Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Восстановление модели трещин на основе машинного обучения и трёхмерного свёрточного моделирования

М.И. Протасов* (1), Р.М. Кенжин (1), Е.Н. Павловский (1- ИНГГ СО РАН, 2- НГУ),
Представленная статья посвящена численному исследованию применимости машинного обучения для задачи трёхмерной инверсии для реконструкции модели трещин. Сейсмическая инверсия используется на практике для прогнозирования коллекторских свойств. Стандартная инверсия основана на одномерной свёрточной модели, но реальные геологические среды более сложны. Поэтому исследуется подход для реконструкции трех..
Санкт-Петербург 2024 Машинное обучение и ИИ Обработка сейсмических данных Добавлено: 26.05.2024

Восстановление модели трещин на основе машинного обучения и трёхмерного свёрточного моделирования

М. И. Протасов (1), Р. М. Кенжин* (2), Е. Н. Павловский (2) (1 - ИНГГ, 2 - НГУ)
В работе проведено численное исследование применимости машинного обучения в задаче трёхмерной инверсии для реконструкции модели трещин. Сейсмическая инверсия используется на практике для прогнозирования коллекторских свойств. Стандартная инверсия основана на одномерной свёрточной модели, но реальные геологические среды более сложны. Поэтому исследуется подход для реконструкции трехмерной модели тр..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Восстановление модели плотности распределения трещин на основе машинного обучения и трёхмерного свёрточного моделирования: применение к реальным данным

М.И. Протасов* (1), Р.М. Кенжин (1), Е.Н. Павловский (2) (1 - ИНГГ СО РАН, 2 - НГУ)
Представленная статья посвящена численному исследованию применимости машинного обучения для задачи трёхмерной инверсии для реконструкции модели трещин. Исследуется подход для реконструкции трехмерной модели трещин, основанный на трехмерном свёрточном моделировании и машинном обучении с использованием нейронной сети U-net. Разработанный алгоритм апробирован на дифракционных изображениях, построенны..
Геомодель 2024 Машинное обучение и ИИ Трещиноватые коллектора Добавлено: 20.10.2024

Виртуальная расходометрия для прогноза дебита на газоконденсатных месторождениях

Н.В. Ковальчук* (1), М. Идрис (2), Е. Аббад (2), М. Арсалан (2) (1 - Aramco Innovations, 2 - Saudi Aramco)
В данной работе представлен метод виртуальной расходометрии для газоконденсатных месторождений. Принимая во внимание поведение дебита из конденсатных пластов, мы разработали алгоритм предварительной обработки данных, хорошо подходящий для данных о расходе. Для скважин с изменяющимся режимом, контролируемым размером штуцера и давлением, применение соотношений потока для генерации входных признаков ..
Геомодель 2025 Машинное обучение и ИИ Добавлено: 23.09.2025

В лесу алгоритмов (некоторые дискуссионные аспекты синтеза петрофизической инверсии)

В.Ю. Руденко (1), Б.Н.Еникеев (1) (1 - АО «МИМГО»)
Выявлены и рассмотрены преимущества и недостатки методов петрофизической инверсии на основе петрофизического моделирования и имитационного обучения и имитационного обучения. Предложены алгоритмы их гибридизации на основе идеологии мультиагентных систем..
Тюмень 2024 Машинное обучение и ИИ Добавлено: 11.10.2024

Аппроксимация гидродинамических расчетов методом DTOF для решения обратной задачи

Д.А. Попов (1), Г.Ю. Шишаев (1), И.В. Матвеев (1), Н.С. Марков (2), Е.В. Юдин (3), А.И. Зинатуллин* (1) (1-ФГАОУ ВО НИ ТПУ, 2- ООО «Недра», 3- ООО «Газпромнефть-НТЦ»)
В данной работе рассмотрен метод по адаптации геологических и петрофизических свойств исследуемого объекта на исторические данные по дебитам, основанный на подходе для решения уравнения пьезопроводности с помощью diffusive time of flight (далее условно будем называть DTOF-метод), позволяет значительно сократить время адаптации и достичь результатов, сравнимых с результатами гидродинамического симу..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Анализ шлифов керна терригенных пород каменноугольной системы месторождения Волго-Уральского региона с помощью ИИ программы LithologAI

Р.Р. Назаренко* (1), А.М. Арифуллин (1), М.А. Лобусев (1) (1 - РГУ нефти и газа имени И.М. Губкина)
В данном исследовании представлен комплексный анализ керновых образцов терригенных пород бобриковского горизонта, расположенных в Волго-Уральском регионе, выполненный с помощью программного обеспечения искусственного интеллекта LithologAI. Основное внимание уделено гранулометрическому анализу и классификации осадочных пород, что позволяет выявить детальные характеристики процессов осадконакопления..
Санкт-Петербург 2024 Петрофизика и исследование керна Машинное обучение и ИИ Добавлено: 26.05.2024

Анализ наиболее распространенных сценариев использования искусственного интеллекта в нефтегазовой отрасли

В.И. Булаев* (1) (1 - АО НПФ «Геофизика»)
В докладе предложен подход к структурированию способов использования систем на базе искусственного интеллекта в организациях нефтегазовой отрасли. Выделено четыре наиболее распространенных сценария (апробация, НИР, пилотный проект, продакшен) и рассмотрены основные особенности каждого из них...
Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Анализ геофизических данных с использованием открытых библиотек Python. Примеры реализации

А.В. Буторин* (1) (1 - ООО «Газпромнефть НТЦ»)
..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

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

Алгоритм комплексирования для построения кубов статистически связанных геолого-гидродинамических свойств пласта на основе ядерной регрессии и перекрестно-связанных сверточных нейронных сетей

М.А. Анисимов (1), А.А. Рябов* (1), С.В. Кайгородов (2), Б.В. Белозеров (3), Е.В. Бурнаев (1), В.В. Вановский (1), (1 - Сколтех, 2 - ООО «Газпромнефть НТЦ», 3 - ПАО «Газпром нефть»)
В этой работе мы предлагаем алгоритм комплексирования в 3D, наследующий успешные практики комплексирования в 2D. Рассматривается способ построения трехмерных ядер для данных ГИС с учетом разметки на коллектор и неколлектор, а также способ построения трехмерных ядер для данных ГДИС. Далее построенные ядра используются в ядерной регрессии по объему коллектора для получения первого приближения компле..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 17.10.2024

Алгоритм автоматического стратиграфического расчленения разреза по данным ГИС

А.И. Липко (1), А.Б. Шакиров (1)*, М. Мезгани (2) (1-ООО Арамко Инновейшенз, 2-Сауди Арамко)
Данные о пространственном расположении формаций необходимы для построения геологических моделей месторождения, подсчета запасов углеводородов, планирования технологии разработки месторождений, и многих других прикладных задач. В производственной практике обработки и интерпретации каротажных данных процесс стратиграфического расчленения разреза и межскважинной корреляции осуществляется в основном в..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Адаптация параметров сейсмической инверсии с целью уточнения петрофизической модели

И.А. Переплеткин* (1, 2), А.В. Буторин (2), А.А. Волкова (3) (1 - НОЦ "Газпромнефть-НГУ", 2 - ООО "Газпромнефть НТЦ", 3 - Томский политехнический университет)
Сейсмическую инверсию можно представить как комплекс методов количественной оценки упругих свойств. Инверсия позволяет получить физически обоснованный тренд для дальнейшего моделирования литологии и свойств пород, а также проводить оценку насыщения. Математически, сейсмическая инверсия как любая другая обратная задача в геофизике, относится к некорректно поставленным задачам с множеством решений. ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Адаптация карт проницаемости с помощью многокритериальной оптимизации и марковских цепей Монте-Карло

С.С. Шумилин* (1), Г.М. Шутов* (1), С.В. Кайгородов, Н.С. Марков (2), В.С. Котежеков, Б.В. Белозеров, Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ООО НЕДРА)
Точное предсказание добычи является одной из ключевых задач моделирования нефтяного пласта. Как правило, для быстрого предсказания добычи нефти используются прокси-модели. Тем не менее, такие предсказания не всегда корректны из-за заложенных в прокси-модели предположений и упрощений. Кроме того, прокси-модели зачастую требуют на вход карту проницаемости, которую необходимо построить и подвергнуть ..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Адаптация карт проницаемости с помощью многокритериальной оптимизации и марковских цепей Монте-Карло

С.С. Шумилин (1), Г.М. Шутов* (1), С.В. Кайгородов (2), В.С. Котежеков (3), Б.В. Белозеров (2), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколковский институт науки и технологий, 2 - ООО «Газпромнефть НТЦ», 3 - ПАО «Газпром нефть»)
Точное предсказание добычи является одной из ключевых задач моделирования нефтяного пласта. Как правило, для быстрого предсказания добычи нефти используются прокси-модели. Тем не менее, такие предсказания не всегда корректны из-за заложенных в прокси-модели предположений и упрощений. Кроме того, прокси-модели зачастую требуют на вход карту проницаемости, которую необходимо построить и подвергнуть ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023
  • |<
  • <
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • >
  • >|
Показано с 136 по 150 из 158 (Страниц: 11)
  •  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