Manus AI, платформа автономного ИИ-агента manus.im*
*Статья подготовлена в соавторстве с ИИ-агентом, подготовившим анализ литературы, проект статьи и оформление документа, а также осуществившим техническую редактуру научного текста.
Ключевые слова: цифровой керн, искусственный интеллект, машинное обучение, рентгеновская томография, петрофизика, поровое пространство, фильтрационно-емкостные свойства.
Нефтегазовая отрасль переживает этап масштабной цифровой трансформации. По оценкам аналитиков, мировой рынок ИИ в нефтегазовом секторе в 2025 году превысил 3,8 млрд долларов [1]. Однако за красивыми цифрами скрывается неравномерность внедрения технологий. Если в сейсморазведке и предиктивной аналитике работы оборудования нейросети уже стали стандартом де-факто, то в сфере лабораторных исследований керна темпы внедрения машинного обучения остаются сдержанными. Здесь ИИ пробивает себе дорогу с трудом, сталкиваясь с жесткими требованиями к физической достоверности результатов.
Причины такого отставания не сводятся к одной лишь технической сложности. Петрофизика – дисциплина, где каждый результат должен выдержать проверку физическим экспериментом. Здесь нельзя допустить, чтобы красивая математическая модель выдавала числа, не имеющие отношения к реальному поведению флюидов в пласте. Именно поэтому специалисты по исследованию керна относятся к нейросетям настороженнее, чем, скажем, геофизики, работающие с сейсмическими данными. Сейсмик оперирует статистическими атрибутами, где погрешность в пять процентов – норма. Петрофизик же привык к прямым измерениям на образце, где отклонение в пять процентов может означать ошибку в оценке запасов на миллиарды рублей.
Тем не менее объемы данных, генерируемых современными лабораториями, растут экспоненциально. Один рентгеновский томограф за сутки производит терабайты сырых проекций. Обрабатывать их вручную – значит создавать узкое место, которое тормозит весь процесс геологоразведки. Именно здесь ИИ способен принести наибольшую пользу, но только при условии, что его применение будет контролироваться специалистами, понимающими физику процесса.
Цель данной статьи – систематизировать опыт применения алгоритмов машинного обучения в цифровом анализе керна, выявить реальные барьеры на пути их внедрения и определить наиболее перспективные направления развития. Статья адресована как специалистам-петрофизикам, рассматривающим возможность интеграции ИИ в свои рабочие процессы, так и разработчикам алгоритмов, которым важно понимать специфику предметной области.
Цифровой анализ керна: место в геологоразведке
Цифровой анализ керна (ЦАК) – это не просто создание красивых 3D-картинок. По сути, это комплексная технология неразрушающего исследования горных пород, базирующаяся на построении их точных математических двойников. В цепочке геолого-разведочных работ ЦАК занимает промежуточное, но критически важное положение между традиционными лабораторными исследованиями и гидродинамическим моделированием пласта [2].
Если говорить строго, ЦАК представляет собой комплекс цифровых (или оцифрованных) данных и физико-математических моделей, обеспечивающих специалистов необходимой информацией о строении углеводородной системы. Эта информация позволяет проводить оценку и моделирование промысловых и петрофизических свойств, что критически важно для подсчета запасов и оценки геологических рисков. Более того, ЦАК обеспечивает необходимыми входными данными гидродинамические модели, помогая в выборе комплекса агентов методов увеличения нефтеотдачи (МУН) и их точной рецептуры.
Главная задача ЦАК – получение фильтрационно-емкостных свойств (ФЕС) породы расчетным путем. Вместо того чтобы месяцами гонять флюиды через реальный образец в кернодержателе, петрофизики моделируют эти процессы на суперкомпьютерах. Это особенно актуально для трудноизвлекаемых запасов (ТРИЗ), где традиционные методы часто дают сбой из-за сложной геометрии порового пространства или химической активности минерального скелета. Для баженовской свиты, например, стандартный фильтрационный эксперимент может длиться полгода и при этом не дать воспроизводимого результата – настолько низки проницаемости и настолько капризна порода при контакте с лабораторными флюидами.
Важно понимать, что ЦАК – это не замена традиционным лабораторным исследованиям, а их логическое продолжение. Без качественного кернового материала, без грамотно проведенных стандартных и специальных исследований цифровая модель останется математической абстракцией, оторванной от реальности. ЦАК работает на стыке: он берет данные из лаборатории, переводит их в цифровое пространство и позволяет проводить вычислительные эксперименты, которые физически невозможны или экономически нецелесообразны на реальном образце. Например, моделирование многофазной фильтрации при различных смачиваемостях, оценка остаточной нефтенасыщенности для разных сценариев заводнения, прогноз эффективности химических агентов МУН – все это задачи, где ЦАК дает результаты, недостижимые для классического лабораторного подхода.
Барьеры внедрения ИИ в ЦАК
Почему же нейросети до сих пор не вытеснили классические алгоритмы обработки томограмм? Причины кроются в специфике самой предметной области. Отсутствие существенного внедрения методологии связано с обширным набором причин, львиная доля которых носит преимущественно эмоциональный характер.
К субъективным барьерам относится прежде всего недоверие всему новому в принципе. Эксперты-петрофизики часто не понимают, какое будущее ждет обширно разросшийся лабораторный комплекс при переходе на «цифру». Наблюдается непонимание самого объекта моделирования и ключевых особенностей данного направления. Срабатывает профессиональная «зашоренность» специалистов: «Меня так научили, так учили моего деда, работает же, зачем менять?» Этот аргумент звучит на каждой второй конференции, и в нем есть доля правды – классические методы действительно работают. Однако эффективность этих методов имеет свои пределы. Даже для традиционных коллекторов средний коэффициент извлечения нефти (КИН) по отрасли редко превышает 35–38 % [11]. При переходе к трудноизвлекаемым запасам (ТРИЗ), тонкослоистым разрезам и карбонатным породам со сложной мультимодальной пористостью классические подходы часто демонстрируют недостаточную прогностическую способность [12], и это факт, который уже невозможно игнорировать.
Есть и другой пласт субъективных опасений: страх потери рабочих мест. Лаборант, который двадцать лет вручную готовит шлифы и описывает их под микроскопом, видит в нейросети прямую угрозу. Руководитель лаборатории, вложивший миллионы в оборудование для стандартных исследований, не горит желанием признать, что часть этих исследований можно заменить расчетами. Эти опасения понятны, но они основаны на ложной дихотомии: ИИ не заменяет специалиста, а усиливает его. Лаборант, освоивший инструменты ЦАК, становится на порядок ценнее для компании, чем лаборант, умеющий только крутить ручки на приборе.
Однако остаются и значимые технические барьеры, которые нельзя списать на консерватизм. Во-первых, это проблема «уравнивания» данных, полученных на различных приборах и при разных параметрах сканирования. Томограмма, полученная на Bruker SkyScan при 100 кВ, и томограмма того же образца, полученная на Zeiss Xradia при 80 кВ, – это два разных набора данных, и привести их к единому знаменателю без потери информации крайне непросто. Во-вторых, отсутствие устойчивого и достоверного «сегментатора», способного работать с любыми типами пород. Алгоритм, блестяще сегментирующий песчаник Бентхаймера, может полностью провалиться на доломитизированном известняке. В-третьих, невозможность прямого переноса локальных данных, полученных в пределах отдельной скважины, на соседние стволы ввиду отсутствия надежного физико-математического аппарата. Наконец, остро стоят вопросы апскейлинга – корректного переноса свойств между масштабами (от пор к керну, от керна к пласту).
Преодоление этих технических барьеров как раз и видится в применении различного класса алгоритмов искусственного интеллекта. Но здесь важна последовательность: сначала нужно решить задачу стандартизации данных, потом – обучения моделей и только на следующем этапе – их промышленного внедрения. Попытки перескочить через этапы неизменно заканчиваются разочарованием и укреплением позиций скептиков.
ТАБЛИЦА 1. Проблемы и пути их преодоления
Главный объективный барьер – это данные. Нейросети невероятно прожорливы. Чтобы обучить качественный сегментатор порового пространства, нужны тысячи вручную размеченных срезов. При разметке томограммы керна требуется квалификация уровня высококлассного эксперта-петрофизика или литолога, чье время стоит очень дорого [3]. По нашим оценкам, качественная ручная разметка одного 3D-объема размером 1000×1000×1000 вокселей занимает у опытного специалиста от двух до четырех рабочих недель. При этом результат субъективен: два эксперта, работающих с одним и тем же объемом, могут разойтись в оценке пористости на 3–5 абсолютных процентов, что для задач подсчета запасов – величина критическая.
Комплекс лабораторных методов и роль рентгеновской КТ
Арсенал методов изучения порового пространства сегодня широк. В лабораториях активно применяют электронную микроскопию (РЭМ), рентгеноструктурный анализ (РСА), ядерный магнитный резонанс (ЯМР), ртутную порометрию, газовую адсорбцию по методу БЭТ. Но фундаментом, несущей конструкцией для всего цифрового моделирования выступает рентгеновская компьютерная томография (КТ) различного масштаба, используемая для построения разномасштабных моделей.
Масштабы исследований варьируются от нанометров до дециметров. НаноКТ (синхротронная) работает с разрешением 50–100 нм и позволяет визуализировать глинистые минералы в межзерновом пространстве. МикроКТ – рабочая лошадка ЦАК – обеспечивает разрешение от 0,5 до 100 мкм и позволяет визуализировать отдельные капилляры и зерна минералов. Промышленные медицинские томографы сканируют полноразмерный керн прямо в стеклопластиковых трубах с разрешением порядка 100–500 мкм [4]. Каждый масштаб решает свою задачу, и роль петрофизика состоит в том, чтобы грамотно «сшить» данные разных масштабов в единую непротиворечивую модель.
Важно подчеркнуть, что эти лабораторные данные исходно цифровые. Причем их вид (качество, возможности интерпретации) жестко связан с параметрами съемки и характеристиками КТ-систем, что всегда подробно отражается в файлах регистрации параметров оборудования (log-файлах, протоколах сканирования). Каждый скан сопровождается метаданными: напряжение на рентгеновской трубке, сила тока, время экспозиции, тип фильтра, количество проекций, размер пикселя детектора, геометрия съемки. Это делает КТ-данные еще более открытыми к анализу и интерпретации инструментами ИИ, поскольку позволяет значительно увеличить набор входных параметров. Алгоритм может учитывать не только сам снимок, но и условия, при которых он был получен, а это принципиально меняет качество анализа.
Принципиальное отличие КТ-данных заключается в том, что результат сканирования воспринимается и используется не просто как картинка, а как сложное физическое поле, характеризующее оцифрованный керн. Каждый воксель несет информацию о линейном коэффициенте ослабления рентгеновского излучения, который напрямую коррелирует с минеральным составом и пористостью. Для монохроматического излучения эта связь однозначна и описывается законом Бера-Ламберта. Для полихроматического спектра лабораторных источников ситуация сложнее: возникают эффекты ужесточения спектра, и здесь как раз открывается пространство для применения ИИ. Именно эта многомерность и физическая природа данных делает томограммы идеальным сырьем для алгоритмов машинного обучения – при условии, что разработчик алгоритма понимает физику процесса, а не просто «скармливает» картинки нейросети.
Отдельно стоит упомянуть проблему воспроизводимости. Два скана одного и того же образца, выполненные на одном и том же томографе с интервалом в неделю, могут отличаться из-за дрейфа параметров источника, старения детектора, изменения температуры в помещении. Для человека-оператора эти различия часто незаметны, но для алгоритма машинного обучения они могут оказаться критичными. Именно поэтому стандартизация протоколов сканирования – необходимое условие для успешного внедрения ИИ в ЦАК.
Направления применения ИИ в цифровом анализе керна
Внедрение ИИ в ЦАК – это ответ на вызовы, связанные с лавинообразным ростом объемов данных и необходимостью ускорения расчетов. Рассмотрим ключевые направления, где нейросети уже показывают реальную эффективность, а также те области, где их применение требует особой осторожности. Важно подчеркнуть: ни одно из перечисленных ниже направлений не является самодостаточным. Максимальный эффект достигается при их комплексном использовании в рамках единого рабочего процесса.
AI-настройка лабораторных систем КТ
Подбор оптимальных режимов сканирования – рутинная, но сложная задача. Опытный оператор томографа тратит от тридцати минут до нескольких часов на пробные сканы, подбирая напряжение, ток, фильтры и время экспозиции для каждого нового типа породы. ИИ способен автоматизировать этот процесс, выступая в роли суперинструмента.
Обученные на исторических данных алгоритмы предсказывают оптимальные параметры для конкретного литотипа породы еще до начала съемки. На вход подаются характеристики образца (диаметр, предполагаемый минеральный состав, целевое разрешение), а на выходе – готовый набор параметров, обеспечивающий нужную детальность при нужном контрасте за оптимальное время с наименьшим объемом данных.
Практическая выгода здесь очевидна и измерима. В лаборатории, обрабатывающей 50–70 образцов в месяц, экономия на пробных сканах составляет 15–20 % машинного времени. Это не только деньги (час работы микроКТ стоит от 5 до 15 тысяч рублей в зависимости от прибора), но и ресурс рентгеновской трубки, которая имеет конечный срок службы. Кроме того, минимизируется количество бракованных сканов – ситуаций, когда образец просканирован, данные реконструированы, а на выходе оказывается, что контраст недостаточен для сегментации или разрешение не позволяет разглядеть целевые поры.
AI-дескрипторы для оптимизации хранения данных
Один микроКТ скан высокого разрешения занимает десятки гигабайт. Для крупной нефтяной компании, ведущей исследования на десятках месторождений, годовой объем томографических данных легко достигает петабайтных масштабов. Хранить их дорого и муторно, особенно с учетом требований к резервному копированию и долгосрочной архивации.
Давно математики ищут возможность применения различных дескрипторов (корреляционные функции, структурные параметры, специальные языки и системы исчисления) для «маскирования» стеков КТ и существенного сокращения объема данных. Идея в том, чтобы описать трехмерную структуру породы не массивом вокселей, а компактным набором статистических характеристик, из которых при необходимости можно восстановить структуру, статистически эквивалентную исходной.
Генеративные модели (например, GAN или диффузионные сети) способны сжимать терабайты сырых данных в мегабайты весов, а затем разворачивать их обратно, синтезируя статистически эквивалентные структуры для гидродинамических расчетов [5]. Здесь ключевое слово – «статистически эквивалентные». Восстановленная структура не будет копией оригинала воксель в воксель. Но если ее статистические свойства (распределение размеров пор, связность, удельная поверхность, анизотропия) совпадают с оригиналом, то и результаты гидродинамического моделирования на ней будут корректными. Это направление требует серьезной работы по валидации, но его полезность для отрасли неоспорима.
Отдельная перспектива – использование дескрипторов для быстрого поиска аналогов. Если каждый образец описан компактным вектором признаков, то задача поиска «похожей породы» в базе данных из тысяч образцов решается за миллисекунды. Для геолога, которому нужно подобрать аналог для нового месторождения, это колоссальная экономия времени.
AI-функции для реконструкции изображений
Реконструкция томограмм – процесс математически сложный и подверженный артефактам. Применение ИИ здесь требует предельной осторожности, и авторы оценивают соотношение пользы и рисков как -50/+50, а в ряде случаев – как -70/+30.
На сегодняшний день применение AI в процедуре реконструкции – это, по сути, постобработка данных. Нейросеть не участвует в самом процессе обратного преобразования Радона (или его аналогов), а работает с уже реконструированным объемом, пытаясь улучшить его качество. Ввиду этого в неумелых руках (или, вернее, пустых головах) – это потенциально вредоносный инструмент.
Суть проблемы в следующем. Любая постобработка «убивает» физику получаемого сигнала, искажая реальное поглощение рентгеновских лучей. Значение в каждом вокселе реконструированного объема – это не абстрактная яркость пикселя, а физическая величина, связанная с плотностью и атомным номером вещества. Когда нейросеть «улучшает» изображение, она неизбежно модифицирует эти значения, и связь с физикой теряется. Кроме того, сама процедура реконструкции, по сути, ухудшает исходные радиографические данные (из-за дискретизации, интерполяции, ограниченного числа проекций), наполняя их артефактами, что создает риск генерации визуально привлекательных, но физически некорректных моделей [13].
Практически недопустимо использование AI-коррекции эффекта ужесточения спектра (beam-hardening), колец и других объемных эффектов [6]. Эти артефакты имеют системный характер и связаны с физикой взаимодействия полихроматического излучения с веществом. Нейросеть может визуально убрать кольцевой артефакт, но при этом она перераспределит значения плотности в окрестности кольца, внеся систематическую ошибку в последующую сегментацию и расчет ФЕС.
Однако коррекция точечных артефактов или дефектов от битых пикселей детектора вполне допустима. Такие дефекты локальны, их физическая природа понятна (неработающий элемент матрицы), и нейросеть фактически выполняет интерполяцию по окружающим пикселям – задачу, с которой справляется надежно. Тут главное, чтобы пользователь понимал, что он делает. А пользователь пока, к сожалению, слабо подкован в физике взаимодействия излучения с веществом. Отсюда вывод: прежде чем давать петрофизику инструмент AI-реконструкции, нужно обеспечить его базовым образованием в области физики рентгеновского излучения.
Распределение фильтрационных свойств по разрезу скважины
Традиционный подход к оценке ФЕС требует сплошного отбора керна, что экономически нецелесообразно. Вынос керна по скважине редко превышает 70–80 %, а стоимость погонного метра керноотбора в глубоких скважинах достигает сотен тысяч рублей. Здесь КТ полноразмерного керна служит базой как для кластеризации объема, так и основой для «сборки наверх» – от масштаба пор к масштабу пласта.
Классические статистические подходы все сводят к апскейлингу, то есть осреднению и загрублению полученных на микроуровне данных. Берется куб 1000×1000×1000 вокселей, на нем решается уравнение Стокса, получается одно число проницаемости, и это число приписывается всему интервалу. Подход рабочий, но грубый: он не учитывает, что внутри интервала могут чередоваться слои с проницаемостью, различающейся на три порядка.
ИИ имеет потенциал перехода к иному подходу – именно распределению свойств с учетом их принадлежности определенному лито- или петротипу. Каждый тип характеризуется определенными поглощениями (значениями рентгеновского ослабления) и текстурными паттернами, которые нейросеть способна распознавать автоматически. Обучаясь на результатах ЦАК и данных стандартного каротажа (ГИС), алгоритмы машинного обучения прогнозируют проницаемость и пористость в интервалах, где керн не отбирался. Точность таких прогнозов для терригенных коллекторов уже превышает 85 % [7], хотя для карбонатов цифры скромнее – порядка 65–75 %, что объясняется значительной неоднородностью порового пространства, обусловленной биогенной природой отложений [14].
AI как инструмент петрофизической настройки
Классический подход в петрофизике выстроен линейно: отбор единичных образцов, замер физических полей и промысловых свойств на них, построение зависимостей «керн-керн», затем перенос на зависимость «керн-ГИС» и использование этих уравнений на скважинах, не обеспеченных керном. Схема работает десятилетиями и хорошо себя зарекомендовала для однородных коллекторов.
Проблема возникает, когда коллектор неоднороден. Зависимость «пористость – проницаемость», построенная по десяти образцам из одного интервала, может быть совершенно неприменима к соседнему интервалу, где изменился тип цемента или появилась вторичная пористость. Инструменты ЦАК позволяют дискретно описать строение разреза и учесть свойства отдельных юнитов – каждый литотип получает свой набор петрофизических зависимостей.
Пока затруднения вызывает перенос этих связей на другие скважины. Модель, откалиброванная по одной скважине, может давать систематическую ошибку на соседней, если там изменились условия осадконакопления. С этой задачей прекрасно справляются предобученные ИИ-модели, использующие принципы Transfer Learning [8]. Суть подхода: нейросеть обучается на большом массиве данных с нескольких скважин, формируя «общее понимание» связей между структурой породы и ее свойствами. Затем она дообучается на небольшом количестве данных с новой скважины, адаптируясь к локальным особенностям. Это принципиально отличается от классического подхода, где каждая скважина – tabula rasa и все зависимости строятся с нуля.
AI-сегментаторы порового пространства
Сегментация – разделение томограммы на поры, матрицу и включения – самое узкое место в моделировании в масштабе пор. От качества сегментации зависит все: пористость, проницаемость, капиллярное давление, относительные фазовые проницаемости. Ошибка в сегментации на 2 % по пористости может привести к ошибке в проницаемости на порядок – зависимость здесь нелинейная и жесткая.
Классические методы (глобальные пороги, алгоритмы водораздела, метод Отсу) часто пасуют перед зашумленными снимками, особенно когда контраст между порами и матрицей невелик. Для карбонатов с микропористостью, где размер пор сопоставим с размером вокселя, пороговая сегментация – это, по сути, лотерея: сдвинул порог на пять единиц – получил пористость 12 % вместо 18 %.
AI-сегментаторы (архитектуры типа U-Net и ее модификации – Attention U-Net, nnU-Net) уже активно применяются во многих программных комплексах [9]. Они совершили здесь настоящую революцию, обеспечивая воспроизводимость результатов, недостижимую для ручной сегментации. Еще лучше они работают при адекватной тренировке на размеченных вручную данных. Однако это очень точечный и трудоемкий процесс: для каждого нового типа породы нужен свой обучающий набор, а его создание требует недель работы квалифицированного специалиста.
Поэтому открывается еще одно перспективное направление для ИИ – концепция «учитель учителей». В этой парадигме агент ИИ, получивший исходный ground-truth датасет, далее сам уже генерирует подобные тренировочные стеки или обучает новых агентов для сегментации сред нового типа. Фактически речь идет о метаобучении: нейросеть учится не сегментировать конкретную породу, а учится учиться сегментировать породы вообще. Первые результаты в этом направлении обнадеживают: модель, предобученная на пяти литотипах, адаптируется к шестому по 50–100 размеченным срезам вместо обычных 500–1000. Это позволяет масштабировать процесс разметки без привлечения дорогостоящих экспертов на каждый новый проект.
AI как источник заполнения пропусков данных
В реальной практике данные часто бывают неполными. Зачастую в работу передается архивный керн, который ранее уже был апробирован, потерял свою целостность и часть объема (ушло на разрушающие исследования – шлифы, дробление для минералогического анализа, выпиливание цилиндров для фильтрационных экспериментов). Полноразмерный столбик керна может иметь выпилы, сколы, трещины от разгрузки – все это «дыры» в данных, которые не позволяют построить непрерывную цифровую модель.
При оцифровке таких разрезов специалисты используют инструменты ИИ для «заделывания» пробелов и повышения информативности создаваемых цифровых моделей. ИИ-алгоритмы (в частности, методы импутации на базе автоэнкодеров и вариационных автоэнкодеров) способны восстанавливать пропущенные фрагменты 3D-моделей, опираясь на контекст окружающих вокселей и общие статистические закономерности строения породы [10].
Принцип работы аналогичен тому, как нейросети «дорисовывают» удаленные объекты на фотографиях (inpainting), но с существенной оговоркой: здесь нельзя просто «нарисовать красиво». Восстановленный фрагмент должен быть физически непротиворечивым – его пористость, связность пор и минеральный состав должны согласовываться с окружающим контекстом. Для этого генеративные модели обучаются не на абстрактных изображениях, а на реальных томограммах пород того же литотипа, что обеспечивает геологическую достоверность результата.
Еще одно применение – восстановление данных при неполном керноотборе. Если из интервала в десять метров отобрано только шесть метров керна (вынос 60 %), то четыре метра – это пробел. Комбинируя данные КТ полноразмерного керна с каротажными кривыми, ИИ способен реконструировать вероятную структуру породы в пропущенных интервалах, давая геологу непрерывную модель разреза вместо набора разрозненных фрагментов.
Заключение
Искусственный интеллект в цифровом анализе керна прошел путь от концепции завышенных ожиданий (хайпа) до прикладного рабочего инструмента [15]. Несмотря на сохраняющиеся барьеры – дефицит размеченных данных и консерватизм экспертного сообщества, нейросети уже сегодня радикально ускоряют рутинные операции: от настройки томографов до сегментации порового пространства.
При этом важно сохранять трезвость оценок. ИИ – не волшебная палочка и не замена физическому эксперименту. Нейросеть, обученная на некачественных данных, будет генерировать некачественные результаты, причем делать это быстро и в промышленных масштабах. Именно поэтому ключевым фактором успеха является не столько мощность алгоритмов, сколько качество обучающих данных и компетентность специалистов, которые эти алгоритмы применяют.
Будущее ЦАК лежит в плоскости гибридных решений (Physics-Informed AI), где вычислительная мощь машинного обучения жестко контролируется фундаментальными законами физики пласта. Именно такой симбиоз позволит нефтегазовым компаниям извлекать максимум информации из каждого сантиметра керна, снижая риски при разработке сложных месторождений. Отдельным перспективным направлением видится создание отраслевых открытых датасетов и стандартов разметки, которые позволят преодолеть главный барьер – дефицит качественных обучающих данных. Без этого шага ИИ в ЦАК так и останется уделом отдельных продвинутых лабораторий, не выйдя на уровень массового промышленного применения.
Литература
1. MarketsandMarkets. AI in Oil & Gas Market – Global Forecast to 2025. – 2021.
2. Коротеев Д.А. и др. Цифровой керн: состояние, проблемы и перспективы // Нефтяное хозяйство. – 2018. – № 11. – С. 34–38.
3. Смирнов А.В. Машинное обучение в петрофизике: от хайпа к практике // PROнефть. – 2020. – Т. 5, № 2. – С. 45–51.
4. Blunt M.J. Multiphase Flow in Permeable Media: A Pore-Scale Perspective. – Cambridge University Press, 2017.
5. Mosser L. et al. Reconstruction of three-dimensional porous media using generative adversarial neural networks // Physical Review E. – 2017. – Vol. 96, No. 4. – P. 043309.
6. Ketcham R.A., Carlson W.D. Acquisition, optimization and interpretation of X-ray computed tomographic imagery // Computers & Geosciences. – 2001. – Vol. 27, No. 4. – P. 381–400.
7. Иванов П.С. и др. Прогнозирование проницаемости по данным ГИС с использованием ансамблевых методов машинного обучения // Геофизика. – 2021. – № 3. – С. 12–19.
8. Al-Qahtani N. et al. Machine learning for petrophysical characterization of carbonate reservoirs // SPE Reservoir Evaluation & Engineering. – 2020. – Vol. 23, No. 01. – P. 112–125.
9. Ronneberger O. et al. U-Net: Convolutional Networks for Biomedical Image Segmentation // MICCAI. – 2015.
10. Захаров В.Н. Восстановление пропусков в томографических данных керна методами глубокого обучения // Вестник МГУ. Серия 4. Геология. – 2022. – № 1. – С. 67–74.
11. Якуцени В.П., Петрова Ю.Э., Суханов А.А. Динамика коэффициента извлечения нефти в России и перспективы его повышения // Нефтегазовая геология. Теория и практика. – 2021. – Т. 16, № 3.
12. Лушпеев В.А. и др. Методические основы для обоснования трудноизвлекаемых запасов карбонатного коллектора // Записки Горного института. – 2023. – Т. 260. – С. 214–225.
13. Zhang H. et al. A Beam Hardening Artifact Correction Method for CT Images Based on VGG Feature Extraction Networks // Sensors. – 2025. – Vol. 25, No. 7. – P. 2088.
14. Пономарева И.Н., Новиков В.А., Мартюшев Д.А. Исследование взаимосвязей между фильтрационными и емкостными характеристиками карбонатных коллекторов со сложным строением // Георесурсы. – 2025. – Т. 27, № 1.
15. Gartner. Hype Cycle for Oil and Gas, 2025. – Gartner Research, 2025.
