А.А. Рябов* (1), С.В. Кайгородов (2), Б.В. Белозеров (3), Е.В. Бурнаев (1), В.В. Вановский (1), (1 - Сколтех, 2 - ООО «Газпромнефть НТЦ», 3 - ПАО «Газпром нефть»)

В этой работе мы предлагаем алгоритм комплексирования в 3D, наследующий успешные практики комплексирования в 2D. Рассматривается способ построения трехмерных ядер для данных ГИС с учетом разметки на коллектор и неколлектор, а также способ построения трехмерных ядер для данных ГДИС. Далее построенные ядра используются в ядерной регрессии по объему коллектора для получения первого приближения компле..

Применение методов машинного обучения для ускорения процедуры сегментации томографических изображений керна

Р.Б. Джаркинов* (1), Р.О. Резаев (2), А.С. Гоголев (2), А.А. Дучков (3), М.И. Волков (2) (1 - НГУ, 2 - ТПУ, 3 - ИНГГ СО РАН)

Процедура сегментации данных томографической съемки является одним из самых важных этапов при создании цифровой модели образца керна. Однако стандартные методики сегментации по порогу требует тонкой настройки параметров и применимы лишь для простых случаев, а ручная сегментация требует слишком много временных затрат. В связи с этим становится актуальной задача ускорения данной процедуры путем прим..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Добавлено: 17.10.2024

Оценка коллекторского потенциала пород со сложной структурой емкостного пространства по данным ГИС с помощью реализации вероятностных моделей методами машинного обучения

В.Ю. Руденко* (1) (1 - ЗАО «МиМГО»)

В работе рассмотрены возможности алгоритмов машинного обучения (оптимизация Нелдера-Мида, вероятность Байеса, регрессия случайного леса, закон больших чисел, кусочные функции) для оценки коллекторского потенциала пород со сложной структурой емкостного пространства. Рассмотрены основные ограничения стандартных подходов при интерпретации изучаемых эффузивных вулканических пород. Показаны примеры рас..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Трещиноватые коллектора Добавлено: 17.10.2024

Показано с 1 по 15 из 20 (Страниц: 2)