Нейросеть-геолог: Учёные Сколтеха и СПбГУ научили ИИ видеть нефть там, где она прячется

24 февраля 2026 — Российские исследователи совершили прорыв в геологоразведке: алгоритм на основе машинного обучения теперь способен за считанные минуты определять минеральный состав сложных нефтеносных пород, заменяя дорогостоящие лабораторные анализы. Разработка особенно важна для Баженовской свиты — одной из самых перспективных и трудных для изучения формаций Западной Сибири.

Команда учёных из Сколковского института науки и технологий и Санкт-Петербургского государственного университета создала метод, который позволяет точно определять состав пород по данным геофизических исследований скважин (каротажа). Результаты работы были представлены в феврале 2026 года.

Как это работает

В основе разработки — алгоритм градиентного бустинга, который учитывает сложные взаимосвязи между разными минералами. Нейросеть анализирует стандартные данные каротажа и прогнозирует содержание глины, кальцита, доломита, кварца, полевого шпата, а также органического углерода. Точность модели оказалась сопоставима с результатами дорогой скважинной спектроскопии.

«Наша модель обучается на стандартных данных геофизических исследований. Мы доказали, что даже без проведения дорогостоящих специализированных исследований можно с высокой точностью восстановить минеральный состав породы по всей длине скважины», — объясняет аспирант Сколтеха Батырхан Гайнитдинов.

Профессор Сколтеха Дмитрий Коротеев добавляет: «Разработанный подход можно использовать для оперативной интерпретации данных прямо в процессе бурения, выделения перспективных интервалов в сложных нефтеносных породах и оптимизации методов увеличения нефтеотдачи. В конечном счёте это снижает экономические затраты на разведку и разработку месторождений».

Почему это важно

Значительная часть запасов нефти в России и мире сосредоточена в сланцевых толщах и других породах со сложной структурой. Они крайне неоднородны по составу, и для их изучения геологам приходится делать множество дорогостоящих анализов керна — образцов породы, поднятых из скважины.

Особый интерес представляет Баженовская свита в Западной Сибири — уникальная формация, где нефть залегает в глинисто-кремнистых породах с повышенным содержанием органического вещества. Её мощность составляет всего 15–30 метров, но масштабы распространения огромны: 1200 километров с юго-востока на северо-запад при ширине полосы до 600 километров . На Салымском месторождении дебиты из баженовских коллекторов достигали сотен тонн в сутки . Однако из-за сложного состава пород и низкой пористости (всего 5–8%) традиционные методы изучения здесь работают плохо.

Что дальше

Новый метод позволяет отказаться от точечных лабораторных анализов в пользу непрерывного мониторинга прямо на буровой. Это не только ускоряет разведку, но и делает её значительно дешевле. Учёные подчёркивают, что система уже прошла первичную проверку и показала высокую точность в определении ключевых параметров.

Разработка ведётся в русле мирового тренда на цифровизацию нефтегазовой отрасли. Ранее учёные Сколтеха уже применяли машинное обучение для прогнозирования теплопроводности пород на месторождениях Тимано-Печорского бассейна, что важно для термальных методов увеличения нефтеотдачи . Нынешняя работа стала ещё одним шагом к созданию полноценного «цифрового геолога», способного видеть недра без лишних затрат.

Источник: Сколтех