Интеллектуальные методы анализа и синтеза организационных структур для цифровой трансформации процессов разведки и разработки нефтегазовых месторождений тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Буханов Никита Владимирович

  • Буханов Никита Владимирович
  • кандидат науккандидат наук
  • 2020, ФГАОУ ВО «Национальный исследовательский университет ИТМО»
  • Специальность ВАК РФ05.13.10
  • Количество страниц 221
Буханов Никита Владимирович. Интеллектуальные методы анализа и синтеза организационных структур для цифровой трансформации процессов разведки и разработки нефтегазовых месторождений: дис. кандидат наук: 05.13.10 - Управление в социальных и экономических системах. ФГАОУ ВО «Национальный исследовательский университет ИТМО». 2020. 221 с.

Оглавление диссертации кандидат наук Буханов Никита Владимирович

ОГЛАВЛЕНИЕ

РЕФЕРАТ

SYNOPSIS

ВВЕДЕНИЕ

1 Модели и методы анализа разнородной информации, используемой в рамках бизнес-процессов предприятий нефтегазовой отрасли

1.1 Типы данных, их представление в отраслевых корпоративных информационных системах и цепочка создания стоимости в нефтегазовой компании

1.2 Классификация геофизических исследований в скважинах для оценки свойств породы коллектора

1.3 Применение подходов прямого моделирования и кластеризации к сейсмическим исследованиям

1.4 Анализ применимости мирового опыта используемых технологий с помощью алгоритмов поиска месторождений аналогов

1.5 Выводы к главе

2 Моделирование и идентификация цифровых образов сотрудников нефтегазовых компаний

2.1 Обобщенная модель цифровых образов сотрудников

2.2 Идентификация физиологической составляющей цифрового образа сотрудника

2.3 Идентификация компетентностной составляющей цифрового образа сотрудника

2.4 Идентификация процессной составляющей цифрового образа сотрудника

2.5 Идентификация коллаборативной составляющей цифрового образа сотрудника

2.6 Выводы к главе

3 Построение и оптимизация организационных структур на основе цифровых образов сотрудников

3.1 Отображение корпоративных процессов на основе цифровых образов

3.2 Построение байесовских вероятностных моделей изменчивости бизнес-процессов на основе корпоративных баз данных

3.3 Процедура когнитивного восстановления взаимосвязей бизнес-процессов по похожести текстового описания должностных инструкций

3.4 Влияние характеристик месторождений на структуру бизнес-процессов

3.5 Выводы к главе

4 Экспериментальные исследования методов и моделей для задач оптимизации организационных структур предприятия

4.1 Особенности организационной структуры научно-производственного предприятия нефтегазовой отрасли

4.2 Оценка качества идентификации коллективных цифровых образов сотрудников по данным

компании

4.3 Оценка качества восстановления коллаборативных организационных структур

4.4 Применение методов и моделей для оптимизации организационных структур при внедрении наукоемких цифровых решений

4.5 Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

ПРИЛОЖЕНИЕ А - ТЕКСТЫ ПУБЛИКАЦИЙ

Рекомендованный список диссертаций по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК

Введение диссертации (часть автореферата) на тему «Интеллектуальные методы анализа и синтеза организационных структур для цифровой трансформации процессов разведки и разработки нефтегазовых месторождений»

РЕФЕРАТ

Актуальность темы исследования. Внедрение интеллектуальных технологий поддержки принятия решений в различных областях промышленности и бизнеса в настоящее время существенно тормозится вследствие несогласованности локальных и глобальных эффектов от их внедрения. Действительно, использование механизмов оптимизации отдельных производственных процессов, связанных с конкретными сотрудниками, не гарантирует повышения эффективности всей производственной цепочки, реализуемой за счет коллаборации различных специалистов. Это является существенным риском для цифровой трансформации производств; как следствие, многие инновационные разработки, продемонстрировавшие свою полезность в режиме опытной эксплуатации, так и не вводятся в оперативное использование.

Казалось бы, преодоление этого барьера может быть достигнуто посредством системного кодизайна организационных схем и цифровой инфраструктуры, обеспечивающей работу предприятия. Однако такой "революционный" подход очень дорог в реализации и не может эффективно применяться в компаниях с устойчивыми непрерывными производственными процессами, требующими регулярного реагирования. В частности, к ним относятся предприятия нефтегазовой промышленности, осуществляющие полный цикл разведки, разработки и эксплуатации месторождений. Потому в данном случае возникает задача анализа и синтеза новых организационных структур, в которых бы органично учитывались локальные цифровые решения, применяемые отдельными сотрудниками.

Характерным примером таких решений в нефтегазовой отрасли являются средства предметного анализа данных и поддержки принятия решений при разведке и разработке месторождений. Процессы решения этих задач обладают существенной вариативностью в силу различий самих месторождений, и могут быть унифицировано описаны только в самом общем виде. Как правило, в такие процессы вовлекается несколько десятков сотрудников различной квалификации, решающих локальные узкоспециальные задачи. При этом механизмы решения таких задач, как правило, не объединены в общую цепочку создания стоимости, отсутствует унификация форматов передаваемой информации. При этом отсутствуют сведения о времени выполнения и трудозатратах отдельных работ1, что ограничивает возможности синтеза организационных структур с использованием стандартных механизмов планирования. Как следствие, возникает проблема "оцифровки" производственных процессов, включающих в себя действия, инициируемые объектами как естественного, так и искусственного (цифровые ассистенты, СППР) интеллекта. Это позволит объединить результаты решения производственных задач в связанную цепочку

1 По данным компании "Газпромнефть"

процессов, а также отобразить ее на компетенции сотрудников компании таким образом, чтобы обеспечить эффективную, с точки зрения распределения ресурсов, сотрудников организационную структуру. Анализ таких структур для различных месторождений и активов компаний делает возможным трансфер лучших практик и знаний, ускоряя процессы цифровой трансформации, в рамках поддержки принятия решений и оптимизации задач управления.

Цель исследования. Повышение эффективности корпоративных организационных структур, включающих объекты естественного и искусственного интеллекта, применительно к разведке и разработке месторождений нефти и газа.

Задачи исследования

1. Создание аппарата для конструктивного описания моделей компетенций сотрудников компании, связанных с использованием средств интеллектуальной обработки данных и поддержки принятия решений с использованием должностных инструкций, публикаций и открытых данных.

2. Разработка методов построения персональной сети бизнес-процессов сотрудника, характеризующей его трудоспособность с учетом использования цифровых механизмов коллаборации.

3. Разработка модели структуры коллаборативных бизнес-процессов интеллектуальной обработки отраслевых данных с учетом неопределенности и разнородности источников информации, а также методов ее оптимизации.

4. Экспериментальные исследования применимости разработанных методов и моделей для синтеза организационных структур и оптимизации бизнес-процессов на площадке отраслевой компании (ООО "Газпромнефть НТЦ").

Научная новизна определяется:

1) подходом к описанию структуры коллаборативных бизнес-процессов и организационных структур на основе композиции цифровых образов сотрудников -информационных объектов, отражающих биометрические характеристики, компетенции, возможности и загрузку сотрудников, идентифицируемые по ретроспективным данным их работы в компании (включая деловую переписку, календари и проектный опыт);

2) способом формирования организационных структур для слабоформализованных производственных цепочек, в которых должностные инструкции не имеют четкого соответствия компетенциям сотрудников и элементам бизнес-процессов, с их отображением на цепочку создания стоимости активов нефтегазовой компании.

Теоретическая значимость работы состоит в развитии методов когнитивного моделирования в профессиональной деятельности с целью оптимизации эффективности задач управления процессами цифровой трансформации.

Практическая значимость работы определяется набором программных средств -когнитивных приложений в области создания цифровых образов сотрудников и междисциплинарных команд, а также оптимизации коллаборативных бизнес-процессов с неопределенностью структуры (принадлежат ООО «Газпромнефть НТЦ»):

— программная система когнитивного анализа должностных инструкций для восстановления взаимосвязей бизнес-процессов по их функциональному описанию;

— программная система мониторинга динамики внедрения цифровых решений по данным корпоративной переписки и статистики использования прототипов интеллектуальной обработки данных;

— программная система определения взаимосвязей и влияния параметров похожих месторождений нефти и газа на процесс управления и принятия решений об их разведке и разработке.

Результаты работы внедрены в практическую деятельность ООО «Газпромнефть

НТЦ».

На защиту выносятся:

1) обобщенная модель персональных и коллективных цифровых образов сотрудников компании и метод ее идентификации на основе разнородных корпоративных источников данных с учетом их влияния на процессы управления жизненным циклом месторождений;

2) метод когнитивного моделирования и формализации скрытых взаимосвязей между коллаборативными бизнес-процессами компании на основе цифровых образов сотрудников, а также процедура оптимизации организационных структур на его основе.

Соответствие паспорту специальности 05.13.10:

п.7 - Разработка методов идентификации в организационных системах на основе ретроспективной, текущей и экспертной информации - в части метода идентификации моделей цифрового образа сотрудников компании по ретроспективным данным;

п. 8 - Разработка методов и алгоритмов анализа и синтеза организационных структур - в части метода когнитивного моделирования и формализации скрытых взаимосвязей между коллаборативными бизнес-процессами компании в целях оптимизации организационных структур.

п. 9 - Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации экономических и социальных систем - в части результатов адаптации к задачам сопровождения разведки и разработки месторождений нефти и газа.

Внедрение результатов работы. Результаты диссертационного исследования получены в рамках проектов Национального центра когнитивных разработок Университета ИТМО при выполнении следующих хоздоговорных проектов по заказу ООО «Газпромнефть НТЦ»:

— Разработка концепции цифрового образа сотрудника компании в разрезе эффективности технологического развития;

— Создание автоматизированной системы тестирования и эксплуатации прототипов когнитивных приложений во внешнем контуре для академических партнеров;

— Реализация подключаемого модуля статистического анализа и вероятностного моделирования информации об атрибутах нефтегазовых месторождений.

Степень достоверности и апробации результатов. Степень достоверности научных результатов подтверждается корректным использованием математических методов, обоснованием постановки задач, экспериментальными исследованиями, покрывающими разработанные технологии и алгоритмы. Основные результаты исследования были представлены на 8 международных конференциях:

— EAGE/AAPG Digital Subsurface for Asia Pacific Conference&Exhibition, 7-9 September 2020, Kuala Lumpur, Malaysia;

— International Conference on Computational Science, 12-14 June 2019, Faro, Portugal

— Unovus 2019 Industrial Ontologies Workshop, 15-17 May 2019, Tomsk, Russia;

— EAGE Workshop on Big Data and Machine Learning for E&P Efficiency, 25-27 February 2019, Kuala-Lumpur, Malaysia;

— International Association for Mathematical Geosciences 19th Annual Conference, 2-8 September 2018, Olomouc, Czech Republic;

— International Conference on Health and Social Care Information Systems and Technologies, 8-10 November 2017, Barcelona, Spain;

— International Conference on Computational Science, 12-14 June 2017, Zurich, Switzerland;

— Shaping the Future: Big Data, Biomedicine and Frontier Technologies, 25-26 April 2017, Moscow, Russia.

Публикации. По результатам, представленным в диссертации, опубликовано 6 статей в рецензируемых научных изданиях, входящих в международные реферативные базы данных и системы цитирования Scopus и Web of Science.

Личный вклад автора. Из работ, выполненных в соавторстве, в диссертацию включены результаты, соответствующие личному вкладу автора. В том числе личный вклад автора заключается, в работе [2] в разработке метода и алгоритма восстановления бизнес-процессов и организационных структур, в работах [5], [6] в построении

байесовских сетей сопутствующих заболеваний с целью идентификации физиологической составляющей модели цифрового образа сотрудников. В работах [3] и [4] автор участвовал в постановке задач и организации вычислительных экспериментов в части синтеза организационных структур. Вклад соавторов в работах заключается в следующем:

[1] - Демьянов и Белозеров описали постановку и методологию эксперимента. Мельников, Шишаев, Матвеев, Еремян провели классификацию гидродинамических моделей методом градиентного бустинга.

[2] - Трудков и Виноградова участвовали в подготовке и обработке датасета. Деревицкий, Балабаева, Функнер, Ковальчук обеспечили работоспособность прототипов по цифровому образу сотрудника.

[3] - Ковальчук описал иерархию корпоративных информационных источников. Фонин предоставил данные организации здравоохранения. Функнер, Балабаева, Деревицкий провели вычислительные эксперименты.

[4] - Белозеров, Закиров, Кирьянов описали концепцию применения когнитивных разработок в нефтегазовой сфере. Кульневич, Чугунов провели вычислительные эксперименты по выделению именованных сущностей из текста. Сливкин описал применение когнитивных технологий к задаче поиска месторождений аналогов.

[5] - Балахонцева, Ковальчук описали важность задачи моделирования взаимосвязей сопутствующих заболеваний. Звартау, Конради интерпретировали результаты с точки зрения их медицинской релевантности и значимости.

[6] - Балахонцева, Ковальчук описали важность задачи моделирования взаимосвязей сопутствующих заболеваний. Крикунов, Сабиров, Семакова провели вычислительные эксперименты. Звартау, Конради проинтерпретировали результаты с точки зрения их медицинской релевантности и значимости.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и списка литературы.

Первая глава включает аналитический обзор подходов когнитивного моделирования бизнес-процессов нефтегазовой отрасли и их оптимизации. Описывается принципиальная схема агрегации цифровых бизнес-процессов с учетом разнородных отраслевых данных, алгоритмов их обработки и цифровых образов сотрудников, а также комплекс предметно-ориентированных задач и их решения с использованием алгоритмов машинного обучения. Описаны основные функции интеллектуальной поддержки принятия решений в бизнес-процессах разведки и разработки месторождений. К ним относятся задачи сегментации шлифов керна, автоинтерпретации каротажа, кластеризации

сейсмических трасс, интерполяции полей геологических параметров и заполнения отсутствующих значений в базе данных при поиске аналогичных месторождений нефти и газа.

Вторая глава описывает подходы к моделированию и идентификации цифровых образов сотрудников и междисциплинарных команд с учетом профессиональных компетенций, уровня здоровья сотрудников, прогноза научных коллабораций и коммуникационной активности во внутренних корпоративных системах.

Третья глава посвящена интеграции подходов по восстановлению взаимосвязей в бизнес-процессах с алгоритмами обработки отраслевых данных и цифровыми образами сотрудников. Описывается способ интеграции этих элементов в обобщенной цепочке создания стоимости и методы оптимизации организационной структуры и ее параметров с количественной и качественной оценкой эффекта внедрения интеллектуальных технологий.

Четвертая глава описывает практические эксперименты по применению метода восстановления взаимосвязей бизнес-процессов и оптимизации организационной структуры, исходя из создания стоимости, на примере различных департаментов компании ООО «Газпромнефть НТЦ», учитывая необходимость перераспределения времени сотрудников для минимизации затрат на выполнение цепочки.

Похожие диссертационные работы по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК

Заключение диссертации по теме «Управление в социальных и экономических системах», Буханов Никита Владимирович

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационного исследования:

— разработаны персонифицированная модель цифрового образа сотрудника и модель цифрового образа команды с основным фокусом на описание и оптимизацию трудовых ресурсов, включающая: модель заболеваний, компетенций, динамики корпоративной переписки и анализа соавторства в открытых источниках;

— разработан метод формализации взаимосвязей бизнес-процессов, извлеченных из различных косвенных корпоративных источников информации, учитывающий неопределенность структуры этих процессов;

— разработан метод определения взаимосвязей между параметрами похожих месторождений нефти и газа с целью оценки влияния каждого параметра на процесс принятия решений по разведке и разработке активов компании;

— проведены экспериментальные исследования и оценена качественная и количественная эффективность использования разработок глав 2 и 3 для синтеза организационных структур в рамках существующей цепочки создания стоимости.

Для задачи составления комитетов показано, что метод их синтеза по оценке вклада с помощью аппарата байесовских сетей повышает разнородность участников и решает задачу эффективнее текущих методов в компании на 30-40 %.

Для задачи выделения слабоформализованных цепочек бизнес-процессов применение разработанных методов на основе байесовских сетей показало повышение коэффициента сетевых трудозатрат на ~6 % по сравнению с экспертными оценками (т.е. система работает не хуже высококвалифицированного эксперта).

Для оценки эффекта от внедрения модуля цифрового прототипа "Графологи" синтезированы слабоформализованные цепочки для трех бизнес-кейсов использования прототипа: Геологоразведка, Разработка, Экономика. Эксперты ООО "Газпромнефть НЦТ" оценили сокращение трудозатрат при использовании синтезированных цепочек на 45, 36 и 10 % соответственно.

Развитие темы диссертационного исследования возможно в направлении добавления источников информации для восстановления связей бизнес-процессов, описания многомерной иерархии цепочек создания стоимости и развития числа отраслевых задач, решаемых с использованием алгоритмов машинного обучения.

Список литературы диссертационного исследования кандидат наук Буханов Никита Владимирович, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Jenaibi S., Mzaini T., Saputelli L., Hafez H., Mata C., Narayanan R., Mogensen K., Mohan R., Charles F., Mammadov Z., Escorcia A., Mijares G., Rodriguez J., Hernandez C. Value Chain Optimization in Oil & Gas Companies - Integrated Workflows // SPE Abu Dhabi International Petroleum Exhibition & Conference - 2019, pp 1-5.

2. Schmitt J., Schaefer F., Aarburg S., Chevallier J., Held R. A Strategic Company Approach towards Understanding Sealing Mechanisms and their Impact on the E&P Value Chain // EAGE Fifth International Conference on Fault and Top Seals - 2019, pp 1-4.

3. Belaid N., Ait-Ameur Y., Jean S., Rainaud J. Towards a semantic management of geological modeling workflows // Proceedings of the International Conference on Knowledge Engineering and Ontology Development - 2010, pp 282-287.

4. Berkhout A. The data-driven seismic value chain, providing a business context for the velocity issue // Geophysical Prospecting - 2004, pp 481-487.

5. Robinson R., Counting labeled acyclic digraphs // New Dir. theory graphs - 1973, pp 239-273.

6. Scutari M., Graafland C., Gutiérrez J. Who learns better Bayesian network structures: Accuracy and speed of structure learning algorithms // Int. J. Approx. Reason - 2019, pp 235-253.

7. Masoudi P., Asgarinezhad Y., Tokhmechi B. Feature selection for reservoir characterisation by Bayesian network // Arab. J. Geosci - 2015, pp 3031-3043.

8. Martinelli G., Eidsvik J., Sinding-Larsen R., Rekstad S., Mukerji T. Building Bayesian networks from basin-modelling scenarios for improved geological decision making // Pet. Geosci - 2013, 289-304.

9. Raiffa H., Schlaifer R. Applied statistical decision theory - 1961.

10. Visscher S., Lucas P., Flesch I., Schurink K. Using Temporal Context-Specific Independence Information in the Exploratory Analysis of Disease Processes // Lecture Notes in Computer Science - 2007, pp. 87-96.

11. Clauset A., Newman M., Moore C. Finding community structure in very large networks // Phys. Rev. E. Stat. Nonlin. Soft Matter Phys - 2005, pp. 066111.

12. Parés F. et al. Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm // Complex Networks & Their Applications VI - 2017, pp. 229-240.

13. Girvan M., Newman M. Community structure in social and biological networks // PNAS - 2002, pp 7821-7826.

14. Fortunato S. Community detection in graphs // Phys. Rep - 2010, pp. 75-174.

15. Newman M. Modularity and community structure in networks // Proc. Natl. Acad. Sci. U. S. A - 2006, pp. 8577-8582.

16. Liben-nowell D., Kleinberg J. The Link Prediction Problem for Social Networks // J. Am. Soc. Inf. Sci. Technol - 2003, pp. 1019-1031.

17. Zhou T., Lü L., Zhang Y.-C. Predicting missing links via local information // Eur. Phys. J. B - 2009, pp. 623-630.

18. Soundarajan S., Hopcroft J. Using community information to improve the precision of link prediction methods // WWW'12 - Proc. 21st Annu. Conf. World Wide Web Companion - 2012, pp. 607-608.

19. Boccaletti S. et al. The structure and dynamics of multilayer networks // Physics Reports - 2014, pp. 1-122.

20. Boccara N. Modeling Complex Systems // New York: Springer New York, 2010.

21. Quax R., Apolloni A., Sloot P. Towards understanding the behavior of physical systems using information theory // Eur. Phys. J. Spec. Top - 2013, pp. 1389-1401.

22. Behrendt S., Richer A., Riemer K. Conceptualisation of digital traces for the identification of informal networks in enterprise social networks // Proceedings of the 25th Australasian Conference on Information Systems - 2014, pp. 1389-1401.

23. Cai M. et al. Multiplex network analysis of employee performance and employee social relationships // Phys. A Stat. Mech. its Appl - 2018, pp. 1-12.

24. Takes F.W. et al. Multiplex network motifs as building blocks of corporate networks // Appl. Netw. Sci - 2018, pp. 39.

25. Jeude J., Aste T., Caldarelli G. The multilayer structure of corporate networks // New J. Phys - 2019, pp. 025002.

26. Yuan J. et al. Promotion and resignation in employee networks // Phys. A Stat. Mech. its Appl - 2016, pp. 442-447.

27. Zuber F. Spread of Unethical Behavior in Organizations: A Dynamic Social Network Perspective // J. Bus. Ethics - 2015, pp. 151-172.

28. Azevedo L., Souza R., Brandao R., Lourenco V., Costalonga M., Machado M., Moreno M., Cerqueira R. Adding Hyperknowledge-enabled data lineage to a machine learning workflow management system for oil and gas // First Break - 2020, pp. 89-93.

29. Thurner S., Liu W., Klimek P., Cheong S. The role of mainstreamness and interdisciplinarity for the relevance of scientific papers // PLOS One - 2020, pp. e0230325.

30. Haug N., Deischinger C., Gyimesi M., Kautzky-Willer A., Thurner S., Klimek P. High-risk multimorbidity patterns on the road to cardiovascular mortality // BMC Medicine -2020, pp. 1-12.

31. Blei D., Kaelbling L. Shortest paths in a dynamic uncertain domain // IJCAI Workshop - 1999, pp. 2-12.

32. Bertotti M., Modanese G. The Bass Diffusion Model on Finite Barabasi-Albert Networks // Complexity - 2019.

33. Asmussen P., Conrad O., Gunther A., Kirsch M., Riller U. Semi-automatic segmentation of petrographic thin section images using a "seed-region growing algorithm" with an application to characterize weathered subarkose sandstone // Computers and Geosciences -2015, pp. 89-99.

34. Halotel J., Demyanov V., Gardiner A. Value of Geologically Derived Features in Machine Learning Facies Classification // Mathematical Geosciences - 2019, pp. 5-29.

35. Wu X., Shi Y., Geng Z., Fomel S. Building realistic structure models to train convolutional neural networks for seismic structural interpretation // Geophysics - 2019, pp. WA27-WA39.

36. Demyanov V., Foresti L., Kanevski M., Christie M. Multiple Kernel Learning Approach for Reservoir Modelling // ECMOR XII - 12th European Conference on the Mathematics of Oil Recovery - 2010, pp. 163-00043.

37. Mumtaz S., Pene I., Latif A., Giese M. Data-based support for petroleum prospect evaluation // Earth Science Informatics - 2020, pp. 1-20.

38. Perez-Valiente M., Rodriguez M., Santos C., Vieira M., Embid S. Identification of reservoir analogues in the presence of uncertainty // SPE - 2014, pp. 1-5.

39. Aydin O., Assuncao R., Janikas R., Lee T. SKATER-CON: Unsupervised Regionalization via Stochastic Tree Partitioning within a Consensus Framework Using Random Spanning Trees // ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery - 2018, pp. 32-42.

40. Dali G., Kai Z., Liang W., Jiaqi L., Jiangwen X. A new methodology for identification of protentional pay zones from well logs: Intelligent system establishment and application in the Eastern Junggar Basin, China // Petroleum Science - 2018, pp. 258-264.

41. Fedorova E., Bukhanov N., Baranov V. Synthetic Seismic Models Construction for Detailed Geological Outcrop Description // EAGE Saint-Petersburg Proceedings - 2016, pp. 480-00183.

42. Belozerov B., Bukhanov N., Egorov D., Zakirov A., Osmonalieva O., Golitsyna M., Reshytko A., Semenikhin A., Shindin E, Lipets V. Automatic Well Log Analysis Across

Priobskoe Field Using Machine Learning Methods // SPE Russian Petroleum Technology Conference - 2018, pp. 1-6.

43. Reshitko A., Golytsyna M., Gruzdev A., Semenikhin A., Egorov D., Bukhanov N., Osmonalieva O., Belozerov B. Robustness Of Extra Net Thickness Identification Within Vertical And Spatial Scale Using Statistical Learning Methods // ECMOR XVI-16th European Conference on the Mathematics of Oil Recovery - 2018, pp. 1-9.

44. Sural S., Qian G., Pramanik S. Segmentation and histogram generation using the HSV color space for image retrieval // International Conference on Image Processing Proceedings - 2002, pp. II-II.

45. Coleou T., Poupon M., Azbel A. Unsupervised seismic facies classification: A review and comparison of techniques and implementation // The Leading Edge - 2003, pp. 942953.

46. Rotaru A., Rukavishnikov V. Description and comparison of Bazhenov reservoir models // EAGE Tyumen - 2015, pp. 1-10.

47. Chopra S., Marfurt K. Seismic facies classification using some unsupervised machine learning methods // SEG Technical Program Expanded Abstracts - 2018, pp. 20562060.

48. Janoos F., Denli H., Subrahmanya N. Multi-scale Graphical Models for SpatioTemporal Processes. NIPS - 2014, pp. 316-324.

49. Silva R., Gualda L., Lima L., Brazil E., Cerqueira R., Paula R., Mello U. Sensitivity analysis in a machine learning methodology for reservoir analogues // Rio Oil & Gas Expo and Conference - 2018, pp. 1-10.

50. Lundberg S., Erion G., Chen H., DeGrave A., Prutkin J., Nair B., Katz R., Himmelfarb J., Bansal N., Lee S. From local explanations to global understanding with explainable AI for trees // Nature Machine Learning - 2020, pp. 235-251.

51. Kursa M., Rudnicki W. Feature Selection with the Boruta Package // Journal of Statistical Software - 2010, pp. 1-13.

52. Sun S., Sloan R. Quantification of uncertainty in recovery efficiency predictions: lessons learned from 250 mature carbonate fields // SPE - 2003, pp. 1-10.

53. Melnikova O., Belozerov B., Paveleva Y. CESI Is a Numerical Approach for Oil Field Study Optimization // First EAGE Digitalization Conference and Exhibition - 2020, pp. 15.

54. Runge J., Hlinka J., Donges J., Jajcay N. Identifying causal gateways and mediators in complex spatio-temporal systems // Nature communications - 2015, pp. 1-10.

55. Koller D., Friedman N. Probabilistic Graphical Models. The MIT Press. 2009.

56. Constantinou A., Yet B., Fenton N., Neil M., Marsh W. Value of Information Analysis for Interventional and Counterfactual Bayesian Networks in Forensic Medical Sciences // Artificial Intelligence in Medicine - 2015, pp. 41-52.

57. Tsamardinos I., Brown L., Aliferis C. The Max-Min Hill-Climbing Bayesian Network Structure Learning Algorithm // Machine Learning - 2006, pp. 31-78.

58. Yet B., Constantinou A., Fenton N., Neil M. Expected Value of Partial Perfect Information in Hybrid Models Using Dynamic Discretization // IEEE Access - 2017, pp. 78027817.

59. Montes F., Jaramillo A., Meisel J., Diaz-Guilera A., Valdivia J., Sarmiento O., Zarama R. Benchmarking seeding strategies for spreading processes in social networks: an interplay between influencers, topologies and sizes // Nature Scientific Reports - 2020, pp. 1-12.

60. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // PNAS - 2013, pp. 5802-5805.

61. Safavi T., Juraszek M., Fourney A., Williams S., Sim R., Friend N, Koutra D., Bennett P. Toward Activity Discovery in the Personal Web // WSDM - 2020, pp. 492-500

62. Zhou F., Lu L., Mariani M. Fast influencers in complex networks // Commun Nonlinear Sci Numer Simulat - 2019, pp. 69-83.

63. Yang L., Dumais S., Bennett P., Awadallah A. Characterizing and Predicting Enterprise Email Reply Behavior // SIGIR - 2017, pp. 235-244.

64. Faruqui S., Alaeddini A., Jaramillo C., Potter J., Pugh M. Mining patterns of comorbidity evolution in patients with multiple chronic conditions using unsupervised multilevel temporal Bayesian network // PLOS One - 2018, pp. e0199768.

65. Jeong E., Ko K., Oh S., Han H. Network-based analysis of diagnosis progression patterns using claims data // Nature scientific reports - 2017, pp. 1-12.

66. Zhang J., Pennebaker J., Dumais S., Horvitz E. Configuring Audiences: A Case Study of Email Communication // ACM Hum.-Comput. Interact - 2020, pp. 80-84.

67. Mauro S., Greco M., Grimaldi M., Ritala P. Human resources for Big Data professions: A systematic classification of job roles and required skill sets // Information Processing and Management - 2017, pp. 807-817.

68. Chopra S., Golab L. Job Description Mining to Understand Work-Integrated Learning // Proceedings of the 11th International Conference on Educational Data Mining -2018, pp. 1-11.

69. Har-Shemesh O., Quax R., Lansing J., Sloot P. Questionnaire data analysis using information geometry // Nature scientific reports - 2020, pp. 1-9.

70. Pegoraro M., Uysal M., Aalst W. Discovering Process Models from Uncertain Event Data // International Workshop on Business Process Intelligence - 2019, pp. 1-14.

71. Wu L., Wang D., Evans J. Large teams develop and small teams disrupt science and technology // Nature Letters - 2018, pp. 378-382.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Перечень публикаций по результатам диссертации (WoS/Scopus):

1. Melnikov M., Shishaev G., Matveev I., Eremyan G., Demyanov V., Bukhanov N., Belozerov B. An Optimization Method for the Assisted History Matching (AHM) Process using the Gradient Boosting Approach // EAGE/AAPG Digital Subsurface for Asia Pacific Conference 2020 - 2020, pp. 1-3.

2. N. Bukhanov, P. Trudkov, E. Vinogradova, I. Derevitskii, K. Balabaeva, A. Funkner, S. Kovalchuk. Computational approach for data-driven mining of upstream value-added structures // EAGE/AAPG Digital Subsurface for Asia Pacific Conference 2020 - 2020, pp.1-5.

3. Kovalchuk S., Funkner A., Balabaeva K., Derevitskii I., Fonin V., Bukhanov N. Towards Modeling of Information Processing within Business-Processes of Service-Providing Organizations // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2020, Vol. 12137 LNCS, pp. 667-675.

4. Закиров А., Кирьянов Е., Буханов Н., Белозеров Б., Кульневич А., Чугунов Р., Сливкин С. Когнитивные технологии исследования информационных массивов для восстановления неявных знаний и данных // Нефтяное хозяйство [Neftyanoe khozyaystvo - Oil Industry] - 2018. - № 12. - С. 76-78.

5. Bukhanov N., Balakhontceva M., Kovalchuk S., Zvartau N., Konradi A. Multiscale modeling of comorbidity relations in hypertensive outpatients // Procedia Computer Science - 2017, Vol. 121, pp. 446-450.

6. Bukhanov N., Balakhontceva M., Krikunov A., Sabirov A., Semakova A., Zvartau N., Konradi A. Clustering of comorbidities based on conditional probabilities of diseases in hypertensive patients // Procedia Computer Science - 2017, Vol. 108, pp. 2478-2487.

Прочие публикации автора, связанные с прикладной областью диссертации:

7. Voskresenskiy A., Bukhanov N., Fillipova Z., Brandao R., Segura V., Vital Brazil E. Feature selection for reservoir analogues similarity ranking as model-based causal inference // ECMOR XVII 2020 - 2020, pp 1-9.

8. Grishnyaev E., Paveleva Y., Klimenko N., Volkova A., Bukhanov N., Orlov A., Ozhgibesov M. Well placement strategies evaluation based on exploration game

challenge // EAGE/AAPG Digital Subsurface for Asia Pacific Conference 2020 - 2020, pp.1-5.

9. Voskresenskiy A., Butorina M., Popova O., Bukhanov N., Filippova Z., Brandao R., Segura V., Vital Brazil E. Variations in ranked list of reservoir analogs as an effect of search preferences // Proceedings of EAGE Saint-Petersburg 2020 - 2020. (in press)

10. Churochkin I., Volkova A., Gavrilova E., Bukhanov N., Butorin A., Rukavishnikov V. Comparison of Seismic Traces Clustering Efficiency of Different Unsupervised Machine Learning Algorithms in Forward Seismic Models // 81st EAGE Conference and Exhibition 2019 - 2019, pp. 1317.

11. Voskresenskiy A., Buckanov N. Spatial Zonation of the Field by One-Dimensional Signal Clustering in Order to Improve Quality of History Matching // 6th Scientific Conference - Tyumen 2019 - 2019. - р. 1329.

12. Bukharev A., Budennyy S., Pachezhertsev A., Belozerov B., Zhukovskaya E., Bukhanov N. Automatic Analysis Of Petrographic Thin Section Images Of Sandstone // 16th European Conference on the Mathematics of Oil Recovery, ECMOR 2018 - 2018.

13. Egorov D., Bukhanov N., Osmonalieva O., Belozerov B., Reshytko A., Golitsyna M., Semenikhin A. Incorporation of experts' experience into machine learning models using well logs analysis for Priobskoye and Muravlenkovskoye brownfields // Нефтяное хозяйство [Neftyanoe khozyaystvo - Oil Industry] - 2017. - № 12. - рр. 28-31.

14. Bukhanov N., Belozerov V., Demyanov V., Evdokimov A. Classification of Bazhenov Formation Using Seismic Traces // EAGE/SPE Joint Workshop on Shale Oil 2015 -2015, pp 1-5.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.