Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Прогноз эффективных толщин коллекторов в палео-аллювиальных системах Томской области с использованием литолого-фациального моделирования и нейронных сетей

А.Ю. Попков* (1), Е.А. Панченко (1), Н.Н. Гатина (1), И.И. Приезжев (2), А.И. Мурзов (3) (1 - ЗАО «МиМГО», 2 - ООО «АйПиЛаб», 3 - АО «ННК»)
Основная продуктивность изучаемой территории связана с пластами тюменской свиты. Проведен комплексный сейсмогеологический анализ: изучен крен, ГИС, 3D сейсмический куб. В результате выделены палеорусла, как наиболее перспективные зоны. Прогноз фильтрационно-емкостных свойств проводился с помощью нейронных сетей с использованием априорной геологической информации...
Геомодель 2022 Машинное обучение и ИИ Западная Сибирь Добавлено: 17.05.2023

Прогноз флюидонасыщения коллекторов викуловской свиты с помощью иерархических нейронных сетей

Д.А. Данько* (1), И.И. Приезжев (1,2), А.В. Шубин (1) (1 - Губкинский университет, 2 - ООО «Лаборатория Приезжева»)
В работе предложен метод иерархических нейронных сетей, который является серьезной альтернативой нейросетевым технологиям с глубоким обучением. Показана его применимость на одном их месторождений Красноленинского свода Западной Сибири при прогнозе нефтенасыщения коллекторов викуловской свиты. Полученный нейросетевой прогноз был сопоставлен с результатами метода петроупругой инверсии. Сравнительный..
Геомодель 2024 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 20.10.2024

Прогноз проницаемости нижнепермского карбонатного пласта I Приразломного м/я на основе гидравлических единиц потока методами машинного обучения

В.В. Караченцев* (1), М.А. Кунцевич (1), А.Е. Симаков (1), А.В. Ротару (2) (1 - ООО «Газпромнефть НТЦ», 2 - СПбГУ)
В докладе рассказываются общие сведения о Приразломном месторождении, геологическая характеристика коллектора, а также основные проблемы прогнозирования проницаемости карбонатного коллектора и методы их решения с применением алгоритмов машинного обучения. Для корректного описания связи пористость - проницаемость на основе пяти опорных скважин была проведена типизация пород с применением методики р..
Геомодель 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Прогноз минерального состава породы по данным ГИС и тепловых данным с помощью методов машинного обучения

Б.А. Гайнитдинов (1) (1 - Сколковский Институт Науки и Технологий)
Разработан инструмент для прогноза минерального состава нетрадиционного коллектора на основе данных ГИС и теплофизических свойствах. Применены алгоритмы машинного обучения для предобработки данных и прогноза массовой доли минералов на интервале глубин...
Санкт-Петербург 2023 Машинное обучение и ИИ ГИС Добавлено: 31.05.2023

Прогноз S-волн на основе стандартного комплекса ГИС с использованием методов машинного обучения

А. Пап* (1), В. Михайлович (1), М. Благоевич (1), С. Шешум (1), М.В. Наугольнов (1), Т. Мицич Понигэр (1) (1 - NTC NIS Naftagas)
Целью данного исследования является поиск оптимального решения для расчета скорости поперечной волны (S-волны) на основе стандартного каротажа. Традиционные математические подходы основаны на ряде предположений и зависят от литологии. Чтобы снизить сложность вычислений для конечного пользователя, мы решили использовать преимущества машинного обучения. Модель машинного обучения должна дать нам наде..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

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 физически-информированной нейронной сети для прогнозирования динамики изменения пластового давления

Г.М. Шутов* (1), Д.И. Ахметов (1), Е. В. Бурнаев (1), В. В. Вановский (1) ( 1 - Сколковский институт науки и технологий )
Нейросетевая физически-информированная модель скважины используется для предсказания полей давлений вокруг скважины. В модели учитывается физика, а именно соблюдение уравнения фильтрации. При этом модель предсказывает карты давлений на порядки быстрее, чем их рассчитывает численный симулятор...
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Применение технологий глубокого обучения при выполнении сейсмостратиграфической привязки и расчете атрибутной акустической инверсии для повышения достоверности прогноза и снижения геологических рисков

П.А. Авдеев* (1), Д.А. Богоедов (1), Р.Ф. Мифтахов (1), А.А. Тархов (1), А.К. Базанов (1), И.И. Ефремов (1) (1 - ООО «ГридПоинт Дайнамикс»)
Сейсмическая амплитудная инверсия является одним из важнейших инструментов прогноза, позволяющим преобразовать амплитуды волнового поля в распределения упругих свойств слоистой среды. Однако, решение задачи инверсии сейсмического импеданса по-прежнему остается сложным, нелинейным и неоднозначным из-за множества факторов. Большое количество ошибок возникает уже на начальном этапе подготовки данных ..
Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Применение программной платформы CyberStudio для предиктивной аналитики ГПА

М.П. Гусев* (1), С.Н. Николаев (1), П. Касилов (1), И.Ю.Гаврилов (1), С.И. Гавриленков (1), Д. В. Косовский (1) (1 - ООО Сайберфизикс)
В докладе представлен опыт применения платформы для предиктивной аналитики оборудования ГПА Новопортовского месторождения. В рамках проекта разрабатывались предиктивные модели для компрессоров и турбин. По результатам проекта показаны принципы разработки физически обоснованных предиктивных моделей, а также как платформа диагностирует неисправности на агрегатах...
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Применение пост-стак инверсии на алгоритмах искусственного интеллекта для выделения коллекторов регионального/локального уровня на примере мега сейсмического куба Норвежского моря

А.З. Недоступов* (1), В. Калашникова (2), Р. Оверос (2), Т.Р. Шарафутдинов (1), Г.Р. Вахитова (1) (1 - ООО «ПетроТрейс Сервисиз», 2 - AO «Пре Стак Солюшинс-Гео»)
В данной работе показано эффективное геолого-геофизическое изучение региона Норвежского моря как на региональном уровне, так и на уровне месторождения через «сканирование» данных. Основой для получения успешных результатов работ послужил широкополосный «бесшовный» куб сейсмических данных, по которому была выполнена новая инверсия на основе алгоритмов искусственного интеллекта (Rune Inversion). Исп..
Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Применение нейронного оператора Фурье (FNO) для ускорения расчета гидродинамических моделей

И.В. Матвеев (1), Г.Ю. Шишаев (1), А.В. Веткина (1), М.А. Сальников (1) (НИ ТПУ)
Работа посвящена применению нейронного оператора Фурье (FNO) и его модификации (U-FNO) для аппроксимации решения уравнений потока трехфазной системы (нефть-вода-газ). Применение нейронного оператора Фурье, U-FNO, позволило не только существенно ускорить проводимые расчеты, но и точность получаемых результатов (распределение поля давление и насыщенности в модели) поддерживалась на достаточно высоко..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Применение молекулярного моделирования и машинного обучения для прогноза свойств жидкостей

В.В. Писарев* (1), Я.Р. Мкртчян (1), Г.С. Смирнов (1) (1 - НИУ ВШЭ)
В докладе представлены результаты построения гибридной модели прогнозирования вязкости углеводородов на основе машинного обучения и молекулярного моделирования. Вязкость рассчитывается на основе набора молекулярных дескрипторов, получаемых из молекулярного моделирования. Показана точность в пределах 20% на экспериментальных данных, опубликованных в базе NIST ThermoML...
Тюмень 2024 Машинное обучение и ИИ Добавлено: 11.10.2024

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

Применение методов машинного обучения для восстановления относительных упругих параметров геологической среды

М.И. Шишкин* (1), А.В. Буторин (1,2) (1 - Санкт-Петербургский государственный университет, 2 - ООО «Газпромнефть НТЦ»)
В работе обсуждается возможность восстановления относительных упругих параметров среды из набора трасс угловых коэффициентов отражения. Для решения поставленной задачи используется инструмент машинного обучения, реализованный в библиотеке «sklearn» языка программирования Python. Обучение регрессоров производится на синтетических данных, тестирование на реальных скважинных данных. Рассмотрен вопрос..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Применение метода электронной микроскопии для развития технологий цифрового анализа керна

З.В. Ахметзянова* (1), Л.З. Казина (1), А.А. Николаев (1), Ю.А. Питюк (1), Э.С. Батыршин (1) (1 - ООО «РН-БашНИПИнефть»)
В современном мире цифровые технологии играют все более значимую роль в различных отраслях, включая геологию. Одним из ключевых инновационных подходов в этой области является использование методов цифрового анализа керна. Одним из направлений цифрового анализа керна является процесс обработки и анализа цифровых моделей, полученных из образцов кернового материала с целью исследования фильтрационно-..
Санкт-Петербург 2024 Петрофизика и исследование керна Машинное обучение и ИИ Добавлено: 26.05.2024
  • |<
  • <
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • >
  • >|
Показано с 31 по 45 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