Разработанный Владиславом Корчугановым, студентом Геолого-геофизического факультета Новосибирского университета, программный модуль представляет собой инновационное решение для анализа сейсмических данных. Под руководством доцента Антона Дучкова в модуль включены процедуры сейсмической акустической и синхронной инверсии, а также литоклассификация с помощью машинного обучения. Об этом «Жуковский.Life» рассказали в пресс-службе университета.
Главная особенность разработки — полная автоматизация, когда все необходимые параметры находятся самостоятельно без участия специалиста. Аналогичного комплексного инструмента на российском и зарубежном рынках пока не существует, несмотря на усилия многих научных коллективов.
Сейсморазведка — это метод геофизики, который с помощью искусственно вызванных упругих волн изучает строение земли, важен для нахождения запасов нефти и газа на больших глубинах. В процессе работы волны, отражаясь от границ горных пород, фиксируются датчиками, а затем данные обрабатываются для создания трехмерной модели недр, чем облегчает поиск перспективных для добычи пластов.
Обработка таких данных — огромный массив информации в виде сейсмических кубов объёмом 15–20 Гб и более. Владислав отметил, что работа с этими данными требует развитых IT-навыков, и в России сейчас активно развиваются программные проекты, направленные на замену импортных решений в индустрии. Его исследование является частью создания нового программного обеспечения совместно с промышленным партнером НГУ.
Задача модуля — не только определить расположение слоёв, но и автоматически помочь понять их содержимое, объединяя сейсмические данные с информацией из скважин. Это значительно ускоряет и улучшает точность интерпретации недр, что важно для нефтегазовой отрасли.
Таким образом, работа Владислава Корчуганова — важный шаг к полной автоматизации высокотехнологичного анализа сейсмических данных и развитию отечественного программного обеспечения в этой области.
Автоматизирован анализ поверхностных волн с помощью глубокого машинного обучения. В рамках проекта создан комплекс алгоритмов SWI, в котором используются два типа нейронных сетей.