The object of research, development or design (in Russian) : Математические модели распределения плотности в нефтяных месторождениях, описывающие взаимосвязь между гравитационным полем и внутренней структурой пласта.

The object of research, development or design (in Kazakh) : Мұнай кен орындарындағы тығыздықтың таралуын сипаттайтын, гравитациялық өріс пен қабаттың ішкі құрылымы арасындағы өзара байланысты бейнелейтін математикалық модельдер.

Aim of work (in Russian) : Цель исследования — создание новых математических моделей, которые позволят точно прогнозировать изменения местоположения нефти в процессе эксплуатации месторождений.

Aim of work (in Kazakh) : Зерттеудің мақсаты — кен орындарын пайдалану барысында мұнайдың орналасуындағы өзгерістерді дәл болжауға мүмкіндік беретін жаңа математикалық модельдерді әзірлеу.

Методы исследования (на русском) : Методы математического моделирования задач геофизики; вариационные методы; современные численные методы информационных технологии; пакеты символьных вычислений для численного моделирования и визуализации технологических процессов; теория прямых и обратных задач; теория обратных задач математической физики; теория оптимального управления.

Методы исследования (на казахском) : Геофизикалық есептердің математикалық модельдеу әдістері; вариациялық әдістер; заманауи сандық әдістер мен ақпараттық технологиялар; технологиялық процестерді сандық модельдеу және визуализациялау үшін арналған символдық есептеулер пакеттері; тікелей және кері есептер теориясы; математикалық физиканың кері есептер теориясы; оңтайлы басқару теориясы.

Obtained results and novelty (in Russian) : Впервые предложено использование физически информированных нейронных сетей (PINNs) для решения обратной задачи восстановления плотности нефтяного пласта по гравиметрическим данным с учётом уравнения Пуассона и граничных условий. Разработан подход к интеграции реальных гравиметрических данных с синтетически сгенерированными в рамках единой обучающей выборки, что позволяет повысить устойчивость и точность модели. Полученные результаты формируют основу для построения новых вычислительных моделей, способных прогнозировать динамику распределения нефти в процессе эксплуатации месторождений с использованием методов искусственного интеллекта.

Obtained results and novelty (in Kazakh) : Мұнай қабатының тығыздығын гравиметриялық деректер бойынша қалпына келтірудің кері есебін шешу үшін Пуассон теңдеуі мен шекаралық шарттарды ескере отырып, физикалық ақпараттандырылған нейрондық желілерді (PINNs) қолдану алғаш рет ұсынылды. Нақты гравиметриялық деректерді синтетикалық түрде жасалған деректермен біріктіріп, бірыңғай оқыту жиынтығы шеңберінде интеграциялау тәсілі әзірленді, бұл модельдің тұрақтылығы мен дәлдігін арттыруға мүмкіндік береді. Алынған нәтижелер жасанды интеллект әдістерін пайдалана отырып, кен орындарын пайдалану процесінде мұнайдың таралу динамикасын болжай алатын жаңа есептеу модельдерін құрудың негізін қалайды.

The main constructive and technical economic indicators (in Russian) : Разработана архитектура нейронной сети на основе метода Physics-Informed Neural Networks (PINNs) с использованием библиотеки PyTorch, предназначенная для решения уравнения Пуассона при восстановлении распределения плотности нефтяных пластов. Определены оптимальные параметры обучения модели (количество скрытых слоёв, число нейронов, скорость обучения, функции активации и регуляризации), обеспечивающие устойчивую сходимость и высокую точность прогнозов. Сформирована структурированная база данных, включающая: реальные гравиметрические данные, полученные на профилях 1–1, 2–2, 3–3 месторождения АО «Озенмунайгаз»; синтетические данные, сгенерированные на основе математической модели уравнения Пуассона; Реализованы алгоритмы предобработки данных, включающие нормализацию, устранение шумов и формирование дискретной сетки для численных расчётов. Создан программный прототип интеллектуальной системы прогнозирования плотностного распределения нефтяного пласта, интегрирующий синтетические данные. Проведено тестирование модели, подтвердившее её корректность и возможность использования для анализа данных гравитационного поля на участках месторождений.

The main constructive and technical economic indicators (in Kazakh) : PyTorch кітапханасы негізінде Physics-Informed Neural Networks (PINNs) әдісін қолданатын нейрондық желі архитектурасы әзірленді. Ол мұнай қабаттарының тығыздық таралуын қалпына келтіру кезінде Пуассон теңдеуін шешуге арналған. Модельдің орнықты жинақталуы мен жоғары дәлдігін қамтамасыз ететін оңтайлы оқыту параметрлері (жасырын қабаттар саны, нейрондар саны, оқыту жылдамдығы, активация және регуляция функциялары) анықталды. Құрылымдалған деректер базасы қалыптастырылды, оған мыналар кіреді: «Өзенмұнайгаз» АҚ кен орнының 1–1, 2–2, 3–3 профильдері бойынша алынған нақты гравиметриялық деректер және Пуассон теңдеуі математикалық моделінің негізінде синтетикалық түрде жасалған деректер. Деректерді алдын ала өңдеу алгоритмдері іске асырылды, оған нормализация, шуды жою және сандық есептеулерге арналған дискретті тор құру кіреді. Мұнай қабатының тығыздық таралуын болжаудың интеллектуалды жүйесінің бағдарламалық прототипі жасалды, ол синтетикалық деректерді біріктіреді. Модельді тестілеу оның дұрыстығын және кен орындарындағы гравитациялық өріс деректерін талдау үшін қолдану мүмкіндігін растады.

Level of implementation (in Russian) : Не внедрено

Level of implementation (in Kazakh) : Енгізілмеген

Efficiency (in Russian) : Разработанные математические модели и программная реализация продемонстрировали высокую эффективность при решении обратной задачи гравиметрии. Использование физически информированных нейронных сетей (PINNs) позволило значительно повысить точность восстановления распределения плотности в нефтяных пластах по сравнению с классическими методами регуляризации.

Efficiency (in Kazakh) : Әзірленген математикалық модельдер мен бағдарламалық жүзеге асыру гравиметрияның кері есебін шешуде жоғары тиімділікті көрсетті. Физикалық ақпараттандырылған нейрондық желілерді (PINNs) пайдалану классикалық тұрақтандыру әдістерімен салыстырғанда мұнай қабаттарындағы тығыздықтың таралуын қалпына келтірудің дәлдігін айтарлықтай арттыруға мүмкіндік берді.

Field of application (in Russian) : Разработанная модель и программная реализация может быть использована в геофизике и нефтегазовой отрасли для анализа и интерпретации гравиметрических данных, прогнозирования изменений плотности нефтяных пластов и повышения эффективности геодинамического мониторинга месторождений.

Field of application (in Kazakh) : Әзірленген модель мен бағдарламалық жүзеге асыру гравиметриялық деректерді талдау мен интерпретациялауда, мұнай қабаттарының тығыздығының өзгерісін болжауда және кен орындарының геодинамикалық мониторингінің тиімділігін арттыруда геофизика мен мұнай-газ саласында қолданылуы мүмкін.