Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

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

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

Иерархические нейронные сети в задачах интерпретации данных сейсморазведки

И.И. Приезжев* (1,2), Д.А. Данько (2), А.В. Трофимук (1), А.Н. Онищенко (1) (1 - ООО «Лаборатория Приезжева», 2 - Губкинский университет)
В работе предложен метод иерархических нейронных сетей, основанный на методе «ближайшего соседа» с предварительной кластеризацией исходного обучающего массива и построением поискового кластерного дерева решений. Метод является серьезной альтернативой нейросетевым технологиям с глубоким обучением и имеет ряд преимуществ: в скорости обучения, идентификации объектов с низкой степенью подобия, способн..
Геомодель 2024 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 20.10.2024

Заполнение пропущенных значений каротажных данных при помощи агрегации моделей

Д. Ю. Ковалев* (1), Д. К. Хлюстов (1) ( 1 - Aramco Innovations LLC)
В последние годы развитие сложных моделей искусственного интеллекта позволило получить высокоточные методы решения таких задач, как прогнозирование, кластеризация и интерполяция многомерных временных рядов. Однако большинство алгоритмов, основанных на глубоких нейронных сетях или применяющих ансамблирование, требуют значительных объемов данных, желательно содержащих максимально возможное число физ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Динамическая модель схожести скважин на основе каротажных данных

Д.Ю. Ковалев* (1), Д.К. Хлюстов (2) (1 - ООО «АРАМКО ИННОВЕЙШНЗ», 2 - МГУ им. М.В. Ломоносова)
Литологические и физические свойства горных пород могут изменяться в поперечном направлении по всему бассейну в пределах одной формации из-за изменений условий осадконакопления. Это влияет на каротажные сигналы и усложняет межскважинную корреляцию. Выявление сходства между скважинами в нефтегазовой промышленности является необходимой частью многих процессов. Это помогает понять характеристики сква..
Геомодель 2022 Машинное обучение и ИИ Добавлено: 17.05.2023

Глубокая сейсмическая инверсия – применение генеративно-состязательных нейронных сетей для восстановления упругих свойств

В.Д. Гришко* (1), А.А. Козяев (1) (1 - ООО «РН-КрасноярскНИПИнефть»)
Основным инструментом количественной интерпретации сейсмических данных является сейсмическая инверсия, позволяющая трансформировать волновое поле в распределение акустических и упругих свойств на основе решения обратной динамической задачи. Под сейсмической инверсией обычно понимают группу алгоритмов, с помощью которых традиционный и всем привычный сейсмический временной разрез трансформируется в ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 17.10.2024

Гибридный подход создания и обучения нейросетевых моделей фильтрации для оптимизации системы заводнения

Р.Ю. Пономарёв* (1), Р.Р. Зиазев (1), А.А. Лещенко (1), Р.Р. Мигманов (1), М.И. Ивлев (1) (1 - Тюменский нефтяной научный центр)
В классическом представлении нейронные сети показывают качественные результаты при достоверной и разнообразной обучающей выборке. Однако, в условиях разработки нефтяных месторождений это не так. Следовательно, прогнозирования на фактических геолого-промысловых данных – это нетривиальная задача методов машинного обучения, требующая дополнительных модификаций методов обучения нейронных сетей или ком..
Интеллектуальный анализ данных в нефтегазовой отрасли 2024 Машинное обучение и ИИ Разработка месторождений Добавлено: 17.10.2024

Гибридизация физических моделей и машинного обучения в задачах нефтегазовой отрасли

А.Н. Грызлов* (1), Е.Б. Магадеев (1), М. Арсалан (2) (1 - ООО «Арамко Инновейшнз», 2 - Арамко)
Моделирование методами машинного обучения компенсирует свою непрозрачность и ограниченную применимость простотой и быстротой использования. Вместе с тем классический подход выигрывает в надежности и адаптируемости моделей, при этом существенно проигрывая в аспекте автоматизации. Очевидно, что вместо предпочтения какого-то одного из этих путей для построения прогностических моделей необходимо разви..
Геомодель 2024 Алгоритмы обработки геолого-геофизической информации Машинное обучение и ИИ Добавлено: 20.10.2024

Генерация обучающей выборки для решения задач интерпретации данных сейсморазведки средствами искусственного интеллекта на примере задачи выделения тектонических нарушений

В. Д. Гришко* (1), А. А. Козяев (1) (1 - ООО «РН-КрасноярскНИПИнефть»)
Интерпретация данных сейсморазведки является нетривиальной задачей, требующей от эксперта использования комплексной трехмерной информации. При этом, в силу различных причин, до 40% полезной информации данных 3D сейсморазведки остается неучтенной. К тому же процесс является чрезвычайно трудоемким и времязатратным, что создает потребность автоматизации различных задач интерпретации. На помощь могут ..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Генеративные модели на основе технологий ИИ для обуславливания карт проницаемости на результаты измерений с учетом геологического реализма

И.А. Мельников* (1), К.Е. Павленко (1), А.С. Мурзина (2), Д.Г. Муртазин (3), С.В. Кайгородов (4), В.С. Котежеков (5), Б.В. Белозеров (4), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ТПУ, 3 - ООО «Газпромнефть – ЦР», 4 - ООО «Газпромнефть НТЦ»,
Представлена методика генерации карт проницаемости с элементами геологического реализма. Геологический реализм достигается путем обучения генеративной нейронной сети на подготовленной выборке карт, учитывающей геологические характеристики конкретного пласта. Сгенерированные карты обуславливаются на результаты комплексирования (объединения данных измерений) по ГИСам и ГДИСам, а также по сейсмике, и..
Санкт-Петербург 2023 Машинное обучение и ИИ Добавлено: 31.05.2023

Генеративные модели на основе технологий ИИ для добавления геологического реализма в карты и трехмерные кубы проницаемости с учетом результатов измерений

И.А. Мельников* (1), К.Е. Павленко (1), Е. Хватов (1), А.С. Мурзина (2), Д. Г. Муртазин (3), С. В. Кайгородов (4), В. С. Котежеков (5), Б. В. Белозеров (4), Е.В. Бурнаев (1), В.В. Вановский (1) (1 - Сколтех, 2 - ТПУ, 3 - ООО «Газпромнефть – ЦР», 4 - ООО «
Представлена методика генерации карт и трехмерных кубов проницаемости с элементами геологического реализма. Геологический реализм достигается путем обучения генеративной нейронной сети на подготовленной выборке карт (кубов в трехмерном случае), учитывающей геологические характеристики конкретного пласта. Сгенерированные карты обуславливаются на результаты комплексирования (объединения данных измер..
Интеллектуальный анализ данных в нефтегазовой отрасли 2023 Интеллектуальный анализ Машинное обучение и ИИ Добавлено: 11.10.2023

Выделение хемофаций в разрезах сланцевых формаций на основе элементного состава пород и методов машинного обучения

М.Е. Смирнова* (1), Д.Н. Вардаков (1), И.В. Панченко (1) (1 - ЗАО «МиМГО»)
Рассматривается возможность применения методов машинного обучения (метод главных компонент и кластеризация методом k-средних) при анализе химического состава пород, полученного с помощью портативного XRF анализатора. Данные методы применены с целью оптимизации и автоматизации при выделении хемофаций в разрезе баженовской свиты. С помощью метода главных компонент удалось определить количество факто..
Наука о сланцах 2025 Трудноизвлекаемые запасы Машинное обучение и ИИ Добавлено: 11.04.2025

Выделение сейсмических фаций при помощи технологии компьютерного зрения: методология и результаты

А.И. Ахмерова* (1), А.А. Тархов (1), П.А. Авдеев (1), А.К. Базанов (1), И.И. Ефремов (1) (1 - ООО «ГридПоинт Дайнамикс»)
Прежде чем переходить к производственным задачам нефтегазовой геологии, очень важно определить пространственное расположение интересующих комплексов, их предполагаемый состав и границы литофациальных зон. Здесь на помощь приходит метод сейсмостратиграфии. Главная задача сейсмостратиграфического метода – это разделить сейсмический разрез на сейсмические фации, основываясь на конфигурации осей синфа..
Геомодель 2024 Машинное обучение и ИИ Интерпретация данных сейсморазведки Добавлено: 20.10.2024
  • |<
  • <
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • >
  • >|
Показано с 106 по 120 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