Використання методу опорних векторів на прикладі прогнозування властивостей покладів вуглеводнів
| dc.contributor.author | Дмитренко, А. М. | uk_UA |
| dc.contributor.author | Дмитрієва, Ірина Сергіївна | uk_UA |
| dc.date.accessioned | 2025-03-11T12:36:09Z | |
| dc.date.available | 2025-03-11T12:36:09Z | |
| dc.date.issued | 2024 | |
| dc.description | І. Дмитрієва: ORCID 0009-0008-3298-7563 | uk_UA |
| dc.description.abstract | UKR: Проникність є ключовим параметром для характеристики будь-якого вуглеводневого покладу, що робить її незамінною для точного вирішення численних завдань нафтогазової інженерії. Традиційні методи визначення проникності, такі як аналіз керна та випробування свердловин, є досить дорогими і трудомісткими. Тому зусилля були спрямовані на використання штучних нейронних мереж для встановлення кореляції між даними каротажу свердловин і проникністю керна. Нещодавні досягнення в методах штучного інтелекту представили надійну методологію машинного навчання, відому як машина опорних векторів (SVM). Метою цього дослідження є застосування SVM для прогнозування проникності трьох газових свердловин на родовищі Південний Парс. Результати, отримані за допомогою SVM, продемонстрували коефіцієнт кореляції 0,97 між керном і прогнозованою проникністю для тестового набору даних. | uk_UA |
| dc.description.abstract | ENG: Permeability stands as a crucial parameter in characterizing any hydrocarbon reservoir, rendering it indispensable for accurate solutions to numerous petroleum engineering challenges. Conventional methods for determining permeability, such as core analysis and well test techniques, are notably costly and time-consuming. Hence, efforts have been directed towards leveraging artificial neural networks to establish correlations between well log data and core permeability. Recent advancements in artificial intelligence techniques have introduced a robust machine learning methodology known as support vector machine (SVM). This study aims to employ SVM in predicting the permeability of three gas wells within the Southern Pars field. The results obtained from SVM demonstrated a correlation coefficient of 0.97 between core and predicted permeability for the testing dataset. | en |
| dc.identifier.citation | Дмитренко А. М., Дмитрієва І. С. Використання методу опорних векторів на прикладі прогнозування властивостей покладів вуглеводнів. Інформаційні технології в металургії та машинобудуванні – ІТММ’2024 : тези доп. Міжнародної наук.-техн. конф. (м. Дніпро, 10–11 квітня 2024 р.). Дніпро, 2024. C. 227–231. DOI: https://doi.org/10.34185/1991-7848.itmm.2024.01.040. | uk_UA |
| dc.identifier.doi | https://doi.org/10.34185/1991-7848.itmm.2024.01.040 | en |
| dc.identifier.issn | 2708-0102 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/itmm/article/view/1763 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/19768 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ІВК «Системні технології», Дніпро | uk_UA |
| dc.subject | нафта | uk_UA |
| dc.subject | газ | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | машина опорних векторів | uk_UA |
| dc.subject | властивості пласта | uk_UA |
| dc.subject | управління пластом | uk_UA |
| dc.subject | oil | en |
| dc.subject | gas | en |
| dc.subject | machine learning | en |
| dc.subject | support vector machine | en |
| dc.subject | reservoir properties | en |
| dc.subject | reservoir management | en |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Використання методу опорних векторів на прикладі прогнозування властивостей покладів вуглеводнів | uk_UA |
| dc.title.alternative | Using the Method of Support Vectors on the Example of Predicting the Properties of Hydrocarbon Deposits | en |
| dc.type | Thesis | en |