Нейросеть научилась предсказывать движение жидкостей в породах

Традиционные методы оценки того, как нефть, газ или вода перемещаются сквозь толщу породы, опираются на длительные испытания керна или сложные суперкомпьютерные симуляции. Такие подходы часто выдают лишь усредненные показатели, упуская из виду анизотропию — способность среды пропускать потоки быстрее в одном направлении, чем в другом. Новый метод решает эту проблему, учитывая все девять компонентов тензора проницаемости.

Команда ученых обучила нейросеть на почти тысяче синтетических изображений пористых сред. Ключевым нововведением стало использование статистических корреляционных функций вместо обработки «тяжелых» объемных данных. Модель сжимает структуру материала до 250 ключевых параметров, которые ученые называют «ДНК структуры». В результате точность прогноза достигает 83,4%, а время расчета сокращается до мгновений. По словам Кирилла Герке, такая эффективность делает алгоритм сопоставимым с классическими методами моделирования при несопоставимо меньших затратах ресурсов.

Технология открывает путь к экспресс-анализу в нефтегазовом секторе, гидрогеологии и почвоведении, где важно оперативно понимать пути миграции загрязнителей или потенциал месторождений. На данный момент разработка прошла валидацию на синтетических данных, и авторы уже переходят к тестированию алгоритма на реальных образцах горных пород.