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

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 комбинированного подхода в обучении сети (связка с математической моделью фильтрации) . Гибридный подход при обучении нейронной сети позволяет усилить классическое обучение на данных с помощью привлечения физики фильтрации, что повышает длительность и качество прогнозирования. Разработанный математический аппарат моделирует динамику работы добывающих скважин в зависимости от изменения закачки на нагнетательных, что позволяет решить задачу нахождения оптимального распределения закачки между нагнетательными скважинами с целью максимизации добычи нефти