Тематический рубрикатор статей

Георесурсы T.25.№4.2023
Стр.
Скачать статью

Цифровая научная платформа «Агрегатор неструктурированных геолого-промысловых данных»: архитектура и базовые модели извлечения данных

О.А. Невзорова, Р.Р. Хакимуллин, И.И. Идрисов

Оригинальная статья

DOI https://doi.org/10.18599/grs.2023.4.13

149-156
rus.

open access

Under a Creative Commons license

В статье описывается разрабатываемый проект цифровой научной платформы «Агрегатор неструктурированных геолого-промысловых данных», который потенциально может иметь важное значение для нефтегазовой отрасли. Применение новых интеллектуальных технологий в рамках этого проекта позволит существенно повысить эффективность процессов обработки, хранения и использования геолого-промысловой информации, содержащейся в различных текстовых источниках, в основном в отчетах о месторождениях.

Главной целью разработки цифровой научной платформы является интегрирование разнородной информации об объектах исследования недр, которая извлекается из отчетов о месторождениях Республики Татарстан. Это позволит создать сводную базу данных, которая станет основой для принятия обоснованных решений в нефтегазовой сфере. Проект цифровой научной платформы включает разработку архитектуры, алгоритмов и программных решений, основанных на современных методах обработки текстов и интеллектуальном анализе данных.

 

cбор и анализ данных, отчеты о месторождениях, база данных, автоматизация, большие данные, обработка текстовых данных, неструктурированные данные, извлечение информации

 

  • Дежина И.Г., Мясников А.В., Коротеев Д.А. и др. (2017). Актуальные технологические направления в разработке и добыче нефти и газа: публичный аналитический доклад. М.: БиТуБи, 220 с.
  • Abdelhamid K., Ammar T.B., Laid K. (2022). Artificial Intelligent in Upstream Oil and Gas Industry: A Review of Applications, Challenges and Perspectives. Artificial Intelligence and Its Applications. AIAP 2021. Lecture Notes in Networks and Systems, vol. 413. Lejdel B., Clementini E., Alarabi L. (eds). Springer, Cham. https://doi.org/10.1007/978-3-030-96311-8_2424
  • Consoli B., Santos J., Gomes D., Cordeiro F., Vieira R., Moreira V. (2020). Embeddings for Named Entity Recognition in Geoscience Portuguese Literature. Proc. 12th Conference on Language Resources and Evaluation (LREC 2020), Marseille, 11–16 May 2020. https://aclanthology.org/2020.lrec-1.568.pdf
  • Chengbin Wang, Yuanjun Li, Jianguo Chen, Xiaogang Ma (2023). Named entity annotation schema for geological literature mining in the domain of porphyry copper deposits. Ore Geology Reviews, 152, 105243. https://doi.org/10.1016/j.oregeorev.2022.105243
  • Choubey S., Karmakar G.P. (2021). Artificial intelligence techniques and their application in oil and gas industry. Artif Intell Rev, 54, pp. 3665–3683. https://doi.org/10.1007/s10462-020-09935-1
  • Deloitte Analysis Report (2019). Digital transformation of oil and gas sector. https://www.petrotech.in/static/pdf/Theme-Session-Deloitte.pdf
  • Goodfellow I., Bengio Y., Courville A. (2016). Deep learning. Cambridge, MA: MIT Press.
  • Hoffimann Julio, Mao Youli, Wesley Avinash, Aimee Taylor (2018). Sequence Mining and Pattern Analysis in Drilling Reports with Deep Natural Language Processing. SPE Annual Technical Conference and Exhibition, Dallas, Texas, USA, September 2018. https://doi.org/10.2118/191505-MS
  • Lucas P. Cinelli, José F.L. de Oliveira, Vinicius M. de Pinho et al. (2021). Automatic event identification and extraction from daily drilling reports using an expert system and artificial intelligence. Journal of Petroleum Science and Engineering, 205. https://doi.org/10.1016/j.petrol.2021.108939
  • Nooralahzadeh F., Øvrelid L., Lønning J.T. (2018). Evaluation of domain-specific word embeddings using knowledge resources. Proc. 11th International Conference on Language Resources and Evaluation (LREC 2018), pp. 1438–1445. http://www.lrec-conf.org/proceedings/lrec2018/pdf/268.pdf
  • Qiu Q., Xie Z., Wu L., Tao L., and Li W. (2019). Bilstm-crf for geological named entity recognition from the geoscience literature. Earth Science Informatics, 12, pp. 565–579. https://doi.org/10.1007/s12145-019-00390-3
  • Technavio (2015). How oil and gas is using Big Data for better operations. http://www.technavio.com/blog/how-oil-and-gas-using-big-data-better-operations
  •  

Ольга Авенировна Невзорова – доцент, кандидат тех. наук, старший научный сотрудник, Казанский (Приволжский) федеральный университет
Россия, 420008, Казань, ул. Кремлевская, д. 18, корп.1

Рустем Рафаилевич Хакимуллин – лаборант, Казанский (Приволжский) федеральный университет
Россия, 420008, Казань, ул. Кремлевская, д. 18, корп.1

Ильяс Ирекович Идрисов – научный сотрудник, Казанский (Приволжский) федеральный университет
Россия, 420008, Казань, ул. Кремлевская, д. 18, корп.1
e-mail: ilyas_irekovich@mail.ru

 

Для цитирования:

Невзорова О.А., Хакимуллин Р.Р., Идрисов И.И. (2023). Цифровая научная платформа «Агрегатор неструктурированных геолого-промысловых данных»: архитектура и базовые модели извлечения данных. Георесурсы, 25(4), c. 149–156. https://doi.org/10.18599/grs.2023.4.13

For citation:

Nevzorova O.A., Khakimullin R.R., Idrisov I.I. (2023). Digital scientific platform “Aggregator of unstructured geological and field data”: architecture and basic models of data extraction. Georesursy = Georesources, 25(4), pp. 149–156. https://doi.org/10.18599/grs.2023.4.13

© 2024 Коллектив авторов