Конференция Санкт-Петербург

Санкт-Петербург

Применение технологий глубокого обучения при выполнении сейсмостратиграфической привязки и расчете атрибутной акустической инверсии для повышения достоверности прогноза и снижения геологических рисков

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

Сейсмическая амплитудная инверсия является одним из важнейших инструментов прогноза, позволяющим преобразовать амплитуды волнового поля в распределения упругих свойств слоистой среды. Однако, решение задачи инверсии сейсмического импеданса по-прежнему остается сложным, нелинейным и неоднозначным из-за множества факторов. Большое количество ошибок возникает уже на начальном этапе подготовки данных ..

Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Автоматическое восстановление каротажных диаграмм различными методами аппроксимации

Г.Р.Вахитова* (1), А.М.Касимов (1) (1- Уфимский университет науки и технологий)

В работе представлены результаты автоматизации процесса восстановления исходных каротажных диаграмм, отсутствующих по разным причинам в цифровых массивах данных, зарегистрированных в скважинах. На основе комбинации классических методов и современных алгоритмов машинного обучения создан оригинальный инструмент в виде надстройки в программное обеспечение Microsoft Excel для автоматического восстанов..

Санкт-Петербург 2023 Машинное обучение и ИИ ГИС Добавлено: 31.05.2023

Метод прогноза упругих свойств по данным сейсморазведки на основе анизотропного петроупругого моделирования и нейронных сетей Колмогорова

Д.А. Данько* (1), И.И. Приезжев (1), И.О. Баюк (2), В.И. Рыжков (1) (1 - РГУ нефти и газа (НИУ) им. И.М. Губкина, 2 - Институт физики Земли им. О.Ю. Шмидта РАН)

В работе описан метод прогноза упругих свойств по данным сейсморазведки на основе анизотропного петроупруго моделирования и нейронных сетей Колмогорова. В основе предлагаемого метода лежит идея использования анизотропной библиотеки синтетических сейсмических образов и соответствующих им пар упругих свойств в качестве обучающей выборки для нейронных сетей. Библиотека синтетических образов формирует..

Санкт-Петербург 2023 Машинное обучение и ИИ Нетрадиционные месторождения Добавлено: 31.05.2023

Когнитивный Геолог или как искусственный интеллект помогает строить концептуальные геологические модели

М.Е. Кубанина* (1), Л.С. Дансарунова (1), И.О. Галушко (1), З.М. Бочкова (2), О.Т. Осмоналиева (3) (1 - ООО «Цифровая Формула Доверия», 2 - ПАО «ГАЗПРОМ НЕФТЬ», 3 - ООО «Газпромнефть НТЦ»)

Когнитивный Геолог представляет собой набор математических моделей, построенных на основе теоремы Байеса, который при учете введенных признаков геологических объектов позволяет рассчитывать вероятности геологических сценариев. На основе числового выражения вероятностей геологических сценариев геолог может моделировать прогнозы и формировать геологические концепции при разведке месторождений. Когни..

Санкт-Петербург 2023 Машинное обучение и ИИ Геологическое гидродинамическое и геомеханическое моделирование Добавлено: 31.05.2023

К вопросу о применимости алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей

Зайцев С.В. (1), В.Д. Гулин (3), Г.С. Григорьев (2), Орлов Р.В. (1), В.В.Ананьев (4), Чепиго Л.С.(5) (1 - ООО «Газпромнефть-ЦР», 2 - ПАО «Газпром нефть», 3 - ООО «Газпромнефть-ГЕО», 4 - ООО «Газпромнефть НТЦ», 5 - ООО «Лолгео»)

Широкое распространение в геофизических кругах нашло решение задачи восстановления структурных границ по данным несейсмических методов. Повсеместное применение алгоритмов машинного обучения и относительная простота их реализации позволяет решать эту задачу с привлечением небольших ресурсов и за сравнительно короткие сроки. В открытых источниках известны уже несколько групп, занимающихся подобными ..

Санкт-Петербург 2023 Машинное обучение и ИИ Комплексирование геофизических методов Добавлено: 31.05.2023

Применение пост-стак инверсии на алгоритмах искусственного интеллекта для выделения коллекторов регионального/локального уровня на примере мега сейсмического куба Норвежского моря

А.З. Недоступов* (1), В. Калашникова (2), Р. Оверос (2), Т.Р. Шарафутдинов (1), Г.Р. Вахитова (1) (1 - ООО «ПетроТрейс Сервисиз», 2 - AO «Пре Стак Солюшинс-Гео»)

В данной работе показано эффективное геолого-геофизическое изучение региона Норвежского моря как на региональном уровне, так и на уровне месторождения через «сканирование» данных. Основой для получения успешных результатов работ послужил широкополосный «бесшовный» куб сейсмических данных, по которому была выполнена новая инверсия на основе алгоритмов искусственного интеллекта (Rune Inversion). Исп..

Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Алгоритм на базе ИИ для предсказания карты проницаемости пласта в межскважинном пространстве из сейсмических данных и с помощью результатов комплексирования

К.М. Рамазанов* (1), К.Е. Павленко (1), В.М. Дупляков (1), Д.Г. Муртазин (2), С.В. Кайгородов (3), В.С. Котежеков (4), Б.В. Белозеров (3), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколковский институт науки и технологий, 2 - ООО «Газпромнефть – ЦР», 3 -

Основной проблемой обучения сложных нейросетевых моделей на сейсмических данных по месторождению является отсутствие "ground truth" данных по скважинам в достаточном количестве. Мы предлагаем расширить обучающую выборку путем добавления в нее промежуточных данных комплексирования ГИСов и ГДИСов в прискважинных зонах. Также, для избежания проблемы переобучения модели, предложен метод кросс-валидаци..

Санкт-Петербург 2023 Машинное обучение и ИИ Комплексная интерпретация Добавлено: 31.05.2023

Генеративные модели на основе технологий ИИ для обуславливания карт проницаемости на результаты измерений с учетом геологического реализма

И.А. Мельников* (1), К.Е. Павленко (1), А.С. Мурзина (2), Д.Г. Муртазин (3), С.В. Кайгородов (4), В.С. Котежеков (5), Б.В. Белозеров (4), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ТПУ, 3 - ООО «Газпромнефть – ЦР», 4 - ООО «Газпромнефть НТЦ»,

Представлена методика генерации карт проницаемости с элементами геологического реализма. Геологический реализм достигается путем обучения генеративной нейронной сети на подготовленной выборке карт, учитывающей геологические характеристики конкретного пласта. Сгенерированные карты обуславливаются на результаты комплексирования (объединения данных измерений) по ГИСам и ГДИСам, а также по сейсмике, и..

Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Современные технологии построения структурно-тектонической модели геологической среды на основе данных аэрогравимагнитной съемки и сейсморазведки МОГТ-2D

А.В. Колмаков* (1), А.Л. Мейснер (1), А.А. Трусов (1) (1 - АО ГНПП «Аэрогеофизика»)

В докладе рассматривается вопрос применения различных алгоритмов машинного обучения (LASSO-регрессия (LASSO-regression), градиентный бустинг (Gradient boosting), искусственные нейронные сети (Artificial neural network)) для восстановления морфологии отражающих горизонтов в межпрофильном пространстве сейсмических данных по материалам площадной аэрогравимагнитной съемки. Затрагивается вопрос, касающ..

Санкт-Петербург 2023 Комплексирование геофизических методов Машинное обучение и ИИ Добавлено: 31.05.2023

Прогноз минерального состава породы по данным ГИС и тепловых данным с помощью методов машинного обучения

Б.А. Гайнитдинов (1) (1 - Сколковский Институт Науки и Технологий)

Разработан инструмент для прогноза минерального состава нетрадиционного коллектора на основе данных ГИС и теплофизических свойствах. Применены алгоритмы машинного обучения для предобработки данных и прогноза массовой доли минералов на интервале глубин...

Санкт-Петербург 2023 Машинное обучение и ИИ ГИС Добавлено: 31.05.2023

Интеллектуальное комплексирование мультимасштабных данных для формирования многовариантных фациальных карт

М.О. Мельников* (1), Е.В. Панфилова (1), Г.Ю. Шишаев (1), М.В. Сальников (1) З.М. Бочкова (2), С.А. Зайцев (2), А.Е. Шохин (2) (1 - ТПУ, Центр Хериот-Ватт, 2 - Газпромнефть «ГЕО»)

Традиционный процесс согласования разномасштабной входной информации при построении седиментологической или фациальной модели основан на «ручном» способе согласования входной информации с использованием разрозненных практик и инструментов. Процедура увязки данных охватывает большой объем проектного времени на качественную/количественную оценку, при этом, специалисты, чаще всего, формируют одну еди..

Санкт-Петербург 2023 Машинное обучение и ИИ Комплексирование геофизических методов Добавлено: 31.05.2023

Интеллектуальная идентификация течения и управление добычей скважины

А.Н. Грызлов* (1), С.С. Сафонов (1), Е.Б. Магадеев (2), М. Арсалан (3) (1 - ООО Арамко Инновейшнз, 2 - Капибара Системс, 3 - Сауди Арамко)

Традиционные методы разработки месторождений и добычи углеводородов основаны на принципах математического моделирования многофазных течений в пространственной области, ограниченной нефтегазовым пластом и скважинами. Соответствующие явления переноса флюидов описываются уравнениями в частных производных, представляющие собой законы сохранения массы, количества движения и энергии для каждой фазы. Исп..

Санкт-Петербург 2023 Машинное обучение и ИИ Разработка месторождений Добавлено: 31.05.2023

Показано с 1 по 12 из 12 (Страниц: 1)