26.05.2024
Подписывайтесь на Telegram-канал по ссылке

Машинное обучение поможет упростить разработку нефтяных месторождений

Noncontrastive Representation Learning

Разработка нефтяных месторождений заключается в бурении разведочных скважин, а также сборе и оценке данных о них. Учёные Сколтеха предложили модель на основе машинного обучения, которая поможет сделать этот процесс быстрее и точнее. Исследование опубликовано в журнале IEEE Geoscience and Remote Sensing Letters.

Информация, которую собирают при разведке, нужна, в том числе, чтобы определить оптимальное направление бурения и объём нефти. В этих целях используются простые системы на базе машинного обучения. Недостаток их заключается в том, что они требуют участие человека. Для анализа собранной информации программе необходимы некоторые исходные сведения — размеченные данные, как их называют. Допустим, что заданная цель – найти камень. Тогда исходной информацией будут два камня и камень с глыбой льда. В таком случае для обычной программы два камня – признак совпадения, а камень со льдом – признак различия. Такие пары называют позитивными и негативными, соответственно.

Указанный принцип лежит в основе сбора и анализа информации традиционными программами анализа грунта. Недостаток метода заключается в том, что чтобы собрать и заложить в программу эти сведения требуется время и средства. Кроме того, и сам процесс становится более длительным, так как приходится выявлять не только сходства, но и различия.

Учёные Сколтеха предлагают метод, который будет анализировать только объекты с аналогичными признаками. Благодаря этому сокращается время сбора и обработки значений и уменьшается или даже исключается вероятность принять сходные признаки за отличающиеся. Кроме того, исследователям не придётся поднимать на поверхность зонд с образцами породы, чтобы исследовать в лаборатории. В основе метода лежит принцип самообучения. Грубо говоря, уже имеющиеся данные используются для прогноза. То есть программа может предсказывать тип пород в определённых направлениях и задавать оптимальный угол бурения. Плюсы метода состоят в уменьшении издержек при исследовании и риска неправильного бурения. Следовательно возрастает и выручка.

«Наша модель поможет определить текущий тип породы и скорректировать процесс бурения. Точность предсказания типа породы на основе наших представлений составила 82 процента, а предыдущий лучший результат – 59 процентов. Наша разработка поможет принимать решение о разработке месторождения быстрее и эффективнее», — рассказывает один из авторов модели Александр Марусов.