Гибридная ИИ-схема для подавления случайного шума в сейсмических данных
Зачем это нужно
При сейсморазведке записи содержат случайный шум - он маскирует слабые отражения от глубоких пластов, снижает точность интерпретации и в итоге повышает риски при бурении. Классические фильтры (полосовые, f‑k, частотно‑временные) часто не справляются, особенно когда спектры сигнала и шума сильно перекрываются. Ручное или полуавтоматическое удаление шума растягивается на недели и зависит от квалификации обработчика.
Что предложили
В НОЦ «Газпромнефть-Политех» собрали гибридную схему последовательной обработки, в котором аналитические методы и нейросети дополняют друг друга.
Схема включает три этапа:
- PyDRR – аналитический фильтр, который разлагает сигнал на плоские волны и убирает слабый шум и «размытость». Это лёгкая и быстрая предобработка, разгружающая последующие нейросети.
- DDUL – небольшая U‑Net, которая обучается прямо на зашумленных данных и не требует чистых «эталонных» записей. Она эффективно подавляет шум и усиливает амплитудные отражения.
Особенность: метод легко интегрируется в схему и показывает высокую промышленную применимость. - VI‑Non‑IID – финальная «полировка»: тонкая адаптивная фильтрация, которая сохраняет геологические горизонты и позволяет оценить уровень остаточного шума. Идеальный постпроцессинг.
⚠️ Предварительный анализ показал, что более ранняя нейросеть DeepDenoiser (U‑Net 2018 года) устарела, не соответствует современным требованиям по качеству и не используется в нашей схеме.
Предварительные результаты
- Схема собрана и протестирована как на синтетических, так и на реальных полевых данных.
- Качество шумоподавления заметно выше, чем у классических частотных фильтров, особенно в зонах слабых отражений.
- Время обработки сократилось с недель до нескольких минут.
- Метод не требует ручной разметки «чистых» сейсмограмм, что критически важно для работы с реальными промысловыми данными.
Что дальше
- Дообучение и тонкая настройка блоков на расширенном массиве полевых данных.
- Адаптация схемы под разные типы сейсмических записей (глубокое море, суша, шельф).
Моделирование ГРП на жидкости, вспененной газом / Матмоделирование
Цель проекта
Разработка и верификация моделей для повышения эффективности гидроразрыва пласта в низкопроницаемых коллектора.
Ключевые задачи
- Моделирование роста трещины с учетом реологии пены
- Оптимизация плана закачки и состава жидкости
- Оценка проводимости трещины после ГР
Результаты
- Разработаны уникальные модели, подтвержденные публикациями в международных журналах.
- Увеличена песконесущая способность жидкости и конечная проводимость трещины.
- Показана возможность повышения эффективности добычи на 15-20%.
Применяемые технологии и методы
2D и Pseudo3D моделирование, уравнения состояния для многокомпонентных сред.
Статус проекта
Завершен.Результаты используются для планирования ГРП.
Инструмент прокси-моделирования энергетического состояния залежи / Цифровые двойники
Цель проекта
Создание оперативного инструмента для автоматизированного построения и актуализации карт пластовых давлений и проницаемости.
Ключевые задачи
- Интеграция данных с различных скважин (ВС, ГРП, ГС).
- Учет двухфазной фильтрации и геологических особенностей (разломы).
- Оценка взаимного влияния скважин (MPI).
Результаты
- Сокращение времени построения актуальных карт изобар с нескольких недель до одного дня.
- Повышение точности контроля разработки месторождения.
Применяемые технологии и методы
2D и Pseudo3D моделирование, уравнения состояния для многокомпонентных сред.
Статус проекта
Внедряется.
Прогноз производительности скважин в неоднородных коллекторах / Матмоделирование
Цель проекта
Разработка быстрого и точного метода расчета продуктивности скважин и распределения давления.
Ключевые задачи
- Определение взаимного влияния скважин и построение матрицы продуктивностей.
- Интерпретация гидродинамических исследований скважин (ГДИС).
- Планирование производительности новых скважин.
Результаты
- Скорость расчетов в несколько раз выше, чем у полномасштабных 3D-моделей.
Повышение точности прогноза на 20-25% по сравнению с аналитическими методами.
Применяемые технологии и методы
Численно-аналитические алгоритмы, учет произвольной неоднородности пласта.
Статус проекта
Внедрено в промышленную эксплуатацию..
Оптимизация эксплуатации скважин с выносом песка / Матмоделирование
Цель проекта
Увеличение межремонтного периода скважин и сокращение затрат на ремонт оборудования.
Ключевые задачи
- Автоматизированный подбор внутрискважинных фильтров.
- Моделирование переноса песка и прогноз осложнений (эрозия, пересыпание забоя).
- Оптимизация вывода скважины на режим.
Результаты
- Увеличение времени работы скважины между промывками на 30%.
- Снижение скин-эффекта и издержек на подъем нефти на 15-20%.
- Улучшение планирования ремонтов оборудования.
Применяемые технологии и методы
Гидродинамическое моделирование, реология дисперсных систем.
Статус проекта
Внедрено в промышленную эксплуатацию.
Инструмент вероятностных расчетов запускного дебита скважин / Аналитика данных
Цель проекта
Создание надежного инструмента для оценки дебита новых скважин с учетом неопределенности исходных данных.
Ключевые задачи
- Анализ и обработка экспериментальных данных.
- Разработка аналитических и численных методик расчета.
- Оценка рисков и неопределенности.
Результаты
- Создан прототип инструмента для оценки диапазона возможных дебитов.
- Повышена надежность планирования добычи и экономических расчетов.
Применяемые технологии и методы
Вероятностное моделирование, подбор плотностей распределения.
Статус проекта
Разработка прототипа завершена. На стадии тестирования.
Применение ИИ для оценки эффективности нефтегазовых активов / Искусственный интеллект
Цель проекта
Разработка системы на основе Value of Information (VOI) для оценки экономической целесообразности проведения ПГИ и РИР.
Ключевые задачи
- Построение вероятностных моделей поиска дефектов и зон кратно сниженной проницаемости (ЗКП).
- Прогноз дебитов после проведения ремонтно-изоляционных работ (РИР).
- Интеграция экономической модели для расчета VOI.
Результаты
- Создан алгоритм принятия решений о проведении ПГИ на основе объективных экономических критериев.
- Снижение риска неэффективных капиталовложений в мониторинг и ремонт скважин.
Применяемые технологии и методы
Вероятностное моделирование, машинное обучение для прогнозирования дебитов.
Статус проекта
Внедряется в пилотном режиме.
Пространственная интерполяция сейсмических данных на основе PINN / Искусственный интеллект
Цель проекта
Повышение детализации и достоверности сейсмических данных за счет генерации трасс в узлах редкой сети наблюдений.
Ключевые задачи
- Восстановление пропущенных сейсмотрасс.
- Позволяет снизить затраты на полевые работы без потери качества данных.
Результаты
- Создан алгоритм, превосходящий классические методы интерполяции по точности.
- Снижение риска неэффективных капиталовложений в мониторинг и ремонт скважин.
Применяемые технологии и методы
Физические нейронные сети (Physics-Informed Neural Networks, PINN).
Статус проекта
Разработка.
Шумоподавление на сейсмограммах с использованием CNN / Искусственный интеллект
Цель проекта
Создание алгоритма для автоматического подавления различных типов шумов на сейсмограммах.
Ключевые задачи
- Улучшение соотношения сигнал/шум.
- Повышение четкости и читаемости сейсмических данных.
Результаты
- Разработана и обучена CNN, эффективно фильтрующая шумы.
- Ускорение и автоматизация процесса предобработки сейсмических данных.
Применяемые технологии и методы
Сверточные нейронные сети (CNN), преобразование Фурье.
Статус проекта
Разработка.
Автоматическая интерполяция ГИС в межскважинном пространстве на основе моделей Transformer / Искусственный интеллект в геофизике
Цель проекта
Создание системы для автоматического анализа данных ГИС и прогнозирования свойств пласта
в межскважинном пространстве.
Ключевые задачи
- Предсказание кривых ГИС.
- Восстановление пропущенных данных каротажа.
- Мультимодальный анализ данных.
Результаты
- Повышена скоростьи объективность интерпретации.
- Получена возможность прогнозировать свойства коллектора в зонах с отсутствием данных.
Применяемые технологии и методы
Модели Deep Learning (Трансформеры с механизмом внимания, LSTM, CNN).
Статус проекта
Опытно-промышленные испытания.
Оптический датчик загрязненности нефтепродуктами / Разработка аппаратных решений
Цель проекта
Создание высокоточного прибора для детектирования и анализа содержания нефтепродуктов в жидкостях в реальном времени.
Ключевые задачи
- Детектирование частиц нефтепродуктов.
- Вычисление объема и концентрации примесей.
Результаты
- Разработана лабораторная установка, подтвердившая принцип работы.
Прибор может применяться для экологического мониторинга и контроля технологических процессов.
Применяемые технологии и методы
Оптическое детектирование, компьютерное зрение, алгоритмы обработки сигналов.
Статус проекта
Научно-исследовательская работа.