В статье представлен инновационный подход к планированию инфраструктуры нефтегазовых месторождений, объединяющий нейронные сети и геопространственный анализ. В основе данного подхода лежит применение предварительно обученной модели Segment Anything Model (SAM), адаптированной для высокоточной сегментации спутниковых снимков. Приведено описание методики дообучения SAM на специализированном наборе данных спутниковых снимков, полученных с использованием платформы Google Earth Engine и размеченных на основе данных OpenStreetMap. Цель дообучения - повышение эффективности модели в задачах выделения объектов инфраструктуры и естественных элементов ландшафта, таких как леса, водоемы, дороги и здания. Ключевым этапом является создание интегральных карт желательности, отражающих совокупное влияние различных ограничивающих факторов, таких как объекты культурного наследия, особо охраняемые природные территории, зоны санитарной охраны и др. Разработана система весовых коэффициентов для учета значимости каждого фактора при формировании карты желательности. Рассмотренный подход позволяет автоматизировать процесс выявления и оценки ограничивающих факторов, существенно сокращая временные затраты и повышая точность принимаемых решений. Представлены результаты апробации разработанной методологии на примере участка Мишкинского месторождения, где была продемонстрирована возможность автоматизированного размещения кустовых площадок и прокладки линейных коммуникаций с учетом пропускной способности трубопроводов и стоимостных показателей зон размещения. Результаты исследования подчеркивают высокую эффективность предложенного подхода в оптимизации планирования инфраструктуры нефтегазовых месторождений.
Список литературы
1. Segment Anything / A. Kirillov, E. Mintun, N. Ravi [et al.] // Proceedings of 2023 IEEE/CVF International Conference on Computer Vision (ICCV). – Paris, France,
01-06 October 2023. - https://doi.org/10.1109/ICCV51070.2023.00371
2. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale / A. Dosovitskiy, L. Beyer, A. Kolesnikov [et al.] // arXiv preprint. – 2021. – https://arxiv.org/abs/2010.11929
3. Google Earth Engine. Earth Engine API Documentation // Google Developers. – https://developers.google.com/earth-engine/apidocs
4. OpenStreetMap. Open Database of Geospatial Data // OpenStreetMap. – https://www.openstreetmap.org/
5. Boeing G. OSMnx: New Methods for Acquiring, Constructing, Analyzing, and Visualizing Complex Street Networks // Computers, Environment and Urban Systems. – 2017. – V. 65. – P. 126–139. – https://doi.org/10.1016/j.compenvurbsys.2017.05.004
6. Сапожников Я.Е., Миронова А.В. Оптимизация системы разработки и наземного обустройства месторождений с использованием методов искусственного интеллекта//Нефть.Газ.Новации. – 2024. – № 4. – С. 66–70.
