Для оценки состояния нефтяных месторождений сибирские учёные предлагают использовать нейросети

Нейросети будут выполнять функции прогнозирования рентабельности трудноизвлекаемых месторождений, а также определять параметры пластов.

«Сегодня усиливается тенденция перенаправлять научные исследования на более практические результаты. Западная Сибирь, в частности Тюменская область, представляет собой регион, где такие результаты можно получить в области наук о Земле. Технология извлечения нефти здесь требует усилий геологов, геофизиков, а также геомехаников. От практических достижений в этой сфере зависит и научная сторона, и обстановка во многих моногородах, сосредоточенных в основном на нефтедобыче. Проблема носит не только технологический характер, но и социальный», — отметил научный руководитель Института нефтегазовой геологии и геофизики имени А. А. Трофимука СО РАН академик Михаил Иванович Эпов.

Информация на эту тему размещена в социальной сети «ВКонтакте» газеты «Наука в Сибири».

Со ссылкой на мнение учёных, говорится, что длительность жизненного цикла месторождений и медленная динамика процессов их разработки, а также необратимые техногенные воздействия на геологическую среду определяют важность системного анализа при решении прикладных задач освоения, эксплуатации и мониторинга месторождений углеводородного сырья.

Месторождения, находящиеся на последних стадиях разработки, можно использовать как цифровые полигоны. А для оценки состояния залежей с развитой сетью естественных трещин предлагается применять нечёткую самоорганизующуюся нейронную сеть, которая автоматически выполняет классификацию геофизических элементов.

Как рассказал заведующий кафедрой «Разработка и эксплуатация нефтяных и газовых месторождений» Тюменского индустриального университета доктор технических наук Сергей Грачёв, сегодня сделаны только первые шаги в создании нейросетевых моделей для решения задач и построения прогнозов разработки месторождений. «На рынке программных продуктов существует множество инструментов, которые предоставляют широкие возможности для работы с нейросетями, однако большинство из них подразумевает непосредственное участие пользователя, — пояснил учёный. — У них отсутствует способность встраивания в системы для нефтяной отрасли. Исследования в области нейросетевых методов моделирования обеспечат решение прикладных задач для повышения рентабельного периода эксплуатации скважин.