Систематический обзор применения науки о данных и машинного обучения в нефтегазовой отрасли
A systematic review of data science and machine learning applications to the oil and gas industry
2021-09-24
SCID: 54.1/njtuy5v4
Discuss with AI
анализ данныхмашинное обучениенефтегазовая промышленностьнефтяная инженериянетрадиционные коллекторы
Figures from the paper
Abstract (AI)
В исследовании представлен подробный обзор роли науки о данных и машинного обучения (МL) в различных сегментах нефтяного инжиниринга и геонаук, таких как разведка месторождений, характеристика коллекторов, бурение нефтяных скважин, добыча и интенсификация скважин, с особым вниманием к недавно сформировавшемуся направлению, связанному с нетрадиционными коллекторами. Также рассматриваются перспективы развития науки о данных и машинного обучения в нефтегазовой отрасли, включая требования к машинному обучению для повышения качества прогнозирования. Кроме того, приведено всестороннее сравнение различных методов машинного обучения, применяемых в нефтегазовой отрасли. С появлением мощных компьютеров, современных алгоритмов машинного обучения и значительных объемов данных, генерируемых различными отраслевыми инструментами, открываются перспективы разработки решений сложных задач нефтегазовой отрасли, которые ранее были недоступны аналитическим методам или численному моделированию. Инструменты машинного обучения способны учитывать каждую деталь каротажных данных и всю информацию, связанную с целевыми данными. Несмотря на свои ограничения, они не связаны жесткими допущениями аналитических решений и специфическими требованиями численных симуляторов к данным и вычислительным ресурсам. Это подробное и всестороннее исследование может служить специализированным справочным источником по применению машинного обучения в отрасли. Проведенный обзор показал, что методы машинного обучения обладают значительным потенциалом для решения задач практически во всех областях нефтегазовой отрасли, связанных с прогнозированием, классификацией и кластеризацией. В условиях формирования огромных объемов данных в повседневной деятельности нефтегазовой отрасли методы машинного обучения и обработки больших данных становятся необходимыми для повышения эффективности отрасли.
Key Findings
1
Растущие объёмы отраслевых данных делают машинное обучение и обработку больших данных всё более необходимыми для повышения эффективности нефтегазовой отрасли, несмотря на существующие ограничения.
2
Машинное обучение может учитывать подробные данные каротажа и связанную с целевыми показателями информацию, не будучи ограниченным предположениями аналитических решений или специфическими требованиями численного моделирования.
3
Методы машинного обучения обладают значительным потенциалом для решения задач прогнозирования, классификации и кластеризации практически во всех областях нефтегазовой отрасли.
4
Обзор систематизирует применения анализа данных и машинного обучения в разведке, характеристике коллекторов, бурении, добыче и стимулировании скважин.
5
В обзоре представлено всестороннее сравнение методов машинного обучения, применяемых в нефтяной инженерии и геонауках, включая нетрадиционные коллекторы.
Research Object
применение науки о данных и машинного обучения в нефтегазовой отрасли
Research Subject
роль, прогностические возможности и эффективность методов машинного обучения в задачах нефтяной инженерии и геонаук
Publication Details
Publication Date
2021-09-24
Journal
Publisher
ISSN
Cited by
244
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Цифровой двойник: ценности, проблемы и факторы обеспечения с точки зрения моделирования2020
Методы машинного и глубокого обучения для систем обнаружения вторжений: обзор2019
Прогнозирование индекса продуктивности для горизонтальных нефтяных скважин с использованием различных методов искусственного интеллекта2015
Новый подход к количественной оценке продуктивности многоствольной «рыбьей кости» скважины2017
Новая методика количественной оценки продуктивности сложных скважин с использованием инструментов искусственного интеллекта2020
Работы, цитирующие эту статью6
Интеграция искусственного интеллекта в инженерные процессы для повышения эффективности и безопасности операций в нефтегазовой отрасли2024
Влияние машинного обучения на оптимизацию цепей поставок и логистики в нефтегазовом секторе: комплексный анализ2024
Машинное обучение в разведке нефти и газа: обзор2024
Характеристика интенсивности поглощения бурового раствора при бурении скважин: применение машинного обучения и данных геофизических исследований скважин2024
Искусственный интеллект и его влияние на результаты деятельности нефтегазовой отрасли: проблемы, аналитические выводы и подходы к оценке2025
Искусственный интеллект для поддержки принятия решений при гидроразрыве пласта: критический обзор, ориентированный на рабочий процесс2026