Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-2024-08-06· OpenAIAi2 WildChat-4.8M (AI2)

Перепишите на русском языке предоставленный текст, сохраняя его общий смысл и структуру,…

  1. User

    Перепишите на русском языке предоставленный текст, сохраняя его общий смысл и структуру, но используя: Разнообразную лексику, Перефразирование и переформулирование предложений, Изменение порядка слов и структуры предложений, Улучшение читабельности и удобочитаемости, Сохранение точности и ясности исходного текста. Дополнительные указания: Избегайте использования плагиата или перефразирования с помощью синонимайзеров, Стремитесь к созданию уникального и оригинального текста, который не будет идентичен исходному, Ни одно предложение из созданного вами не должно точь-в-точь повторять исходное, уберите из текста весь мусор вроде ссылок, сносок, указания авторов. Разбей текст на абзацы, используй markdown. Заголовок для текста придумывать не нужно. Вот сам текст: Томск. Ученые Центра Хериот-Ватт Томского политехнического университета применили алгоритмы машинного обучения для прогнозирования массы хранения CO₂ (углекислого газа) и объема добычи нефти. Об этом Агентству нефтегазовой информации сообщила пресс-служба ведомства. По сравнению с традиционными методами, алгоритмы помогли сделать процесс прогнозирования менее трудо- и времязатратным. Также в ТПУ провели сравнительный анализ четырех различных алгоритмов и выявили самый точный из них. Результаты опубликованы в сентябрьском номере Expert Systems With Applications (Q1, IF: 7.5). Разработка методов повышения нефтеотдачи в настоящее время особенно актуальна. Закачка CO₂ в истощенные нефтяные пласты для увеличения (CO₂ -EOR) является одним из широко применяемых. Помимо, собственно, возможности увеличения объема добычи нефти, геологическое хранение CO₂ — перспективный метод снижения концентрации антропогенных выбросов в атмосфере. Углекислый газ с помощью скважин закачивается в глубокие формации. Долгосрочное хранение углекислого газа в таком резервуаре обеспечивается за счет того, что он взаимодействует с частицами горных пород и растворяется в пластовом флюиде. Таким образом, с течением времени доля свободного газа в пласте уменьшается, так как он переходит в связанное состояние. Ранее в ТПУ при поддержке федеральной программы Минобрнауки РФ «Приоритет-2030» разработали методику прогноза динамики связывания углекислого газа при его закачке в глубокозалегающие водоносные пласты для долгосрочного хранения. Модель, предложенная политехниками, учитывает большое количество параметров процесса и имеет высокую точность прогноза. Это позволит упростить и ускорить оценку объектов при подборе резервуаров хранения. «Мы считаем, что подходы с использованием машинного обучения могут обеспечить более глубокое понимание ключевых факторов, влияющих на процессы повышения нефтеотдачи и хранения CO₂ в пластах, и помочь оптимизировать их производительность», - говорит руководитель исследования, инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди. Научный коллектив сконцентрировался на четырех алгоритмах машинного обучения – MLPNN (многослойная персептронная нейронная сеть), ELM (метод экстремального обучения), LSSVM (метод опорных векторов наименьших квадратов) и RBFNN (радиально-базисная нейронная сеть). Все они ранее продемонстрировали свои возможности в моделировании и оптимизации сложных процессов CO₂ -EOR. Модели обучались на основе синтетических входных данных. С помощью программного обеспечения было проведено более 10 000 итераций моделирования для генерирования необходимого набора данных.  В качестве основных параметров, влияющих на конечный прогноз, были выбраны девять переменных – пористость, проницаемость, площадь резервуара, нефтенасыщенность и другие. «Все четыре модели машинного обучения были разработаны и протестированы на отдельное прогнозирование двух целевых параметров – объема хранения CO₂ и совокупной добычи нефти. Затем был проведен сравнительный анализ. Предиктивная способность каждой модели оценивалась на основе статистических метрик ошибок. В результате было установлено, что алгоритм LSSVM продемонстрировал самые низкие показатели ошибки прогнозирования. В дальнейшем, планируется валидация модели на основе данных с реального месторождения. Кроме того, продолжается работа над улучшением самой модели, путем интеграции различных оптимизационных алгоритмов и гибридного подхода», - добавляет Шадфар Давуди.

  2. Assistant

    В Томске ученые из Центра Хериот-Ватт Томского политехнического университета внедрили алгоритмы машинного обучения для прогнозирования массы хранения углекислого газа (CO₂) и объема добычи нефти. Об этом сообщила пресс-служба ведомства агентству нефтегазовой информации. По сравнению с традиционными методами, использование алгоритмов позволило сократить затраты времени и усилий, необходимые для прогнозирования. В университете также провели анализ четырех различных алгоритмов, выявив самый точный из них. Результаты этого исследования были опубликованы в сентябрьском выпуске журнала Expert Systems With Applications (Q1, IF: 7.5).

    В современных условиях особенно важно разрабатывать методы повышения нефтеотдачи. Закачка CO₂ в истощенные нефтяные пласты для увеличения добычи (метод CO₂-EOR) является распространенной практикой. Кроме увеличения объемов нефтедобычи, геологическое хранение углекислого газа представляется перспективным способом сокращения антропогенных выбросов в атмосферу. CO₂ закачивается в глубокие подземные формации через скважины, где он взаимодействует с породами и растворяется в пластовом флюиде, что способствует его долговременному хранению. Со временем содержание свободного газа снижается за счет перехода в связанное состояние.

    Ранее в ТПУ при поддержке федеральной программы Минобрнауки РФ «Приоритет-2030» была разработана методика прогнозирования динамики связывания CO₂ при его закачке в глубокие водоносные пласты для длительного хранения. Предложенная модель учитывает множество параметров процесса и обеспечивает высокую точность прогнозирования, что упрощает и ускоряет оценку хранилищ.

    «Мы уверены, что машинное обучение дает возможность глубже понять факторы, влияющие на процесс увеличения нефтеотдачи и хранения CO₂ в пластах, а также оптимизировать их эффективность», — сообщил руководитель исследования, инженер-исследователь Центра Шадфар Давуди.

    Научная команда сосредоточилась на четырех алгоритмах машинного обучения: многослойной персептронной нейронной сети (MLPNN), методе экстремального обучения (ELM), методе опорных векторов наименьших квадратов (LSSVM) и радиально-базисной нейронной сети (RBFNN). Эти алгоритмы показали хорошую эффективность в моделировании и оптимизации сложных процессов CO₂-EOR. Модели обучались на основе синтетических данных, и было проведено более 10 000 итераций для создания необходимой базы данных.

    Основными параметрами для прогнозирования выбрали девять переменных, включая пористость, проницаемость, площадь резервуара и нефтенасыщенность. Все четыре модели были протестированы на предсказание двух ключевых показателей: объем хранения CO₂ и совокупная добыча нефти. В результате сравнительного анализа был выявлен алгоритм LSSVM, показавший наименьшие ошибки в прогнозах. В будущем исследователи планируют валидацию модели на данных реального месторождения, а также работают над ее улучшением, внедряя различные оптимизационные алгоритмы и гибридные подходы, добавил Шадфар Давуди.