Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

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

Автоматическое распознавание и типизация коллекторов по томографическим изображениям на основе технологии компьютерного зрения

Р. И. Кадыров* (1), Е. О. Стаценко (1), Т.Х. Нгуен (1) ( 1 - Институт геологии и нефтегазовых технологий Казанского (Приволжского) федерального университета)
В геологических исследованиях анализ керна играет важную роль в определении физических и химических свойств горных пород. Однако, традиционные методы описания и типизации пород основаны преимущественно на визуальной оценке, требуют много времени и подвержены субъективным факторам. В данном исследовании рассмотрен альтернативный подход, объединяющий компьютерное зрение и рентгеновскую компьютерную ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Автоматическое восстановление каротажных диаграмм различными методами аппроксимации

Г.Р.Вахитова* (1), А.М.Касимов (1) (1- Уфимский университет науки и технологий)
В работе представлены результаты автоматизации процесса восстановления исходных каротажных диаграмм, отсутствующих по разным причинам в цифровых массивах данных, зарегистрированных в скважинах. На основе комбинации классических методов и современных алгоритмов машинного обучения создан оригинальный инструмент в виде надстройки в программное обеспечение Microsoft Excel для автоматического восстанов..
Санкт-Петербург 2023 Машинное обучение и ИИ ГИС Добавлено: 31.05.2023

Автоматическая сегментация разломов на сейсмических данных с помощью нейросетевых алгоритмов

Р.М. Юзофатов* (1), А.В. Буторин (1), С.В. Зайцев (1), И.А.Коваленко (1), П.В. Уразов (1) (1 - ООО «Недра»)
Применение нейронных сетей с механизмом внимания позволяет автоматизировать процесс интерпретации сейсмических данных, дополнить экспертную оценку сегментации тектонических разломов. Эффективность обучения рассматриваемой модели обеспечивается гибридным подходом к формированию обучающей выборки с совместным использованием математического моделирования и полевых данных. Для уменьшения влияния вариа..
Санкт-Петербург 2026 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 08.05.2026

Автоматизированное построение модели геонавигации по данным ГИС в горизонтальных скважинах

В.П. Артамонов*, И.А.Никитин, Н.К. Каюров (ООО «ННТЦ»)
В работе описывается алгоритм, направленный на автоматизацию процесса геонавигации, основанный на поиске оптимального решения при сравнении фактического и синтетического сигналов различными математическими методами...
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Автоматизированное картирование металлотектов по комплексным геофизическим данным: перенос и масштабирование

А.В. Карамышев* (1) (1 - ФГБУ «Институт Карпинского»)
Доклад посвящен оценке возможностей переноса обучения при применении ранее подготовленных нейросетевых моделей автоматизированного картирования геологических факторов контроля оруденения к наборам геофизических данных, характеризующих пространственно удаленные от обучающих и существенно отличные по своему геологическому строению территории, в т.ч. с масштабированием решения..
Геомодель 2025 Машинное обучение и ИИ Добавлено: 23.09.2025

Prediction failures in electric submersible pumps (ESP) for improved production performance

А. Г. Воскресенский* (1) (1- ООО «Арамко Инновейшенз»)
Electric Submersible Pump (ESP) installations are widely used in oil extraction worldwide. Failures of ESP in the field require costly repair interventions and lead to downtime in oil wells. However, it is important to note that ESP's technical limits exceed the average failure time, necessitating predictive models to optimize logistics for repair crew scheduling and pre-failure equipment stockpil..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023
  • |<
  • <
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • >
  • >|
Показано с 151 по 165 из 168 (Страниц: 12)
  •  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