Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Шумоподавление при обработке сейсмических данных с помощью глубоких нейронных сетей

А.С. Вострецов* (1, 2), В.Д. Гришко (1, 2), Т.Э. Хохрякова (1), А.А. Козяев (1), А.А. Мерецкий (1), Г.В. Иванов (1), Д.А. Петров (1) (1 – Филиал ООО «РН-ГИР» в городе Красноярске, 2 – ФГАОУ ВО «Сибирский Федеральный Университет»)
Качественные данные сейсморазведки (особенно pre-stack) важны для скоростного анализа и прогноза нефтегазоносности. Однако интенсивные шумы различной природы снижают их ценность. Традиционные методы (FK-фильтрация, τ–p преобразование) трудоёмки и плохо справляются с нестационарными помехами. Работа посвящена применению иерархического Vision Transformer (Hiera) для шумоподавления pre-stack записей...
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Обработка сейсмических данных Добавлено: 12.08.2026

Управление разработкой нефтегазового месторождения на основе мультиагентной системы генерации сценариев

К.А. Печко* (1), С.П. Бажуков (1), М.А. Малаховский (1), Д.А. Корниенко (1), М.В. Симонов (1) (1 - группа компаний «Газпром нефть»)
В работе рассматривается задача управления разработкой нефтегазового месторождения в условиях высокой неопределенности и большой размерности пространства решений. Предложен подход, основанный на использовании мультиагентной системы генерации сценариев, интегрированной с цифровым двойником месторождения. Цифровой двойник выступает в качестве среды моделирования, обеспечивающей расчет технологически..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Самообучающийся алгоритм огрубления вычислительных сеток для двухфазного течения в пористых средах

В.Т. Наумов* (1), Н.Б. Явич (1), А.А. Рябов (1), Е.В. Бурнаев (1, 2), В.В. Вановский (1) (1 - Сколковский институт науки и технологий, 2 - Институт искусственного интеллекта)
Гидродинамические симуляции двухфазного течения в пористых средах необходимы для прогнозирования добычи нефти, но требуют значительных вычислительных ресурсов. Традиционные подходы приводят к высоким требованиям по памяти и времени, ограничивая анализ сценариев. Мы предлагаем обучаемый алгоритм огрубления с использованием графовых нейронных сетей (GNN) с агрегацией узлов и дифференцируемым разбиен..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Распознавание схем обустройства месторождений подходами компьютерного зрения

К.А. Печко* (1), Р. Бунвонг (2), М.В. Симонов (1) (1 - группа компаний «Газпром нефть», 2 - Skolkovo Institute of Science and Technology)
В работе рассматривается задача автоматического распознавания схем обустройства нефтегазовых месторождений с последующим восстановлением их топологической структуры. Предложен пайплайн, объединяющий методы глубокого обучения и классической обработки изображений. На этапе подготовки данных используются синтетические схемы, сгенерированные на основе инженерного программного обеспечения, что позволяе..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Пространственная интерполяция скважинных данных на основе сейсмических атрибутов

O.А. Бабакин (1), В.И. Авилкин (1), Е.А. Илларионов (1, 2), Г.А. Пешков (1), Д.И. Сабитов (1), А.Н. Сторонский (1), А.Д. Мирончиков* (1) (1 - ООО «Арамко Инновэйшнз», 2 - МГУ имени М.В. Ломоносова)
Традиционный кригинг скважинных данных обеспечивает высокую точность вблизи стволов, но теряет информативность в удаленных межскважинных зонах. В работе предложен метод повышения качества интерполяции за счет учета сейсмических данных через машинное обучение. С помощью 3D сверточного автоэнкодера из куба сейсмических амплитуд извлекаются локальные ML-атрибуты (размерность скрытого слоя — 8). Интер..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Интеллектуальный анализ данных Добавлено: 12.08.2026

Прогнозирование обводнения газовых скважин на основе методов машинного обучения и нейронных сетей

В.Е. Вершинин* (1), В.А. Огай (1), К.И. Пеплин (1), А.С. Ковалькова (1) (1 - ООО «РН-Геология Исследования Разработка»)
Одной из основных проблем при разработке газовых залежей с подстилающей водой является ее активное внедрение в газонасыщенную часть, что приводит к обводнению скважин, снижению уровней добычи газа и последующей остановки скважин вследствие самозадавливания. Поэтому разработка методов прогнозирования обводнения, позволяющих своевременно принимать меры по предупреждению обводнения, является важной з..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Газовые месторождения Добавлено: 12.08.2026

Прогнозирование АСПО-подобных осложнений по промысловым данным: опыт построения ML-прототипа

Г.Г. Файзрахманов* (1), И.Р. Мавлявов (1), Н.О. Некрасов (1) (1 - Институт «ТатНИПИнефть» ПАО «Татнефть»)
В работе рассмотрен проектный ML-прототип для оценки риска АСПО-подобных осложнений в нефтепромысловой трубопроводной сети. В исходные данные вошли ремонтная история, простои, трубопроводные привязки, режимы эксплуатации скважин, сведения о мероприятиях, ПРС/КРС, координаты и результаты анализа проб воды. Задача прототипа состояла в оценке вероятности прокси-события на горизонте 30-180 суток для т..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Прогноз физико-механических свойств пласта по сейсмическим данным в условиях различной мощности формации

В.И. Авилкин* (1), Г.А. Пешков (1), А.Н. Сторонский (1), Д.И. Сабитов (1), М. Малки (2) (1 - ООО «Арамко Инновейшнз», 2 - Saudi Aramco)
В работе рассматривается задача прогноза свойств пласта по сейсмическим данным в условиях существенного различия длины сейсмических трасс между обучающим и целевым наборами. Для построения признакового представления используется свёрточный автоэнкодер с глобальным усреднением, позволяющий получать компактные признаки, инвариантные к длине трассы. На основе извлечённых признаков выполняется прогноз..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Интерпретация данных сейсморазведки Добавлено: 12.08.2026

Пример создания детальной литолого-фациальной модели строения девонско-каменноугольных отложений пилотного кластера Удмуртской Республики на основе секвенс-стратиграфической интерпретации и нейросетевого прогнозирования

Д.Н. Коняев* (1), А.В. Дердуга (1), В.Е. Васильев (1), Ю.Г. Еремин (1) (1 - Филиал ООО «РН-ГИР» в городе Москве - Центр технических компетенций ИГиРГИ)
В рамках представленной научно-исследовательной работы была реализована масштабная комплексная секвенс-стратиграфическая интерпретация разнородных сейсмических и скважинных данных. Для достижения максимальной детализации авторами были интегрированы передовые алгоритмы нейросетевого прогнозирования. Это позволило осуществить высокоточное трехмерное моделирование сложного геологического строения, пр..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Секвентная стратиграфия Добавлено: 12.08.2026

Применение TFNO для аппроксимации динамических кубов месторождении Brugge в двухфазной системе фильтрации «нефть-вода»

А.Н. Хамидов (1), И.В. Матвеев (1), Г.Ю. Шишаев (1), А.С. Шадрин (1), Д.С. Саматов* (1) (1 - ТПУ)
Необходимость ускорения гидродинамических расчетов без существенной потери точности стимулирует развитие различных методов, включая машинное обучение (ML). Однако большинство подходов сводятся к снижению размерности, что ведет к потере физического содержания. Ключевое ограничение — игнорирование пространственной неоднородности путем усреднения свойств, что критично для двух- и трехфазной фильтраци..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Поэтапное размещение разведочных скважин в условиях геологической неопределённости

М.В. Подгаецкий* (1), В.В. Покатилов (1), В.А. Вакуленко (1), Ш. Давуди (1, 2) (1 - Национальный исследовательский Томский политехнический университет, 2 - Сколковский институт науки и технологий, Сколтех)
Работа посвящена задаче поэтапного выбора разведочных скважин в условиях малого объёма исходных данных и высокой геологической неопределённости. Предложена вычислительно реализуемая схема принятия решений, объединяющая дискретный горизонт планирования, экспертное зонирование объекта, фазовые статусы зон, многокритериальную оценку альтернатив и анализ устойчивости результата. Разведочная скважина р..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

Полуавтоматическая разметка изображений бурового шлама с помощью дистилляции знаний

Н.В. Ковальчук* (1), Р.И. Гатауллин (1), Л.С. Исмаилова (1), А. Гадалла (2) (1 - Aramco Innovations, 2 - Saudi Aramco)
Работа содержит описание алгоритма определения размеров частиц бурового шлама по изображениям. Он основан на комбинации моделей учитель-ученик, что позволяет избежать трудоемкой разметки сегментационных масок. В качестве модели учителя используется Cellpose–SAM, в то время как более легкие архитектуры Cellpose-cyto3 и StarDist обучаются как модели-ученики. Для валидации результатов был использован..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Бурение Добавлено: 12.08.2026

Повышение помехоустойчивости детектирования микросейсмических событий на данных DAS на основе гибридного подхода MLE и модели U-Net

Б.В. Емельянов* (1), О.Н. Шерстюков (1), В.А. Рыжов (2), И.Р. Шарапов (3) (1 - КФУ, 2 - ООО «Призмагео», 3 - ООО «ИАС»)
Технология распределённого акустического зондирования (DAS) обеспечивает высокую пространственную плотность регистрации волновых полей в скважинах, однако скважинные данные DAS характеризуются низким отношением сигнал-шум (SNR) из-за специфических техногенных помех. Традиционные методы детектирования (STA/LTA, Semblance) неэффективны при SNR < 1: они генерируют чрезмерное число ложных срабатываний..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 12.08.2026

От данных к принятию решений: система рекомендаций по буровому раствору на основе машинного обучения для проактивного предотвращения прихватов бурильной колонны

Л. Исмаилова* (1), С. Медведева (1), Х. Озорио (2), А. Аломаир (1) (1 - ООО «Арамко Инновейшенз», 2 - Сауди Арамко)
Прихваты бурильной колонны остаются одной из наиболее серьёзных проблем в практике бурения нефтяных и газовых скважин, приводя к значительным потерям производительного времени, росту операционных затрат и рискам нарушения целостности скважины. Возникновение таких осложнений определяется сложным взаимодействием геолого-технических условий, параметров бурения и свойств бурового раствора, что существ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Бурение Добавлено: 12.08.2026

Оперативная оценка очистки ствола наклонно-направленных скважин с использованием гибридного машинного обучения

М. Аль-Шаргаби (1), М. Аль-Рубаи (2), Н.А. Макаров* (1), М. Мехрад (1), Ш. Давуди (1, 3) (1 - НИ ТПУ Центр Хериот-Ватт, 2 - Saudi Aramco, 3 - Сколтех)
Очистка ствола скважины от выбуренной породы (шлама) является критически важной задачей при бурении наклонно-направленных и горизонтальных скважин. Применение модифицированного транспортного индекса TIm ограничено необходимостью лабораторного измерения реологических свойств бурового раствора (БР), что создаёт временной лаг 2–4 часа, исключающий превентивное управление в реальном времени. В работе ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2026 Машинное обучение и ИИ Бурение Добавлено: 12.08.2026
  • 1
  • 2
  • 3
  • >
  • >|
Показано с 1 по 15 из 36 (Страниц: 3)
  •  Главная
  • Все статьи
  • Связаться с нами
  •  Личный кабинет
  • Закладки
  • Подписка на рассылку

 Согласие на обработку персональных данных

Наши партнеры: IGREC.stream
Первая онлайн-площадка для бизнес-презентаций

Работает на OpenCart, club version
Библиотека Геомодель © 2026