USD 77.9568

+0.47

EUR 88.9097

+0.38

Brent 85.88

+0.82

Природный газ 2.928

+0.02

Цифровизация - статьи журнала Neftegaz.RU

Июнь 2026
Гидродинамическое моделирование: цифровой анализ связи динамического коэффициента капиллярного давления с дифференцированным участием поровых каналов в фильтрации на основе автоматизированной обработки кривых вытеснения
В классической петрофизике капиллярное давление – функция водонасыщенности. При цифровом моделировании двухфазной фильтрации возникают неравновесные эффекты, требующие динамического коэффициента τ. На пяти образцах терригенных коллекторов впервые сопоставлен τ (через производную dPc/dSw) с распределением фильтрующих поровых каналов по автоматизированному алгоритму. Скорость релаксации контролируется долей связных макропор (>50 мкм). Предложен критерий для прогнозирования τ в гидродинамических симуляторах. Образцы с содержанием каналов >50 мкм >85 % (при хорошей проницаемости) дают крутой наклон Pc–Sw и низкую остаточную водонасыщенность (47–51 %). Результаты развивают работы по прогнозу фазовых проницаемостей.
Июнь 2026
Нейросетевое моделирование процессов многофазной фильтрации при геологическом захоронении CO2
В статье представлена топологически-информированная суррогатная модель (TA-MLP) для 3D-моделирования геологического размещения CO2 на неструктурированных сетках Corner-Point. Решена фундаментальная проблема пространственного вырождения многослойного персептрона путем внедрения глобального координатного эмбеддинга. Сравнение предиктов с результатами гидродинамического симулятора подтверждает высокую точность алгоритма и строгое соблюдение материального баланса.
Июнь 2026
Машинное обучение для прогнозирования обводнения газовых добывающих скважин
Одной из основных проблем при разработке газовых месторождений с подстилающей водой является ее активное внедрение в газонасыщенную часть залежи, что приводит к обводнению добывающих скважин, снижению уровней добычи и последующей остановке скважин вследствие самозадавливания. Поэтому разработка методов прогнозирования прихода воды является важной задачей, направленной на повышение эффективности разработки. Анализ промысловых данных позволил определить ряд параметров, оказывающих наибольшее влияние на продолжительность безводного периода добычи. Для выявления этих закономерностей использовались методы машинного обучения на основе деревьев решений. Обученные модели позволили с хорошей точностью оценивать период безводной добычи и прогнозировать моменты прихода воды. Наибольшая точность прогнозирования была достигнута для скважин, расположенных в геологических условиях, схожих с обучающими скважинами.