Применение информационно-коммуникационных технологий в нефтегазовой отрасли

К участию приглашаются студенты российских вузов (18+), из числа победителей и призеров мероприятий, включенных в государственный информационный ресурс о детях, проявивших выдающиеся способности, получателей грантов Президента РФ, выпускников Образовательного центра «Сириус».

Требования к кандидатам:

• знания математики и/или физики, английский язык на уровне чтения технической литературы;
   
• владение языками статистической обработки информации – Python, R, Matlab;
   
• владение инструментами анализа и визуализации информации – Pandas, Matplotlib, Seaborn;
   
• знания в области машинного обучения и умение работать с соответствующими библиотеками – Scikit learn, XGBoost, LightGBM, H2O;
   
• знания в области глубокого обучения и умение работать с соответствующими библиотеками – Tensorflow, Keras, Pytorch.
  
  Форма организации отбора обучающихся
  Группа формируется на конкурсной основе.

Отборочное испытание - хакатон: после успешной регистрации студенту на указанный им адрес электронной почты придет письмо со ссылкой для участия в хакатоне.

С победителями будет проведено онлайн-собеседование для подтверждения участия в образовательной программе.

Задача для хакатона представляет собой описанный Проект, но требует упрощённое решение, без вводных от руководителя проекта со стороны компании.

Проект. Прогноз проницаемости образцов горной породы по петрофизическим свойствам методами машинного обучения

Для выполнения в рамках хакатона.

Для расчета рентабельности и разработки месторождения, необходимо знать фильтрационно-емкостные свойства (ФЕС) нефтеносного пласта, одним из этих свойств является (абсолютная) проницаемость. Проницаемость можно определить экспериментальным или вычислительным путем. Вычислительный путь является перспективным направлением, но одним из недостатков данного метода является то, что расчеты требуют больших вычислительных мощностей. Поэтому, участникам образовательной программы предлагается применить методы машинного обучения для прогноза ФЕС и, тем самым, ускорить процесс расчета проницаемости.

Необходимо разработать методику для прогноза проницаемости образцов горной породы по его петрофизическим свойствам, таким как пористость, профиль пористости и удельная площадь поверхности порового пространства.

Работа будет проходить в рамках хакатона — однодневного соревнования разработчиков методики. В течение одного дня каждый участник, допущенный к хакатону, должен будет самостоятельно разработать методику прогноза проницаемости образцов горной породы. Входными признаками являются пористость образца, профиль пористости и удельная площадь поверхности порового пространства.

Разработанная методика должна позволять специалистам только на основе имеющейся у них информации прогнозировать проницаемость образцов горной породы.

Справку с места обучения;

Сертификаты пройденных курсов/программ (при наличии);

Научные публикации, относящиеся к тематике образовательного модуля (при наличии).

Мир находится на том этапе развития, когда информационные технологии за кратчайшие сроки кардинально меняют привычный уклад жизни человека и ход событий в различных отраслях экономики и промышленности. Четвертая промышленная революция стремительно набирает обороты, в том числе за счет роботизации производственных процессов, активного внедрения киберсистем, развития интернета вещей и искусственного интеллекта.

В этой связи подготовка специалистов, умеющих применять информационно-коммуникационные технологии для обработки и интерпретации геолого-геофизических данных и анализа сложных систем является актуальной задачей развития отрасли.

В течение первой недели практикума учащиеся прослушают лекции по нефтегазовым дисциплинам и ИКТ. В ходе следующих двух недель учащиеся будут разрабатывать проекты (перечень тем проектов можно найти в разделе «Учебно-методическое обеспечение для самостоятельной работы»), в завершение практикума состоится защита проектов (презентация результатов работы и обсуждение).

Программа ориентирована на студентов, имеющих уверенные математические навыки, навыки программирования, моделирования физических процессов.

Партнер ООО «Газпромнефть НТЦ» формулирует темы проектов, обеспечивает кураторское сопровождение учащихся программы.

Постпрограммное сопровождение будет осуществляться кураторами через электронную почту. Результаты выполненного проекта будут хорошим пунктом в резюме, повышающим вероятность трудоустройства. Знания, полученные при работе в команде над близким к рабочему проекте, позволят быстро расти в IT-компании, науке или нефтегазовой отрасли. По итогам обучения лучшие студенты будут отдельно приглашены на стажировки в ООО «Газпромнефть НТЦ».

Цель:

Программа направлена на освоение студентами профильных направлений подготовки / специальностей российских вузов современных средств и методов работы в области цифровизации и автоматизации процессов обработки и интерпретации информации в нефтегазовой отрасли на основе разработки проектов.

Задачи:

• развивать основные навыки владения современными программными комплексами, технологиями в области цифровизации и автоматизации процессов обработки и интерпретации информации в нефтегазовой отрасли, анализа данных;
   
• развивать умения формирования проектной идеи в комплексное концептуальное обоснование и решение (создание продукта, готового для практического использования в компании);
   
• развивать творческий и рациональный подход к решению поставленных задач;
   
• развивать навыки, требуемые большинством видов современной деятельности (налаживание контактов с другими членами коллектива, планирование и организация совместной деятельности и т.д.).

Всем, кто прошел конкурсный отбор и был приглашен на программу, необходимо получить и отправить на почту oumr.university@talantiuspeh.ru скан-копии:

1) справки о санитарно-эпидемиологическом окружении, полученной не ранее чем за 3 дня до выезда в Университет;

2) справки с отрицательным результатом тестирования методом ПЦР на новую коронавирусную инфекцию COVID-19, полученной не ранее чем за 3 дня до выезда в Университет.

По приезде в Университет участникам образовательного модуля следует предоставить оригиналы указанных документов (справки и результата теста) во время регистрации участников.

Научно-технологический университет «Сириус» обеспечивает проживание, проезд / перелет по территории РФ и питание для участников программы.

Плата за обучение на программе не взимается.

К участию в программе допускаются только граждане РФ.

ООО «Газпромнефть НТЦ», https://ntc.gazprom-neft.ru

Образовательный Фонд "Талант и успех"

1. Yousef, A., “Investigating Statistical Techniques to Infer Interwell Connectivity From Production and Injection Rate Fluctuations,” Ph.D Dissertation, The University of Texas at Austin, 2005.
    
2. Zhao, H., Kang, Z., Zhang, X. INSIM: A Data-Driven Model for History Matching and Prediction for Waterflooding Monitoring and Management with a Field Application. Presented at the SPE Reservoir Simulation Symposium, Houston, 23–25 February 2015. SPE-173213-MS. https://doi.org/10.2118/173213-MS.
    
3. Kalyanmoy Deb, Associate Member, IEEE, Amrit Pratap, Sameer Agarwal, and T. Meyarivan A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II.
   
    
4. K. Deb, Multiobjective Optimization Using Evolutionary Algorithms. Chichester, U.K.: Wiley, 2001.
   
    
5. J. D. Schaffer, “Multiple objective optimization with vector evaluated genetic algorithms,” in Proceedings of the First International Conference on Genetic Algorithms, J. J. Grefensttete, Ed. Hillsdale, NJ: Lawrence Erlbaum, 1987, pp. 93–100.
    
6. Bevington, Philip R., D. Keith Robinson, J. Morris Blair, A. John Mallinckrodt, и Susan McKay. 1993. «Data reduction and error analysis for the physical sciences.» Computers in Physics 415-416.
    
7. Толстоногов, А А. 2014. «Оценка эффективности геолого-технических мероприятий в области нефтедобычи.» Фундаментальные исследования 150-154.
    
8. Chen, Tianqi, and Carlos Guestrin. 2016. «Xgboost: A scalable tree boosting system.» Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. ACM.
    
9. Parish A., Boyak K., Ioannidis J., Dynamics of co-authorship and productivity across different fields of scientific research, PLOS One, 2018.
    
10. Chuan P., Son L., Ali M., Khang T., Huong L., Dey N., Link prediction in co-authorship networks based on hybrid content similarity metric, Applied Intelligence, 2017.
     
11. Наугольнов, М.В., Большаков, М.С., Мейнарендс, Р. 2017. Новый подход по оценке индекса сложности разработки месторождений Западной Сибири. SPE – 187780-RU.
     
12. Guohua Gao, Shell Global Solution US, Inc.; Jeroen C.mVink, Shell Global Solution International B.V. etc., 2016. Uncertainty Quantification for HM Problems With multiple best matches using a distributed gauss-newton method. SPE-181611-MS.
     
13. E.M. Coopersmith, SPE etc. 2012. Improving Exploration, Appraisal & Planning through Better Forcasting  of Uncertainty Reduction. SPE 159587.
     
14. Knowledge Cartography: software tools and mapping techniques.
     
15. Baker Hughes: Borehole Imaging Services. Atlas of Image Examples; Borehole Imaging Reference Book; Atlas of Wireline Image Artifacts.
     
16. Da- Li Wang (Schlumberger), Hans de Koningh (Petroleum Development Oman), Gordon Coy(Petroleum Development Oman). Facies Identification and Prediction Based on Rock Textures from Microresistivity Images in Highly Heterogeneous Carbonates: A Case Study from Oman. SPWLA 49th Annual Logging Symposium, May 25-28, 2008.
     
17. Lawrence Bourke, Task Geoscience, Perth, Australia; Adam Styles, Task Geoscience, Aberdeen, UK. Image log & dipmeter analysis course.
     
18. Leonora Knecht, Benoît Mathis, Jean-Pierre Leduc, Thibault Vandenabeele and Raffaele Di Cuia. Electrofacies and Permeability Modeling in Carbonate Reservoirs using Image Texture Analysis and Clustering Tools. PETROPHYSICS, vol. 45, no. 1 (January-February 2004); p. 27–37; 5 figures.
     
19. Sarvagya Parashar (Halliburton), Ivan Wu Zhia Ming (Halliburton), Nuntanich Jittham (Halliburton), Banu Andhika (Halliburton), Iko Sagala (Medco Energi Sampang Pty. Ltd.). High-Resolution Electrofacies Using Machine Learning to Decrypt High Poro-Perm Zones in Cyclic Succession of Pliocene Bioclastic Limestone: Case Study From Madura Strait Area, East Java Basin. SPWLA 61st Annual Logging Symposium, June 24 to July 24, 2020. DOI: 10.30632/SPWLA-5030.
     
20. Tetsushi Yamada, Daniel Quesada, Arnaud Etchecopar, Isabelle Le Nir, Jean-Pierre Delhomme (Schlumberger), Jen Russel-Houston (Osum Oil Sands Corp.), Tito Satria Putra Perdana (Schlumberger). Revisiting Porosity Analysis From Electrical Borehole Images: Integration of Advanced Texture and Porosity Analysis. SPWLA 54th Annual Logging Symposium, June 22-26, 2013.
     
21. Xiaoxuan An (Baker Hughes), Pierre Karam (Baker Hughes), Stephen Morris (Baker Hughes), Jim Doherty (Riley Exploration Group Inc.), Dan Doherty (Riley Exploration Group Inc.). Facies Modeling of Complex Carbonate Platform Architecture Identified From Borehole Image Log and Other Logging Technologies. SPWLA 58th Annual Logging Symposium, June 17-21, 2017.
     
22. Документация библиотеки PoreSpy: https://porespy.readthedocs.io/.
     
23. Документация библиотеки openPNM: https://openpnm.readthedocs.io/en/master/.
     
24. Eriavbe, F. E., & Okene, U. O. (2019). Machine learning application to permeability prediction using log & core measurements: A realistic workflow application for reservoir characterization. of Petroleum Engineers. https://doi.org/10.2118/198874-MS.
     

25. Gostick, J. T. (2017). Versatile and efficient pore network extraction method using marker-based watershed segmentation. Physical Review E, 96(2). https://doi.org/10.1103/PhysRevE.96.023307.