Details

Данная работа посвящена созданию информационной технологии, интегрирующей физически-информированные нейронные сети в корпоративную систему геолого-технического моделирования для сокращения времени расчётов и повышения точности прогнозов пластовой обстановки. Задачи, которые решались в ходе исследования: 1. Выполнить критический анализ существующих методов гидродинамического и геостатистического моделирования, выявив их ограничения при высокой неопределённости исходных данных. 2. Разработать модульный фреймворк Physics-MLOps, включающий требования к данным, инфраструктуре и безопасности, и сформировать сценарии внедрения PINN в производственные процессы. 3. Оценить экономическую целесообразность проекта путём расчёта NPV, MIRR и индекса доходности, а также определить ключевые технологические риски и меры их минимизации. Были произведены стохастические расчёты капитальных и операционных затрат, численное моделирование трёхфазного течения с применением PINN и имитационные эксперименты по ускорению гидродинамических вычислений. В результате разработаны рекомендации по объёму и качеству данных, методика интеграции гибридных моделей в существующие пайплайны и экономическое обоснование, подтверждающее эффективность предлагаемой технологии.

This study presents an information technology that embeds physics-informed neural networks (PINNs) into a corporate geo-technical modelling environment, thereby reducing run time and increasing the accuracy of reservoir forecasts. Research objectives: 1. Conduct a critical review of conventional hydrodynamic and geostatistical modelling techniques and expose their limitations under high geological uncertainty. 2. Design a modular Physics-MLOps framework that specifies data, infrastructure and security requirements, and elaborate production-grade scenarios for deploying PINNs in core business workflows. 3. Quantify the project’s economic feasibility by calculating NPV, MIRR and the profitability index, and identify major technological risks together with mitigation measures. Comprehensive calculations of capital and operating expenditures were carried out, along with numerical three-phase flow simulations employing PINNs and discrete-event experiments that demonstrated two-order speed-ups in hydrodynamic computations. The outcome is a set of data-quality guidelines, an integration methodology for hybrid models within existing simulation pipelines, and a financial rationale confirming the technology’s attractiveness.

• ПЕРЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ
• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• ГЛАВА 1. ИССЛЕДОВАНИЕ И СРАВНЕНИЕ ХАРАКТЕРИСТИК МЕТОДОВ ПРОГНОЗИРОВАНИЯ СТРУКТУРЫ ПЛАСТА
  • 1.1. Определение пластовой обстановки
  • 1.2 Изучение основных способов моделирования пластовой обстановки
  • 1.3 Сравнительный анализ существующих методов прогнозирования
• ГЛАВА 2. ОПРЕДЕЛЕНИЕ ВОЗМОЖНОСТЕЙ И ПЕРСПЕКТИВ НОВЫХ ПОДХОДОВ ПРОЦЕССА МОДЕЛИРОВАНИЯ
  • 2.1. Анализ потенциальных инструментов и технологий повышения точности и эффективности прогнозов в нефтегазовой отрасли.
  • 2.2. Физически информированные нейронные сети (PINN – Physics-Informed Neural Networks)
  • 2.3 Нейронные операторы Фурье (FNO – Fourier Neural Operators)
  • 2.4 . Физически информированные операторы нейронных сетей (PINO – Physics-Informed Neural Operators)
  • 2.5. Сравнительный анализ методов PINN, FNO и PINO в нефтегазовой отрасли.
  • 2.6. Возможности и ограничения технологии
  • 2.7. Предположительные сценарии использования с учетом особенностей метода
• ГЛАВА 3. РАЗРАБОТКА СЦЕНАРИЕВ ПРИМЕНЕНИЯ И РЕКОМЕНДАЦИЙ ПО ВНЕДРЕНИЮ PINN В ПРОЦЕССЫ КОМПАНИИ
  • 3.1 Описание подхода использования гибридных моделей
  • 3.2. Список выявленных и приоритизированных задач
  • 3.3. Моделирование течения различных фаз в стволе скважины
  • 3.4. Сокращение времени расчёта на гидродинамических симуляторах
  • 3.5. Ускорение процесса добавления новых данных в ГДМ и адаптации модели на этих данных
  • 3.6. Моделирование нефтехимических реакций в реакторе смешения
  • 3.7. Моделирование трубной гидравлики в системе трубопроводного транспорта
  • 3.8. Моделирование процесса многофазной фильтрации (нефть, газ, вода) в пластовой среде
  • 3.9. Оптимизация дизайна ГРП и калибровка параметров геомеханической модели
  • 3.10. Планирование разработки и проектирование наземного обустройства активов:
• ГЛАВА 4. РЕКОМЕНДАЦИИ ПО ВНЕДРЕНИЮ ФИЗИЧЕСКИ ИНФОРМИРОВАННЫХ НЕЙРОННЫХ СЕТЕЙ В ВЕРТИКАЛЬНО ИНТЕГРИРОВАННЫХ КОМПАНИЯХ
  • 4.1 Требования к типу, количеству и качеству данных.
  • 4.2. Инфраструктурные требования и ускорение расчётов
  • 4.3. Риски реализации инициативы и способы митигации.
  • 4.4. Фреймворк гибридного ИИ для задач нефтегазового сектора
  • 4.5. Экономическая эффективность инициативы.
• ЗАКЛЮЧЕНИЕ
• ГЛОССАРИЙ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Приложение 1
• Приложение 2
• Приложение 3
• Приложение 4