Геофизики СПбГУ и МГУ создали нейросеть для обработки данных шельфа

МОСКВА, 16 августа /ТАСС/. Ученые Санкт-Петербургского государственного университета (СПбГУ) и Московского государственного университета им. М. В. Ломоносова (МГУ) разработали нейросетевой алгоритм для ускоренной обработки поверхностных сейсмических волн, необходимых при освоении нефтегазовых месторождений шельфа. Об этом ТАСС сообщили в пресс-службе СПбГУ.

Как уточнили в университете, около 70% разведанных запасов углеводородов России сосредоточено в арктических и дальневосточных морях. В промышленной разработке находится лишь около 5% из них, что связано со сложными условиями добычи. Сейсмические исследования позволяют выявлять потенциально опасные объекты в верхней части геологического разреза, такие как палеорусла и зоны разуплотнения, которые необходимо учитывать при строительстве буровых платформ и донной инфраструктуры.

"Такая разработка позволяет значительно повысить детализацию изучения верхней части геологического разреза и точнее выявлять опасные процессы, такие как палеоврезы и зоны грубообломочных отложений. Используемая нейросеть корректно восстанавливает скоростные аномалии, причем эти данные легко подтверждаются независимыми сейсмическими наблюдениями", - приводятся в сообщении слова руководителя проекта, директора Передовой инженерной школы СПбГУ "Междисциплинарные исследования, технологии и бизнес-процессы для минерально-сырьевого комплекса России", доцент кафедры геофизики Вячеслава Половкова.

В основе нового подхода лежит технология MASW (Multichannel Analysis of Surface Waves), которая ранее требовала значительных временных затрат и обрабатывала лишь 8-10% полученных данных. Специалисты СПбГУ обучили нейросеть EfficientNetb4 на ограниченном наборе информации, а затем применили модель ко всему массиву. Это позволило построить высокодетализированные трехмерные модели распределения скоростей поперечных волн на площади более 2 тыс. кв. км.

Разработка, подчеркнули в университете, ускоряет обработку сейсмических данных, повышает точность исследований и позволяет эффективнее учитывать геологические риски при освоении шельфовых месторождений. В дальнейшем метод планируется усовершенствовать за счет обучения на синтетических данных.