The object of research, development or design (in Russian) : Данный проект нацелен на решение проблем разработки гидродинамических симуляторов. Идея заключается в том, что в подобных симуляторах для моделирования и прогнозирования увеличения добычи нефти вполне реально использовать алгоритмы машинного обучения (с помощью исторических данных реального месторождения) и высокопроизводительные вычисления (для ускорения процесса моделирования).

The object of research, development or design (in Kazakh) : Бұл жоба гидродинамикалық симуляторларды әзірлеу мәселелерін шешуге бағытталған. Идея: мұндай симуляторларда мұнай өндірудің ұлғаюын модельдеу және болжау үшін машиналық оқыту алгоритмдерін (нақты кен орнының тарихи деректерін қолдана отырып) және жоғары өнімді есептеулерді (модельдеу процесін жеделдету үшін) қолдану өзектілігінде.

Aim of work (in Russian) : Целью проекта является исследование влияния золь-гель перехода при закачке полимера геллан в нефтяной пласт для повышения добычи нефти с помощью алгоритмов машинного обучения и высокопроизводительных вычислений.

Aim of work (in Kazakh) : Жобаның мақсаты: машиналық оқыту және жоғары өнімді есептеу алгоритмдерін көмегімен мұнай өндіруді арттыру үшін геллан полимерін мұнай қабатына айдаған кезде золь-гель ауысуының әсерін зерттеу болып табылады.

Методы исследования (на русском) : В рамках выполнения данного научно-исследовательского проекта используются современные методы математического моделирования, машинное обучения, физико-информированные нейронные сети, численные методы и высокопроизводительные вычислительные модели.

Методы исследования (на казахском) : Осы ғылыми-зерттеу жобасын орындау шеңберінде математикалық модельдеудің заманауи әдістері, машиналық оқыту, физикалық-ақпараттандырылған нейрондық желілер, сандық әдістер және жоғары өнімді есептеу модельдері қолданылады.

Obtained results and novelty (in Russian) : Осуществлены измерения показателей вязкости растворов геллана разных концентраций при повышении температуры. Измерения вязкости осуществлялись на вискозиметре Брукфильда DVE с использованием шпинделей S00 и S61. Полученные данные показывают, вязкость растет с увеличением концентрации, а с повышением температуры, показатель вязкости снижается. Получены результаты моделирования: распределение насыщенности нефтяной и водной фазы, а также распределение давления. Вычислена концентрация полимера с использованием давления и насыщенности фаз. Реализованы алгоритмы линейной регрессии, метод опорных векторов и случайного леса для предсказания коэффициента нефтеотдачи с учетом концентрации полимера. Разработана искусственная нейронная сеть и рекуррентная нейронная сеть с целью предсказания коэффициента нефтеотдачи в процессе закачки полимеров. Разработаны и реализованы параллельные алгоритмы для решения задачи полимерного заводнения с помощью параллельной технологий OpenMP и MPI при использовании 2, 4, 8 и 16 процессоров. Разработаны параллельные алгоритмы регрессионных методов, в частности таких как линейная регрессия (LR), метод опорных векторов для регрессии (SVR), метод случайного леса (RF). Разработана и реализована физико-информированная нейронная сеть (PINN) для модели Бакли-Леверетта. Разработан аналитическое решение Бакли-Леверетта с использованием метода характеристик (MOC).

Obtained results and novelty (in Kazakh) : Температураның жоғарылауымен әртүрлі концентрациядағы геллан ерітінділерінің тұтқырлық көрсеткіштерін өлшеу жүргізілді. Тұтқырлықты өлшеу S00 және s61 шпиндельдерін қолдана отырып, DVE Брукфилд вискозиметрінде жүргізілді. Нәтижелер тұтқырлық концентрацияның жоғарылауымен өсетінін және температураның жоғарылауымен тұтқырлық көрсеткіші төмендейтінін көрсетеді. Мұнай мен су фазасының қанықтылығының таралуы, сондай-ақ қысымның таралуының модельдеу нәтижелері алынды. Қысым мен фазалық қанықтылықты қолдана отырып, полимердің концентрациясы есептеліп анықталды. Полимер концентрациясын ескере отырып, мұнай беру коэффициентін болжау үшін сызықтық регрессия алгоритмдері, тірек векторлары (SVR) және кездейсоқ орман әдісі әзірленді. Полимерлерді айдау процесінде мұнай беру коэффициентін болжау мақсатында жасанды нейрондық желі және рекурентті нейрондық желі жасалды. OpenMP және MPI параллель технологияларын қолдана отырып, полимерлі су басу мәселесін шешу үшін параллель алгоритмдері 2, 4, 8, 16 процессорлер үшін жүзеге асырылды. Регрессиялық әдістердің параллель алгоритмдері жасалды, атап айтқанда сызықтық регрессия (LR), регрессияға арналған тірек векторлық әдіс (SVR), кездейсоқ орман әдісі (RF). Бакли-Леверетт моделі үшін физикаға негізделген нейрондық желі (PINN) әзірленді және жүзеге асырылды. Бакли-Левереттің аналитикалық шешімі сипаттамалық әдісті (MOC) қолдана отырып әзірленді.

The main constructive and technical economic indicators (in Russian) : -

The main constructive and technical economic indicators (in Kazakh) : -

Level of implementation (in Russian) : Отсутсвует

Level of implementation (in Kazakh) : Жоқ

Efficiency (in Russian) : В связи с развитием вычислительной техники построение высокопроизводительных математических моделей и алгоритмов машинного обучения для решения задачи закачки химических реагентов в нефтяной пласт даст экономический и научно-технический эффект, так как представляет большой интерес специалистам в области машинного обучения, вычислительной математики и вычислительной гидродинамики. Полученные новые научные результаты в рамках выполнения проекта будет способствовать на повышения уровня научно-исследовательских работ, проводимых в Казахстане в области вычислительной гидродинамики.

Efficiency (in Kazakh) : Есептеу техникасының дамуына байланысты химиялық реагенттерді мұнай қабатына айдау мәселесін шешу үшін жоғары өнімді математикалық модельдер мен машиналық оқыту алгоритмдерін құру экономикалық және ғылыми-техникалық әсер береді. Себебі бұл машиналық оқыту, есептеу математикасы және есептік гидродинамикасы саласындағы мамандарға үлкен қызығушылық тудырады. Жобаны орындау шеңберінде алынған жаңа ғылыми нәтижелер Қазақстанда есептеу гидродинамикасы саласында жүргізілетін ғылыми-зерттеу жұмыстарының деңгейін арттыруға ықпал ететін болады.

Field of application (in Russian) : Областью применимости являются реальные задачи нефтедобычи, которые возникают при необходимости повышения нефтеотдачи пласта современными высокопроизводительными вычислительными методами. Потенциальными потребителями являются профильные исследовательские группы, опытно-промышленные научные центры. Результаты работ будут распространены среди специалистов ученых в области теории дифференциальных уравнений, высокопроизводительных вычислительных моделей и распределенного (параллельного) машинного обучения.

Field of application (in Kazakh) : Қолдану аймағы – заманауи жоғары өнімді есептеу әдістерді қолдана отырып, мұнай өндіруді арттыру қажет болған кезде пайда болатын мұнай өндірудің нақты проблемалары. Потенциалды тұтынушылар - бұл мамандандырылған ғылыми топтар, тәжірибелік-өндірістік ғылыми орталықтар. Жұмыс нәтижелері дифференциалдық теңдеулер теориясы, жоғары өнімді есептеу модельдері және үлестірілген (параллель) машиналық оқыту саласындағы ғалымдар мамандарының арасында таратылатын болады.