Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Применение методов машинного обучения для построения низкочастотных моделей упругих свойств в задачах сейсмической инверсии

Д.А. Данько* (1), А.В. Шубин (1), И.И. Приезжев (1, 2) (1 - Губкинский университет, 2 - ООО «Лаборатория Приезжева»)
В работе рассматривается гибридный подход к построению низкочастотных моделей упругих свойств, основанный на применении бустинговых алгоритмов машинного обучения и библиотеки псевдоскважин. Метод направлен на повышение достоверности сейсмической инверсии за счёт минимизации влияния субъективного выбора параметров интерполяции. Апробация на данных месторождения Восточной Сибири продемонстрировала в..
Геомодель 2025 Интерпретация данных сейсморазведки Машинное обучение и ИИ Добавлено: 23.09.2025

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

Применение машинного обучения при анализе сейсмических данных для выделения тектонических нарушений в различных сейсмогеологических условиях на территории Волгоградского Поволжья

С.В. Николаенко* (1), А.Б. Дерюшев (1) (1 - ООО «ЛУКОЙЛ-Инжиниринг»)
В докладе представлено сравнение наиболее распространенного на сегодняшний день аналитического алгоритма AntTracking (Schlumberger) и аппарата машинного обучения, реализованного в отечественном комплексе Geoplat Pro-S (ООО «ГридПойнтДайнамикс»)...
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Применение машинного обучения на основе условной вероятности Байеса для интерпретации вероятности появления коллектора в кислых вулканитах Западной Сибири

В.Ю. Руденко* (1), Д.Е. Гуренцов (1) (1 - ЗАО «МиМГО»)
В рамках данной работы рассмотрен подход применения алгоритма машинного обучения определения условной вероятности Байеса для расчёта вероятности коллектора в кислых вулканитах Западной Сибири. В первой части рассказывается об основах метода. Во второй показан пример применения алгоритма. На основе решения алгоритма делаются выводы о группировке прототипов для определения вероятности коллектора и в..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Применение машинного обучения для прогноза целевых параметров

Г.Ю. Мороз* (1) (1 - ООО Газпромнефть-НТЦ)
Машинное обучение – очень сильный инструмент анализа данных, в наше время применяющийся в огромном количестве областей, от решения задач регрессии, до управления автомобилями. Цель этой работы – предложить методику, позволяющую применять данный инструмент для прогноза целевых атрибутов...
ГеоБайкал 2022 Сейсморазведка Машинное обучение и ИИ Добавлено: 31.05.2023

Применение интеллектуального цифрового помощника для построения тектонической модели участка работ на примере месторождений Пуровского района

А.В. Юрикова* (1), П.А. Авдеев (1), А.К. Базанов (1), И.И. Ефремов (1), Р. Ф. Мифтахов (1), Д.Г. Смолякова (1) (1 - ООО «ГридПоинт Дайнамикс»)
На сегодняшний день одним из основных способов изучения геологического строения осадочных толщ является сейсмическая разведка, которая позволяет с высокой точностью выявлять принципиальные особенности строения геологического разреза того или иного района. К числу наиболее важных и в то же время сложных задач интерпретации относится выделение и пространственное картирование тектонических нарушений...
Геомодель 2022 Машинное обучение и ИИ Интеллектуальный анализ Добавлено: 17.05.2023

Применение глубокого обучения для акустической инверсии на примере газового месторождения Гронинген

Д.А. Богоедов * (1), Р.Ф. Мифтахов (1), А. А. Тархов (1), А.К. Базанов (1), И.И. Ефремов (1) (1 - ООО «ГридПоинт Дайнамикс»)
В докладе представлен новый метод акустической инверсии, основанный на применении нейронной сети глубокого обучения. Предложенный подход демонстрирует несколько преимуществ по сравнению с классическими методами акустической инверсии. Он позволяет избежать множества проблем, возникающих в традиционном процессе инверсии, поскольку не требует использования извлеченного сейсмического вейвлета и началь..
Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Применение алгоритмов машинного обучения для прогнозирования инцидентов на скважинах

Р.О. Мехоношин* (1), Т.Ф. Вильданов (1) (1 - ООО "ЛУКОЙЛ-Инжиниринг")
В нефтегазовых компаниях ежегодно растет количество структурированной информации по эксплуатации объектов нефте- и газодобычи, поэтому появляется возможность использования накопленного объема данных для решения нетривиальных задач по прогнозированию различных технологических параметров, используя современные информационные технологии. Подходящим инструментом для решения данных задач являются алгор..
Тюмень 2024 Машинное обучение и ИИ Геологическое гидродинамическое и геомеханическое моделирование Добавлено: 11.10.2024

Применение алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей в зонах отсутствия данных сейсморазведки

В.В. Ананьев (1) , В.Д. Гулин (1), Г.С. Григорьев (2), С.В. Зайцев (3), Р.В. Орлов* (3), С.Д. Журавлев (3), К.В. Киселев (3) (1- ООО «Газпромнефть НТЦ», 2 - ПАО «Газпром нефть», 3 - ООО «ИЦ МФТИ»)
Сегодня методы машинного обучения широко применяются в исследовательской области для решения ряда практических задач, где детерминистические модели процессов или явлений сложно, или нельзя сформировать. Примером такой задачи является восстановление структурных границ по данным НСМ. Восстановление структурных границ особенно актуально для межпрофильного пространства при наличии сейсмической съемки ..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Применение Interpretable AI к решению задач геологической классификации

Е.Б. Магадеев* (1), И.С. Ремеев (1), А.И. Ремеев (1) (1 - ООО НПЦ «ГеоТЭК»)
В работе предлагается новая нейросетевая архитектура, предназначенная для решения задач качественной интерпретации данных ГИС (выделения коллекторов, определения стратиграфии, литологии и т.д.) в рамках идеологии Interpretable AI. В основе реализованной сети лежит механизм преобразования последовательности квантов глубин в скважинах в соответствующие последовательности векторов в многомерном прост..
Геомодель 2025 Машинное обучение и ИИ Добавлено: 23.09.2025

Прикладные возможности векторных пространств

Лектор: Митрофанов Георгий Михайлович, доктор физ.-мат. наук, доцент, ИНГГ СО РАН, НГУ, НГТУ
Векторные пространства являются классическим математическим объектом. Они обладают значительными прикладными возможностями и служат прекрасным инструментом при решении различных задач. Поэтому векторы и операции над ними являются неотъемлемой частью многих вычислительных процессов, реализуемых на компьютерах. Сталкиваясь с необходимостью изложения основ методов, применяемых в геологофизических исс..
Видео Машинное обучение и ИИ Добавлено: 23.09.2025

Практические примеры повышения объективности принимаемых геологических концепций на базе искусственного интеллекта

А.С. Семенихин (1), А.С. Сидубаев (2), З.М. Бочкова (3), М.Е. Кубанина* (1), О.Т. Осмоналиева (2) (1 - ООО «Цифровая Формула Доверия», 2 - ООО «Газпромнефть НТЦ», 3 - ПАО «Газпром нефть»))
На раннем этапе жизни месторождения Команда проекта по созданию концептуальной геологической модели работает в условиях недостатка информации. Ввиду высоких неопределенностей, решения на этапе геологоразведки зачастую оказываются под влиянием когнитивных искажений, приводящих к завышению или занижению оценки запасов и ресурсов и, как следствие, к неоптимальным инвестиционным решениям. Мировая прак..
ПроГРРесс 2023 Машинное обучение и ИИ Добавлено: 08.11.2023

Практика реализации алгоритмов машинного обучения для прогноза эффективных толщин при планировании геолого-разведочных работ

А.О. Потапов* (1), Г.М. Тимошенко (1) (1 - ООО «Газпром нефть шельф»)
Традиционной методикой определения потенциальных эффективных толщин в рамках оценки ресурсной базы поисковых объектов является построение простейшей линейной регрессии от общих толщин или, в ещё более общем случае, расчёт через коэффициент песчанистости, определённый как среднее по скважинам месторождений-аналогов. Стоимость геолого-разведочных работ (ГРР) на месторождениях, расположенных в аквато..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Оценка запасов Добавлено: 17.10.2024

Построение синтетической кривой плотностного каротажа при помощи нейронных сетей

Ж.М. Давронов* (1), Б.В. Платов (1) (1 - ФГАОУВО «Казанский (Приволжский) Федеральный Университет»)
..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023
  • |<
  • <
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • >
  • >|
Показано с 46 по 60 из 154 (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 © 2025