Наши коллеги из Центра прикладного ИИ Сколтеха – руководитель исследовательской группы Сергей Шумилин, инженер-исследователь Александр Рябов и младший инженер-исследователь Дамир Ахметов – приняли участие в 5-й юбилейной международной научно-практической конференции «Интеллектуальный анализ данных в нефтегазовой отрасли», которая состоялась в Калининграде.
Исследование Сергея Шумилина – «Адаптация модели месторождения на историю добычи с помощью комплексного подхода на основе одновременного учета разнородных данных и байесовской оптимизации в сжатом пространстве параметров» - было удостоено номинации «Лучший доклад». Сергей представил результаты по применению байесовской оптимизации black-box функции для адаптации модели месторождения. В рамках проекта «Универсальный пайплайн» удалось автоматически садаптировать модель и получить качество прогноза, превосходящее результаты ручной адаптации. Предложенный алгоритм требует всего несколько часов работы в сравнении с ручной адаптацией, которая может занимать месяцы или годы.
Александр Рябов представил два доклада:
- «Нейросетевое моделирование трёхмерных полей свойств с обучаемым базисом на основе автокодировщика» – о создании трёхмерных кубов физических свойств, таких как проницаемость, с использованием нейросетей. Этот метод помогает заполнить пространство между скважинами, используя данные из двухмерных карт и вертикальных профилей. Метод тестируется на картах проницаемости, объединяющих данные геофизических, гидродинамических и сейсмических исследований.
- «Алгоритм комплексирования для построения кубов статистически связанных геолого-гидродинамических свойств пласта на основе ядерной регрессии и перекрестно-связанных свёрточных нейронных сетей» (первый автор проекта - Михаил Анисимов, младший инженер-исследователь Центра прикладного ИИ Сколтеха) – о новом алгоритме, который помогает строить трёхмерные модели свойств подземных пластов, таких как пористость и проницаемость, для более точного расчёта добычи нефти или газа.
Выступление Дамира Ахметова было посвящено применению физически-информированной нейронной сети для прогнозирования динамики изменения пластового давления вокруг работающей скважины с учётом уравнения фильтрации в однофазной постановке. Модель работает на несколько порядков быстрее, чем численный симулятор, что позволяет использовать её для различных задач моделирования течения жидкости. В будущем эта модель может быть расширена для работы с многофазными течениями, что позволит решать более сложные прямые задачи подземной гидромеханики нейросетевым подходом.
