Ключевой вызов: Снижение излишков запасов. Решение: Мы использовали исторические данные о продажах, погодные условия и маркетинговые акции. Технически: Создана модель LSTM, интегрированная в ERP-систему клиента.
Обзор проекта
Область применения
Разработанные в рамках проекта параллельные физико-информированные нейронные сети (PINN) предназначены для применения в нефтяной промышленности при моделировании процессов вытеснения нефти. Они могут быть использованы нефтедобывающими компаниями, научно-исследовательскими центрами и инжиниринговыми организациями для:
- повышения точности моделирования двухфазной фильтрации флюидов в пористых средах;
- оптимизации параметров разработки нефтяных месторождений;
- сокращения затрат и рисков, связанных с неэффективными методами извлечения нефти.
Технология также может быть адаптирована для решения аналогичных задач в гидрогеологии, химической технологии и других смежных отраслях, где требуется моделирование течений в пористых средах.
Преимущества
Разработанные в рамках проекта параллельные физико-информированные нейронные сети (PINN) предназначены для применения в нефтяной промышленности при моделировании процессов вытеснения нефти. Они могут быть использованы нефтедобывающими компаниями, научно-исследовательскими центрами и инжиниринговыми организациями для:
- повышения точности моделирования двухфазной фильтрации флюидов в пористых средах;
- оптимизации параметров разработки нефтяных месторождений;
- сокращения затрат и рисков, связанных с неэффективными методами извлечения нефти.
Технология также может быть адаптирована для решения аналогичных задач в гидрогеологии, химической технологии и других смежных отраслях, где требуется моделирование течений в пористых средах.
Документация проекта
Руководитель проекта
Детали проекта
Лаборатория
Lab. Компьютерных наук
Заказчик
-
Год
2025
Технологии
Python
Scikit-learn
LSTM
PostgreSQL
Tableau