Библиотека Геомодель
Каталог 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

Цифровизация как метод реинжиниринга бизнес-процессов по управлению фондом скважин

М.В. Наугольнов* (1) (1 - СПбГЭУ)
В условиях зрелости нефтяных активов и роста требований к операционной эффективности цифровизация становится ключевым инструментом реинжиниринга бизнес-процессов. В статье рассматриваются три практических направления трансформации системы управления фондом скважин: оптимизация системы заводнения на основе емкостно-резистивной модели (CRM), внедрение рекомендательной системы для отбора скважин на р..
Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Концептуальное проектирование и реинжиниринг Добавлено: 21.08.2025

Успешное использование интеллектуальной системы активного мониторинга состояния динамического оборудования с поддержкой детекции развивающихся аномалий

М.Г. Петров* (1), Н.Н. Делегевурян (1), А.Г. Авакян (1), Д.И. Полукеев (1) (1 - ООО «Альма Сервисез Компани»)
Оценка состояния оборудования и прогноз будущих сбоев имеют решающее значение для принятия решений по техническому обслуживанию. Особенно это критично для динамического оборудования, такого как компрессоры высокого и низкого давления. Многие из существующих методов оценки состояния оборудования используют неконтролируемые методы для построения показателей работоспособности путем измерения несоотве..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Мониторинг действующих скважин Интеллектуальный анализ данных Добавлено: 17.10.2024

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

Углубленный анализ геолого-геофизических данных с применение Data Science как инструмент прогнозирования характеристик пласта

А.А. Козяев* (1), П.И. Скрыль (1), А.А. Мельник (1) (1 - ООО «РН-КРАСНОЯРСКНИПИНЕФТЬ»)
Прогноз продуктивных зон по сейсморазведке на участках Юрубчено-Тохомской зоны является крайне нетривиальной задачей из-за сложного строения рифейского коллектора. Прямое сопоставление сейсмических атрибутов с такими параметрами как продуктивность и дебит (наиболее ценные для разработки месторождений) не дает каких-то значимых результатов. Технологии выявления статистических связей активно развива..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Разработка месторождений Добавлено: 17.10.2024

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

Технико-технологические решения повышения эффективности гидроразрыва пласта с использованием машинного обучения

М.П. Бурков* (1), А.Р. Шарифов (1), Н.А. Сергиенко (1), Р.Д. Биккулов (1) (1 - ООО Газпром ВНИИГАЗ)
Прогнозирование эффективности гидравлического разрыва пласта (ГРП) в нефтегазовой отрасли связано с высокой сложностью из-за нелинейных взаимосвязей параметров процесса. Традиционные методы, основанные на аналитических и численных подходах, требуют больших вычислительных затрат и часто не обеспечивают достаточной точности. В данной работе предложено применение методов машинного обучения (МО), кото..
Интеллектуальный анализ данных в нефтегазовой отрасли 2025 ГРП Добавлено: 21.08.2025

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

Современные методы анализа временных рядов в мониторинге и прогнозировании состояния оборудования для механизированной добычи

А.А. Незнанов (1), А.А. Глушко* (1), С.Б. Овчинников (1), Н.Ф. Тарелко (1) (1 - ООО «Системы телекоммуникаций и информационной безопасности Шлюмберже»)
С развитием систем мониторинга мы получили возможность собирать ключевые показатели работы устройств в процессе механизированной добычи. Каждый день генерируется огромное количество телеметрии, которая пройдя процесс гармонизации и трансформации может быть использована для прогнозирования состояния оборудования. В докладе представлен обзор и произведён отбор современных математических методов и пр..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Техника и технологии добычи Добавлено: 17.10.2024

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

Синтезирование высокочастотной составляющей в сейсмических откликах на основе примеров полночастотных откликов

И.В. Скворцов* (1), В.А. Рыжов (1) (1 - ООО «Интеллектуальные автоматизированные системы»)
Применение полноволнового численного моделирования (вязкоупругой постановки) в задачах сейсморазведки и микросейсмического мониторинга позволяет получать реалистичные волновые отклики. Однако, моделирование высокочастотных компонент сейсмических откликов сталкивается с необходимостью использования более мелкой ячейки моделирования, что резко увеличивает количество узлов расчетной области, потребле..
Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Интеллектуальный анализ Добавлено: 21.08.2025

Сейсмофациальный анализ целевых горизонтов с применением методов машинного обучения

Е.И. Корыткин (1), Г.М. Митрофанов* (2, 3) (1 - ООО «СахалинНИПИ нефти и газа», 2 - ИНГГ СО РАН, 3 - НГУ)
В статье рассмотрено применение усовершенствованного байесовского классификатора на одном из месторождений в Волго-Уральском регионе. При выполнении исследований выполнен анализ эффективности применения усовершенствованного подхода в определении перспективных зон распространения коллектора продуктивного пласта Б2 бобриковских отложений нижнего карбона и оценке потенциала для добычи углеводородов...
Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Машинное обучение и ИИ Добавлено: 21.08.2025

Связь апостериорной вероятности с характеристиками классификатора

В.И. Булаев* (1) (1 - АО НПФ «Геофизика»)
В работе представлены результаты исследований влияния характеристик классификатора на значение апостериорной вероятности неверного прогноза модели..
Интеллектуальный анализ данных в нефтегазовой отрасли 2025 Добавлено: 21.08.2025
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • >
  • >|
Показано с 1 по 15 из 142 (Страниц: 10)
  •  Главная
  • Все статьи
  • Связаться с нами
  •  Личный кабинет
  • Закладки
  • Подписка на рассылку

 Согласие на обработку персональных данных

Работает на OpenCart, club version
Библиотека Геомодель © 2026