Конференция Интеллектуальный анализ данных в нефтегазовой отрасли

Интеллектуальный анализ данных

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

Применение топологического анализа данных к истории месторождения для увеличения эффективности автоматизированной адаптации ГДМ

А.В. Веткина* (1), И.В. Матвеев (1), Г.Ю. Шишаев (1), В.С. Рукавишников (1) (1 - Томский политехнический университет)

В данном исследовании проводится топологический анализ данных (ТАД) временных рядов, описывающих исторические данные месторождения (такие как дебиты жидкостей, забойное давление), с целью выявления критических данных добычи, или данных высокой важности (т.е. записей данных с высокой степенью влияния) для последующей настройки параметров контроля при расчете гидродинамической модели пласта в процес..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Программное обеспечение Техника и технологии добычи 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

Особенности управления ИИ-центрированной мультиагентной системы

А.С. Шадрин* (1), Г.Ю. Шишаев (1), М.В. Подгаецкий (1), В.С. Рукавишников (1), С.С. Шумилин (2), А.В. Бернштейн (2), Е.В. Бурнаев (2), В.В. Вановский (2), С.В. Кайгородов (3), Д.О. Прихна (4), В.С. Котежеков (5), Б.В. Белозеров (6) (1 – ФГАОУ ВО НИ ТПУ, 2

В рамках исследования была создана мультиагентная система адаптации гидродинамической модели пласта, позволяющая проводить анализ входных данных на качество, строить вычислительную цепочку (исходя из поставленной задачи, а также качества исходных данных), а также адаптировать гидродинамическую модель пласта, изменяя поле проницаемости. Таким образом, созданная мультиагентная система позволяет полу..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Геологическое гидродинамическое и геомеханическое моделирование Добавлено: 17.10.2024

Адаптация модели месторождения на историю добычи с помощью комплексного подхода на основе одновременного учета разнородных данных и байесовской оптимизации в сжатом пространстве параметров

С.С. Шумилин* (1), К.М. Рамазанов (1), С.В. Кайгородов (2), В.С. Котежеков (3), Б.В. Белозеров (3), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ООО «Газпромнефть НТЦ», 3 - ПАО «Газпром нефть»)

Задача настройки геолого-гидродинамической модели (ГГДМ) пласта на фактические данные разработки является ключевой в моделировании нефтяного пласта. Часто данная задача выполняется инженерами вручную с помощью промышленных симуляторов. В их действиях прослеживаются схожие сценарии ручной адаптации. Основываясь на их опыте, в данной работе рассматривается задача автоматизации адаптации с помощью ал..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Комплексирование геофизических методов Добавлено: 17.10.2024

Reengineering of geological and production databases for optimized data analytics performance

M.D. Nikoliс* (1), M.V. Naugolnov (1) (1 - NTC NIS-Naftagas)

Data-driven applications that are used as the main tool for data analysis and visualization as well as monitoring, optimizing and improving of wells working regime, faces significant issues related to the theirs overall performance. The architecture of database influence on the performance of data-driven application and on user experience. The authors of the work encountered this problem when deve..

Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных 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..