Методи штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень
| dc.contributor.author | Дмитрієва, Ірина Сергіївна | uk_UA |
| dc.contributor.author | Дмитренко, Андрій Миколайович | uk_UA |
| dc.date.accessioned | 2025-06-06T07:21:48Z | |
| dc.date.available | 2025-06-06T07:21:48Z | |
| dc.date.issued | 2025 | |
| dc.description | І. Дмитрієва: ORCID 0009-0008-3298-7563 | uk_UA |
| dc.description.abstract | UKR: Ця стаття висвітлює застосування методів штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень. У дослідженні розглядаються сучасні досягнення в галузі ШІ для інтерпретації сейсмічних даних, включаючи згорткові, рекурентні, графові нейронні мережі та трансформери. Автори аналізують існуючі обмеження, зокрема проблеми з якістю та кількістю навчальних даних, складнощі узагальнення та інтерпретації результатів. Стаття розглядає методи попередньої обробки та інженерії ознак сейсмічних зображень, стратегії робо-ти з обмеженими даними та окреслює перспективні напрямки для майбутніх досліджень у цій сфері. | uk_UA |
| dc.description.abstract | ENG: The application of artificial intelligence to hydrocarbon reservoir prediction based on 3D seismic images has shown significant potential, offering the possibility of improving the efficiency, accuracy and reliability of exploration operations. A review of the state-of-the-art reveals a growing body of research utilizing various AI models, especially deep learning architectures such as CNNs, for tasks such as reservoir property prediction, lithology classification, and structural interpretation. However, several limitations and challenges remain, including issues with data scarcity and quality, the need to improve the generalizability and interpretability of AI models, and the effective management of complex geological structures. To overcome these limitations future research should focus on several promising areas. The development and application of more complex AI models, such as hybrid architectures that combine the strengths of CNNs, RNNs, and Transformers, as well as the study of graph neural networks to exploit structural relationships in seismic data, deserve further investigation. Physically-informed neural networks that integrate geophysical principles into the training process have significant potential to improve the accuracy and physical plausibility of predictions, especially with limited data. Advances in data augmentation techniques, including the use of generative adversarial networks to generate realistic synthetic seismic data, and the development of effective transfer learning strategies are crucial to address the problem of limited labeled datasets. In addition, research into multiple example learning methods can allow AI models to learn from very small amounts of data, which is especially relevant in areas of new area exploration. Improving the interpretability and explainability of AI models is key to their widespread adoption in the industry. The application and further development of XAI methods such as LIME and SHAP, along with the analysis of attention mechanisms in deep learning models, can provide valuable insights into the decision-making processes of these complex systems. The design of internally interpretable model architectures and the development of advanced visualization techniques will also help build trust and facilitate the integration of AI into geo-scientists' workflows. The creation of larger, more diverse, and well-labeled reference 3D seismic datasets is important to ensure fair and reproducible comparisons of different AI models and methodologies. Future research should also focus on the integration of multimodal data sources such as seismic data, well logs, geological maps, and remote sensing data using AI techniques to provide a more complete understanding of subsurface hydrocarbon potential. Finally, quantifying the uncertainty in AI-based hydrocarbon forecasting will be crucial to provide more reliable risk assessments and support informed decision-making in exploration and development. | en |
| dc.identifier.citation | Дмитрієва І. С., Дмитренко А. М. Методи штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень. Системні технології. Дніпро, 2025. Т. 4, № 159. С. 158–165. DOI: https://doi.org/10.34185/1562-9945-4-159-2025-16. | uk_UA |
| dc.identifier.doi | https://doi.org/10.34185/1562-9945-4-159-2025-16 | en |
| dc.identifier.issn | 1562-9945 (Print) | |
| dc.identifier.issn | 2707-7977 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/st/article/view/2050 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/20459 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро | uk_UA |
| dc.subject | штучний інтелект | uk_UA |
| dc.subject | тривимірні сейсмічні зображення | uk_UA |
| dc.subject | вуглеводні | uk_UA |
| dc.subject | прогнозування покладів | uk_UA |
| dc.subject | згорткові нейронні мережі | uk_UA |
| dc.subject | рекурентні нейронні мережі | uk_UA |
| dc.subject | мережі трансформерів | uk_UA |
| dc.subject | графові нейронні мережі | uk_UA |
| dc.subject | фізично-інформовані нейронні мережі | uk_UA |
| dc.subject | сейсмічні атрибути | uk_UA |
| dc.subject | спектральне розкладання | uk_UA |
| dc.subject | трансферне навчання | uk_UA |
| dc.subject | генеративні змагальні мережі | uk_UA |
| dc.subject | artificial intelligence | en |
| dc.subject | three-dimensional seismic images | en |
| dc.subject | hydrocarbons | en |
| dc.subject | reservoir prediction | en |
| dc.subject | convolutional neural networks | en |
| dc.subject | recurrent neural networks | en |
| dc.subject | transformer networks | en |
| dc.subject | graph neural networks | en |
| dc.subject | physically informed neural networks | en |
| dc.subject | seismic attributes | en |
| dc.subject | spectral decomposition | en |
| dc.subject | transfer learning | en |
| dc.subject | generative adversarial networks | en |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Методи штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень | uk_UA |
| dc.title.alternative | Artificial Intelligence Methods for Predicting Hydrocarbon Deposits from Three-Dimensional Seismic Images | en |
| dc.type | Article | en |