Совместная научная группа из Санкт-Петербургского (СПбГУ) и Московского (МГУ) государственных университетов представила новый метод обработки сейсмических данных, призванный повысить эффективность и безопасность освоения морских нефтегазовых месторождений. Разработка основана на применении искусственного интеллекта и позволяет значительно ускорить анализ поверхностных сейсмических волн — ключевого инструмента при изучении верхних слоев геологического разреза шельфа.
На сегодняшний день около 70% разведанных запасов углеводородов России сосредоточено в арктических и дальневосточных морях. Однако промышленная разработка ведется лишь на незначительной части этих ресурсов — около 5%, — что связано с экстремальными природными условиями и высокими требованиями к точности геологических исследований. Особую важность при проектировании морских платформ и подводных коммуникаций имеет выявление потенциально опасных объектов: палеорусел, зон разуплотнения пород и участков с нестабильными грунтами.
«Такая разработка позволяет значительно повысить детализацию изучения верхней части геологического разреза и точнее выявлять опасные процессы, такие как палеоврезы и зоны грубообломочных отложений. Используемая нейросеть корректно восстанавливает скоростные аномалии, причем эти данные легко подтверждаются независимыми сейсмическими наблюдениями», — комментирует руководитель проекта, директор Передовой инженерной школы СПбГУ «Междисциплинарные исследования, технологии и бизнес-процессы для минерально-сырьевого комплекса России», доцент кафедры геофизики Вячеслав Половков.
Традиционные подходы к анализу поверхностных волн (технология MASW) отличаются высокой трудоемкостью и низкой эффективностью — они позволяют обрабатывать лишь 8–10% полученных данных. Специалисты СПбГУ с помощью нейросети EfficientNetb4, обученной на ограниченном наборе информации, смогли обработать полные массивы сейсмических данных. Это позволило построить высокодетализированные трехмерные модели распределения скоростей поперечных волн на площади свыше 2 тыс. кв. км.
Разработка сокращает время анализа данных, повышает точность исследований и может быть внедрена в масштабных проектах по освоению шельфовых месторождений. В перспективе ученые намерены расширить функционал алгоритма, используя синтетически сгенерированные данные для более глубокого обучения нейросети, что позволит повысить ее устойчивость к различным геологическим условиям.
Источник.
На сегодняшний день около 70% разведанных запасов углеводородов России сосредоточено в арктических и дальневосточных морях. Однако промышленная разработка ведется лишь на незначительной части этих ресурсов — около 5%, — что связано с экстремальными природными условиями и высокими требованиями к точности геологических исследований. Особую важность при проектировании морских платформ и подводных коммуникаций имеет выявление потенциально опасных объектов: палеорусел, зон разуплотнения пород и участков с нестабильными грунтами.
«Такая разработка позволяет значительно повысить детализацию изучения верхней части геологического разреза и точнее выявлять опасные процессы, такие как палеоврезы и зоны грубообломочных отложений. Используемая нейросеть корректно восстанавливает скоростные аномалии, причем эти данные легко подтверждаются независимыми сейсмическими наблюдениями», — комментирует руководитель проекта, директор Передовой инженерной школы СПбГУ «Междисциплинарные исследования, технологии и бизнес-процессы для минерально-сырьевого комплекса России», доцент кафедры геофизики Вячеслав Половков.
Традиционные подходы к анализу поверхностных волн (технология MASW) отличаются высокой трудоемкостью и низкой эффективностью — они позволяют обрабатывать лишь 8–10% полученных данных. Специалисты СПбГУ с помощью нейросети EfficientNetb4, обученной на ограниченном наборе информации, смогли обработать полные массивы сейсмических данных. Это позволило построить высокодетализированные трехмерные модели распределения скоростей поперечных волн на площади свыше 2 тыс. кв. км.
Разработка сокращает время анализа данных, повышает точность исследований и может быть внедрена в масштабных проектах по освоению шельфовых месторождений. В перспективе ученые намерены расширить функционал алгоритма, используя синтетически сгенерированные данные для более глубокого обучения нейросети, что позволит повысить ее устойчивость к различным геологическим условиям.
Источник.