Библиотека Геомодель
Каталог Поиск
  • Регистрация
  • Вход

  • Поиск

Поиск

@

Результаты поиска

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

Комплексирование геологических, геофизических и геохимических данных на основе машинного обучения при решении нефтегазоразведочных задач

В.П. Куличков* (1), Н.В. Бормотова (1), С.В. Чернов (1) (1 - ООО «Казаньгеофизика»)
Комплексирование геологических, геофизических и геохимических данных на основе машинного обучения при решении нефтегазоразведочных задач широко применяется специалистами ООО «Казаньгеофизика» на протяжении более 20 лет. За это время накоплен богатый опыт решения разнообразных геологических задач по данным геофизических, геохимических и дистанционных исследований. В докладе приведены примеры успешн..
Санкт-Петербург 2026 Комплексирование геофизических методов Машинное обучение и ИИ Добавлено: 08.05.2026

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

Когда время работает на прибыль. Трансформация геологоразведочного бизнеса

А.В. Гайдук* (1), Н.А. Редькин (1) (1 - Energy Craft)
Представленные решения являются готовой дорожной картой для других нефтегазовых компаний, стремящихся повысить свою эффективность и адаптивность. Работа вносит вклад в цифровизацию и технологическое развитие всей отрасли...
ПроГРРесс 2025 Машинное обучение и ИИ ГРР Добавлено: 20.01.2026

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
  • |<
  • <
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • >
  • >|
Показано с 106 по 120 из 168 (Страниц: 12)
  •  Главная
  • Все статьи
  • Связаться с нами
  •  Личный кабинет
  • Закладки
  • Подписка на рассылку

 Согласие на обработку персональных данных

Наши партнеры: IGREC.stream
Первая онлайн-площадка для бизнес-презентаций

Работает на OpenCart, club version
Библиотека Геомодель © 2026