Конференция Интеллектуальный анализ данных в нефтегазовой отрасли

Интеллектуальный анализ данных

Гибридная модель прогнозирования дебита нефти пары скважин при парогравитационном дренировании

Р.М. Амерханов* (1, 2), А.А. Дьяконов (1), А.В. Насыбуллин (1) (1 - АГТУ «Высшая школа нефти», 2 - Институт «ТатНИПИнефть» ПАО «Татнефть»)

В работе представлена гибридная физико-информированная модель прогнозирования дебита нефти пар горизонтальных скважин при парогравитационном дренировании (SAGD), объединяющая аналитическую модель, решение обратной задачи и методы машинного обучения. Подход направлен на определение физически интерпретируемых параметров аналитической модели по геолого-фильтрационным характеристикам, доступным на эта..

Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Геофизика в машинном обучении: опыт аппроксимации черного ящика

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

В статье исследуется применение геофизического подхода для решения задачи машинного обучения — аппроксимации неизвестной многомерной функции в условиях полной параметрической неопределенности и жестких ограничений на сбор данных. При отсутствии исходного датасета и информации о характере зависимостей предложена стратегия проектирования наблюдений, заимствованная из полевой сейсморазведки. На начал..

Применение TFNO для аппроксимации динамических кубов месторождении Brugge в двухфазной системе фильтрации «нефть-вода»

А.Н. Хамидов (1), И.В. Матвеев (1), Г.Ю. Шишаев (1), А.С. Шадрин (1), Д.С. Саматов* (1) (1 - ТПУ)

Необходимость ускорения гидродинамических расчетов без существенной потери точности стимулирует развитие различных методов, включая машинное обучение (ML). Однако большинство подходов сводятся к снижению размерности, что ведет к потере физического содержания. Ключевое ограничение — игнорирование пространственной неоднородности путем усреднения свойств, что критично для двух- и трехфазной фильтраци..

Генерация и редактирование технологических схем с помощью LLM-агентов

Т.А. Закарин (1), С.В. Войтов* (1), С.С. Шумилин (1), Е.В. Бурнаев (1, 2) (1 - Сколтех, 2 - AIRI)

В работе представлен прототип системы для генерации и редактирования технологических схем с использованием агентов на основе больших языковых моделей. Предложенный подход опирается на графовое представление принципиальных технологических схем (PFD) и схем трубопроводов и контрольно-измерительных приборов (P&ID). Оно позволяет использовать единую модель данных для оптимизации структуры схемы, анали..

Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Добавлено: 12.08.2026

Повышение помехоустойчивости детектирования микросейсмических событий на данных DAS на основе гибридного подхода MLE и модели U-Net

Б.В. Емельянов* (1), О.Н. Шерстюков (1), В.А. Рыжов (2), И.Р. Шарапов (3) (1 - КФУ, 2 - ООО «Призмагео», 3 - ООО «ИАС»)

Технология распределённого акустического зондирования (DAS) обеспечивает высокую пространственную плотность регистрации волновых полей в скважинах, однако скважинные данные DAS характеризуются низким отношением сигнал-шум (SNR) из-за специфических техногенных помех. Традиционные методы детектирования (STA/LTA, Semblance) неэффективны при SNR < 1: они генерируют чрезмерное число ложных срабатываний..

Контроль лабораторных и промысловых данных как фактор повышения устойчивости гидродинамических расчётов

И.Р. Мавлявов* (1), Г.Г. Файзрахманов (1), В.В. Емельянов (2) (1 - Институт «ТатНИПИнефть» ПАО «Татнефть», 2 - Татнефть-Добыча ПАО «Татнефть»)

Гидродинамический расчет существенно зависит от качества исходных данных. Ошибка в дате перфорации, единицах измерения, ГФХ, ОФП или замере давления может не остановить расчет, но изменить ход адаптации и повлиять на прогноз. Поэтому контроль качества должен включать не только форматную проверку таблиц, но и оценку физического смысла данных. Цель работы - сформировать компактную процедуру контроля..

Прогнозирование АСПО-подобных осложнений по промысловым данным: опыт построения ML-прототипа

Г.Г. Файзрахманов* (1), И.Р. Мавлявов (1), Н.О. Некрасов (1) (1 - Институт «ТатНИПИнефть» ПАО «Татнефть»)

В работе рассмотрен проектный ML-прототип для оценки риска АСПО-подобных осложнений в нефтепромысловой трубопроводной сети. В исходные данные вошли ремонтная история, простои, трубопроводные привязки, режимы эксплуатации скважин, сведения о мероприятиях, ПРС/КРС, координаты и результаты анализа проб воды. Задача прототипа состояла в оценке вероятности прокси-события на горизонте 30-180 суток для т..

Оперативная оценка очистки ствола наклонно-направленных скважин с использованием гибридного машинного обучения

М. Аль-Шаргаби (1), М. Аль-Рубаи (2), Н.А. Макаров* (1), М. Мехрад (1), Ш. Давуди (1, 3) (1 - НИ ТПУ Центр Хериот-Ватт, 2 - Saudi Aramco, 3 - Сколтех)

Очистка ствола скважины от выбуренной породы (шлама) является критически важной задачей при бурении наклонно-направленных и горизонтальных скважин. Применение модифицированного транспортного индекса TIm ограничено необходимостью лабораторного измерения реологических свойств бурового раствора (БР), что создаёт временной лаг 2–4 часа, исключающий превентивное управление в реальном времени. В работе ..

Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Бурение Добавлено: 12.08.2026

От данных к принятию решений: система рекомендаций по буровому раствору на основе машинного обучения для проактивного предотвращения прихватов бурильной колонны

Л. Исмаилова* (1), С. Медведева (1), Х. Озорио (2), А. Аломаир (1) (1 - ООО «Арамко Инновейшенз», 2 - Сауди Арамко)

Прихваты бурильной колонны остаются одной из наиболее серьёзных проблем в практике бурения нефтяных и газовых скважин, приводя к значительным потерям производительного времени, росту операционных затрат и рискам нарушения целостности скважины. Возникновение таких осложнений определяется сложным взаимодействием геолого-технических условий, параметров бурения и свойств бурового раствора, что существ..

Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Бурение Добавлено: 12.08.2026

Двухстадийная оптимизация архитектуры рекуррентных сетей для среднесрочного прогноза показателей добычи

Н.А. Макаров* (1), М. Аль-Шаргаби (1), Мохаммад Мехрад (1), Д.А. Ш. Давуди (1, 2) (1 - НИ ТПУ Центр Хериот-Ватт, 2 - Сколтех)

Представлен единый рабочий процесс среднесрочного прогнозирования дебита нефти в скважинах действующего месторождения, объединяющий вейвлет-фильтрацию промысловых временных рядов, двукритериальный отбор признаков алгоритмом NSGA-II–LSTM, двухстадийную оптимизацию гибридных нейросетевых архитектур (LSTM/CNN) с применением алгоритмов роевой оптимизации частиц (PSO) и оптимизации кукушки (COA), а так..

Поэтапное размещение разведочных скважин в условиях геологической неопределённости

М.В. Подгаецкий* (1), В.В. Покатилов (1), В.А. Вакуленко (1), Ш. Давуди (1, 2) (1 - Национальный исследовательский Томский политехнический университет, 2 - Сколковский институт науки и технологий, Сколтех)

Работа посвящена задаче поэтапного выбора разведочных скважин в условиях малого объёма исходных данных и высокой геологической неопределённости. Предложена вычислительно реализуемая схема принятия решений, объединяющая дискретный горизонт планирования, экспертное зонирование объекта, фазовые статусы зон, многокритериальную оценку альтернатив и анализ устойчивости результата. Разведочная скважина р..

PetroGraph: мультиагентная система для автоматической адаптации гидродинамических моделей нефтегазовых месторождений

Л.Ф. Самигуллин (1), С.С. Шумилин* (1), Д.Н. Нифатов (1), Т.А. Закарин (1), Е.В. Бурнаев (1) (1 - Сколтех)

Адаптация гидродинамических моделей является ключевой задачей в разработке нефтегазовых месторождений. Обычно оператор вручную настраивает параметры модели, подстраивая результаты симуляции под фактические данные добычи (дебита нефти, воды, забойного давления и др.). Этот процесс трудоёмкий, требует высокой квалификации инженеров и имеет ограниченную масштабируемость. Полуавтоматические методы тре..

Нейросетевые архитектуры для решения геофизических задач, вдохновленные большими языковыми моделями

Е.Б. Магадеев* (1), И.С. Ремеев (1) (1 - ООО НПЦ «ГеоТЭК»)

В работе предлагается использовать архитектурные принципы больших языковых моделей (трансформер, многоголовое внимание, авторегрессия, позиционное кодирование) для решения геофизических задач — описания каротажных кривых, выделения пиков и границ. На синтетических данных показано, что такой подход эффективен и лучше согласуется с интуицией интерпретатора по сравнению с детерминированными алгоритма..

Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 12.08.2026

Интеллектуальная система интерпретации структурных карт: выявление структурных ловушек с помощью компьютерного зрения и оценка их ресурсного потенциала

Д.В. Бек* (1), Н.К. Кувакин (2) (1 - ООО «ЗН НТЦ», 2 - ПАО «Сбербанк»)

В рамках геологоразведочных работ зачастую рутинной задачей геологов является выделение и оценка перспективных объектов – нефтегазовых ловушек. В рамках данной работы речь идет о структурных ловушках и оценки их перспективности. Основная цель – создание цифровой системы, которая: рассчитывает площади выделенных ловушек; ресурсную базу по каждой ловушке на основе объемной формулы подсчета запасов; ..

Самообучающийся алгоритм огрубления вычислительных сеток для двухфазного течения в пористых средах

В.Т. Наумов* (1), Н.Б. Явич (1), А.А. Рябов (1), Е.В. Бурнаев (1, 2), В.В. Вановский (1) (1 - Сколковский институт науки и технологий, 2 - Институт искусственного интеллекта)

Гидродинамические симуляции двухфазного течения в пористых средах необходимы для прогнозирования добычи нефти, но требуют значительных вычислительных ресурсов. Традиционные подходы приводят к высоким требованиям по памяти и времени, ограничивая анализ сценариев. Мы предлагаем обучаемый алгоритм огрубления с использованием графовых нейронных сетей (GNN) с агрегацией узлов и дифференцируемым разбиен..

Показано с 1 по 15 из 41 (Страниц: 3)