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) : Разработан алгоритм для решения 2D задачи двухфазной фильтрации на основе модели Баклея-Леверетта с использованием PINN. Проведено обобщение одномерной модели на двумерный случай с учетом зависимости насыщенности от пространственных координат x, y и времени t. Реализована распараллелизация обучения нейронной сети PINN с использованием метода параллелизма данных на нескольких GPU. Проведено сравнение эффективности обучения на одной и двух GPU NVIDIA GeForce RTX 4070, показавшее ускорение при сохранении стабильности сходимости. Протестирована разработанная модель PINN для решения 2D задачи. Проведено исследование влияния архитектуры сети, количества коллокационных точек, гиперпараметров и параметров оптимизации на точность аппроксимации и воспроизведение формы фронта вытеснения.

Obtained results and novelty (in Kazakh) : Бакли–Леверетт моделіне негізделген екі фазалы фильтрацияның 2D есебін PINN әдісімен шешу алгоритмі әзірленді. Бір өлшемді модель қанықтылықтың кеңістіктік координаталарға x, y және уақытқа t тәуелділігі ескерілген екі өлшемді жағдайға кеңейтіліп бейімделді. PINN нейрондық желісін бірнеше GPU-да деректер параллелизмі әдісі арқылы параллель оқыту жүзеге асырылды. Бір және екі GPU NVIDIA GeForce RTX 4070 құрылғыларында оқыту тиімділігі салыстырылып, жинақталудың тұрақтылығы сақталған күйде үдеу байқалды. Екі фазалы фильтрацияның 2D есебін шешуге арналған PINN моделі тесттен өткізілді. Желінің архитектурасы, коллокациялық нүктелер саны, гиперпараметрлер мен оңтайландыру параметрлерінің аппроксимация дәлдігіне және ығысу фронтын модельдеу сапасына әсері зерттелді.

The main constructive and technical economic indicators (in Russian) : Основными конструктивными показателями являются разработанная архитектура параллельных PINN, включающая распределение вычислений между несколькими GPU, механизм синхронизации градиентов и адаптивный выбор коллокационных точек. К технико-экономическим показателям относятся сокращение времени обучения моделей за счёт параллельных вычислений, повышение эффективности использования вычислительных ресурсов и снижение затрат на проведение численных экспериментов по сравнению с традиционными методами моделирования.

The main constructive and technical economic indicators (in Kazakh) : Негізгі конструктивтік көрсеткіштерге бірнеше GPU арасында есептеулерді бөлуге негізделген параллельді PINN архитектурасы, градиенттерді синхрондау механизмі және коллокациялық нүктелерді бейімдеп таңдау тәсілі жатады. Технико-экономикалық көрсеткіштер ретінде параллельді есептеулер арқылы модельдерді оқыту уақытын қысқарту, есептеу ресурстарын тиімді пайдалану және дәстүрлі модельдеу әдістерімен салыстырғанда сандық эксперименттер жүргізу шығындарын азайту қарастырылады.

Level of implementation (in Russian) : На текущем этапе проект находится в исследовательской фазе и не прошёл промышленное внедрение. Разработанные алгоритмы и модели протестированы в рамках вычислительных экспериментов, что создаёт основу для последующей интеграции в программные комплексы нефтегазовой отрасли.

Level of implementation (in Kazakh) : Қазіргі уақытта жоба зерттеу кезеңінде тұр және өнеркәсіптік деңгейде енгізілген жоқ. Әзірленген алгоритмдер мен модельдер есептеу эксперименттері шеңберінде сыналды, бұл оларды болашақта мұнай-газ саласындағы бағдарламалық кешендерге енгізуге негіз қалайды.

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.