Одной из приоритетных задач ООО «Тюменский нефтяной научный центр» (дочернее общество ПАО «НК «Роснефть») является разработка, апробация и внедрение новых интерпретационных методик и технологий, которые позволят повысить эффективность петрофизического сопровождения проектов компании по разработке, геологоразведке и подсчету запасов. Современная петрофизика развивается в направлении цифровизации, внедрения машинного интеллекта и обработки больших данных. Создаваемые цифровые помощники не могут пока заменить специалистов. Однако возможности таких алгоритмов будет только возрастать, что обеспечит постепенное замещение непроизводительного ручного труда в области рутинных подготовительных оформительских работ. Следствием этого должно стать кардинальное сокращение временных затрат на выполнение петрофизических проектов. При этом роль специалиста должна все в большей степени сводиться к «программированию» цифровых помощников и преимущественно аналитической деятельности, что привет к качественному сдвигу с точки зрения глубины и детальности проработки петрофизических решений. Очевидно, что анализ больших объемов данных позволит выявлять новые эффективные инструменты для прогноза петрофизических и геологических свойств, а также обеспечит новый уровень прогноза эксплуатационных показателей. Вместе с тем новые технологические и информационные стандарты диктуют и новые требования к профилю компетенций специалиста: естественным дополнением к традиционному багажу петрофизических знаний должны стать развитые компетенции в области ИТ-технологий и, как минимум, базовые навыки программирования. Показано, что цифровизация, использование возможностей искусственного интеллекта и анализ больших объемов данных должны привести к новому витку развития в области петрофизики и качественному повышению эффективности петрофизического сопровождения геологоразведки и разработки нефтегазовых месторождений.
Список литературы
1. Высокотехнологичные методы геофизических исследований скважин / М.А. Басыров, А.В. Хабаров, И.А. Ханафин [и др.] // Нефтяное хозяйство. – 2019. – № 11. – С. 13–17.
2. Hierarchical Attention Networks for Document Classification / Zichao Yang, Diyi Yang, C. Dyer, Xiaodong He [et al.]. – San Diego, California: Association for Computational Linguistics, 2016. – P. 1480–1489. – https://www.aclweb.org/anthology/N16-1174
