Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

Нейросетевые подходы к анализу фазокорреляционных диаграмм при цементометрии

А.И. Ремеев* (1), Е.Б. Магадеев (1), И.С. Ремеев (1) (1 - ООО НПЦ «ГеоТЭК»)
В работе предлагается нейросетевой подход к определению момента первого вступления волны на фазокорреляционной диаграмме, полученной в процессе акустического каротажа цементирования. Показано, что, несмотря на довольно высокую точность результатов, выдаваемых нейросетью, которая свидетельствует о том, что задача в имеющейся постановке может считаться решенной, сама постановка задачи вызывает сомне..
Геомодель 2025 Машинное обучение и ИИ Добавлено: 23.09.2025

Нейросетевое моделирование трехмерных полей свойств с обучаемым базисом на основе автокодировщика

А.А. Рябов* (1), М.А. Анисимов (1), С.В. Кайгородов (2), Б.В. Белозеров (2), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ООО «Газпромнефть НТЦ»)
В данной работе предлагается новый подход распространения геологических свойств в межскважинном пространстве для получения трехмерного куба из двухмерной карты средних значений и вертикальных профилей поля свойств, известных в точках скважин. Предложенный метод тестируется на 2D-картах проницаемости, полученных через комплексирование в скважинных данных по ГИС и ГДИС с учетом сейсмических атрибуто..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Интеллектуальный анализ данных Машинное обучение и ИИ Добавлено: 17.10.2024

Нейросетевое картирование металлотектов по комплексу геофизических данных на базе априорного физико-геологического моделирования

А.В. Карамышев* (1) (1 - ФГБУ «Институт Карпинского»)
Доклад посвящен рассмотрению предлагаемой методики нейросетевого прогноза ПИ на базе априорного физико-геологического моделирования путем автоматизированного картирования геологических факторов контроля оруденения и оценке возможности переноса обучения при применении ранее подготовленных моделей к наборам геофизических данных, характеризующих пространственно удаленные от обучающих и существенно от..
ИнжГео 2025 Машинное обучение и ИИ Машинное обучение сверточные нейронные сети распознавание образов комплексирование геофизических данных перенос обучения Добавлено: 28.04.2025

Модель машинного обучения для автоматизации определения литологического состава образцов бурового шлама

Е. В. Толстая* (1), С. Сафонов (1), М. Мезгани (2) (1 - ООО «Арамко Инновейшнз»; 2 - LLC «Saudi Aramco»)
Автоматизация определения литологического состава пород в процессе бурения представляет собой актуальную задачу в разработке нефтяных месторождений. Во время бурения ствола скважины вращающееся долото разбивает горные породы в скважине, а буровой раствор вымывает обломки на поверхность. Остатки породы после фильтрации бурового раствора называются буровым шламом. Буровой шлам дает полезную информац..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Минимизация отказов газодинамического оборудования посредством использования системы предиктивной аналитики

В.В. Москвитин (АО «Мессояханефтегаз»)
Газодинамическое оборудование критически важно для таких отраслей, как нефтегазовая, энергетическая и химическая. Отказ этого оборудования может привести к значительным финансовым потерям, аварийным ситуациям и экологическим последствиям. В условиях высокой стоимости простоев и ремонта надежная работа оборудования становится приоритетной задачей. Одним из перспективных подходов к минимизации отказ..
Тюмень 2024 Машинное обучение и ИИ Добавлено: 11.10.2024

Методы контроля базы данных ПАО АНК "Башнефть" автоматизированными средствами управления (на примере алгоритмов DQ)

Р.Р. Файзуллин* (ООО РН-БашНИПИнефть), Г.Т. Гайсина (ООО РН-БашНИПИнефть)
Информация - это корпоративный и стратегический ресурс. При грамотном управлении данными и использовании аналитики для прогнозирования, ценность собираемой и накапливаемой информации только растет. Работа с информацией в нефтегазовом секторе имеет свои особенности. Во-первых, у предприятия отрасли традиционно сверхбольшой объем разнородных данных, часть из которых быстро устаревает или постоянно о..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Метод прогноза упругих свойств по данным сейсморазведки на основе анизотропного петроупругого моделирования и нейронных сетей Колмогорова

Д.А. Данько* (1), И.И. Приезжев (1), И.О. Баюк (2), В.И. Рыжков (1) (1 - РГУ нефти и газа (НИУ) им. И.М. Губкина, 2 - Институт физики Земли им. О.Ю. Шмидта РАН)
В работе описан метод прогноза упругих свойств по данным сейсморазведки на основе анизотропного петроупруго моделирования и нейронных сетей Колмогорова. В основе предлагаемого метода лежит идея использования анизотропной библиотеки синтетических сейсмических образов и соответствующих им пар упругих свойств в качестве обучающей выборки для нейронных сетей. Библиотека синтетических образов формирует..
Санкт-Петербург 2023 Машинное обучение и ИИ Нетрадиционные месторождения Добавлено: 31.05.2023

Машинное обучение при комплексировании результатов детальных литологических исследований с данными ГИС и петрофизики

В.Ю. Руденко * (1), Д.Е. Гуренцов (1) (1 - ЗАО "МиМГО")
В работе проведено обоснование необходимости использования данных ГИС наравне с данными керна при обосновании пространства классов литотипов. Решение задачи типизации разреза проводилось на основе комплексного анализа данных описаний керна, ФЕС на цилиндрических образцах и данных ГИС с применением методов машинного обучения...
Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Машинное и глубокое обучение в задачах виртуальной расходометрии

А. Н. Грызлов* (1), С. С. Сафонов (1), М. Арсалан (2) (1 -ООО Арамко Инновейшнз, 2 - Сауди Арамко)
-..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Курс по основам SQL и управления данными

Лектор: Наугольнов Михаил Валерьевич, руководитель центра по разработке цифровых решений, НИС-Нафтагас, г. Белград, Сербия
Лекция посвящена ключевым аспектам работы с данными в нефтегазовой отрасли. Будут рассмотрены понятия витрин и хранилищ данных, а также примеры организации ETL-процессов...
Видео Машинное обучение и ИИ Добавлено: 23.09.2025

Контроль качества геометрии в сейсморазведке с помощью методов машинного обучения

А.М. Камашев* (1), П.С. Бекешко (2) (1 - НГУ, 2 - ООО «ГеоПрайм»)
В работе рассматривается проблема контроля качества геометрии в сейсморазведке. Авторы обращают внимание на значимость точности и достоверности данных для успешной деятельности в области поиска и добычи полезных ископаемых. В работе предлагается автоматизированный алгоритм, основанный на нейронных сетях для поиска сейсмических данных с ошибками в геометрии. Предложенный метод основан на задаче бин..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Добавлено: 17.10.2024

Комплексный подход интерпретации карбонатного разреза с применением методов машинного обучения в условиях ограниченных данных

А.В. Марков* (1), А.А. Казарян (1,2), И.Д. Латыпов (1) (1 - ООО «РН-БашНИПИнефть», 2 - Уфимский Университет Науки и Технологий)
Карбонатные отложения являются одним из наиболее распространенных типов геологических структур, содержащих значительные запасы нефти и газа. В пределах Волго-Уральской нефтегазоносной провинции значительная доля извлекаемых запасов нефти сосредоточена в карбонатных объектах пермского, верхне- и средне- каменноугольного возрастов. В тоже время каждым годом выработанность разведанных объектов на мес..
Геомодель 2024 Машинное обучение и ИИ Трещиноватые коллектора Добавлено: 20.10.2024

Комплекс программно-математических решений для сопровождения технологий нефтедобычи на различных стадиях разработки

М.Г. Персова* (1), Ю.Г. Соловейчик (1), Д.В. Вагин (1), Д.С. Киселев (1), И.И. Патрушев (1), А.С. Овчинникова (1), А.М. Гриф (1) (1 - Новосибирский государственный технический университет)
В работе анализируется точность прогнозов нефтедобычи, построенных на длительный период. Для проведения исследований была использована модель реального месторождения высоковязкой нефти, построенная с помощью автоадаптации. Методика проведения исследований включает в себя этап построения цифровой модели путем решения обратной задачи и с использованием трехмерного гидродинамического моделирования, а..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Когнитивный Геолог или как искусственный интеллект помогает строить концептуальные геологические модели

М.Е. Кубанина* (1), Л.С. Дансарунова (1), И.О. Галушко (1), З.М. Бочкова (2), О.Т. Осмоналиева (3) (1 - ООО «Цифровая Формула Доверия», 2 - ПАО «ГАЗПРОМ НЕФТЬ», 3 - ООО «Газпромнефть НТЦ»)
Когнитивный Геолог представляет собой набор математических моделей, построенных на основе теоремы Байеса, который при учете введенных признаков геологических объектов позволяет рассчитывать вероятности геологических сценариев. На основе числового выражения вероятностей геологических сценариев геолог может моделировать прогнозы и формировать геологические концепции при разведке месторождений. Когни..
Санкт-Петербург 2023 Машинное обучение и ИИ Геологическое гидродинамическое и геомеханическое моделирование Добавлено: 31.05.2023

Когнитивное моделирование в геологии: от продуктивности палеозоя Западной Сибири до засолонения вендских коллекторов Непско-Ботуобинского свода

В.В. Колесов* (1) (1 - ООО «ОТЭКС»)
Применение методов машинного обучения и искусственного интеллекта для решения геологических задач в большинстве случае осложняется недостаточным объемом, неоднородностью и зашумленностью обучающих выборок – скважинных данных (hard data). Эти вызовы усугубляются неприемлемым для специалистов сходством прогнозирующего программного обеспечения с «черным ящиком» - системой, выдающей результаты непонят..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023
  • |<
  • <
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • >
  • >|
Показано с 91 по 105 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