Конференция Интеллектуальный анализ данных в нефтегазовой отрасли

Интеллектуальный анализ данных

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..

SQL-based workover recommendation system for water drive reservoirs in Republic of Serbia

M.V. Naugolnov (1), M.N. Visekruna* (1), S. Sesum (1) (1 - NTC NIS-Naftagas)

The goal of this project is to create an analytical instrument for automatic identification of wells that need workover, specifically remedial works. To achieve this goal, it is necessary to solve the following tasks: 1. Analyze the operation of wells. 2. Perform automatic adaptation of their displacement model characteristics. 3. Detect deviation of water production trends comparing to the model..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Мониторинг действующих скважин Добавлено: 17.10.2024

Влияние размерности пространства признаков на мониторинг эффективности работы скважин методами машинного обучения в режиме реального времени

Е.С. Гладченко* (1), Д.М. Орлов (1), Д.А. Коротеев (1) (1 - Сколковский институт науки и технологий)

В современном мире нефтегазовая отрасль сталкивается с рядом вызовов, связанных с эксплуатацией как зрелых, так и новых месторождений. Некоторые задачи, такие как анализ данных и мониторинг состояния скважин, возможно успешно решить при помощи методов машинного обучения (МО) и искусственного интеллекта. Стоит отметить, что методы МО являются статистическими, и решающую роль в процессе их обучения ..

Определение и прогнозирование интервалов со вторичной пористостью с использованием методов машинного обучения на основе данных стандартных геофизических исследований скважин (ГИС) и специального микрокаротажа сопротивления

С. Шешум (1), М.В. Наугольнов* (1), Т. Мицич-Понигэр (1), В. Михайлович (1), Е. Цуканова (1) (1 - НТЦ НИС Нафтагас)

Проект посвящён проблеме определения и прогнозирования интервалов со вторичной пористостью (структурных элементов, трещин и каверн, далее – СЭ) на основе данных стандартного скважинного каротажа с использованием машинного обучения и данных специального микрокаротажа сопротивления (в иностранной литературе известен как micro resistivity imager (MRI) или wellbore imager (WBI)). Целью проекта являетс..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Трещиноватые коллектора Добавлено: 17.10.2024

Применение сверточных и полносвязных нейронных сетей для автоматических исследований фотографий и томографий трещиноватых карбонатов

В.В. Абашкин (1), Г.А. Коссов* (1), Д.О. Макиенко (1), И.А. Селезнёв (1) (1 - ООО «Технологическая Компания Шлюмберже»)

В настоящей работе предлагается методика, основанная на свёрточных и полносвязных нейронных сетях, которая позволяет выполнять автоматическую предобработку фотографий и томографий керна для последующей задачи получения кривой кавернозности карбонатных отложений. Целью настоящей работы являлась разработка методов автоматического выделения трещин, технологических отверстий и каверн с применением све..

Опыт применения нейронных сетей для фильтрации пространственно-временных аномалий в записях с распределенных оптоволоконных систем DAS

И.В. Скворцов* (1), В.А. Рыжов (1), И.Р. Шарапов (1), А.Р. Газизов (1) (1 - ООО «ИАС»)

Использование волоконно-оптических систем в реализации DAS (Distributed Acoustic Sensing) становится все более популярным в микросейсмических мониторингах со скважин. Преимущество использования DAS вместо скважинных датчиков состоит в одновременном длительном мониторинге по всему стволу скважины и не восприимчивости к электрическим и магнитным полям. Эти особенности оптоволоконных систем определяю..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Добавлено: 17.10.2024

Оптимизация нефтегазовых активов с использованием алгоритмов машинного обучения на разных уровнях детализации

К.А. Печко* (1), Д.И. Константинов (1), А.А. Афанасьев (1), М.В. Симонов (1), В.В. Ким (1) (1 - Группа компаний «Газпромнефть»)

В данной работе представлен новый подход к оптимизации процессов разработки нефтегазовых месторождений с использованием многоуровневых и прокси-моделей. Современная нефтегазовая индустрия требует оперативного принятия обоснованных решений в условиях увеличивающейся конкуренции и динамичных рыночных условий. Предложенный метод основан на параллельном использовании прокси-моделей, построенных на бол..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Разработка месторождений Добавлено: 17.10.2024

Интеграция автоматизированной системы в управление строительством скважин

А.Д. Яруллин* (1), Д.К. Нургалиев (1), В.А. Судаков (1), С.А. Усманов (1), Т.А. Муртазин (1), И.И. Багманов (2) (1 – ФГАОУ ВО Казанский федеральный университет, Институт геологии и нефтегазовых технологий, 2 – ООО «Геопай»)

В работе представлена автоматизированная система формирования графика строительства скважин, которая позволяет с учетом большого количества параметров и ограничений в кратчайшие сроки формировать различные сценарии бурения скважин для повышения эффективности принимаемых при планировании решений и интеграции с большим объемом данных по проектным скважинам, а также буровым установкам...

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Проектирование скважин Добавлено: 17.10.2024

Инверсия данных поверхностных волн (SWI) путем применения сверточной нейронной сети глубокого обучения

А.В. Яблоков* (1,2,3), М.В. Моисеев (1) (1 - Новосибирский государственный университет, 2 - Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН, 3 - Институт горного дела им. Н. А. Чинакала СО РАН)

В работе представлен новый подход к инверсии дисперсионных изображений поверхностной волны, основанный на использовании сверхточной нейронной сети EfficientNet-B7. Предложенный метод позволяет автоматизировать обработку данных поверхностных волн и обеспечивает быстрое и надежное восстановление скоростей и мощностей слоев верхней части геологического разреза. Кроме того, восстанавливаемая модель ск..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Обработка сейсмических данных Добавлено: 17.10.2024