Информационное агентство Санкт-Петербургского Горного Университета
You are here:

Магистрант Горного университета разработал лучший алгоритм машинного обучения для «Газпром нефти»

Владислав Легкоконец победил в финале конкурса на разработку лучшего алгоритма машинного обучения для решения прикладных задач нефтяного инжиниринга. Его провели Московский физико-технический институт, а также компания «Газпромнефть НТЦ», а в числе участников, помимо россиян, были лучшие выпускники университета Heriot-Watt (Эдинбург, Шотландия).

Эксперты предложили финалистам решить с помощью методов машинного обучения одну из шести актуальных производственных задач. Для определения победителей использовались такие критерии, как точность прогнозов, последовательность и логичность использования алгоритмов предобработки и анализа данных, а также возможность применить созданную модель на других данных.

Лучше всех, по мнению жюри, с решением справился магистрант кафедры разработки и эксплуатации нефтяных и газовых месторождений Горного университета Владислав Легкоконец (научный руководитель – доцент Дмитрий Мардашов). Ценные призы ему вручил генеральный директор ООО «Газпромнефть НТЦ» Марс Хасанов.

Задачи, которые были даны участникам конкурса, сложно решить классическими методами, - прокомментировал свою победу Владислав. - Я выбрал задачу, в которой было необходимо восстановить профиль скоростей поперечных волн вдоль ствола скважины. Запись этого профиля средствами геофизических исследований скважин (ГИС) является дорогостоящей, поэтому желательно создать инструмент для его восстановления из стандартного комплекса ГИС. Машинное обучение сегодня позволяет это сделать. Более половины финалистов конкурса решали именно эту задачу, и лучшим оказалось мое предложение.

Напомним, что алгоритмы, основанные на методах машинного обучения (machine learning), способны в процессе применения решать не только конкретную задачу, но и множество аналогичных. «Газпром нефть» сейчас активно работает над реализацией этой технологии. Её внедрение позволит обрабатывать огромные массивы эксплуатационных данных, а также вдвое сократить время их анализа, минимизировав при этом ошибки и влияние человеческого фактора. Кроме того, у специалистов компании появится возможность оперативно учитывать новые найденные закономерности при дальнейшей разработке месторождений, а также подбирать оптимальные методы разработки для увеличения добычи нефти и сокращения затрат.