The object of research, development or design (in Russian) : Объектом исследования является технология, предназначенная для применения в нефтяной промышленности с целью повышения точности и эффективности процессов вытеснения нефти. Основная задача разработки – оптимизация параметров добычи и снижение операционных рисков и издержек в нефтедобыче.

The object of research, development or design (in Kazakh) : Зерттеу объектісі мұнайды ығыстыру процестерінің дәлдігі мен тиімділігін арттыру мақсатында мұнай өнеркәсібінде қолдануға арналған технология болып табылады. Әзірлеудің негізгі мақсаты - өндіріс параметрлерін оңтайландыру және мұнай өндірудегі операциялық тәуекелдер мен шығындарды азайту.

Aim of work (in Russian) : Целью данного проекта является разработка параллельных физико-информированных нейронных сетей (PINN) для решения задач вытеснения нефти в разных пространственных (1D, 2D, 3D) постановках.

Aim of work (in Kazakh) : Бұл жобаның мақсаты әртүрлі кеңістіктік (1D, 2D, 3D) өлшемдерде мұнайды ығыстыру есептерін шешу үшін параллельді физикалық-ақпараттандырылған нейрондық желілерді (PINN) әзірлеу болып табылады.

Методы исследования (на русском) : В рамках выполнения данного научно-исследовательского проекта используются методы машинного обучения и численного моделирования, а также методы параллельных физико-информированных нейронных сетей. Исследование будет включать разработку и тестирование архитектуры параллельных PINN для моделирования процессов вытеснения нефти в различных пространственных постановках.

Методы исследования (на казахском) : Осы ғылыми-зерттеу жобасын орындау шеңберінде машиналық оқыту және сандық модельдеу әдістері, сонымен қатар параллель физикалық-ақпараттандырылған нейрондық желілер әдістері қолданылады. Зерттеу әртүрлі кеңістіктік жағдайларда мұнайды ығыстыру процестерін модельдеу үшін параллельді PINN архитектурасын әзірлеуді және тестілеуді қамтиды.

Obtained results and novelty (in Russian) : Проведен обзор применения PINN для решения дифференциальных уравнений в частных производных, включая адаптации для многомасштабных задач и самоадаптивные методы, что показало их эффективность для сложных систем. Изучены параллельные PINN, такие как cPINN и XPINN, которые улучшают масштабируемость и скорость сходимости при решении крупных задач PDE, а также интеграция с фреймворками MPI и GPU. Разработан алгоритм PINN для моделирования фильтрации двухфазных жидкостей (нефть и вода) на основе модели Баклея-Леверетта. Архитектура модели PINN, включающая 8 полносвязных слоев и гиперболическую функцию активации, позволила успешно воспроизвести решение для водонасыщенности, сопоставимое с аналитическим методом характеристик. Применение методов автоматической дифференциации и оптимизационных алгоритмов Adam и L-BFGS подтвердило стабильность модели. Реализована параллельная версия PINN для решения 1D задачи Баклея-Леверетта с использованием PyTorch DDP и двух GPU NVIDIA GeForce RTX 4070, что позволило ускорить обучение с сохранением согласованности весов. Проведено тестирование PINN для 1D задачи, добавление диффузионного члена повысило точность предсказаний, а настройка размера мини-батчей разного размера при параллельном обучении позволила сократить время обучения без потери стабильности.

Obtained results and novelty (in Kazakh) : PINN қолдану арқылы дифференциалдық жеке туындылы теңдеулерді шешу бойынша шолу жасалып, бұл әдістің көпмасштабты есептерге бейімделулері және өздігінен бейімделетін әдістері күрделі жүйелер үшін тиімді екенін көрсетті. cPINN және XPINN сияқты параллельді PINN модельдері зерттеліп, олар ірі PDE есептерінің ауқымдылығы мен жинақталу жылдамдығын жақсартатыны және MPI мен GPU фреймворктерімен интеграциялау мүмкіндігі анықталды. Бакли-Леверетт моделінің негізінде екі фазалы сұйықтықтардың (мұнай және су) фильтрациясын модельдеуге арналған PINN алгоритмі әзірленді. 8 толық байланысқан қабаттары және гиперболалық активация функциясы бар PINN архитектурасы су қанығуының аналитикалық әдісімен салыстыруға болатын шешімді сәтті алуға мүмкіндік берді. Автоматты дифференциация әдістері мен Adam және L-BFGS оңтайландыру алгоритмдерін қолдану модельдің тұрақтылығын растады. Бакли-Леверетттің 1D есебін шешуге арналған PINN параллельді нұсқасы PyTorch DDP және екі NVIDIA GeForce RTX 4070 GPU пайдалану арқылы жүзеге асырылды, бұл салмақтардың сәйкестігін сақтай отырып, оқыту жылдамдығын арттыруға мүмкіндік берді. 1D есеп үшін PINN тестілеуі жүргізілді, диффузиялық мүше қосу болжамдардың дәлдігін арттырды, ал параллельді оқытудағы мини-батч өлшемдерін баптау оқыту уақытын тұрақтылықты жоғалтпай қысқартуға мүмкіндік берді.

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

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

Level of implementation (in Russian) : Отсутствует

Level of implementation (in Kazakh) : Жоқ

Efficiency (in Russian) : Реализация проекта позволит повысить точность и эффективность моделирования процессов вытеснения нефти в нефтяной промышленности. Параллельные физико-информированные нейронные сети (PINN) обеспечат возможность решения задач двухфазной фильтрации в различных пространственных постановках (1D, 2D, 3D) с интеграцией физических законов в процесс обучения, что позволит улучшить качество моделирования. Ожидается, что разработанные модели способствуют оптимизации параметров добычи нефти, снижению операционных рисков и сокращению издержек за счет более точного контроля процессов. Параллельные вычисления ускорят процесс обучения моделей и улучшат работу с крупными объемами данных, что актуально для задач, требующих повышенной вычислительной мощности.

Efficiency (in Kazakh) : Жобаны жүзеге асыру мұнай өнеркәсібінде мұнай ығыстыру процестерін модельдеудің дәлдігі мен тиімділігін арттырады. Параллельді физикалық-ақпараттандрылған нейрондық желілер әртүрлі кеңістіктік қойылымдарда (1D, 2D, 3D) екі фазалы фильтрация есептерін шешуге мүмкіндік береді, бұл ретте физикалық заңдар оқыту процесіне біріктіріледі және бұл модельдеудің сапасын жақсартады. Әзірленген модельдер мұнай өндіру параметрлерін оңтайландыруға, операциялық тәуекелдерді азайтуға және процестерді дәлірек бақылау арқылы шығындарды қысқартуға ықпал етеді деп күтілуде. Параллельді есептеулер модельдерді оқыту үдерісін жеделдетіп, үлкен көлемдегі деректермен жұмыс тиімділігін арттырады, бұл жоғары есептеу қуатын қажет ететін міндеттер үшін маңызды.

Field of application (in Russian) : Областью применения являются практические задачи нефтедобычи, связанные с увеличением нефтеотдачи пластов с помощью современных методов машинного обучения. Потенциальные потребители включают специализированные исследовательские группы, научно-исследовательские и производственные центры. Результаты проекта будут полезны для специалистов в области прикладной математики, численных методов и параллельного машинного обучения, обеспечивая им новые инструменты для решения сложных задач в теории дифференциальных уравнений и моделировании.

Field of application (in Kazakh) : Қолдану саласы қазіргі заманғы машиналық оқыту әдістерін қолдана отырып, мұнай беруді арттыруға байланысты мұнай өндірудегі практикалық мәселелер болып табылады. Әлеуетті тұтынушыларға мамандандырылған зерттеу топтары, ғылыми-зерттеу және өндірістік орталықтар жатады. Жобаның нәтижелері қолданбалы математика, сандық әдістер және параллельді машиналық оқыту салаларындағы мамандарға пайдалы болады, олар үшін дифференциалдық теңдеулер теориясы мен модельдеу бойынша күрделі есептерді шешуде жаңа құралдар ұсынады.