Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

К вопросу о применимости алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей

Зайцев С.В. (1), В.Д. Гулин (3), Г.С. Григорьев (2), Орлов Р.В. (1), В.В.Ананьев (4), Чепиго Л.С.(5) (1 - ООО «Газпромнефть-ЦР», 2 - ПАО «Газпром нефть», 3 - ООО «Газпромнефть-ГЕО», 4 - ООО «Газпромнефть НТЦ», 5 - ООО «Лолгео»)
Широкое распространение в геофизических кругах нашло решение задачи восстановления структурных границ по данным несейсмических методов. Повсеместное применение алгоритмов машинного обучения и относительная простота их реализации позволяет решать эту задачу с привлечением небольших ресурсов и за сравнительно короткие сроки. В открытых источниках известны уже несколько групп, занимающихся подобными ..
Санкт-Петербург 2023 Машинное обучение и ИИ Комплексирование геофизических методов Добавлено: 31.05.2023

Использование технологии машинного обучения для решения задачи восстановления спектра волнового поля

В.О. Смирнова* (1,2), А.В. Буторин (1) (1 - ООО «Газпромнефть НТЦ», 2 - Санкт-Петербургский государственный университет)
В современных работах использование спектральной информации для изучения свойств и строения пластов находит все большее применение. Спектральный анализ волнового поля позволяет изучить динамическое распределение энергии по частотным компонентам, которое в дальнейшем может быть использовано при геологической интерпретации. В данном исследовании на модельных данных были рассмотрены основные методы и..
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Использование нейронных сетей для расчета коэффициентов отражения от кровли трещиноватой среды

Р.К. Бекренёв (НГУ), Г.М. Митрофанов* (ИНГГ СО РАН, НГУ, НГТУ), Т.В. Нефедкина (ИНГГ СО РАН), Г.А. Дугаров (ИНГГ СО РАН, НГУ)
Данная работа посвящена применению полносвязных нейронный сетей прямого распространения для расчета коэффициентов отражения прямой волны от кровли трансверсально-изотропного слоя с горизонтальной осью симметрии (HTI). В рамках данного исследования была разработана нейронная сеть, предназначенная для решения прямой задачи, то есть для вычисления коэффициентов отражения на основе 11 параметров нижне..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Использование методов машинного обучения в картопостроении. Методики выбора архитектуры и параметров, анализ неопределённости, заложенной в обучающую выборку

И.Л. Терентьев (1) (1 - Цифровые решения/ООО "БурСервис")
Методы машинного обучения стремительно проникают во все сферы человеческой жизни. Подчас готовые, обученные модели с непрозрачной архитектурой, преподносятся как универсальные решения всех задач. Однако любой метод работает лишь в рамках заложенных в него неопределённостей и в пределах значений, использованных при обучении модели. Неполнота обучающей выборки, неподходящая к конкретному случаю архи..
Геомодель 2023 Машинное обучение и ИИ Добавлено: 30.09.2023

Использование машинного обучения для решения задачи виртуальной расходометрии ЭЦН: на примере нефтяного месторождения в Сербии

Т. Мицич-Понигэр (1), М.В. Наугольнов* (1), С.Г. Басов (2) (1 - НТЦ НИС-Нафтагас, 2 - НИС-Нафтагас)
ЭЦН – широко используемое оборудование для механизированной добычи нефти. Известно, что значительная часть фонда скважин, оборудованных ЭЦН, лишь частично охвачена замерами дебита, а расчёт точного дебита производится с периодичностью 1-3 раза в неделю. Низкий охват замерами приводит к задержке поступления информации об отклонении режима работы скважин, возникновению простоев скважин и медленному ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Использование компьютерного зрения для предсказания свойств бурового шлама

Л. Исмаилова* (1), А. Шакиров (1), М. Мезгани (2) (1 - Aramco Innovations, 2 - Saudi Aramco)
Буровой шлам представляет собой кусочки породы, которые образуются в процессе бурения. Эти кусочки породы могут служить уникальным источником информации. Данная работа посвящена использованию компьютерного зрения фотографий шлама для автоматического анализа свойств породы...
Интеллектуальный анализ данных в нефтегазовой отрасли 2022 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 17.05.2023

Использование алгоритмов машинного обучения при подборе кандидатов на бурение боковых стволов

И.М. Ишкулов* (1, 2), А.В. Хорн (1) (1 - ПАО «Татнефть», 2 - РиЭНГМ ГБОУ ВО АГНИ)
В настоящее время большинство месторождений находятся на поздней стадии разработки, при этом добыча нефти осложнена высоким процентом добываемой воды и низким коэффициентов извлечения нефти. В качестве метода увеличения коэффициента охвата, а, следовательно, и увеличения добычи нефти применяют бурение боковых стволов. Однако, в настоящее время задача подбора кандидатов на бурение боковых стволов я..
Санкт-Петербург 2024 Машинное обучение и ИИ Добавлено: 26.05.2024

Использование DIY / Low-Code подхода при эксплуатации цифрового месторождения

В.С. Борташевич* (ООО «Газпромнефть-Ямал»)
Цифровое месторождение представляет собой интеграцию различных цифровых технологий, таких как IoT, большие данные, искусственный интеллект и аналитика, для улучшения управления и эксплуатации нефтегазовых активов. Внедрение таких технологий позволяет значительно повысить производительность и снизить эксплуатационные расходы. Однако традиционные методы разработки и внедрения программного обеспечени..
Тюмень 2024 Машинное обучение и ИИ Добавлено: 11.10.2024

Искусственный интеллект в нефтегазе

Модератор: Белозеров Борис, Директор программ, Группа компаний «Газпром Нефть»
Доклады:Отечественные нейросети (LLM) - помощники в написании кода для обработки данных. Докладчик: Барабошкин Евгений, «Digital Petroleum»Применение генеративного ИИ для решения инженерных задач. Докладчик: Сафаралеев Алексей, Группа компаний «Газпром нефть»..
Видео Машинное обучение и ИИ Интеллектуальный анализ данных Добавлено: 25.03.2025

Интерпретация стратиграфии на основе методов машинного обучения с использованием геологической информации и анализа похожести скважин как критериев отбора данных

М.В. Сидельцева* (1) , Н. Майкл (2) (1 - ООО «Арамко Инновейшнз»; 2 - Saudi Aramco)
Автоматизация процессов интерпретации стратиграфии имеет высокий приоритет для внедрения цифровых технологий в отрасли, так как традиционный подход сопряжен со значительными временными затратами. Данный процесс ввиду высокой чувствительности к природе, качеству и представительности входных данных требует дополнительных стадий предобработки. В данной работе предложен поход к отбору репрезентативных..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Интерпретация данных сейсморазведки средствами искусственного интеллекта. Текущее состояние и перспективы

А. А. Козяев* (1), В. Д. Гришко (1), Д. А. Петров (1) (1 - ООО «РН-КрасноярскНИПИнефть»)
С недавним развитием вычислительных возможностей компьютерных систем, использование алгоритмов машинного обучения привлекло значительное внимание. П-явившиеся на рубеже столетий новые методы анализа больших массивов данных с применением искусственного интеллекта, основанные на принципах работы человеческого мозга, породили множество областей их практического применения, в том числе и при анализе р..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Интерактивный воркшоп: Применение языковых моделей для решения прикладных задач в Python

Ведущий: Василий Рыжов, к.ф.-м.н., руководитель Центра обработки данных и программного обеспечения, ООО «ИАС»
В условиях стремительного развития технологий искусственного интеллекта языковые модели (LLM) становятся важным инструментом для специалистов в области анализа данных. Этот интерактивный воркшоп направлен на раскрытие потенциала LLM в программировании на Python и их применение для решения практических задач.Участники получат вводную информацию о возможностях и ограничениях LLM, а также познакомятс..
Видео Машинное обучение и ИИ Добавлено: 23.09.2025

Интеллектуальное комплексирование мультимасштабных данных для формирования многовариантных фациальных карт

М.О. Мельников* (1), Е.В. Панфилова (1), Г.Ю. Шишаев (1), М.В. Сальников (1) З.М. Бочкова (2), С.А. Зайцев (2), А.Е. Шохин (2) (1 - ТПУ, Центр Хериот-Ватт, 2 - Газпромнефть «ГЕО»)
Традиционный процесс согласования разномасштабной входной информации при построении седиментологической или фациальной модели основан на «ручном» способе согласования входной информации с использованием разрозненных практик и инструментов. Процедура увязки данных охватывает большой объем проектного времени на качественную/количественную оценку, при этом, специалисты, чаще всего, формируют одну еди..
Санкт-Петербург 2023 Машинное обучение и ИИ Комплексирование геофизических методов Добавлено: 31.05.2023

Интеллектуальная идентификация течения и управление добычей скважины

А.Н. Грызлов* (1), С.С. Сафонов (1), Е.Б. Магадеев (2), М. Арсалан (3) (1 - ООО Арамко Инновейшнз, 2 - Капибара Системс, 3 - Сауди Арамко)
Традиционные методы разработки месторождений и добычи углеводородов основаны на принципах математического моделирования многофазных течений в пространственной области, ограниченной нефтегазовым пластом и скважинами. Соответствующие явления переноса флюидов описываются уравнениями в частных производных, представляющие собой законы сохранения массы, количества движения и энергии для каждой фазы. Исп..
Санкт-Петербург 2023 Машинное обучение и ИИ Разработка месторождений Добавлено: 31.05.2023

Интеллектуальная гармонизация и трансформация данных механизированной добычи на основе открытых решений

А.А. Незнанов (1), В.В. Емельянов* (1), А.А. Глушко (1), С.Б. Овчинников (1), Н.Ф. Тарелко (1) (1 - ООО «Системы телекоммуникаций и информационной безопасности Шлюмберже»)
Сложность задач обработки данных в корпоративных информационных системах нефтегазовой отрасли постоянно растёт в том числе в связи с постоянным ростом количества и разнообразия данных, что требует внедрения современных методологий и инструментов управления данными и знаниями. Многие архитектурные решения уже апробированы консорциумом OSDU, но в условиях локализации и быстро изменяющегося IT-ландша..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Техника и технологии добычи Добавлено: 17.10.2024
  • |<
  • <
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • >
  • >|
Показано с 106 по 120 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 © 2026