Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Совместное предсказание карт геолого-гидродинамических свойств пласта из сейсмических данных с помощью глубоких сверточных перекрестно связанных нейронных сетей

М.А. Анисимов* (1), К.М. Рамазанов (1), С.В. Кайгородов, В.С. Котежеков, Б.В. Белозеров, Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех)
В текущей работе мы проверяем возможность совместного предсказания нескольких полей геолого-гидродинамических свойств пласта с учётом их взаимосвязей для улучшения предсказания каждого из полей. Также в качестве метода для предобработки сейсмических данных мы предлагаем использование непрерывного вейвлет-преобразования (CWT) и сравниваем результат обучения модели на спектральных признаках с резуль..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Сейсмография резервуаров на основе машинного обучения больших данных – суть постнеклассической науки в сейсморазведки

С.А. Куликов*
Технология создания геологических моделий месторождений на основе машинного обучения сеймразведочных данных при исполльзовании скважиной информации..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Решение задачи сейсмической инверсии на основе машинного обучения в многовариантной постановке

А.Ю. Дегтерев* (1) (1 - ООО «ИРМ»)
Рассмотрены проблемы сейсмической инверсии на основе машинного обучения, связанные с наличием у неё выраженных стохастических черт, из-за которых результат прогнозирования существенным образом зависит от незначительных изменений параметров алгоритма прогнозирования. Это является проблемой при использовании полученного прогнозного свойства в качестве детерминированного тренда, поскольку случайно вз..
Геомодель 2024 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 20.10.2024

Реализация высокоразрешающей акустической инверсии при помощи алгоритма разряженной аппроксимации

А.В. Буторин (ООО "Газпромнефть НТЦ")
Данные сейсморазведки характеризуются ограниченной полосой частот, что приводит к возникновению тюнинг-эффекта и проявляется в ограниченной вертикальной разрешающей способности. При малой мощности пластов возникает неопределенность, связанная с невозможностью отображения из-за интерференции отражений от границ. Повышение разрешающей способности и детальности решения является одной из основных проб..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Разработка суррогатной модели очистки трещины ГРП

А.А. Галлямов* (1) , С.А. Боронин (1) , А.А. Осипцов (1) , Е.В. Бурнаев (1) (1 - Сколковский институт науки и технологий, Сколтех)
Исследование посвящено разработке суррогатной модели очистки трещины гидроразрыва пласта (ГРП) с использованием комбинации ранее созданной механистической модели и алгоритмов машинного обучения с целью существенного ускорения проведения численных расчетов. Быстрое моделирование процесса очистки трещины необходимо для выполнения большого количества вычислений при адаптации модели (history matching)..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Разработка онлайн сервиса для обработки больших данных на примере системы распределенного акустического мониторинга (DAS) скважин

И.В. Скворцов* (1), В.А. Рыжов (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 настоящее время существуют различные платформы, позволяющие проводить научные вычисления. Несмотря на их популярность и активность использования, такие платформы не лишены недостатков. В этой статье приведен краткий обзор существующих платформ, перечислены их основные недостатки. На основании выявленных недостатков для разработки и вычислений предлагается использовать цифровую платформу RnDFlow...
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Разработка методики сейсмостратиграфического сегментирования данных сейсморазведки с применением машинного обучения

В. Д. Гришко* (1), Н. В. Ковальчук (1), А. А. Козяев (1)(1 - ООО «РН-КрасноярскНИПИнефть»)
..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Разработка и применение языковых моделей на основе глубокого обучения в геологии

Д.Н. Медведев* (1), В.Е. Сабашный (1), М.Х. Немешев (1, 2), М.Н. Смирнов (3, 2) ( 1 - ООО «ЛАНИТ-ТЕРКОМ», 2 - СПбГУ, 3 - ООО «Системы компьютерного зрения»)
Создание, исследование и применение геологических языковых моделей (GLM – geological language models) представляет собой новый, гибкий и доступный инструмент обработки больших объемов геоданных и оптимизации процессов исследований. GLM не только улучшают точность анализа текстовой информации, но и способствуют выделению ключевых параметров и закономерностей в геологических данных, открывая перспек..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Разработка алгоритма автоматического выделения времен первых вступлений с применением технологий глубокого обучения

Н. В. Ковальчук* (1), С. А. Яриков* (1), Т. Э. Хохрякова (2), И. В. Костычаков (2), А. В. Саренков (1) (1 - ООО «РН-КрасноярскНИПИнефть», 2 - ИКИТ СФУ)
..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки

И.И. Приезжев (1,4), Д.А. Горбач (2), В.Г. Мирошкин (2), В.Ю. Овечкина (2), Е. Тайкулаков (3) (1 - ООО «Лаборатория Приезжева», 2 - ООО «Газпромнефть НТЦ», 3 - Satbayev University, 4 - РГУ нефти и газа ( НИУ) имени И.М. Губкина)
В докладе предлагается использование прямого прогноза коллекторских свойств по данным сейсморазведки с помощью технологии, основанной на применении нейронных сетей Колмогорова (Priezzhev, 2020). Собственно прогноз выполняется по данным в глубинном масштабе и может включать несколько кубов на входе, включая кубы - результаты сейсмической инверсии и скоростной куб, полученный в процессе обработки. П..
Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Проектирование систем наблюдения в задачах контроля гидроразрыва с использованием интеллектуального робота «АРИО»

А.А. Табаков* (1), Ю.А. Степченков (1), В.Н. Ференци (1) (1 - ООО «Геоверс»)
Актуальность и востребованность метода микросейсмического мониторинга для контроля образования трещин при гидроразрыве пласта (ГРП) в последние годы существенно возрастает. В то же время в России ощущается недостаток программного обеспечения для проектирования систем наблюдения при работах ГРП с целью выбора оптимальных параметров регистрации, а также для оценки достоверности результатов обработки..
Геомодель 2024 Машинное обучение и ИИ Добавлено: 20.10.2024

Прогнозирование уровня обводненности продукции скважин с использованием методов машинного обучения в условиях Тазовского НГКМ

А.В. Попов* (1), Г.Ш. Абдуллаева (2) (1 - ООО «Меретояханефтегаз, 2 - ООО «Газпромнефть-ЦР)
В данной работе рассмотрен подход к повышению эффективности принятия решений в процессе управления разработкой месторождений с использованием технологий машинного обучения...
Тюмень 2024 Машинное обучение и ИИ Геологическое гидродинамическое и геомеханическое моделирование Добавлено: 11.10.2024

Прогнозирование пористости в межскважинном пространстве на основании сейсмических данных и данных пористости по скважинам с применением нейронных сетей в Python

А.И. Кадиров* (1,2), Ю.В. Губайдуллина (1), Б.В. Платов (1), А.И. Степанов (1) (1 - Казанский (Приволжский) Федеральный Университет, 2 - Газпромнефть-НТЦ)
Научная работа рассматривает возможность расчета межскважинной пористости с использованием сейсмически данных; описывает методику обработки и интерпретации данных скважин и сейсморазведки.В ходе работы решалась задача расчета пористости по скважинам и дальнейшее прогнозирование в межскважинном пространстве с использованием сейсмических атрибутов.Достижение этих целей осуществляется за счет разрабо..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Прогнозирование добычи нефти из сланцевых коллекторов с использованием методов машинного обучения

И.В. Саушкин* (1) (1 - ПАО «Газпром нефть», Санкт-Петербургский горный университет императрицы Екатерины II)
Прогнозирование добычи нефти из сланцевых коллекторов является важной задачей для оптимизации разработки месторождений и оценки инвестиционной привлекательности проектов. В данной работе рассматривается применение методов машинного обучения для повышения точности прогнозов добычи. Исследование выполнено на примере формации Bakken (США) и основано на анализе данных более чем 10 000 скважин. В работ..
Наука о сланцах 2025 Трудноизвлекаемые запасы Машинное обучение и ИИ Добавлено: 11.04.2025

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
  • |<
  • <
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • >
  • >|
Показано с 16 по 30 из 140 (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 © 2025