geolmsuВЕСТНИК МОСКОВСКОГО УНИВЕРСИТЕТА. СЕРИЯ 4. ГЕОЛОГИЯMoscow University Bulletin. Series 4. Geology0579-9406Издательский Дом МГУ10.55959/MSU0579-9406-4-2025-64-1-88-96geolmsu-782Research ArticleСОДЕРЖАНИЕCONTENTSТекущее состояние применения методов науки о данных в геохимии нефти и газаApplications of data science methods in petroleum geochemistry: current stateШевченкоГ. А.ShevchenkoG. A.

Глеб Антонович Шевченко

Москва

Gleb A. Shevchenko

Moscow

gleb.a.shevchenko@gmail.comhttps://orcid.org/0000-0001-9240-291XБольшаковаМ. А.BolshakovaM. A.

Мария Александровна Большакова

Москва

Mariya A. Bolshakova

Moscow

m.bolshakova@oilmsu.ruМосковский государственный университет имени М.В. ЛомоносоваРоссияLomonosov Moscow State UniversityRussian Federation2025190320256418896Copyright © Шевченко Г.А., Большакова М.А., 20252025Шевченко Г.А., Большакова М.А.Shevchenko G.A., Bolshakova M.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.geol.msu.ru/jour/article/view/782

В статье рассматривается актуальность вопроса применения методов науки о данных в геохимии нефти и газа. Для изучения этого вопроса была разработана и реализована на практике методика поиска и сбора научных публикаций за последнее десятилетие из баз данных и их последующего анализа. Выявлен возрастающий интерес к взаимной интеграции этих областей. В работе приведены конкретные примеры найденных публикаций, обозначены ключевые “проблемы” препятствующие широкому внедрению науки о данных в геохимию (необходимость верификации результатов, недостаток квалифицированных специалистов, проблемы с доступом к данным, недоверие к новым подходам) и перспективные идеи для дальнейшего использования методов науки о данных для решения задач органической геохимии (геологические ассистенты, открытые геолого-геохимические базы данных и специализированные цифровые инструменты).

This paper explores the relevance of applications of Data Science methods in petroleum geochemistry. In order to investigate this topic, a methodology for searching, gathering and analyzing scientific papers published in the last decade was developed and successfully applied. The study reveals a growing interest in integrating Data Science methodology into petroleum geochemistry. The article also presents specific examples of found publication, identifies key “problems” hindering widespread Data Science adoption in geochemistry (including the need for result verification, shortage of qualified specialists, issues regarding access to data and negative sentiment towards new methods), and proposes promising ideas for further utilization of data science methods to tackle challenges presented by organic geochemistry (geological assistants, open access geological and geochemical databases and specialized digital toolkits and software.

органическая геохимиягеохимия нефти и газанаука о данныханализ данныхмашинное обучениевизуализация данныхorganic geochemistrypetroleum geochemistrydata sciencedata analysismachine learningdata visualizationReferencesЛутай А.В., Любушко Е.Э. Сравнение качества метаданных в БД CrossRef, Lens, OpenAlex, Scopus, Semantic Scholar, Web of Science Core Collection. Российский фонд фундаментальных исследований (РФФИ). 2022. URL: https://podpiska.rfbr.ru/storage/reports2021/2022_meta_quality.html (дата обращения: 28.05.2024).Лутай А.В., Любушко Е.Э. Сравнение качества метаданных в БД CrossRef, Lens, OpenAlex, Scopus, Semantic Scholar, Web of Science Core Collection. Российский фонд фундаментальных исследований (РФФИ). 2022. URL: https://podpiska.rfbr.ru/storage/reports2021/2022_meta_quality.html (дата обращения: 28.05.2024).Осипов К.О., Абля Э.А., Сауткин Р.С. и др. Выявление особенностей органического вещества нефтей и нефтегазоматеринских толщ путем сопоставления результатов геохимического анализа со статистическим анализом, основанным на методах машинного обучения (на примере одного из месторождений Западно-Сибирского нефтегазоносного бассейна) // Георесурсы. 2022. Т. 24. № 2. С. 217–229.Осипов К.О., Абля Э.А., Сауткин Р.С. и др. Выявление особенностей органического вещества нефтей и нефтегазоматеринских толщ путем сопоставления результатов геохимического анализа со статистическим анализом, основанным на методах машинного обучения (на примере одного из месторождений Западно-Сибирского нефтегазоносного бассейна) // Георесурсы. 2022. Т. 24. № 2. С. 217–229.Шиверский Г.В., Кривощеков С.Н. Перспективы применения методов искусственного интеллекта в нефтегазовой геологии // Журнал магистров. 2022. № 2. С. 57–67.Шиверский Г.В., Кривощеков С.Н. Перспективы применения методов искусственного интеллекта в нефтегазовой геологии // Журнал магистров. 2022. № 2. С. 57–67.Bispo-Silva S., Oliveira C.J., De Alemar Barberes G. Geochemical biodegraded oil classification using a machine learning approach // Geosciences. 2023. Vol. 13. N 11. P. 321.Bispo-Silva S., Oliveira C.J., De Alemar Barberes G. Geochemical biodegraded oil classification using a machine learning approach // Geosciences. 2023. Vol. 13. N 11. P. 321.Cheng D., Zhang T., He Z., et al. K2: A Foundation Language Model for Geoscience Knowledge Understanding and Utilization // arXiv e-prints. 2023. URL: https://doi.org/10.48550/arxiv.2306.05064Cheng D., Zhang T., He Z., et al. K2: A Foundation Language Model for Geoscience Knowledge Understanding and Utilization // arXiv e-prints. 2023. URL: https://doi.org/10.48550/arxiv.2306.05064Conway D. The Data Science Venn Diagram. Drew Conway Data Consulting. 2010. URL: http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram (дата обращения: 31.05.2024).Conway D. The Data Science Venn Diagram. Drew Conway Data Consulting. 2010. URL: http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram (дата обращения: 31.05.2024).Culbert J., Hobert A., Jahn N., et al. Reference Coverage Analysis of OpenAlex compared to Web of Science and Scopus // arXiv e-prints. 2024. URL: https://doi.org/10.48550/arXiv.2401.16359Culbert J., Hobert A., Jahn N., et al. Reference Coverage Analysis of OpenAlex compared to Web of Science and Scopus // arXiv e-prints. 2024. URL: https://doi.org/10.48550/arXiv.2401.16359Farrell Ú.C., Samawi R., Anjanappa S., et al. The Sedimentary Geochemistry and Paleoenvironments Project // Geobiology. 2021. Vol. 19. N 6. P. 545–556.Farrell Ú.C., Samawi R., Anjanappa S., et al. The Sedimentary Geochemistry and Paleoenvironments Project // Geobiology. 2021. Vol. 19. N 6. P. 545–556.Google Colab. URL: https://colab.research.google.com/drive/1oULyxOqrpP90-SVIEy1RRM2SNHgAKpHb?usp=sharing (дата обращения: 31.05.2024).Google Colab. URL: https://colab.research.google.com/drive/1oULyxOqrpP90-SVIEy1RRM2SNHgAKpHb?usp=sharing (дата обращения: 31.05.2024).Gusenbauer M. A free online guide to researchers’ best search options // Nature. 2023. Vol. 615. P. 586.Gusenbauer M. A free online guide to researchers’ best search options // Nature. 2023. Vol. 615. P. 586.Lin Z., Deng C., Zhou L., et al. GeoGalactica: A Scientific Large Language Model in Geoscience // arXiv e-prints. 2023. URL: https://doi.org/10.48550/arXiv.2401.00434Lin Z., Deng C., Zhou L., et al. GeoGalactica: A Scientific Large Language Model in Geoscience // arXiv e-prints. 2023. URL: https://doi.org/10.48550/arXiv.2401.00434Maslianko P., Sielskyi Y. Data Science — definition and structural representation // System Research & Information Technologies. 2021. N 1. P. 61–78.Maslianko P., Sielskyi Y. Data Science — definition and structural representation // System Research & Information Technologies. 2021. N 1. P. 61–78.Priem J., Piwowar H., Orr R. OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts // arXiv e-prints. 2022. URL: https://doi.org/10.48550/arXiv.2205.01833Priem J., Piwowar H., Orr R. OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts // arXiv e-prints. 2022. URL: https://doi.org/10.48550/arXiv.2205.01833Sarker I.H. Data Science and Analytics: An Overview from Data-Driven Smart Computing, Decision-Making and Applications Perspective // SN Computer Science. 2021. Vol. 2, N 5. URL: https://doi.org/10.1007/s42979-021-00765-8Sarker I.H. Data Science and Analytics: An Overview from Data-Driven Smart Computing, Decision-Making and Applications Perspective // SN Computer Science. 2021. Vol. 2, N 5. URL: https://doi.org/10.1007/s42979-021-00765-8Su K., Lu J., Yu J., et al. Intelligent geochemical interpretation of mass chromatograms: Based on convolution neural network // Petroleum Science. 2024. Vol. 21, N 2. P. 752–764.Su K., Lu J., Yu J., et al. Intelligent geochemical interpretation of mass chromatograms: Based on convolution neural network // Petroleum Science. 2024. Vol. 21, N 2. P. 752–764.Sun J., Dang W., Wang F., et al. Prediction of TOC content in Organic-Rich shale using machine learning algorithms: comparative study of random forest, Support Vector Machine, and XGBOOST // Energies (Basel). 2023. Vol. 16, N 10. P. 4159.Sun J., Dang W., Wang F., et al. Prediction of TOC content in Organic-Rich shale using machine learning algorithms: comparative study of random forest, Support Vector Machine, and XGBOOST // Energies (Basel). 2023. Vol. 16, N 10. P. 4159.Tariq Z., Aljawad M.S., Hasan A., et al. A systematic review of data science and machine learning applications to the oil and gas industry // Journal of Petroleum Exploration and Production Technology. 2021. Vol. 11, N 12. P. 4339–4374.Tariq Z., Aljawad M.S., Hasan A., et al. A systematic review of data science and machine learning applications to the oil and gas industry // Journal of Petroleum Exploration and Production Technology. 2021. Vol. 11, N 12. P. 4339–4374.Torres S.B., De Oliveira Matias Í., De Araújo Ponte F.F., et al. Data mining in organic geochemistry: case study in Potiguar basin // Geociências. 2022. Vol. 41, N 1. P. 105–114.Torres S.B., De Oliveira Matias Í., De Araújo Ponte F.F., et al. Data mining in organic geochemistry: case study in Potiguar basin // Geociências. 2022. Vol. 41, N 1. P. 105–114.Williams M.J., Schoneveld L., Mao Y., et al. pyrolite: Python for geochemistry // Journal of Open Source Software. 2020. Vol. 5. N 50. P. 2314.Williams M.J., Schoneveld L., Mao Y., et al. pyrolite: Python for geochemistry // Journal of Open Source Software. 2020. Vol. 5. N 50. P. 2314.Wyborn L., Lehnert K.A. OneGeochemistry: Creating a global FAIR-Way to access and share geochemical data // Goldschmidt Abstracts. 2020. URL: https://doi.org/10.46427/gold2020.2910Wyborn L., Lehnert K.A. OneGeochemistry: Creating a global FAIR-Way to access and share geochemical data // Goldschmidt Abstracts. 2020. URL: https://doi.org/10.46427/gold2020.2910Yu Q.-Y., Bagas L., Yang P.-H., et al. GeoPyTool: a crossplatform software solution for common geological calculations and plots // Geoscience Frontiers. 2019. Vol. 10. N 4. P. 1437–1447.Yu Q.-Y., Bagas L., Yang P.-H., et al. GeoPyTool: a crossplatform software solution for common geological calculations and plots // Geoscience Frontiers. 2019. Vol. 10. N 4. P. 1437–1447.Zhang S.E., Bourdeau J.E., Nwaila G.T., et al. Denoising of Geochemical Data using Deep Learning–Implications for Regional Surveys // Natural Resources Research. 2024. Vol. 33. P. 495–520.Zhang S.E., Bourdeau J.E., Nwaila G.T., et al. Denoising of Geochemical Data using Deep Learning–Implications for Regional Surveys // Natural Resources Research. 2024. Vol. 33. P. 495–520.Zhangzhou J., He C., Sun J., et al. Geochemistry π: Automated machine learning Python framework for tabular data // Geochemistry, Geophysics, Geosystems. 2024. Vol. 25. N 1. P. e2023GC011324.Zhangzhou J., He C., Sun J., et al. Geochemistry π: Automated machine learning Python framework for tabular data // Geochemistry, Geophysics, Geosystems. 2024. Vol. 25. N 1. P. e2023GC011324.

The authors declare that there are no conflicts of interest present.