Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

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

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

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

Разработка масштабируемого программного обеспечения на примере создания графов обработки данных скважинных волоконно-оптических систем DAS

В.А. Рыжов* (1), А.Р. Газизов (1), И.В. Скворцов (1), И.Р. Шарапов (1), Б.В. Емельянов (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 эпоху тотальной автоматизации бизнес-процессов, в том числе и процессов обработки больших данных актуальной является смена парадигмы разработки ПО в направлении конвейерной многопоточной обработки данных. Отсутствие единой среды, в которой можно было бы организовать производственный процесс обработки данных и разработку/доработку ПО влечет организационные издержки для небольших компаний и крупны..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Программное обеспечение Интеллектуальный анализ данных Добавлено: 17.10.2024

Прогнозирование динамических свойств пласта с использованием нейронного оператора Фурье с учетом петрофизических характеристик коллектора для произвольного расположения скважин

А.Н. Хамидов* (1), И.В. Матвеев (1), Г.Ю. Шишаев (1), В.С. Рукавишников (1) (1 - НИ ТПУ)
Рассматривается подход прогнозирования динамических свойств пласта с использованием нейронного оператора Фурье с учетом петрофизических характеристик коллектора для произвольного расположения скважин. Метод FNO относится к методу машинного обучения, что делает его актуальным способом аппроксимации данных. Новизна подхода обучения заключается в добавлении возможности произвольного расположения сква..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Петрофизика и исследование керна Добавлено: 17.10.2024

Прогноз свойств коллектора разрабатываемого месторождения углеводородов на основе сейсмических атрибутов RTH, данных горизонтального бурения и методов ИИ

Г.Н. Ерохин (1), А.И. Камышников (1), С.А. Сергеев (1), Р.В. Симонов (1), С.А. Шевченко* (1) (1 - ФГАОУ ВПО «БФУ им. И. Канта»)
В докладе представлен подход к прогнозу петрофизических, литологических и иных свойств коллектора углеводородов в случае, когда имеются данные стандартной сейсморазведки, а также информация, полученная преимущественно в горизонтальных скважинах при разработке месторождения. Трудности прогноза связаны с небольшими, как правило, мощностями коллектора и отсутствием сейсмических атрибутов высокого про..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Петрофизика и исследование керна Добавлено: 17.10.2024

Проблемы и решения трехмерной визуализации больших моделей пласта в ParaView

О.В. Ковалевский* (1), М. Кансельер (2) (1 - ООО «Арамко Инновейшнз», 2 - Saudi Arabian Oil Group)
Визуальный анализ моделей пласта является неотъемлемой частью процесса проектирования разработки месторождений. Таким образом трехмерная визуализация – это необходимый инструмент в наборе специалиста по такому проектированию. Наиболее распространенным форматом данных для моделей пласта является формат GRDECL/EGRID, связаный с гидродинамическим симулятором ECLIPSE. Существует множество приложений, ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Программное обеспечение Разработка месторождений Добавлено: 17.10.2024

Применение физически-информированной нейронной сети для прогнозирования динамики изменения пластового давления вокруг работающей скважины

Г.М. Шутов (1), Д.И. Ахметов* (1), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех)
В результате исследования была обучена физически-информированная нейросетевая модель скважины, которая предсказывает поля давлений, при этом учитывая уравнения фильтрации. Модель работает на несколько порядков быстрее, чем численный симулятор. Это свойство модели, а также ее свойство дифференцируемости, позволяют использовать данную модель для различных задач моделирования течения жидкости на реал..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Мониторинг действующих скважин Добавлено: 17.10.2024

Применение топологического анализа данных к истории месторождения для увеличения эффективности автоматизированной адаптации ГДМ

А.В. Веткина* (1), И.В. Матвеев (1), Г.Ю. Шишаев (1), В.С. Рукавишников (1) (1 - Томский политехнический университет)
В данном исследовании проводится топологический анализ данных (ТАД) временных рядов, описывающих исторические данные месторождения (такие как дебиты жидкостей, забойное давление), с целью выявления критических данных добычи, или данных высокой важности (т.е. записей данных с высокой степенью влияния) для последующей настройки параметров контроля при расчете гидродинамической модели пласта в процес..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Программное обеспечение Техника и технологии добычи Добавлено: 17.10.2024

Применение сверточных и полносвязных нейронных сетей для автоматических исследований фотографий и томографий трещиноватых карбонатов

В.В. Абашкин (1), Г.А. Коссов* (1), Д.О. Макиенко (1), И.А. Селезнёв (1) (1 - ООО «Технологическая Компания Шлюмберже»)
В настоящей работе предлагается методика, основанная на свёрточных и полносвязных нейронных сетях, которая позволяет выполнять автоматическую предобработку фотографий и томографий керна для последующей задачи получения кривой кавернозности карбонатных отложений. Целью настоящей работы являлась разработка методов автоматического выделения трещин, технологических отверстий и каверн с применением све..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Трещиноватые коллектора Добавлено: 17.10.2024

Применение мультимодальных генеративных моделей для повышения качества интерпретации данных аэросъемки

С.В. Зайцев* (1), С.В. Наумов (1), Р.И. Шакиров (2), Д.В. Бородкина (2), Д.Г. Сёмин (2), Г.К. Григорьев (2) (1 - Nedra Digital (ООО «Недра»), 2 - Группа компаний «Газпром нефть»)
Современные ИИ-модели, хотя и демонстрируют впечатляющие результаты во многих областях, остаются весьма чувствительными к качеству и количеству тренировочных данных. В контексте аэросъемки это приводит к риску ошибочной интерпретации данных, что может иметь серьезные последствия, включая пропуск критических событий и неэффективное распределение ресурсов. Перед лицом таких вызовов, актуальность исс..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Добавлено: 17.10.2024

Применение методов машинного обучения для ускорения процедуры сегментации томографических изображений керна

Р.Б. Джаркинов* (1), Р.О. Резаев (2), А.С. Гоголев (2), А.А. Дучков (3), М.И. Волков (2) (1 - НГУ, 2 - ТПУ, 3 - ИНГГ СО РАН)
Процедура сегментации данных томографической съемки является одним из самых важных этапов при создании цифровой модели образца керна. Однако стандартные методики сегментации по порогу требует тонкой настройки параметров и применимы лишь для простых случаев, а ручная сегментация требует слишком много временных затрат. В связи с этим становится актуальной задача ускорения данной процедуры путем прим..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Добавлено: 17.10.2024

Практический пример использования программного продукта «Модус: Управление корпоративным хранилищем данных (ETL)» для хранения и интеграции данных ресурсной базы нефтегазовых активов

И.Р. Шеховцова* (1) (1 - МКООО «ГАЗПРОМ ИНТЕРНЭШНЛ ЛИМИТЕД»)
Необходимость обеспечения оперативного доступа к актуальной информации, сбора и обработки разнородных данных, поддержания и версионирования информации представляет существенные вызовы для нефтегазовых компаний. Решение этих задач требует комплексного подхода, включающего разработку структур баз данных, создание единого корпоративного хранилища, обеспечение целостности и согласованности данных. Инс..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Программное обеспечение Добавлено: 17.10.2024

Практика реализации алгоритмов машинного обучения для прогноза эффективных толщин при планировании геолого-разведочных работ

А.О. Потапов* (1), Г.М. Тимошенко (1) (1 - ООО «Газпром нефть шельф»)
Традиционной методикой определения потенциальных эффективных толщин в рамках оценки ресурсной базы поисковых объектов является построение простейшей линейной регрессии от общих толщин или, в ещё более общем случае, расчёт через коэффициент песчанистости, определённый как среднее по скважинам месторождений-аналогов. Стоимость геолого-разведочных работ (ГРР) на месторождениях, расположенных в аквато..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Оценка запасов Добавлено: 17.10.2024

Оценка параметров трещины гидроразрыва по сигналу гидроудара с использованием моделирования и машинного обучения

Р.М. Юзофатов* (1), И.А. Селезнев (1), А.А. Борисенко (1) (1 - ООО «Технологическая Компания Шлюмберже»)
В статье описан подход к обработке сигнала гидроудара с целью оценки параметров трещины. В работе использовалось прямое моделирование распространения акустических волн в скважине с учетом влияния трещины. Далее описывается формирование набора данных о гидроударе и обучение нейронной сети по схеме вариационного автоэнкодера. В работе приведены примеры обработки полевых сигналов...
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Добавлено: 17.10.2024
  • 1
  • 2
  • 3
  • 4
  • >
  • >|
Показано с 1 по 15 из 50 (Страниц: 4)
  •  Главная
  • Все статьи
  • Связаться с нами
  •  Личный кабинет
  • Закладки
  • Подписка на рассылку

 Согласие на обработку персональных данных

Работает на OpenCart, club version
Библиотека Геомодель © 2025