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 и высокопроизводительные вычисления для ускорения процесса моделирования.

The object of research, development or design (in Kazakh) : Бұл жоба гидродинамикалық симуляторларды әзірлеу мәселелерін шешуге бағытталған. Жобаның идеясы – мұнай өндіруді арттыруды модельдеу және болжау үшін мұндай симуляторларда машиналық оқыту алгоритмдері мен жоғары өнімді есептеулерді пайдалану арқылы модельдеу процесін жылдамдату мүмкіндігін зерттеу.

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 – геллан полимерін мұнай кен орнына айдау кезінде золь-гель өтпесінің әсерін машиналық оқыту алгоритмдері және жоғары өнімді есептеулер арқылы зерттеу.

Методы исследования (на русском) : В рамках выполнения данного научно-исследовательского проекта применяются современные методы математического моделирования, высокопроизводительные вычислительные технологии, численные алгоритмы и методы машинного обучения

Методы исследования (на казахском) : Осы ғылыми-зерттеу жобасын орындау шеңберінде математикалық модельдеудің заманауи әдістері, жоғары өнімді есептеу технологиялары, сандық алгоритмдер және машиналық оқыту әдістері қолданылады

Obtained results and novelty (in Russian) : Разработан численный алгоритм для решения задачи добычи нефти с учетом золь-гель перехода. Разработаны параллельные численные алгоритмы на основе технологий OpenMP, MPI, CUDA и их гибридные решения для моделирования полимерного заводнения с использованием CPU, GPU и их гибридных конфигураций. Разработаны модели машинного обучения для прогнозирования коэффициента нефтеотдачи при закачке полимеров, включая полиномиальную регрессию, глубокие и каскадные нейронные сети. Разработаны параллельные алгоритмы для ускорения обучения моделей машинного обучения и нейронных сетей с использованием CPU, GPU и их гибридных конфигураций. Разработана физико-информированная нейронная сеть (PINN) для предсказания добычи нефти в задаче полимерного заводнения на основе уравнения Бакли-Леверетта. Разработана параллельная версия PINN для моделирования полимерного заводнения с использованием параллелизации данных на нескольких GPU. Собраны и обработаны данные для обучения моделей машинного обучения, включая параметры, такие как вязкость, концентрация полимера и температура, полученные в ходе лабораторных экспериментов. Разработаны модели машинного обучения для моделирования вязкости растворов геллана при различных концентрациях и температурах на основе данных, собранных в ходе лабораторных экспериментов.

Obtained results and novelty (in Kazakh) : Золь-гель өтпесін ескере отырып, мұнай өндіру мәселесін шешуге арналған сандық алгоритм әзірленді. CPU, GPU және олардың гибридтік конфигурацияларын пайдалана отырып, полимерлік ығыстыруды модельдеу үшін OpenMP, MPI, CUDA технологияларына негізделген және олардың гибридтік шешімдерімен параллельді сандық алгоритмдер әзірленді. Полимерлерді айдау кезінде мұнайды алу коэффициентін болжауға арналған машиналық оқыту модельдері, соның ішінде полиномиалды регрессия, терең және каскадтық нейрондық желілер әзірленді. CPU, GPU және олардың гибридтік конфигурацияларын пайдалана отырып, машиналық оқыту және нейрондық желілер модельдерін оқытуды жылдамдатуға арналған параллельді алгоритмдер әзірленді. Бакли-Леверетт теңдеуі негізінде полимерлік ығыстыру мәселесінде мұнай өндіруді болжауға арналған физикаға негізделген нейрондық желі (PINN) әзірленді. Деректер параллелизация әдісі негізінде бірнеше GPU қолдану арқылы полимерлік ығыстыруды модельдеуге арналған PINN параллельді нұсқасы әзірленді. Зертханалық эксперименттер барысында алынған тұтқырлық, полимер концентрациясы және температура сияқты параметрлерді қоса алғанда, машиналық оқыту модельдерін оқытуға арналған деректер жиналып, өңделді. Әртүрлі концентрациялар мен температураларда геллан ерітінділерінің тұтқырлығын модельдеуге арналған машиналық оқыту модельдері зертханалық эксперименттер барысында жиналған деректер негізінде әзірленді.

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

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

Level of implementation (in Russian) : На текущий момент разработанные численные алгоритмы, модели машинного обучения и параллельные вычислительные решения прошли стадию лабораторного тестирования и частично внедрены в экспериментальные вычислительные модули для моделирования полимерного заводнения. Полученные алгоритмы и модели могут быть использованы для дальнейшего тестирования в реальных условиях нефтедобычи, а также переданы промышленным и научно-исследовательским организациям для пилотных внедрений. Создана научно-техническая база для подготовки будущих программных продуктов, которые потенциально могут быть интегрированы в существующие системы гидродинамического моделирования нефтедобывающих компаний.

Level of implementation (in Kazakh) : Қазіргі уақытта әзірленген сандық алгоритмдер, машиналық оқыту модельдері және параллельді есептеу шешімдері зертханалық тексеру кезеңінен өтті және полимерді су басуды модельдеуге арналған тәжірибелік есептеу модульдеріне ішінара енгізілді. Алынған алгоритмдер мен модельдер мұнай өндірудің нақты жағдайында әрі қарай сынау үшін пайдаланылуы мүмкін, сондай-ақ тәжірибелік енгізу үшін өнеркәсіптік және ғылыми ұйымдарға берілуі мүмкін. Мұнай өндіруші компаниялардың қолданыстағы гидродинамикалық модельдеу жүйелеріне ықтимал интеграциялануы мүмкін болашақ бағдарламалық өнімдерді дайындау үшін ғылыми-техникалық база құрылды.

Efficiency (in Russian) : Внедрение разработанных в рамках проекта моделей и алгоритмов позволяет значительно сократить время и ресурсы, затрачиваемые на моделирование процессов закачки полимеров, а также повысить точность прогнозирования коэффициента нефтеотдачи. Проведенные эксперименты показали, что использование параллельных вычислений и гибридных конфигураций CPU и GPU ускоряет вычислительные процессы в несколько раз по сравнению с традиционными подходами. Применение машинного обучения и физико-информированных нейронных сетей позволило добиться более точного прогнозирования поведения нефтяного пласта при закачке химических реагентов. Таким образом, разработанные методы и модели способствуют повышению эффективности добычи нефти и обеспечивают возможность оптимизации расходов на полимерное заводнение за счет уменьшения количества экспериментальных и полевых испытаний.

Efficiency (in Kazakh) : Жоба аясында әзірленген модельдер мен алгоритмдерді енгізу полимерді айдау процестерін модельдеуге кететін уақыт пен ресурстарды айтарлықтай қысқартуға, сондай-ақ мұнай беру коэффициентін болжау дәлдігін арттыруға мүмкіндік береді. Тәжірибелер параллельді есептеуді және процессор мен графикалық процессордың гибридті конфигурацияларын пайдалану дәстүрлі тәсілдермен салыстырғанда есептеу процестерін бірнеше есе тездететінін көрсетті. Машиналық оқытуды және физикадан хабардар нейрондық желілерді пайдалану химиялық реагенттерді айдау кезінде мұнай қабатының әрекетін дәлірек болжауға мүмкіндік берді. Осылайша, әзірленген әдістер мен модельдер мұнай өндірудің тиімділігін арттыруға көмектеседі және тәжірибелік және далалық сынақтардың санын азайту арқылы полимерді тасу шығындарын оңтайландыру мүмкіндігін қамтамасыз етеді.

Field of application (in Russian) : Областью применения данного проекта являются реальные задачи нефтедобычи, направленные на повышение эффективности процессов закачки химических реагентов и оптимизацию прогнозирования добычи нефти с использованием современных методов численного моделирования, машинного обучения и высокопроизводительных вычислений. Потенциальными потребителями являются исследовательские группы, занимающиеся проблемами нефтедобычи, опытно-промышленные центры, а также научные организации, специализирующиеся на разработке вычислительных моделей и алгоритмов для нефтегазовой отрасли.

Field of application (in Kazakh) : Бұл жобаның қолдану аймағы химиялық айдау процестерінің тиімділігін арттыруға және сандық модельдеудің, машиналық оқытудың және жоғары өнімді есептеулердің заманауи әдістерін қолдану арқылы мұнай өндіруді болжауды оңтайландыруға бағытталған нақты мұнай өндіру мәселелері болып табылады. Потенциалды тұтынушылар мұнай өндіру мәселелерімен айналысатын ғылыми-зерттеу топтары, тәжірибелік өнеркәсіп орталықтары, сондай-ақ мұнай-газ саласының есептеу үлгілері мен алгоритмдерін жасауға маманданған ғылыми ұйымдар.