Текущее состояние применения методов науки о данных в геохимии нефти и газа
https://doi.org/10.55959/MSU0579-9406-4-2025-64-1-88-96
Аннотация
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).
Об авторах
Г. А. Шевченко
Московский государственный университет имени М.В. Ломоносова
Россия
Россия
Глеб Антонович Шевченко
Москва
М. А. Большакова
Московский государственный университет имени М.В. Ломоносова
Россия
Россия
Мария Александровна Большакова
Москва
Список литературы
1. 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).
2. 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.
3. Шиверский Г.В., Кривощеков С.Н. Перспективы применения методов искусственного интеллекта в нефтегазовой геологии // Журнал магистров. 2022. № 2. С. 57–67.
4. 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.
5. 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.2306.05064
6. 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).
7. 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.2401.16359
8. Farrell Ú.C., Samawi R., Anjanappa S., et al. The Sedimentary Geochemistry and Paleoenvironments Project // Geobiology. 2021. Vol. 19. N 6. P. 545–556.
9. Google Colab. URL: https://colab.research.google.com/drive/1oULyxOqrpP90-SVIEy1RRM2SNHgAKpHb?usp=sharing (дата обращения: 31.05.2024).
10. Gusenbauer M. A free online guide to researchers’ best search options // Nature. 2023. Vol. 615. P. 586.
11. 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.2401.00434
12. Maslianko P., Sielskyi Y. Data Science — definition and structural representation // System Research & Information Technologies. 2021. N 1. P. 61–78.
13. 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.2205.01833
14. Sarker 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/s42979-021-00765-8
15. 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.
16. 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.
17. 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.
18. 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.
19. 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.
20. 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/gold2020.2910
21. 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.
22. 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.
23. 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.
Рецензия
Для цитирования:
Шевченко Г.А., Большакова М.А. Текущее состояние применения методов науки о данных в геохимии нефти и газа. ВЕСТНИК МОСКОВСКОГО УНИВЕРСИТЕТА. СЕРИЯ 4. ГЕОЛОГИЯ. 2025;64(1):88-96. https://doi.org/10.55959/MSU0579-9406-4-2025-64-1-88-96
For citation:
Shevchenko G.A., Bolshakova M.A. Applications of data science methods in petroleum geochemistry: current state. Moscow University Bulletin. Series 4. Geology. 2025;64(1):88-96. (In Russ.) https://doi.org/10.55959/MSU0579-9406-4-2025-64-1-88-96
Просмотров:
24
Послать статью по эл. почте 
