Developing neural network analysis technology for the resolution of issues in oil and gas geophysics

Cover Page

Cite item

Full Text

Abstract

   Neural network analysis represents a promising avenue for enhancing the efficacy of petroleum geophysics and the oil and gas industry. The analysis of the obtained experience of using the available neural network analysis methods and software packages in solving problems of oil and gas geophysics shows the absence of a significant (breakthrough) effect. In order to achieve a significant effect, it is proposed to move from methods to neural network analysis technologies. The article presents a fundamental framework for neural network analysis technology in the context of oil and gas geophysics. This includes a neural network designer, a subsystem for training geophysicists in the field of neural network analysis, a digital polygon, and a knowledge base comprising tasks, neural network analysis methods, techniques, and experience in solving applied problems. The elements of the proposed technology and their interrelation are discussed in detail. The pilot version of the proposed technology, which includes its principal elements, is initially described in terms of its orientation towards the training of specialists. The results of the pilot version's approval have demonstrated the efficacy of the proposed technology. The scientific and technological priorities of the proposed technology development have been delineated.

About the authors

S. K. Turenko

Industrial University of Tyumen

Email: turenkosk@tyuiu.ru
ORCID iD: 0000-0002-3133-2193

References

  1. Туренко, С. К. О цифровизации нефтегазовой геофизики / С. К. Туренко. – doi: 10.33285/0132-2222-2021-6(575)-23-28. – Текст : непосредственный // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2021. – № 6 (575). – С. 23–28.
  2. Туренко, С. К. Об использовании методов нейросетевого анализа в нефтегазовой геофизике / С. К. Туренко – Текст : непосредственный // Геология и минерально-сырьевые ресурсы Сибири. – 2024. – № 1. – С. 66–71.
  3. Ипатова, Э. Методологии и технологии системного проектирования информационных систем / Э. Ипатова, Ю. Ипатов. – Москва : ФЛИНТА, 2021. – 257 с. – Текст : непосредственный.
  4. Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. – Санкт-Петербург : Питер, 2001. – 384 с. – Текст : непосредственный.
  5. Кириченко, А. А. Конструирование искусственных нейронных ансамблей (ИНА) / А. А. Кириченко. – 2020. – URL: https://ridero.ru/books/konstruirovanie_iskusstvennykh_neironnykh_ansamblei_ina/freeText/#freeTextContainer. – Текст : электронный.
  6. Корчагин, О. А. Цифровые геофизические полигоны как важный фактор развития отечественных программных комплексов для геологоразведочных работ на углеводороды / О. А. Корчагин. – Текст : непосредственный // Минеральные ресурсы России. Экономика и управление. – 2023. – № 6 (185). – С. 54–59.
  7. Виртуальный тренажер-нейросимулятор для решения задач нефтегазовой геофизики «Geophysics Neural Simulator». Свидетельство о государственной регистрации программ для ЭВМ : № 2021681055 : заявл. 10.11.21 : опубл. 17. 11. 21 / Туренко С. К., Аристов А. И. – Текст : непосредственный.
  8. Цифровая модель текстурно-неоднородных пород-коллекторов. Свидетельство о государственной регистрации программ для ЭВМ : № 2022617868 : заявл. 15. 04. 22 : опубл. 26. 04. 22 / Брюханова Е. В., Мамяшев В. Г., Туренко С. К., Аристов А. И. – Текст : непосредственный.

Supplementary files

Supplementary Files
Action
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).