Конференция Геомодель

Геомодель

https://geomodel.ru/geomodel2023

Анализ наиболее распространенных сценариев использования искусственного интеллекта в нефтегазовой отрасли

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

В докладе предложен подход к структурированию способов использования систем на базе искусственного интеллекта в организациях нефтегазовой отрасли. Выделено четыре наиболее распространенных сценария (апробация, НИР, пилотный проект, продакшен) и рассмотрены основные особенности каждого из них...

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки

И.И. Приезжев (1,4), Д.А. Горбач (2), В.Г. Мирошкин (2), В.Ю. Овечкина (2), Е. Тайкулаков (3) (1 - ООО «Лаборатория Приезжева», 2 - ООО «Газпромнефть НТЦ», 3 - Satbayev University, 4 - РГУ нефти и газа ( НИУ) имени И.М. Губкина)

В докладе предлагается использование прямого прогноза коллекторских свойств по данным сейсморазведки с помощью технологии, основанной на применении нейронных сетей Колмогорова (Priezzhev, 2020). Собственно прогноз выполняется по данным в глубинном масштабе и может включать несколько кубов на входе, включая кубы - результаты сейсмической инверсии и скоростной куб, полученный в процессе обработки. П..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Машинное обучение при комплексировании результатов детальных литологических исследований с данными ГИС и петрофизики

В.Ю. Руденко * (1), Д.Е. Гуренцов (1) (1 - ЗАО "МиМГО")

В работе проведено обоснование необходимости использования данных ГИС наравне с данными керна при обосновании пространства классов литотипов. Решение задачи типизации разреза проводилось на основе комплексного анализа данных описаний керна, ФЕС на цилиндрических образцах и данных ГИС с применением методов машинного обучения...

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Оптимизация нагнетания для повышения добычи нефти по итогам количественной оценки межскважинной интерференции на основе долговременного мониторинга давления и дебита

А.Н. Никонорова* (1), В.Ю. Ким (2), А.С. Наумов (1), Д.Н. Гуляев (3), А. Аюпов (3), Р.А. Мингараев (4) (1 - РГУ нефти и газа (НИУ) имени И.М. Губкина, 2 - ООО "ИНК", 3 - ООО "Софойл", 4 - ООО "Поликод")

Для того, чтобы оптимизировать режимы работы скважин, в первую очередь нагнетательных, необходимо иметь полное представление о гидродинамической связности объекта и количественном влиянии работы нагнетательных скважин на добывающее окружение. Подобные оценки возможно выполнить на основе исторических данных об изменении забойного давления и дебита скважин благодаря использованию математического алг..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Применение глубокого обучения для акустической инверсии на примере газового месторождения Гронинген

Д.А. Богоедов * (1), Р.Ф. Мифтахов (1), А. А. Тархов (1), А.К. Базанов (1), И.И. Ефремов (1) (1 - ООО «ГридПоинт Дайнамикс»)

В докладе представлен новый метод акустической инверсии, основанный на применении нейронной сети глубокого обучения. Предложенный подход демонстрирует несколько преимуществ по сравнению с классическими методами акустической инверсии. Он позволяет избежать множества проблем, возникающих в традиционном процессе инверсии, поскольку не требует использования извлеченного сейсмического вейвлета и началь..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Использование методов машинного обучения в картопостроении. Методики выбора архитектуры и параметров, анализ неопределённости, заложенной в обучающую выборку

И.Л. Терентьев (1) (1 - Цифровые решения/ООО "БурСервис")

Методы машинного обучения стремительно проникают во все сферы человеческой жизни. Подчас готовые, обученные модели с непрозрачной архитектурой, преподносятся как универсальные решения всех задач. Однако любой метод работает лишь в рамках заложенных в него неопределённостей и в пределах значений, использованных при обучении модели. Неполнота обучающей выборки, неподходящая к конкретному случаю архи..

Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Построение синтетической кривой плотностного каротажа при помощи нейронных сетей

Ж.М. Давронов* (1), Б.В. Платов (1) (1 - ФГАОУВО «Казанский (Приволжский) Федеральный Университет»)

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Прогноз эффективных толщин коллекторов в палео-аллювиальных системах Томской области с использованием литолого-фациального моделирования и нейронных сетей

А.Ю. Попков* (1), Е.А. Панченко (1), Н.Н. Гатина (1), И.И. Приезжев (2), А.И. Мурзов (3) (1 - ЗАО «МиМГО», 2 - ООО «АйПиЛаб», 3 - АО «ННК»)

Основная продуктивность изучаемой территории связана с пластами тюменской свиты. Проведен комплексный сейсмогеологический анализ: изучен крен, ГИС, 3D сейсмический куб. В результате выделены палеорусла, как наиболее перспективные зоны. Прогноз фильтрационно-емкостных свойств проводился с помощью нейронных сетей с использованием априорной геологической информации...

Геомодель 2022 Машинное обучение и ИИ Западная Сибирь Добавлено: 17.05.2023

Применение интеллектуального цифрового помощника для построения тектонической модели участка работ на примере месторождений Пуровского района

А.В. Юрикова* (1), П.А. Авдеев (1), А.К. Базанов (1), И.И. Ефремов (1), Р. Ф. Мифтахов (1), Д.Г. Смолякова (1) (1 - ООО «ГридПоинт Дайнамикс»)

На сегодняшний день одним из основных способов изучения геологического строения осадочных толщ является сейсмическая разведка, которая позволяет с высокой точностью выявлять принципиальные особенности строения геологического разреза того или иного района. К числу наиболее важных и в то же время сложных задач интерпретации относится выделение и пространственное картирование тектонических нарушений...

Геомодель 2022 Машинное обучение и ИИ Интеллектуальный анализ Добавлено: 17.05.2023

Когнитивное моделирование в геологии: от продуктивности палеозоя Западной Сибири до засолонения вендских коллекторов Непско-Ботуобинского свода

В.В. Колесов* (1) (1 - ООО «ОТЭКС»)

Применение методов машинного обучения и искусственного интеллекта для решения геологических задач в большинстве случае осложняется недостаточным объемом, неоднородностью и зашумленностью обучающих выборок – скважинных данных (hard data). Эти вызовы усугубляются неприемлемым для специалистов сходством прогнозирующего программного обеспечения с «черным ящиком» - системой, выдающей результаты непонят..

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Применение машинного обучения на основе условной вероятности Байеса для интерпретации вероятности появления коллектора в кислых вулканитах Западной Сибири

В.Ю. Руденко* (1), Д.Е. Гуренцов (1) (1 - ЗАО «МиМГО»)

В рамках данной работы рассмотрен подход применения алгоритма машинного обучения определения условной вероятности Байеса для расчёта вероятности коллектора в кислых вулканитах Западной Сибири. В первой части рассказывается об основах метода. Во второй показан пример применения алгоритма. На основе решения алгоритма делаются выводы о группировке прототипов для определения вероятности коллектора и в..

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Применение алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей в зонах отсутствия данных сейсморазведки

В.В. Ананьев (1) , В.Д. Гулин (1), Г.С. Григорьев (2), С.В. Зайцев (3), Р.В. Орлов* (3), С.Д. Журавлев (3), К.В. Киселев (3) (1- ООО «Газпромнефть НТЦ», 2 - ПАО «Газпром нефть», 3 - ООО «ИЦ МФТИ»)

Сегодня методы машинного обучения широко применяются в исследовательской области для решения ряда практических задач, где детерминистические модели процессов или явлений сложно, или нельзя сформировать. Примером такой задачи является восстановление структурных границ по данным НСМ. Восстановление структурных границ особенно актуально для межпрофильного пространства при наличии сейсмической съемки ..

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Динамическая модель схожести скважин на основе каротажных данных

Д.Ю. Ковалев* (1), Д.К. Хлюстов (2) (1 - ООО «АРАМКО ИННОВЕЙШНЗ», 2 - МГУ им. М.В. Ломоносова)

Литологические и физические свойства горных пород могут изменяться в поперечном направлении по всему бассейну в пределах одной формации из-за изменений условий осадконакопления. Это влияет на каротажные сигналы и усложняет межскважинную корреляцию. Выявление сходства между скважинами в нефтегазовой промышленности является необходимой частью многих процессов. Это помогает понять характеристики сква..

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Модель машинного обучения для автоматизации определения литологического состава образцов бурового шлама

Е. В. Толстая* (1), С. Сафонов (1), М. Мезгани (2) (1 - ООО «Арамко Инновейшнз»; 2 - LLC «Saudi Aramco»)

Автоматизация определения литологического состава пород в процессе бурения представляет собой актуальную задачу в разработке нефтяных месторождений. Во время бурения ствола скважины вращающееся долото разбивает горные породы в скважине, а буровой раствор вымывает обломки на поверхность. Остатки породы после фильтрации бурового раствора называются буровым шламом. Буровой шлам дает полезную информац..

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Нейросетевые технологии прогноза параметров продуктивности нефтегазовых формаций

И.И. Приезжев* (1,2), Д.А. Данько (1), Е. Тайкулаков (3) (1 - РГУ нефти и газа (НИУ) имени И.М. Губкина, 2 - ООО «Лаборатория Приезжева», 3 - Satbayev University)

-..

Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Показано с 1 по 15 из 16 (Страниц: 2)