Библиотека Геомодель

Библиотека Геомодель

Каталог статей Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Цифровое клонирование трещины ГРП на основе динамического маркерного мониторинга и численного моделирования притока пластового флюида

Е.А. Малявко* (1) (1 - ООО «ГеоСплит»)
..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Цифровизация как способ реинжиниринга бизнес-процессов: на примере «Цифровой платформы по контролю пескопроявлений»

М. Николич*, М.В. Наугольнов (НТЦ НИС-Нафтагас)
Вынос песка часто наблюдается при разработке слабоконсолидированных коллекторов. Более 60% добычи Нефтяной индустрии Сербии обеспечивается за счет песконесущего фонда. Потери добычи нефти из-за выноса песка составляют до 20% годовой добычи. Для решения указанных проблем было принято решение разработать «Цифровую платформу контроля песка» («Di.S.Co»), которая должна способствовать снижению затрат з..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Универсальный математический аппарат аппроксимации геофизических объектов на основе нового класса функций «фурье-сплайны»

А.С. Горшков* (независимый исследователь)
В основе метода аппроксимации как регулярных, так и нерегулярных данных включая сейсмические лежит предложенный автором новый класс финитных функций «фурье-сплайны», имеющий принципиальные преимущества перед известными методами, например, традиционными кубическими В-сплайнами. Алгоритмически метод оптимизирован применением в решении для обращения системных общих и ленточных регрессионных матриц ус..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Топологический анализ исторических данных месторождения для извлечения значимой информации в задаче автоадаптации

А. В. Веткина* (1), Г. Ю. Шишаев (1), И. В. Матвеев (1) (1 - Центр подготовки и переподготовки специалистов нефтегазового дела Томского политехнического университета, Томск, Россия)
В работе описан способ применения топологического анализа данных к временным рядам, представляющим собой производственные данные месторождения, для того, чтобы показать, что для задачи автоматизированной адаптации геолого-гидродинамической модели не требуется весь набор имеющихся исторических данных. Вместо этого рекомендуется настраивать модель только на критические данные, т.е. данные, имеющие в..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Технология обучения нейронных сетей на основе анизотропного петроупругого моделирования и последующего решения прямой задачи сейсморазведки для сложных геологических формаций

И.И. Приезжев* (1), Д.А.Данько (1), И.О. Баюк (2), В.И. Рыжков (1) (1 - РГУ нефти и газа (НИУ) имени И.М. Губкина, 2 - ИФЗ РАН)
-..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Создание оптимального плана-графика ремонтных мероприятий на скважинах

Ю.В. Дрей* (1), М.А. Сергиенко (1), Н.Е. Хованский (1) (1 - АТОЛЛис)
Эксплуатация скважин неразрывно связана с необходимостью мониторинга их состояний, выполнения текущего и капитального ремонта. План-график ремонтных мероприятий составляется вручную на основе списка скважин-кандидатов. Он представляет собой посуточный календарь выполняемых на каждой скважине ремонтов с указанием исполнителя (ремонтной бригады). Как правило, количество и оснащённость исполнителей н..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Совместное решение минерально-компонентной и петроупругой моделей

А.В. Марков* (1), И.Д. Латыпов(1) (1 - ООО «РН-БашНИПИнефть»)
Основой для петроупругого моделирования (ПУМ) является минерально-компонентная модель (МКМ). При настройке МКМ все чаще участвуют кривые плотностного каротажа и кривой времени пробега продольной волны (dt_p) в связи с необходимостью моделирования сложносоставных коллекторов. На данный момент процессы петрофизического и петроупругого моделирования выполняются последовательно и зачастую отдельными с..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Реализация высокоразрешающей акустической инверсии при помощи алгоритма разряженной аппроксимации

А.В. Буторин (ООО "Газпромнефть НТЦ")
Данные сейсморазведки характеризуются ограниченной полосой частот, что приводит к возникновению тюнинг-эффекта и проявляется в ограниченной вертикальной разрешающей способности. При малой мощности пластов возникает неопределенность, связанная с невозможностью отображения из-за интерференции отражений от границ. Повышение разрешающей способности и детальности решения является одной из основных проб..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Разработка суррогатной модели очистки трещины ГРП

А.А. Галлямов* (1) , С.А. Боронин (1) , А.А. Осипцов (1) , Е.В. Бурнаев (1) (1 - Сколковский институт науки и технологий, Сколтех)
Исследование посвящено разработке суррогатной модели очистки трещины гидроразрыва пласта (ГРП) с использованием комбинации ранее созданной механистической модели и алгоритмов машинного обучения с целью существенного ускорения проведения численных расчетов. Быстрое моделирование процесса очистки трещины необходимо для выполнения большого количества вычислений при адаптации модели (history matching)..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Разработка онлайн сервиса для обработки больших данных на примере системы распределенного акустического мониторинга (DAS) скважин

И.В. Скворцов* (1), В.А. Рыжов (1), Б.Ф. Зарипов (1), М.Р. Галимов (2), Д.К. Завалишин (2), Е. А. Молчанов (2) (1- ООО «ИАС», 2-АО «ДЗ-Системс»)
В настоящее время существуют различные платформы, позволяющие проводить научные вычисления. Несмотря на их популярность и активность использования, такие платформы не лишены недостатков. В этой статье приведен краткий обзор существующих платформ, перечислены их основные недостатки. На основании выявленных недостатков для разработки и вычислений предлагается использовать цифровую платформу RnDFlow...
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Разработка методики сейсмостратиграфического сегментирования данных сейсморазведки с применением машинного обучения

В. Д. Гришко* (1), Н. В. Ковальчук (1), А. А. Козяев (1)(1 - ООО «РН-КрасноярскНИПИнефть»)
..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Разработка алгоритма автоматического выделения времен первых вступлений с применением технологий глубокого обучения

Н. В. Ковальчук* (1), С. А. Яриков* (1), Т. Э. Хохрякова (2), И. В. Костычаков (2), А. В. Саренков (1) (1 - ООО «РН-КрасноярскНИПИнефть», 2 - ИКИТ СФУ)
..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Прогнозирование пористости в межскважинном пространстве на основании сейсмических данных и данных пористости по скважинам с применением нейронных сетей в Python

А.И. Кадиров* (1,2), Ю.В. Губайдуллина (1), Б.В. Платов (1), А.И. Степанов (1) (1 - Казанский (Приволжский) Федеральный Университет, 2 - Газпромнефть-НТЦ)
Научная работа рассматривает возможность расчета межскважинной пористости с использованием сейсмически данных; описывает методику обработки и интерпретации данных скважин и сейсморазведки.В ходе работы решалась задача расчета пористости по скважинам и дальнейшее прогнозирование в межскважинном пространстве с использованием сейсмических атрибутов.Достижение этих целей осуществляется за счет разрабо..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Прогноз проницаемости нижнепермского карбонатного пласта I Приразломного м/я на основе гидравлических единиц потока методами машинного обучения

В.В. Караченцев* (1), М.А. Кунцевич (1), А.Е. Симаков (1), А.В. Ротару (2) (1 - ООО «Газпромнефть НТЦ», 2 - СПбГУ)
В докладе рассказываются общие сведения о Приразломном месторождении, геологическая характеристика коллектора, а также основные проблемы прогнозирования проницаемости карбонатного коллектора и методы их решения с применением алгоритмов машинного обучения. Для корректного описания связи пористость - проницаемость на основе пяти опорных скважин была проведена типизация пород с применением методики р..
Геомодель 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Применение программной платформы CyberStudio для предиктивной аналитики ГПА

М.П. Гусев* (1), С.Н. Николаев (1), П. Касилов (1), И.Ю.Гаврилов (1), С.И. Гавриленков (1), Д. В. Косовский (1) (1 - ООО Сайберфизикс)
В докладе представлен опыт применения платформы для предиктивной аналитики оборудования ГПА Новопортовского месторождения. В рамках проекта разрабатывались предиктивные модели для компрессоров и турбин. По результатам проекта показаны принципы разработки физически обоснованных предиктивных моделей, а также как платформа диагностирует неисправности на агрегатах...
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023
  • 1
  • 2
  • 3
  • 4
  • >
  • >|
Показано с 1 по 15 из 56 (Страниц: 4)
  •  Главная
  • Все статьи
  • Связаться с нами
  •  Личный кабинет
  • Закладки
  • Подписка на рассылку
  • |
  •  Геомодель

 Согласие на обработку персональных данных

Работает на OpenCart, club version
Библиотека Геомодель © 2023