ИИ в геологоразведке
Нейросеть «РН-КрасноярскНИПИнефть» в 10 раз ускоряет первичную обработку сейсмических данных — вместо 80 часов ручной работы 7 часов расчёта алгоритма. В петрофизике модели с машинным обучением находят связь между фациями и коллекторскими свойствами там, где классический атрибутный анализ её не видит, а поиск месторождений-аналогов и оценку геологического риска всё чаще доверяют байесовским сетям и объяснимым моделям вместо интуиции одного геолога. Разбираем, где ИИ в геологоразведке уже экономит недели работы, а где остаётся инструментом, которому нужна проверка, а не слепое доверие.
ИИ в геологоразведке — это не замена геолога, а ускоритель рутинных этапов: интерпретацию сейсмики, подбор месторождений-аналогов и оценку запасов, которые раньше занимали недели, модели считают за часы. Размеченных данных для обучения часто мало, а решение о бурении скважины стоит десятки миллионов рублей — поэтому результат модели нужно проверять, а не принимать на веру.
Как ИИ выделяет горизонты и разломы на сейсмике?
Ручная интерпретация сейсмики — самый трудоёмкий этап геологоразведки: геолог кропотливо выделяет горизонты и разломы на объёме данных, который по одному проекту может достигать сотен квадратных километров и десятков тысяч сейсмограмм. Нейросети берут на себя именно эту рутинную часть работы — не замену интерпретации целиком, а её самый долгий и однообразный кусок.
«Специалисты РН-КрасноярскНИПИнефть - дочки Роснефти, на основе нейронной сети разработали программный алгоритм, который в 10 раз сокращает время одного из начальных этапов обработки сейсмических данных.» — Neftegaz.RU — Роснефть внедрила нейросети в обработку сейсморазведочных данных
Речь не о единичном пилоте, а о рабочем инструменте на конкретных участках:
- Объём одного проекта — около 300 км² или 30 тыс. сейсмограмм
- Ручная обработка занимает до 80 часов, с алгоритмом — до 7 часов без участия специалиста
- Прототип испытан на реальных данных двух лицензионных участков компании в Восточной Сибири
Похожая логика — в выделении разломов, где ошибка интерпретатора стоит особенно дорого: от неё зависит и структурная модель месторождения, и оценка герметичности покрышки при захоронении CO₂. Компания Eliis и Chevron объединили корпоративные модели автоматического распознавания разломов Chevron с платформой автоматизированной сейсмической интерпретации PaleoScan — по словам разработчиков, время построения структурной интерпретации в результате сокращается на порядки.
«In the field of geosciences, Eliis views artificial-intelligence outcomes not as ultimate end-products but more as enabling technologies that have to be seamlessly integrated into a wider scientific workflow that includes the ability to perform quality control and refinement to ensure that geoscientists remain in control throughout the entire interpretive process.» — Francois Laferriere, Eliis — JPT (SPE)
Что модели находят в каротаже и керне?
Каротаж и керн дают данные только в точках стволов скважин, а нужна непрерывная картина коллектора между ними. Классический способ — интерполяция и атрибутный анализ сейсмики; там, где геология неоднородна, оба метода упираются в потолок точности.
«Использование алгоритмов машинного обучения, включая нейронные сети Колмогорова, позволило усовершенствовать прогнозирование распределения фаций и коллекторских свойств. Результаты исследования показали высокую корреляцию между прогнозами и фактическими данными, что подтверждено бурением новых скважин.» — Neftegaz.RU — Интеграция фациальной модели и машинного обучения для прогнозирования коллекторских свойств
Пример — продуктивные пласты ПК19-20 покурской свиты в Западной Сибири со сложной литологией. Специалисты «Тюменского нефтяного научного центра» по керну и разрезам скважин выделили свыше 20 фациальных зон, объединили их в пять ключевых макрофаций и связали с сейсмическими данными через нейросети Колмогорова — архитектуру со сложными нелинейными связями между нейронами, которую традиционный атрибутный анализ сейсмики не выявляет. После построения модели пробурили 17 новых скважин: по газонасыщенным толщинам фациальная модель показала лучшую сходимость с фактом, чем стандартный подход, где моделируется только коллектор или неколлектор.
Как ИИ подбирает месторождения-аналоги?
Разведочное бурение — самый надёжный, но и самый долгий и дорогой способ узнать параметры месторождения. Там, где бурить рано или нецелесообразно, недостающие данные оценивают по аналогам — соседним или похожим месторождениям со схожей геологией.
«Месторождения-аналоги – это месторождения, которые похожи своими геологическими характеристиками на целевое месторождение.» — Университет ИТМО — Поиск месторождений-аналогов на основе кластеризации байесовских сетей
Сложность в том, что параметры месторождения — многомерное распределение из дискретных и непрерывных переменных сразу, а большинство существующих решений опирается либо на экспертную оценку геолога, либо на простые алгоритмы кластеризации, которым не хватает точности. Один из предложенных подходов — кластеризация байесовских сетей, построенных на параметрах ближайших к целевому участку месторождений: сначала по метрике расстояния находят N ближайших аналогов, затем на них обучают байесовскую сеть, а результат используют для восстановления пропущенных параметров и оценки запасов в вероятностном, а не точечном виде — том же принципе P90/P50/P10, на котором строится вероятностная оценка ресурсной базы в целом.
Можно ли доверять оценке геологического риска от ИИ?
Оценка геологического риска (prospect risking) — это перевод геологических и геофизических данных в вероятность успеха: стоит ли бурить именно здесь. Модель способна автоматизировать эту оценку, но внедрение таких моделей идёт медленнее, чем могло бы, — и причина не в точности.
«Hydrocarbon prospect risking is a critical application in geophysics predicting well outcomes from a variety of data including geological, geophysical, and other information modalities. Traditional routines require interpreters to go through a long process to arrive at the probability of success of specific outcomes. AI has the capability to automate the process but its adoption has been limited thus far owing to a lack of transparency in the way complicated, black box models generate decisions.» — Ahmad Mustafa, Ghassan AlRegib — arXiv
Проблема шире одной методики. У сейсмической интерпретации, каротажа и подбора аналогов общее узкое место: размеченных данных мало — пробуренная скважина стоит десятки миллионов и остаётся редким подтверждением, а не рядовой строкой в датасете, — а непрозрачное решение геологу нечем перепроверить. Разработчики промышленных платформ приходят к тому же выводу с другой стороны — не через объяснимость одной модели, а через прослеживаемость всего расчёта.
«The companies envision platforms with transparent audit trails showing the datasets, assumptions and logic behind each recommendation. The goal is to provide users with verifiable outputs rather than a "black box" decision-making process.» — Offshore Magazine — Geoteric и SINTEF об агентном ИИ для подземных workflow
Практический вывод одинаковый для всех трёх задач — сейсмики, каротажа и аналогов: доверие к цифре начинается не с точности модели самой по себе, а с возможности увидеть, на каких данных и по какой логике она получена.
Как AVP AI оценивает геологию участка до бурения?
AVP AI — платформа оценки нефтегазовых активов. В части геологии она решает ту же задачу, что и инструменты выше, но не как отдельный шаг, а как основу для всего дальнейшего расчёта: собирает геологию участка по открытым отраслевым данным, подбирает месторождения-аналоги и оценивает запасы в вероятностном диапазоне P90/P50/P10.
Дальше эти цифры не остаются сами по себе — на них опираются агенты, которые считают профиль добычи и экономику. Координатор и восемь профильных агентов — поиска, геологии, гидродинамического моделирования, обустройства, экономики, скважин, бизнес-кейса и стандартизации данных — вместе используют 34 расчётных инструмента. Каждый шаг фиксируется: какие данные взяты, из какого источника и какой формулой посчитан результат, — поэтому диапазон запасов можно перепроверить, а не просто принять на веру, как и советуют источники выше.
Что именно считают агенты за пределами геологии — в разборе агентных систем в нефтегазе и ИИ в нефтегазе. Если участков в шорт-листе много, есть смысл сначала прогнать их через скрининг лицензионных участков — а не считать геологию каждого вручную с нуля. Чем такой расчёт отличается от отчёта, который выгружается по расписанию, — в разборе автоматизации оценки активов.
Частые вопросы об ИИ в геологоразведке
Там, где есть чёткий объём рутинной ручной работы для сравнения. У «РН-КрасноярскНИПИнефть» нейросеть в 10 раз ускорила один из начальных этапов обработки сейсмики — вместо 80 часов ручной работы 7 часов расчёта алгоритма без участия специалиста. В петрофизике модель с нейросетями Колмогорова точнее спрогнозировала распределение фаций и коллекторских свойств пласта — прогноз подтвердили бурением 17 новых скважин.
Месторождения-аналоги — участки, похожие по геологическим характеристикам на целевой, по данным которых можно оценить недостающие параметры без дорогого разведочного бурения. Один из предложенных в Университете ИТМО подходов — кластеризация байесовских сетей, построенных на параметрах ближайших месторождений: метод учитывает многомерную и неоднородную природу геологических данных точнее простых алгоритмов кластеризации.
Только если понятно, на основании каких данных и по какой логике модель приняла решение. По данным исследования на arXiv, именно непрозрачность сложных моделей, а не их точность, ограничивает внедрение ИИ в оценку геологического риска. Разработчики промышленных платформ для сейсмики и моделирования пласта говорят о том же — целью называют проверяемый результат с прослеживаемой логикой, а не «чёрный ящик», которому надо верить на слово.
Платформа собирает геологию участка по открытым отраслевым данным, подбирает месторождения-аналоги и оценивает запасы в вероятностном диапазоне P90/P50/P10 — с этого начинается расчёт профиля добычи и экономики. Координатор и восемь профильных агентов вместе используют 34 расчётных инструмента, и каждый шаг фиксируется: какие данные взяты и какой формулой посчитан результат, поэтому диапазон запасов можно перепроверить, а не просто принять на веру.
Источники
- Отраслевое СМИ Neftegaz.RU ↗ Роснефть начала внедрять нейросети в обработку сейсморазведочных данных
- Исследование JPT (SPE) ↗ Eliis and Chevron Agree To Collaborate on AI in Seismic Interpretation
- Отраслевое СМИ Neftegaz.RU ↗ Интеграция фациальной модели и машинного обучения для прогнозирования коллекторских свойств
- Исследование Университет ИТМО ↗ Поиск месторождений-аналогов на основе кластеризации байесовских сетей
- Исследование arXiv ↗ Explainable Machine Learning for Hydrocarbon Prospect Risking
- Отраслевое СМИ Offshore Magazine ↗ IMAGE 2026: Geoteric and SINTEF aim to connect seismic interpretation and reservoir simulation through agentic AI
Оценим геологию одного из ваших участков с ИИ — бесплатно
Назовите координаты или номер лицензии — платформа подберёт аналоги, оценит запасы P90/P50/P10 и снимет часть неопределённости до бурения.