Мир Робототехники

Ученые ТПУ улучшили прогнозирование процессов в нефтегазовой отрасли с помощью машинного обучения

Ученые Центра Хериот-Ватт Томского политехнического университета, партнера Консорциума робототехники и систем интеллектуального управления, применили методы машинного обучения для повышения точности прогнозирования процессов нефтедобычи и хранения углекислого газа (CO₂). В своем исследовании они продемонстрировали, как алгоритмы могут упростить процесс прогнозирования и сделать его менее трудоемким по сравнению с традиционными методами. Это особенно важно для методов закачки CO₂ в истощенные нефтяные пласты, которые используются как для увеличения объема добычи нефти, так и для снижения антропогенных выбросов в атмосферу.

Как отмечает инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди, традиционные методы моделирования требуют много времени и ресурсов. Модели машинного обучения обеспечивают более глубокое понимание процессов, что позволяет повысить эффективность и оптимизировать работу.

Ученые протестировали четыре алгоритма машинного обучения и установили, что метод LSSVM (опорных векторов наименьших квадратов) демонстрирует наилучшие результаты.

Прогнозирование с его помощью оказалось гораздо точнее, чем алгоритмы MLPNN (многослойная персептронная нейронная сеть), ELM (метод экстремального обучения) и RBFNN (радиально-базисная нейронная сеть). В будущем ученые планируют валидацию модели на основе данных с реального месторождения и интеграцию различных оптимизационных алгоритмов для дальнейшего совершенствования процесса.

#МирРобототехники #КонсорциумРобототехники #Технологии #Инновации #ТПУ

🤝9🔥5👏3

www.tgoop.com/world_of_robotics/3014

456 viewsNov 18, 2024 at 10:15

Ученые ТПУ улучшили прогнозирование процессов в нефтегазовой отрасли с помощью машинного обучения

Ученые Центра Хериот-Ватт Томского политехнического университета, партнера Консорциума робототехники и систем интеллектуального управления, применили методы машинного обучения для повышения точности прогнозирования процессов нефтедобычи и хранения углекислого газа (CO₂). В своем исследовании они продемонстрировали, как алгоритмы могут упростить процесс прогнозирования и сделать его менее трудоемким по сравнению с традиционными методами. Это особенно важно для методов закачки CO₂ в истощенные нефтяные пласты, которые используются как для увеличения объема добычи нефти, так и для снижения антропогенных выбросов в атмосферу.

Как отмечает инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди, традиционные методы моделирования требуют много времени и ресурсов. Модели машинного обучения обеспечивают более глубокое понимание процессов, что позволяет повысить эффективность и оптимизировать работу.

Ученые протестировали четыре алгоритма машинного обучения и установили, что метод LSSVM (опорных векторов наименьших квадратов) демонстрирует наилучшие результаты.

Прогнозирование с его помощью оказалось гораздо точнее, чем алгоритмы MLPNN (многослойная персептронная нейронная сеть), ELM (метод экстремального обучения) и RBFNN (радиально-базисная нейронная сеть). В будущем ученые планируют валидацию модели на основе данных с реального месторождения и интеграцию различных оптимизационных алгоритмов для дальнейшего совершенствования процесса.

#МирРобототехники #КонсорциумРобототехники #Технологии #Инновации #ТПУ

BY Мир Робототехники