Дмитрий Мартюшев из ПНИПУ и Университет Персидского залива представляют прорыв в поиске нефти с высокой точностью
Фото: naked-science.ru
Современная нефтяная индустрия сталкивается с одной из главных задач — максимально точное определение ключевых параметров горных пород, таких как пористость, проницаемость, водонасыщенность, плотность и другие свойства. Именно от этих фактов напрямую зависит стратегия и эффективность разработки месторождений, а также будущий объем нефтедобычи. До недавнего времени для точной характеристики пород специалисты были вынуждены собирать керновый материал, проводить сложные и дорогостоящие лабораторные анализы, что существенно замедляло процесс и увеличивало издержки.
Однако прогресс не стоит на месте, и в наши дни научный мир делает ставку на машинное обучение — инновационное направление искусственного интеллекта, позволяющее на основе больших объемов данных находить скрытые зависимости между характеристиками пластов. Эта технология уже продемонстрировала свою высокую эффективность в нефтянке, существенно ускоряя получение точных результатов и уменьшая затраты по сравнению с традиционными методами.
Умные алгоритмы вместо утомительных проб и ошибок
Профессор Дмитрий Мартюшев из ПНИПУ, при поддержке коллег из Университета Персидского залива, реализовал комплексный проект, изменяющий подход к анализу нефтяных коллекторов. Команда сосредоточилась на одной из наиболее актуальных задач — прогнозирование водонасыщенности пород, что позволяет точнее рассчитывать запасы сырья и совершенствовать технологии добычи.
В отличие от классических трудоемких методов этот научный коллектив предложил обучать специальные алгоритмы на реальных данных глубоких скважин. Для машинного обучения был собран колоссальный массив информации: свыше 30 000 замеров по 9 параметрам, среди которых глубина, пористость, сопротивление пород, гамма-излучение (как расчетное, так и спектральное), диаметр скважины, параметры продольных волн, объемная плотность, а также температура.
Искусственный интеллект: от сбора данных – к высокой точности
Для реализации проекта исследователи отобрали пять современных алгоритмов машинного обучения, которые считались наиболее перспективными с точки зрения прогнозирования характеристик нефтяных пластов. Каждый алгоритм тестировался и обучался на уникальной базе из тысяч экспериментальных измерений, чтобы максимально объективно оценить их способность выявлять уровень водонасыщенности.
В процессе проверки ученые делали по десять запусков каждого математического метода для обеспечения достоверности, что позволило минимизировать любые случайные ошибки. Такой комплексный подход не только обеспечил высочайшую точность прогнозов, но и воспроизводимость результатов.
Метод опорных векторов — абсолютный лидер
В итоговом сравнительном анализе наилучшие результаты продемонстрировал метод опорных векторов. Коэффициент точности прогноза составил поразительные 0,995 из 1, а средняя погрешность оказалась всего 0,002. Просто говоря, этот искусственный интеллект способен предсказывать водонасыщенность нефтяного пласта с погрешностью не более 0,2% — а значит, с точностью, достигающей 99,5%!
Профессор Дмитрий Мартюшев отмечает: "Используя только девять регулярно анализируемых параметров, можно оперативно и непрерывно получать, по сути, лабораторные данные для каждой новой скважины без задержек и излишних затрат на керновый анализ. Это революционный шаг к цифровизации геологоразведки!"
Преимущества и перспективы внедрения современных решений
Внедрение машинного обучения открывает перед нефтяниками совершенно новые горизонты. Существенно повышается скорость подсчета запасов углеводородов, совершенствуется система контроля добычи, появляется возможность лучше планировать дальнейшее развитие месторождений, особенно в условиях сложных и неоднородных пластов. Важное преимущество — значительное снижение трат на дорогостоящие лабораторные анализы керна и преодоление связанных с ними ограничений по времени.
Разработка Дмитрия Мартюшева и международной исследовательской команды доказала, что даже традиционные задачи нефтяной отрасли можно решать с помощью современных технологий на совершенно новом уровне точности и эффективности.
Особенности и ограничения инновационной методики
Несмотря на вдохновляющие результаты, эксперты предупреждают: обученная нейросеть идеально работает с песчаными породами, ведь именно на таких данных она прошла тренировку. Для переноса технологии на коллекторы иного типа, например, карбонатные или сложные трещиноватые системы, потребуется дополнительное обучение на новом массиве данных с учетом специфики соответствующих геологических условий.
Тем не менее, опубликованные результаты ярко доказывают потенциал методов машинного обучения и инициализируют развитие новых универсальных моделей для анализа разнообразных типов коллекторов по всему миру. В ближайшем будущем ожидается появление цифровых помощников для геологов, которые смогут моментально определять ключевые свойства породы в любой точке месторождения.
Успех международной научной кооперации
Работа профессора Дмитрия Мартюшева (ПНИПУ) в партнерстве со специалистами Университета Персидского залива стала примером успешного объединения российских и зарубежных исследовательских традиций ради важной цели — повышения эффективности нефтедобычи и оптимизации процессов поиска новых месторождений. Такой научно-технический прорыв позитивно отражается на будущем не только для нефтегазовой отрасли, но и для глобальной энергобезопасности всего мира.
Сегодня передовые российские и восточные университеты демонстрируют пример того, как благодаря новым технологиям искусственного интеллекта можно с оптимизмом смотреть в будущее, делая поиск и оценку нефтяных запасов максимально точными и быстрыми.
