Методы интерпретации математических моделей нефтегазовой отрасли на основе ретроспективных данных тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Воскресенский Антон Георгиевич

• Воскресенский Антон Георгиевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Воскресенский Антон Георгиевич

Содержание

Реферат

Synopsis

Введение

ГЛАВА 1. Цифровые двойники в нефтегазовой отрасли

1.1 Цифровые двойники объектов техники и технологий

1.2 Технологии создания цифровых двойников

1.3 Практика применения цифровых двойников в нефтегазовой отрасли

1.4 Математическое моделирование процессов нефтегазовой отрасли

1.5 Анализ и моделирование процессов нефтегазовой отрасли на

основе данных

1.6 Постановка задачи интерпретации моделей цифрового двойника

в нефтегазовой отрасли

1.6.1 Методы для заполнения пропусков в исходных данных и оценки влияния объясняющих переменных для математического моделирования

1.6.2 Методы для выявления неоднородности в данных для математического моделирования

1.6.3 Методы для калибровки математических моделей и суррогатного моделирования

1.7 Выводы

ГЛАВА 2. Метод и вычиелительные алгоритмы заполнения пропусков в промысловых нефтегазовых данных и оценки влияния объясняющих переменных для математического моделирования

2.1 Метод предсказания неизвестных параметров скважин по геофизическим данным и оценки влияния объясняющих переменных на предсказание математических моделей

2.2 Применение методов заполнения пропусков и оценки влияния объясняющих переменных для задачи многоклассовой классификации

2.3 Применение метода заполнения пропусков для восстановления пропусков в массивах геофизических данных

2.4 Применение методов заполнения пропусков в массивах характерзующих геофизические данные и оценки влияния объясняющих переменных для задачи бинарной классификации

2.5 Применение метода заполнения пропусков в геофизических массивах данных и интерпретации полученных моделей

2.6 Выводы. Программная реализация метода и алгоритмов

ГЛАВА 3. Метод и вычислительные алгоритмы для выявления неоднородности в данных для математических моделирования

3.1 Постановка задачи

3.1.1 Задача поиска месторождений-аналогов в нефетегазовой отрасли

3.1.2 Задача моделирования и анализа параметров

резервуаров в нефетегазовой отрасли

3.2 Алгоритм смешанного обучения байесовских сетей для моделирования параметров нефтегазовых резервуаров

3.3 Применение метода восстановления параметров с помощью обучения байесовских сетей на выборках схожих резервуарах

3.4 Применение метода восстановления параметров с помощью обучения байесовских сетей на выборках схожих резервуаров

для моделирования параметров нефтегазовых резервуаров

3.5 Оценка влияния параметров резервуара на распределения характеристик схожих резервуаров используя меру близости

3.6 Анализ неоднородности параметров нефтегазовых месторождений с использованием байесовских сетей для моделирования параметров резервуаров

3.7 Метод кластеризации на основе байесовских сетей для поиска резервуаров-аналогов

3.8 Примение байесовых сетей для оценки неоднородности в данных характеризующих месторождения-аналоги

3.9 Выводы. Программная реализация метода и алгоритмов

ГЛАВА 4. Метод и вычиелительные алгоритмы для калибровки математических моделей и суррогатного моделирования дебитов скважин

4.1 Метод калибровки гидродинамических моделей для прогонозирования дебитов скважин

4.2 Метод суррогатного моделирования дебитов скважин

4.3 Метод определения взаимовлияния скважин для гидродинамического моделирования

4.4 Применение метода калибровки математической модели к

задаче прогнозирования дебитов скважин

4.5 Применение метода суррогантного моделирования скважин к задаче прогнозирования дебитов скважин

4.5.1 Вычислительный эксперимент на синтетических данных

4.5.2 Вычислительный эксперимент на данных месторождения COSTA

4.5.3 Вычислительный эксперимент на реальных данных данных269

4.6 Применение метода суррогатного моделирования к задаче

оценки связности скважин резервуара

4.7 Выводы. Программная реализация метода и алгоритмов

Заключение

Список сокращений и условных обозначений

288

Список литературы

Тексты публикаций

313

Введение диссертации (часть автореферата) на тему «Методы интерпретации математических моделей нефтегазовой отрасли на основе ретроспективных данных»

Реферат

Актуальность исследования. Нефтегазовая отрасль является активным потребителем инструментов математического моделирования, реализуемых в инженерном программном обеспечении. Сложность процессов добычи нефти и газа, а также необходимость решения широкого спектра практических задач в условиях ограниченной наблюдаемости, таких как прогнозирование дебитов нефтегазовых скважин и оценка их связности, оценка состояния резервуаров, обеспечение полноты массивов геофизических данных, делает математическое моделирование незаменимым инструментом для анализа и управления технологическими процессами. В данной сфере в России значительный вклад внесли научные школы М.М. Хасанова, Н. А. Еремина и А. Б. Золотихина. В настоящее время математические модели в нефтегазовой сфере объединяются в цифровые двойники (ЦД), позволяющие предметным специалистам решать такие задачи, как ускорение ввода месторождений в эксплуатацию, оптимизация добычи нефти и газа, и снижение операционных затрат. Однако процедура комплексирования моделей в ЦД все еще остается трудоемкой и требует участия высококвалифицированных специалистов. Как правило, математические модели различных процессов в составе ЦД опираются на разные физические принципы и математический аппарат, и не всегда согласуются по входным и выходным данным. Это требует кропотливой процедуры интеграции, до недавнего времени обычно выполняемой вручную. Однако с развитием технологий больших данных и машинного обучения (МО) открылись новые возможности для автоматизации процессов настройки моделей и их комплексирования в составе ЦД, что позволит не только сократить трудозатраты, но и снизить требования к квалификации специалистов, сопровождающих ЦД на производстве. Несмотря на существенный интерес к этой теме в последние годы, отразившийся в России в работах М.А. Басырова, А.А., Облецова, Б.Г. Ганиева, предлагаемые решения относятся лишь к отдельным этапам моделирования, и не решают проблему ком-плексирования моделей ЦД в целом. Таким образом, видится целесообразным

необходимость создания отдельного семейства методов математического моделирования, направленных не на автономное улучшение отдельных моделей и вычислительных процедур ЦД, а на обеспечение их бесшовной и согласованной работы на основе методов интерпретации натурных и расчетных данных с применением технологий МО, что и определяет актуальность исследования.

Объект исследования. Цифровые двойники и математические модели резервуаров нефтегазовых месторождений.

Предмет исследования. Методы интерпретации математических моделей, выявления неоднородностей в данных, калибровки и суррогатного моделирования на основе данных.

Цель исследования: повышение качества 1 математического моделирования в нефтегазовой отрасли путем дополнения ЦД резервуарных месторождений программными реализациями методов и вычислительных алгоритмов для интерпретации и согласования результатов численных расчетов и натурных данных.

Задачи исследования:

1. Сформулировать общую постановку задачи интерпретации моделей ЦД с использованием методов машинного обучения на основе аналитического обзора предметной области.

2. Разработать и экспериментально исследовать методы и алгоритмы для заполнения пропусков и оценки вклада объясняющих переменных в предсказание моделей ЦД на данных.

3. Разработать и экспериментально исследовать методы и вычислительные алгоритмы выявления неоднородностей и структурных зависимостей в данных ЦД.

4. Разработать и экспериментально исследовать методы и вычислительные алгоритмы калибровки моделей ЦД и выполнения суррогатного моделирования на их основе.

1 Характеризуется балансом точности моделирования и скорости выполнения расчетов, конкретные метрики приведены в диссертации.

5. Разработать комплекс программ, обеспечивающий использование разработанных методов и вычислительных алгоритмов в ЦД резервуаров нефтегазовых месторождений.

Научная новизна работы состоит в том, что разработано семейство взаимосвязанных методов и реализующих их вычислительных алгоритмов, позволяющих на единой основе комплексировать состав ЦД резервуаров нефтегазовых месторождений, объединяя петрофизические, геологические и гидродинамические и модели. Ключевым преимуществом предлагаемого подхода является минимизация участия человека в настройке вычислительных моделей ЦД и согласовании входных и выходных данных посредством применения методов интерпретации моделей, основанных на технологиях МО.

Теоретическая значимость. Исследование закладывает теоретические основы для автоматизации процессов комплексирования ЦД в различных предметных областях, содержащих математические модели, основанные на различных принципах и описывающие явления различной физической природы. Предлагаемый подход к интерпретации и согласованию математических моделей позволяет существенно снизить требования к компетенциям отраслевых специалистов, использующих и сопровождающих ЦД, в части математического моделирования.

Практическая значимость заключается в том, что в диссертации разработан комплекс программ, улучшающий решение практических задач прогнозирования и оптимизации процесса добычи нефти, элементы которого используются 2 в работе нефтедобывающейих компаниий «Сауди Арамко» и ПАО «Роснефть».

Методы исследования: машинное обучение, методы оптимизации и анализа чувствительности, методы моделирование на данных, анализ и обработка сигналов, математическая статистика, методы инженерии ПО.

На защиту выносятся:

1. Метод и вычислительные алгоритмы заполнения пропусков в геофизических данных, отличающиеся применением аппарата чисел Шепли для

2Комплекс программ создавался в рамках хоздоговорных работ с компаниями, права на интеллектуальную собственность принадлежат заказчикам.

оценки вклада объясняющих переменных с учетом априорной информации о моделируемом объекте.

2. Метод и вычислительные алгоритмы для выявления неоднородностей и структурных зависимостей в массивах характеристик месторождений, отличающиеся использованием байесовских сетей, обучаемых на смешанных 3 типах данных без предварительной дискретизации.

3. Метод и вычислительные алгоритмы для калибровки математических моделей и суррогатного моделирования дебитов скважин, отличающиеся совместным применением методов кластеризации и нейросетевого моделирования пространственных связей между скважинами.

Достоверность научных положений, выводов и практических рекомендаций, полученных в рамках данной диссертационной работы, подтверждается корректным обоснованием постановок задач, точной формулировкой критериев, результатами тестирования на выборках различной природы и сопоставлением с данными натурных наблюдений. Косвенно достоверность подтверждается публикациями в научных изданиях, из списка Scopus, а также представлением основных положений на ведущих международных конференциях.

Апробация результатов работы

Результаты исследования представлялись для обсуждения на следующих научно-методических конференциях: EAGE Tyumen 2019 (Тюмень, Россия), ECMOR 2020 (Эдинбург, Шотландия), EAGE Saint Petersburg 2020 (Санкт-Петербург, Россия), Data Science in Oil&Gas 2020 (Новосибирск, Россия), Abu Dhabi International Petroleum Conference 2021 (Абу-Даби, ОАЭ), ICCS 2021 (Краков, Польша), ADIPEC 2021 (Абу-Даби, ОАЭ), Second EAGE Digitalization Conference 2022 (Вена, Австрия), Second EAGE Subsurface Intelligence Workshop 2022 (Монана, Бахрейн), ECMOR 2022 (Гаага, Нидерланды), ADIPEC 2023 (Абу-Даби, ОАЭ). Результаты исследования представлялись в журнале Geoenergy Science and Engineering (2024).

3Как дискретных, так и непрерывных.

Личный вклад автора

Личный вклад автора состоит в выполнении основного объема приведённых в диссертационной работе теоретических и экспериментальных исследований. Автором лично проведен анализ современных подходов к решению задачи интерпретации моделе цифрового двойника резервуара в нефтегазовой отрасли, произведен выбор наиболее важных частей цифрового двойника, разработаны функции цифрового двойника, разработана схема объединения модулей цифрового двойника. Подготовка ключевых публикаций проводилась совместно с соавторами, при этом вклад автора был основным.

Публикации Основное содержание диссертации опубликовано в 9 статьях, из них 9 публикаций в изданиях, рецензируемых в WoS/Scopus:

1. Voskresenskii A., Pakhomov M., Katterbauer K. Leveraging the Power of Spatial-Temporal Information with Graph Neural Networks as the Key to Unlocking More Accurate Flow Rate Predictions//Society of Petroleum Engineers - ADIPEC, ADIP 2023, 2023, pp. 1-15

2. Subbotina M., Voskresenskii A., Shakirov A., Bukhanov N. Prediction Sequence Optimization Guided by Similarity of Well Logs//European Conference on the Mathematics of Geological Reservoirs 2022, ECMOR 2022, 2022, Vol. 2022, pp. 1-9

3. Subbotina M., Voskresenskiy A., Bukhanov N.V. Interpretability of geological relationships within fluid flow simulations//2nd EAGE Digitalization Conference and Exhibition, 2022, pp. 1-6

4. Deeva I., Bubnova A., Andriushchenko P.D., Voskresenskiy A., Bukhanov N.V., Nikitin N.O., Kalyuzhnaya A.V. Oil and Gas Reservoirs Parameters Analysis Using Mixed Learning of Bayesian Networks//Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2021, Vol. 12742, pp. 394-407

5. Voskresenskiy A., Bukhanov N.V., Kuntsevich M., Popova O., Goncharov A.S. Rock Type Classification Models Interpretability Using Shapley Values//Society of Petroleum Engineers - Abu Dhabi International Petroleum Exhibition and Conference, ADIP 2021, 2021, pp. 1-5

6. Андрющенко П.Д., Деева И.Ю., Калюжная А.В., Бубнова А.В., Воскресенский А.Г., Буханов Н.В. Анализ параметров нефтегазовых месторождений с использованием байесовских сетей// Интеллектуальный анализ данных в нефтегазовой отрасли: сборник тезисов конференции, 2020, С. 1-10

7. 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//Saint Petersburg 2020 - Geosciences: Converting Knowledge into Resources, 2020

8. Voskresenskiy A., Bukhanov N.V., Filippova Z., Brandao R., Segura V., Brazil E. Feature Selection for Reservoir Analogues Similarity Ranking As ModelBased Causal Inference//17th European Conference on the Mathematics of Oil Recovery, ECMOR 2020, 2020, pp. 1-9

9. Воскресенский А.Г., Буханов Н.В., Шишаев Г. Зонирование месторождения с помощью кластеризации одномерных сигналов с целью повышения точности автоадаптации на историю добыч // 6th Scientific Conference -Tyumen 2019, 2019, С. 1-5

Объем и структура диссертации

Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Материал изложен на 398 страницах, включает 27 таблиц и 148 рисунков. В список использованных источников входит 182 наименований.

Заключение диссертации по теме «Другие cпециальности», Воскресенский Антон Георгиевич

Заключение

В рамках данной диссертационной работы были получены следующие результаты:

1. Сформулирована общая постановка задачи комплексирования ЦД как задача интерпретации математических моделей на основе натурных данных с использованием методов МО.

2. Разработаны метод и вычислительные алгоритмы для заполнения пропусков в данных и оценки вклада объясняющих переменных в предсказания моделей на основе чисел Шепли, что позволяет повысить точность математического моделирования на 11-37%.

3. Разработаны метод и вычислительных алгоритмов выявления неоднород-ностей и структурных зависимостей в данных на основе байесовых сетей, увеличивающий точность восстановления параметров на 5-79%.

4. Разработаны методы калибровки моделей и суррогатного моделирования дебита скважин на основе кластеризации моделируемых сигналов и нейро-сетевого моделирования, сокращающие временные затраты на калибровку в 2 раза. Эксперименты на натурных данных подтверждают адекватность моделирования с отклонением в среднем на 2-20% в терминах метрики MAPE.

5. Разработано комплекс программ - семейство программных решений для использования в составе ЦД резервуаров нефтегазовых месторождений. Методы и алгоритмы, разработанные в рамках данной диссертации, были реализованы с использованием программного обеспечения на языке Python и следующих библиотек и фреймворков: Docker, NumPy, Pandas, Scikit-learn, NetworkX, CatBoost, PyTorch, Matplotlib, SciPy и SHAP.

Вычислительные эксперименты демонстрируют способность разработанных методов значимо улучшить точность и (или) скорость моделирования в нефтегазовой отрасли. Предложенные методы также обеспечивают интерпретируе-

мость результатов моделирования внутри ЦД. Таким образом, поставлена цель работы в части повышения качества моделирования - достигнута.

В дальнейшем диссертационное исследование может быть развито в части адаптации предложенных методов для других типов данных, что позволит расширить их применение в смежных областях нефтегазовой отрасли. Дополнительно, перспективной задачей является развитие алгоритмов для адаптивного обновления моделей в режиме реального времени на основе новых данных, что обеспечит более оперативное и качественное моделирование при изменяющихся условиях эксплуатации месторождений.

Список литературы диссертационного исследования кандидат наук Воскресенский Антон Георгиевич, 2024 год

Список литературы

1. Voskresenskii A., Pakhomov M., Katterbauer K. Leveraging the Power of Spatial-Temporal Information with Graph Neural Networks as the Key to Unlocking More Accurate Flow Rate Predictions. — 2023. — 10. — Vol. Day 3 Wed, October 04, 2023. — P. D031S108R002. — URL: https://doi.org/10. 2118/216812-MS.

2. Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration / Nick Brown, Anna Roubi ckova, Ioanna Lampaki et al. // Concurrency and Computation: Practice and Experience. — 2020. — jan. — Vol. 32, no. 20. — URL:

3. Petrophysical Workflows // Petrophysics: A Practical Guide. — John Wiley Sons, Ltd, 2015. — Pp. 115-126. — URL: https://onlinelibrary.wiley.com/doi/ abs/10.1002/9781119117636.ch7.

4. Mayani M., Svendsen M., Oedegaard S. Drilling Digital Twin Success Stories the Last 10 Years. — 2018. — 04.

5. Nadhan D., Mayani M. G., Rommetveit R. Drilling with digitaltwins // Proc. IADC/SPE Asia Pacific Drilling Technology Conference and Exhibition. — 2018. — Pp. 1-18.

6. Poddar Tushar. Digital Twin Bridging Intelligence Among Man, Machine and Environment. — 2018. — 03.

7. Mohr J.P. Tech. Rep.: : Hashplay, San Francisco, CA, USA, 2018.

8. Accelerating Well Construction Using a Digital Twin Demonstrated on Unconventional Well Data in North America / Gurtej Saini, Pradeepkumar Ashok, Eric van Oort, Matthew Isbell. — 2018. — 01.

9. RB-FEA Based Digital Twin for Structural Integrity Assessment of Offshore Structures / Partha Sharma, David J. Knezevic, Phuong Huynh, Grze-gorz Malinowski. — 2018. — URL: https://api.semanticscholar.org/CorpusID: 116856513.

10. Tech. Rep.: — М.: Федеральное государственное унитарное предприятие "Российский федеральный ядерный центр — Всероссийский научно-исследовательский институт экспериментальной физики"(ФГУП "РФЯЦ-ВНИИЭФ") совместно с Санкт-Петербургским политехническим университетом Петра Великого, 2022. — Дата вступления в силу: 01.01.2022.

11. Barricelli Barbara, Casiraghi Elena, Fogli Daniela. A Survey on Digital Twin: Definitions, Characteristics, Applications, and Design Implications // IEEE Access. — 2019. — 11. — Vol. PP. — Pp. 1-1.

12. Cameron David, Waaler Arild, Komulainen Tiina. Oil and Gas digital twins after twenty years. How can they be made sustainable, maintainable and useful? — 2018. — 11. — Pp. 9-16.

13. Digital Twin Data Modeling with AutomationML and a Communication Methodology for Data Exchange / Greyce Schroeder, Charles Steinmetz, Carlos Pereira, Danubia Espindola // IFAC-PapersOnLine. — 2016. — 12. — Vol. 49.

14. Sensor Data and Information Fusion to Construct Digital-twins Virtual Machine Tools for Cyber-physical Manufacturing / Yi Cai, Binil Starly, Paul Cohen, Yuan-Shin Lee // Procedia Manufacturing. — 2017. — 12. — Vol. 10. — Pp. 1031-1042.

15. West Timothy, Blackburn M.R. Is Digital Thread/Digital Twin Affordable? A Systemic Assessment of the Cost of DoD's Latest Manhattan Project // Procedia Computer Science. — 2017. — 12. — Vol. 114. — Pp. 47-56.

16. Developing a Digital Twin for Floating Production Systems Integrity Management / David Renzi, Dilip Maniar, S. Mcneill, Cesar Del Vecchio. — 2017. — 10.

17. LaGrange Elgonda. Developing a Digital Twin: The Roadmap for Oil and Gas Optimization. — 2019. — 09.

18. Saini Gurtej, Ashok Pradeepkumar, van Oort Eric. Predictive Action Planning for Hole Cleaning Optimization and Stuck Pipe Prevention Using Digital Twinning and Reinforcement Learning. — 2020. — 02.

19. Polyniak K., Matthews J. The Johns Hopkins Hospital Launches Capacity Command Center to Enhance Hospital Operations. — John Hopkins Medicine.

— 2016. — URL: https://www.hopkinsmedicine.org/news/media/releases/ the_johns_hopkins_hospital_launches_capacity_command_center_to_ enhance_hospital_operations.

20. The Living Heart Project. — https://www.3ds.com/products-services/simulia/ solutions/life-sciences/the-living-heart-project. — 2019.

21. Copley C. Medical Technology Firms Develop 'Digital Twins' for Personalized Health Care. — 2018. — URL: https://www.theglobeandmail.com/business/ article-medical-technology-firms-develop-digital-twins-for-personalized. Accessed: Oct. 16, 2019.

22. Francisco Abigail, Mohammadi Neda, Taylor John E. Smart City Digital Twin-Enabled Energy Management: Toward Real-Time Urban Building Energy Benchmarking // Journal of Management in Engineering. — 2020. — Vol. 36, no. 2. — P. 04019045. — URL:

23. Srinivasan Ravi, Manohar Baalaganapathy, Issa Raja. Urban Building Energy CPS (UBE-CPS): Real-Time Demand Response Using Digital Twin. — 2020.

— 05. — Pp. 309-322.

24. The Potential of Digital Twin Model Integrated With Artificial Intelligence Systems / Sofia Agostinelli, Fabrizio Cumo, Giambattista Guidi, Claudio Tomazzoli // 2020 IEEE International Conference on Environment and Electrical Engineering and 2020 IEEE Industrial and Commercial Power Systems Europe (EEEIC / ICPS Europe). — 2020. — Pp. 1-6.

25. Digital Twin for the Oil and Gas Industry: Overview, Research Trends, Opportunities, and Challenges / Thumeera R. Wanasinghe, Leah Wroblewski, Bui K. Petersen et al. // IEEE Access. — 2020. — Vol. 8. — Pp. 104175-104197.

26. Magazine OILMAN. 3 WAYS TECHNOLOGY IS GOING TO SHAPE the Oil and Gas Industry. — OILMAN Magazine, 2020. — URL: https://oilmanmagazine.com/wp-content/uploads/2020/07/ Three-Ways-Technology-is-Going-to-Shape-the-Oil-and-Gas-Industry-Revised. pdf. Accessed: 2023 October 21.

27. Chang-Su Shim Ngoc-Son Dang Sokanya Lon, Jeon Chi-Ho. Development of a bridge maintenance system for prestressed concrete bridges using 3D digital twin model // Structure and Infrastructure Engineering. — 2019. — Vol. 15, no. 10. — Pp. 1319-1332. — URL: https://doi.org/10.1080/15732479.2019. 1620789.

28. ShimCS, KangHR, DangNS. Digital Twin Models for Maintenance of Cable-Supported Bridges // International Conference on Smart Infrastructure and Construction 2019 (ICSIC). — Pp. 737-742. — URL: https://www. icevirtuallibrary.com/doi/abs/10.1680/icsic.64669.737.

29. Sofia Hakdaoui, Anas Emran, Faiz Oumghar. Mobile Mapping, Machine Learning and Digital Twin for Road Infrastructure Monitoring and Maintenance: Case Study of Mohammed VI Bridge in Morocco // 2020 IEEE International conference of Moroccan Geomatics (Morgeo). — 2020. — Pp. 1-6.

30. Review of Digital Twins for Constructed Facilities / Rana Khallaf, Lama Khal-laf, Chimay J. Anumba, Obinna C. Madubuike // Buildings. — 2022. — Vol. 12, no. 11. — URL: https://www.mdpi.com/2075-5309/12/11/2029.

31. Fonseca icaro Aragao, Gaspar Henrique Murilo. Challenges when creating a cohesive digital twin ship: a data modelling perspective // Ship Technology Research. — 2021. — Vol. 68, no. 2. — Pp. 70-83. — URL: https://doi.org/ 10.1080/09377255.2020.1815140.

32. Digital twins in smart farming / Cor Verdouw, Bedir Tekinerdogan, Adrie Beulens, Sjaak Wolfert // Agricultural Systems. — 2021. — Vol. 189.

— P. 103046. — URL: https://www.sciencedirect.com/science/article/pii/ S0308521X20309070.

33. Pylianidis Christos, Osinga Sjoukje, Athanasiadis ioannis N. introducing digital twins to agriculture // Computers and Electronics in Agriculture. — 2021.

— Vol. 184. — P. 105942. — URL: https://www.sciencedirect.com/science/ article/pii/S0168169920331471.

34. A systematic literature review on the use of machine learning in precision livestock farming / Rodrigo Garcia, Jose Aguilar, Mauricio Toro et al. // Computers and Electronics in Agriculture. — 2020. — Vol. 179. — P. 105826. — URL: https://www.sciencedirect.com/science/article/pii/S0168169920317099.

35. Carvajal Gustavo, Maucec Marko, Cullick Stan. intelligent Digital Oil and Gas Fields: Concepts, Collaboration, and Right-Time Decisions. — Elsevier Science, 2017. — URL: https://www.perlego.com/book/1835755/ intelligent-digital-oil- and-gas-fields-concepts-collaboration-and-righttime-decisions-

36. IBM. Цифровая трансформация нефтегазовой промышленности: Модернизация разработки и добычи с помощью инновационных технологий. — https://www.ibm.com/downloads/cas/JLE286ZX. — 2017.

— October. — IBM Восточная Европа/Азия, 123112 Москва, Пресненская наб., 10.

37. Holmas Havard, Sjatil Odd Arne, Santamarta Sylvain et al. Creating Value with Digital Twins in Oil and Gas, Boston Consulting Group.

— 2019. — 10. — URL: https://www.bcg.com/publications/2019/

creating-value-digital-twins-oil-gas?linkId=76489494. Accessed: 2023 October 21.

38. A CFD Digital Twin to Understand Miscible Fluid Blending / John Thomas, Kushal Sinha, Gayathri Shivkumar et al. // AAPS PharmSciTech. — 2021. — 03. — Vol. 22. — P. 91.

39. Review of digital twin about concepts, technologies, and industrial applications / Mengnan Liu, Fang Shuiliang, Huiyue Dong, Cunzhi Xu // Journal of Manufacturing Systems. — 2020. — 07. — Vol. 58.

40. Ikavalko Heini, Turkama Petra, Smedlund Anssi. Value Creation in the Internet of Things: Mapping Business Models and Ecosystem Roles // Technology Innovation Management Review. — 2018. — 03. — Vol. 8. — Pp. 5-15.

41. Generating Digital Twin Models using Knowledge Graphs for Industrial Production Lines / Agniva Banerjee, Sudip Mittal, Raka Dalal, Karuna Joshi. — 2017. — 06.

42. Ashton K. That Internet of Things thing // RFID Journal. — 2009. — Jun. — Vol. 22, no. 7. — Pp. 97-114.

43. Canedo Arquimedes. Industrial IoT lifecycle via digital twins. — 2016. — 10. — Pp. 1-1.

44. Intrinsic Dimension Estimation: Relevant Techniques and a Benchmark Framework / Paola Campadelli, Elena Casiraghi, Claudio Ceruti, Alessan-dro Rozza // Mathematical Problems in Engineering. — 2015. — 10. — Vol. 2015. — Pp. 1-21.

45. Kuan Wong. The Great Crew Change. — 2015. — 12.

46. Using Simulator to Prepare for Total Loss Risk Scenarios Utilizing Controlled Mud Cap Drilling in the Barents-Sea / S. Oedegaard, L. Hollman, G. Smaask-jaer et al. — 2018. — 03.

47. Virtual Reality in DC: A New Way for Immersion Training and Operation Simulation / Alberto Maliardi, Paolo Ferrara, Roberto Poloni et al. — 2018. — 11.

48. Log-Based Anomaly Detection of CPS Using a Statistical Method / Yoshiyu-ki Harada, Yoriyuki Yamagata, Osamu Mizuno, Eunhye Choi. — 2017. — 03.

— Pp. 1-6.

49. Power-Grid Controller Anomaly Detection with Enhanced Temporal Deep Learning / Zecheng He, Aswin Raghavan, Guangyuan Hu et al. — 2019. — 08. — Pp. 160-167.

50. Xu Qinghua, Ali Shaukat, Yue Tao. Digital Twin-based Anomaly Detection in Cyber-physical Systems // 2021 14th IEEE Conference on Software Testing, Verification and Validation (ICST). — 2021. — Pp. 205-216.

51. Kumar Amit. A Machine Learning Application for Field Planning. — 2019. — 04.

52. Intelligent Action Planning for Well Construction Operations Demonstrated for Hole Cleaning Optimization and Automation / Gurtej Singh Saini, Parham Pournazari, Pradeepkumar Ashok, Eric van Oort // Energies. — 2022.

— Vol. 15, no. 15. — URL: https://www.mdpi.com/1996-1073/15/15/5749.

53. Advanced Production Plant Optimization with AI / Jayant Kalagnanam, Dar-iusz Piotrowski, Pavankumar Murali et al. — 2019. — 11.

54. Machine Learning based Digital Twin Framework for Production Optimization in Petrochemical Industry / Qingfei Min, Yangguang Lu, Zhiyong Liu et al. // International Journal of Information Management. — 2019. — Vol. 49.

— Pp. 502-519. — URL: https://www.sciencedirect.com/science/article/pii/ S0268401218311484.

55. Chen Tianqi, Guestrin Carlos. XGBoost: A Scalable Tree Boosting System. — 2016. — 08. — Pp. 785-794.

56. [Accessed: 2023-11-01]. URL: https://www.youtube.com/watch?v=3Y1lnF4_ pKY.

57. Tulanovna Kholmirzaeva Gulchehra. Siemens NX is the Perfect Solution to Automated Design Problems // International Journal on Orange Technologies.

— 2023. — Apr. — Vol. 5, no. 4. — Pp. 113-115. — URL: https://journals. researchparks.org/index.php/IJOT/article/view/4314.

58. Frouin Marc. 3DExperiences - Dassault Systemes Strategy to Support New Processes in Product Development and Early Customer Involvement // Smart Product Engineering / Ed. by Michael Abramovici, Rainer Stark. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2013. — Pp. 335-344.

59. Doshi Shlok, Ghatage Prajwal, Borole Rahul. IIoT for Factory Optimization and Logistics Management using PTC Thingworx and Kepware // 2023 11th International Conference on Emerging Trends in Engineering Technology -Signal and Information Processing (ICETET - SIP). — 2023. — Pp. 1-5.

60. Implementation features of local and remote technical objects digital twins / Vladyslav Pliuhin, Maria Sukhonos, Ihor Biletskyi et al. // IOP Conference Series: Earth and Environmental Science. — 2024. — 07. — Vol. 1376. — P. 012036.

61. Lie Knut-Andreas, Mallison Bradley. Mathematical Models for Oil Reservoir Simulation. — 2015. — 11. — Pp. 850-856.

62. Limited Schlumberger. Petrophysical Model, Schlumberger Limited. — 2023.

— URL: https://glossary.slb.com/en/terms/p/petrophysical_model. Energy Glossary.

63. Multiphysics characterization of reservoir prospects in the Hoop area of the Barents Sea / Pedro Alvarez, Fanny Marcy, Mark Vrijlandt et al. // Interpretation.

— 2018. — 02. — Vol. 6. — Pp. 1-51.

64. Investigating Electrical Anisotropy Drivers across the Barents Sea / M.H. Ellis, L.M. MacGregor, P. Newton et al. — 2017. — Vol. 2017, no. 1.

— Pp. 1-5. — URL: https://www.earthdoc.org/content/papers/10.3997/ 2214-4609.201701217.

65. Singh Yeshpal, Mohamud Nurhakimah. Perspective on rock physics in Malay Basin // The Leading Edge. — 2009. — Vol. 28, no. 3. — Pp. 318-322. — URL: https://doi.org/10.1190/1.3104078.

66. Multiattribute rotation scheme: A tool for reservoir property prediction from seismic inversion attributes / Pedro Alvarez, Francisco Bolivar, Mario Luca, Trino Salinas // Interpretation. — 2015. — 11. — Vol. 3. — Pp. SAE9-SAE18.

67. Petrophysical evaluation of well log data for reservoir characterization in Titas gas field, Bangladesh: a case study / Md. Shaheen Shah, Md Hafijur Ra-haman Khan, Ananna Rahman et al. // Journal of Natural Gas Science and Engineering. — 2021. — Vol. 95. — P. 104129. — URL: https: //www.sciencedirect.com/science/article/pii/S1875510021003322.

68. Gogoi Triveni, Chatterjee Rima. Estimation of petrophysical parameters using seismic inversion and neural network modeling in Upper Assam basin, India // Geoscience Frontiers. — 2019. — Vol. 10, no. 3. — Pp. 1113-1124. — Special Issue: Advances in Himalayan Tectonics. URL: https://www.sciencedirect.com/ science/article/pii/S1674987118301555.

69. Hsu Chang, Robinson Paul. Springer Handbook of Petroleum Technology. — 2017. — 03.

70. Hinkin Chris. Introduction to Petroleum Economics. — Society of Petroleum Engineers. — URL: https://doi.org/10.2118/9781613994931.

71. Koroteev Dmitry, Tekic Zeljko. Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future // Energy and AI. — 2021. — Vol. 3. — P. 100041. — URL: https://www.sciencedirect.com/science/article/ pii/S2666546820300410.

72. Permeability prediction using hydraulic flow units and electrofacies analysis / Amanat Ali Bhatti, Atif Ismail, Arshad Raza et al. // Energy Geoscience. —

2020. — Vol. 1, no. 1. — Pp. 81-91. — URL: https://www.sciencedirect.com/ science/article/pii/S2666759220300056.

73. Hatampour Amir, Schaffie Mahin, Jafari Saeed. Hydraulic flow units, deposi-tional facies and pore type of Kangan and Dalan Formations, South Pars Gas Field, Iran // Journal of Natural Gas Science and Engineering. — Hydraulic.

— Vol. 23. — Pp. 171-183. — URL: https://www.sciencedirect.com/science/ article/pii/S1875510015000463.

74. Hall Brendon. Facies classification using machine learning // The Leading Edge. — 2016. — 10. — Vol. 35. — Pp. 906-909.

75. Lithology Classification by Depositional Environment and Well Log Data Using XGBoost Algorithm / Tanja Micic Ponjiger, S. Sesum, Mikhail Naugolnov, O. Pilipenko. — 2021. — 01. — Pp. 1-5.

76. FaciesNet: Machine Learning Applications for Facies Classification in Well Logs / Chayawan Jaikla, Pandu Devarakota, Neal Auchter et al. — 2019.

— 11.

77. Bayesian Deep Networks for absolute permeability and porosity uncertainty prediction from image borehole logs from brazilian carbonate reservoirs / Clecio Bom, Manuel Blanco Valentin, Bernardo Fraga et al. // Journal of Petroleum Science and Engineering. — 2021. — 01. — Vol. 201. — P. 108361.

78. Jiang Lian, Castagna John, Russell Brian. Porosity prediction using machine learning. — 2020. — 09. — Pp. 3862-3866.

79. Andersen Pal, Skjeldal Miranda, Augustsson Carita. Machine Learning Based Prediction of Porosity and Water Saturation from Varg Field Reservoir Well Logs. — 2022. — 06.

80. Mahmoud Ahmed Abdulhamid, Elkatatny Salaheldin, Al-Shehri Dhafer. Application of Machine Learning in Evaluation of the Static Young's Modulus for Sandstone Formations // Sustainability. — 2020. — 03. — Vol. 12. — P. 1880.

81. Quantitative Prediction of Fractures in Shale Using the Lithology Combination Index / Zhengchen Zhang, Pingping Li, Yujie Yuan et al. // Minerals. — 2020.

— 06. — Vol. 10. — P. 569.

82. GeoSHAP: A Novel Method of Deriving Rock Quality Index from Machine Learning Models and Principal Components Analysis. — Vol. Day 1 Mon, July 20, 2020 of SPE/AAPG/SEG Unconventional Resources Technology Conference, 2020. — 07. — D013S021R003. URL: https://doi.org/10.15530/ urtec-2020-2743.

83. Data-based support for petroleum prospect evaluation / Summaya Mumtaz, Irina Pene, Adnan Latif, Martin Giese // Earth Science Informatics. — 2020.

— 12. — Vol. 13, no. 4. — Pp. 1305-1324. — URL: https://doi.org/10.1007/ s12145-020-00502-4.

84. Identification of Reservoir Analogues in the Presence of Uncertainty / M.L. Perez-Valiente, H. Rodriguez, C.N. Santos et al. // Society of Petroleum Engineers - SPE Intelligent Energy International 2014. — 2014. — 04.

85. Sensitivity Analysis in a Machine Learning Methodology for Reservoir Analogues / R. Silva, L. Gualda, L. Farias et al. // In Proceedings of Rio Oil and Gas 2018. Brazilian Petroleum, Gas and Biofuels Institute - IBP. — 2018.

86. Analogy in the World of Geological Uncertainties, or How Reservoir Analogs May Refine Your Probabilistic Geomodel. — Vol. Day 2 Thu, November 01, 2018 of SPE Annual Caspian Technical Conference, 2018. — 10.

87. Analysis of parameters of oil and gas fields using Bayesian networks / PD An-driushchenko, IU Deeva, AV Kalyuzhnaya et al. // Data Science in Oil & Gas / European Association of Geoscientists & Engineers. — Vol. 2020. — 2020. — Pp. 1-10.

88. Peaceman Donald W. Interpretation of Well-Block Pressures in Numerical Reservoir Simulation With Nonsquare Grid Blocks and Anisotropic Permeability // Society of Petroleum Engineers Journal. — 1983. — 06. — Vol. 23, no. 03. — Pp. 531-543. — URL: https://doi.org/10.2118/10528-PA.

89. Estimation of Oil and Gas Reserves in Place using Production Decline Trend Analysis / Celestine Udie, Nwakaudu, R Aguta, B Obah. — 2013. — 07. — Vol. 2.

90. Jiang Su, Hui Mun-Hong, Durlofsky Louis J. Data-Space Inversion With a Recurrent Autoencoder for Naturally Fractured Systems // Frontiers in Applied Mathematics and Statistics. — 2021. — P. 41.

91. LSTM based EFAST global sensitivity analysis for interwell connectivity evaluation using injection and production fluctuation data / Haibo Cheng, Valeriy Vyatkin, Evgeny Osipov et al. // IEEE Access. — 2020. — Vol. 8. — Pp. 67289-67299.

92. Data-driven deep-learning forecasting for oil production and pressure / Rafael de Oliveira Werneck, Raphael Prates, Renato Moura et al. // Journal of Petroleum Science and Engineering. — 2022. — Vol. 210. — P. 109937. — URL: https://www.sciencedirect.com/science/article/pii/S0920410521015515.

93. Voskresenskiy A., Buckanov N., Shishaev G. Y. Spatial Zonation of the Field by One-Dimensional Signal Clustering in Order to Improve Quality of History Matching. — 2019. — Vol. 2019, no. 1. — Pp. 1-5. — URL: https://www. earthdoc.org/content/papers/10.3997/2214-4609.201900548.

94. A capacitance model to infer interwell connectivity from production-and injection-rate fluctuations / Ali A Yousef, Pablo Gentil, Jerry L Jensen, Larry W Lake // SPE Reservoir Evaluation & Engineering. — 2006. — Vol. 9, no. 06. — Pp. 630-646.

95. A State-of-the-Art Literature Review on Capacitance Resistance Models for Reservoir Characterization and Performance Forecasting / Rafael Wander-ley de Holanda, Eduardo Gildin, Jerry Jensen et al. // Energies. — 2018.

— 12. — Vol. 11. — P. 3368.

96. Drouven Markus G., Cafaro Diego C., Grossmann Ignacio E. Mathematical Programming Models for Shale Oil Gas Development: A Review and Perspective // Computers Chemical Engineering. — 2023. — Vol. 177. — P. 108317. — URL: https://www.sciencedirect.com/science/article/pii/S0098135423001874.

97. A review on application of data-driven models in hydrocarbon production forecast / Chong Cao, Pin Jia, Linsong Cheng et al. // Journal of Petroleum Science and Engineering. — 2022. — Vol. 212. — P. 110296. — URL: https://www.sciencedirect.com/science/article/pii/S0920410522001851.

98. Perez-Suay Adrian, Camps-Valls Gustau. Causal Inference in Geoscience and Remote Sensing From Observational Data // IEEE Transactions on Geoscience and Remote Sensing. — 2019. — Vol. 57, no. 3. — Pp. 1502-1513.

99. Facies classification from well logs using an inception convolutional network / Valentin Tschannen, Matthias Delescluse, Mathieu Rodriguez, Janis Keuper.

— 2017. — 06.

100. Diagenetic Facies Classification in the Arbuckle Formation Using Deep Neural Networks / Tianqi Deng, Chicheng Xu, Xiaozheng Lang, John Doveton // Mathematical Geosciences. — 2021. — 02. — Vol. 53.

101. Automatic interpretation of cement evaluation logs from cased boreholes using supervised deep neural networks / Erlend Magnus Viggen, Ioan Alexandra Merciu, Lasse Lovstakken, Svein-Erik Masoy // Journal of Petroleum Science and Engineering. — 2020. — Vol. 195. — P. 107539. — URL: https://www.sciencedirect.com/science/article/pii/S0920410520306100.

102. Chen Yuntian, Zhang Dongxiao. Physics-Constrained Deep Learning of Ge-omechanical Logs // IEEE Transactions on Geoscience and Remote Sensing. — 2020. — 02. — Vol. PP. — Pp. 1-12.

103. Lundberg Scott M, Lee Su-In. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems / Ed. by I. Guyon, U. Von Luxburg, S. Bengio et al. — Vol. 30. — Curran Associates, Inc., 2017. — URL: https://proceedings.neurips.cc/paper_files/paper/2017/ file/8a20a8621978632d76c43dfd28b67767-Paper.pdf.

104. Causal Shapley Values: Exploiting Causal Knowledge to Explain Individual Predictions of Complex Models / Tom Heskes, Evi Sijben, Ioan Bucur, Tom Claassen. — 2020. — 11.

105. Data-driven models based on flow diagnostics / M Borregales, O M0yner,

5 Krogstad, K Lie // ECMOR XVII / European Association of Geoscientists

6 Engineers. — Vol. 2020. — 2020. — Pp. 1-11.

106. Lie K, Krogstad S. Data-Driven Modelling with Coarse-Grid Network Models // ECMOR 2022 / European Association of Geoscientists & Engineers. — Vol. 2022. — 2022. — Pp. 1-14.

107. Implementation of physics-based data-driven models with a commercial simulator / Guotong Ren, Jincong He, Zhenzhen Wang et al. // SPE Reservoir Simulation Conference / OnePetro. — 2019.

108. Lutidze Giorgiy. StellNet: Physics-Based Data-Driven General Model for closed-loop reservoir management / European Association of Geoscientists & Engineers. International series of monographs on physics. — 2018.

109. Enhancing reservoir understanding by utilizing business intelligence workflows / Ali Al-Taiban, Ahmed S Al-Zawawi, Tareq Al-Ghamdi et al. // SPE Saudi Arabia Section Technical Symposium and Exhibition / OnePetro. — 2013.

110. Mohd Razak Syamil, Jafarpour Behnam. Rapid Production Forecasting with Geologically-Informed Auto-Regressive Models: Application to Volve Benchmark Model // SPE Annual Technical Conference and Exhibition / OnePetro. — 2020.

111. Park Jihoon, Caers Jef. Direct forecasting of global and spatial model parameters from dynamic data // Computers & Geosciences. — 2020. — Vol. 143. — P. 104567.

112. Maver Kim Gunn, Mamador Charmyne, Baillard Francois. Accelerating E&P decisions by applying AI to unstructured data // First Break. — 2020. — Vol. 38, no. 12. — Pp. 67-70.

113. Bayesian artificial intelligence for geologic prediction: Fracture case study, Horn River Basin / SM Agar, W Li, R Goteti et al. // Bulletin of Canadian Petroleum Geology. — 2019. — Vol. 67, no. 3. — Pp. 141-184.

114. Lejay Antoine. Simulating a diffusion on a graph. Application to reservoir engineering. — 2003.

115. Amortized causal discovery: Learning to infer causal graphs from time-series data / Sindy Lowe, David Madras, Richard Zemel, Max Welling // Conference on Causal Learning and Reasoning / PMLR. — 2022. — Pp. 509-525.

116. Neural Relational Inference for Interacting Systems / Thomas Kipf, Ethan Fetaya, Kuan-Chieh Wang et al. — 2018. — URL: https://arxiv.org/abs/1802. 04687.

117. Bosch M. Knowledge Network Method for Automatic Static and Dynamic Reservoir Model Building // 83rd EAGE Annual Conference & Exhibition / European Association of Geoscientists & Engineers. — Vol. 2022. — 2022. — Pp. 1-5.

118. Saetrom J, Skorstad A. Graphical Network Based Reservoir Modelling to Quickly Use Data and Physics to Explore the Subsurface // First EAGE Digi-talization Conference and Exhibition / European Association of Geoscientists & Engineers. — Vol. 2020. — 2020. — Pp. 1-5.

119. Zhu Jie, Gallego Blanca. Evolution of disease transmission during the COVID-19 pandemic: patterns and determinants // Scientific Reports. — 2021.

— 05. — Vol. 11.

120. Compression-based data mining of sequential data / Eamonn Keogh, Stefano Lonardi, Chotirat Ratanamahatana et al. // Data Mining and Knowledge Discovery. — 2007. — 02. — Vol. 14. — Pp. 99-129.

121. Meert Wannes, Hendrickx Kilian, Van Craenendonck Toon, Robberechts Pieter. DTAIDistance (Version v2). — http://doi.org/10. 5281/zenodo.5901139. — 2023.

122. INFERRING CAUSAL IMPACT USING BAYESIAN STRUCTURAL TIME-SERIES MODELS / Kay H. Brodersen, Fabian Gallusser, Jim Koehler et al. // The Annals of Applied Statistics. — 2015. — Vol. 9, no. 1. — Pp. 247-274. — URL: http://www.jstor.org/stable/24522418 (online; accessed: 2023-10-29).

123. Gryzlov Anton, Safonov Sergey, Arsalan Muhammad. Intelligent Production Monitoring with Continuous Deep Learning Models // SPE Journal. — 2022.

— 04. — Vol. 27, no. 02. — Pp. 1304-1320. — URL: https://doi.org/10.2118/ 206525-PA.

124. Pan Weishen, Zhang Changshui. The Definitions of Interpretability and Learning of Interpretable Models. — 2021. — URL: https://arxiv.org/abs/2105. 14171.

125. Definitions, methods, and applications in interpretable machine learning / W. James Murdoch, Chandan Singh, Karl Kumbier et al. // Proceedings

of the National Academy of Sciences. — 2019. — . — Vol. 116, no. 44. — P. 22071-22080. — URL: http://dx.doi.org/10.1073/pnas.1900654116.

126. Pomberger Alexander, McCarthy Antonio, Khan Ahmad et al. The Effect of Chemical Representation on Active Machine Learning Towards Closed-Loop Optimization. — 2022. — 01.

127. Manning Christopher D., Raghavan Prabhakar, Schutze Hinrich. Introduction to Information Retrieval. — Cambridge University Press, 2008.

128. From local explanations to global understanding with explainable AI for trees / Scott M. Lundberg, Gabriel Erion, Hugh Chen et al. // Nature machine intelligence. — 2020. — Vol. 2. — URL: https://par.nsf.gov/biblio/10167481.

129. Well Log Based Geomechanical and Petrophysical Analysis of the Bakken Formation / Alan Alexeyev, Mehdi Ostadhassan, Rehan Ali Mohammed et al. — 2017. — 06.

130. Enhanced Reservoir Description: Using Core and Log Data to Identify Hydraulic (Flow) Units and Predict Permeability in Uncored Intervals/Wells. — Vol. All Days of SPE Annual Technical Conference and Exhibition, 1993. — 10. — URL: https://doi.org/10.2118/26436-MS.

131. New Approach To Identify Analogous Reservoirs / H. Martín Rodríguez, E.. Escobar, S.. Embid et al. // SPE Economics Management. — 2014. — 07. — Vol. 6, no. 04. — Pp. 173-184. — URL: https://doi.org/10.2118/166449-PA.

132. Oil and Gas Reservoirs Parameters Analysis Using Mixed Learning of Bayesian Networks / Irina Deeva, Anna Bubnova, Petr Andriushchenko et al. // International Conference on Computational Science / Springer. — 2021. — Pp. 394-407.

133. Li Yupeng, Deutsch Clayton V. Implementation of the Iterative Proportion Fitting Algorithm for Geostatistical Facies Modeling // Natural Resources Research. — 2012. — Vol. 21, no. 2. — Pp. 221-231.

134. Markov Chain Monte Carlo (MCMC) Sampling methods to determine optimal models, model resolution and model choice for Earth Science problems / Kerry Gallagher, Karl Charvin, S0ren Nielsen et al. // Marine and Petroleum Geology. — 2009. — 04. — Pp. 525-535.

135. A Mathematical Model Based on Bayesian Theory and Gaussian Copula for the Discrimination of Gabbroic Rocks from Three Tectonic Settings / Shuai Han, Mingchao Li, Qi Zhang, Heng Li // The Journal of Geology. — 2019. — 10. — Vol. 127. — Pp. 000-000.

136. Hernández-Maldonado Victor, Díaz-Viera Martín, Erdely Arturo. A multivariate Bernstein copula model for permeability stochastic simulation // Geofísica Internacional. — 2014. — Vol. 53, no. 2. — Pp. 163-181. — URL: https://www.sciencedirect.com/science/article/pii/S0016716914714989.

137. Koller Daphne, Friedman Nir. Probabilistic graphical models: principles and techniques. — MIT press, 2009.

138. Robinson R. W. Counting unlabeled acyclic digraphs // Combinatorial Mathematics V / Ed. by Charles H. C. Little. — Berlin, Heidelberg: Springer Berlin Heidelberg, 1977. — Pp. 28-43.

139. Scutari Marco, Graafland Catharina, Gutierrez J. Who learns better Bayesian network structures: Accuracy and speed of structure learning algorithms // International Journal of Approximate Reasoning. — 2019. — 10. — Vol. 115.

140. MASOUDI Pedram, Yousef Asgari, Tokhmechi Behzad. Feature selection for reservoir characterisation by Bayesian network // Arabian Journal of Geosciences. — 2015. — 05. — Vol. 8. — Pp. 3031-3043.

141. Building Bayesian networks from basin-modelling scenarios for improved geological decision making / Gabriele Martinelli, Jo Eidsvik, Richard Sind-ing-Larsen et al. // Petroleum Geoscience. — 2013. — 07. — Vol. 19. — Pp. 289-304.

142. Chickering David Maxwell. Optimal structure identification with greedy search // Journal of machine learning research. — 2002. — Vol. 3, no. Nov. — Pp. 507-554.

143. Gamez Jose A, Mateo Juan L, Puerta Jose M. Learning Bayesian networks by hill climbing: efficient methods based on progressive restriction of the neighborhood // Data Mining and Knowledge Discovery. — 2011. — Vol. 22, no. 1.

— Pp. 106-148.

144. Carvalho Alexandra M. Scoring functions for learning Bayesian networks // Inesc-id Tec. Rep. — 2009. — Vol. 12. — Pp. 1-48.

145. Robinson Robert W. Counting labeled acyclic digraphs // New directions in the theory of graphs. — 1973. — Pp. 239-273.

146. Scutari Marco, Graafland Catharina Elisabeth, Gutierrez Jose Manuel. Who learns better Bayesian network structures: Accuracy and speed of structure learning algorithms // International Journal of Approximate Reasoning. — 2019. — Vol. 115. — Pp. 235-253.

147. Cooper Gregory F, Herskovits Edward. A Bayesian method for the induction of probabilistic networks from data // Machine learning. — 1992. — Vol. 9, no. 4. — Pp. 309-347.

148. Bottcher Susanne. Learning Bayesian networks with mixed variables // International Workshop on Artificial Intelligence and Statistics / PMLR. — 2001.

— Pp. 13-20.

149. Scanagatta Mauro, Salmeron Antonio, Stella Fabio. A survey on Bayesian network structure learning from data // Progress in Artificial Intelligence. — 2019.

— Vol. 8, no. 4. — Pp. 425-439.

Bubnova A. V., Deeva I., Kalyuzhnaya A. V. MIxBN: library for learning Bayesian networks from mixed data // arXiv preprint arXiv:2106.13194. — 2021.

151. Gower John C. A general coefficient of similarity and some of its properties // Biometrics. — 1971. — Pp. 857-871.

152. Henrion Max. Propagating uncertainty in Bayesian networks by probabilistic logic sampling // Machine intelligence and pattern recognition. — Elsevier, 1988. — Vol. 5. — Pp. 149-163.

153. Feature Selection for Reservoir Analogues Similarity Ranking As Model-Based Causal Inference / A Voskresenskiy, Nikita Bukhanov, Z Filippova et al. — 2020.

154. Cohen, K.M., Finney, S.C., Gibbard, P.L., Fan, J.X. 2013. The ICS International Chronostratigraphic Chart. Episodes 36, 199-204. / Kim Cohen, Stan Finney, Philip Gibbard, Junxuan Fan // Episodes. — 2013. — 09. — Vol. 36.

155. New Approach to Identify Analogue Reservoirs / Hilario Martin Rodriguez, Elena Escobar, Sonia Embid et al. // SPE Annual Technical Conference and Exhibition / Society of Petroleum Engineers. — 2013.

156. Modeling, Simulation, and Optimal Control of Oil Production under Gas Coning Conditions / Agus Hasan, Bjarne Foss, Svein Sagatun et al. — 2011. — 03.

157. Application of Particle Swarms for History Matching in the Brugge Reservoir / Linah Mohamed, Michael Christie, Vasily Demyanov et al. — Vol. 6. — 2010. — 09.

158. Optimization of Oil Field Development using a Surrogate Model: Case of Miscible Gas Injection / Maksim Simonov, Andrei Shubin, Artem Penigin et al. — 2019. — 09.

159. Development of Surrogate Reservoir Models (SRM) For Fast Track Analysis of Complex Reservoirs / Shahab Mohaghegh, Abi Modavi, Hafez Hafez et al. // International Journal of Oil, Gas and Coal Technology. — 2009. — 01. — Vol. 2.

160. Machine-Learned Surrogate Models for Efficient Oil Well Placement Under Operational Reservoir Constraints / Mahdi Mousavi, Pouya Bakhtiarimanesh, Frieder Enzmann et al. // SPE Journal. — 2023. — 09. — Pp. 1-20.

161. The Multiple-Update-Infill Sampling Method Using Minimum Energy Design for Sequential Surrogate Modeling / Yongmoon Hwang, Sang-Lyul Cha, Se-hoon Kim et al. // Applied Sciences. — 2018. — 03. — Vol. 8. — P. 481.

162. Manju N., Harish B S, Prajwal V. Ensemble Feature Selection and Classification of Internet Traffic using XGBoost Classifier // International Journal of Computer Network and Information Security. — 2019. — 07. — Vol. 11. — Pp. 37-44.

163. Nielsen Frank. Hierarchical Clustering. — 2016. — 02. — Pp. 195-211.

164. Senin Pavel. Dynamic Time Warping Algorithm Review. — 2009. — 01.

165. Li Jing, Xiu Dongbin. Evaluation of Failure Probability via Surrogate Models // Journal of Computational Physics. — 2010. — 11. — Vol. 229. — Pp. 8966-8980.

166. Critical evaluation of infill well placement and optimization of well spacing using the particle swarm algorithm / Annan Boah Evans, Obed Kondo, Aidoo Abraham, Eric Brantson // Journal of Petroleum Exploration and Production Technology. — 2019. — 06. — Vol. 9.

167. Wejletorp Siva, Cheddad Abbas, Andersson P. Random Forest Surrogate Models to Support Design Space Exploration in Aerospace Use-case. — 2019. — 05.

168. Gramacy Robert. Surrogates: Gaussian Process Modeling, Design, and Optimization for the Applied Sciences. — 2020. — 03.

169. Sun Gang, Wang Shuyue. A review of the artificial neural network surrogate modeling in aerodynamic design // Proceedings of the Institution of

Mechanical Engineers, Part G: Journal of Aerospace Engineering. — 2019.

— 07. — Vol. 233. — P. 095441001986448.

170. hu Zhen, Nannapaneni Saideep, Mahadevan Sankaran. Efficient Kriging surrogate modeling approach for system reliability analysis // Artificial Intelligence for Engineering Design, Analysis and Manufacturing. — 2017. — 05. — Vol. 31.

— Pp. 143-160.

171. Novak Lukas, Novak Drahomir. Polynomial chaos expansion for surrogate modelling: Theory and software // Beton- und Stahlbetonbau. — 2018. — 09. — Vol. 113. — Pp. 27-32.

172. Venner0d Christian Bakke, Kj^rran Adrian, Bugge Erling Stray. Long Short-term Memory RNN. — 2021. — URL: https://arxiv.org/abs/2105.06756.

173. Christ Maximilian, Kempa-Liehr Andreas, Feindt Michael. Distributed and parallel time series feature extraction for industrial big data applications. — 2016. — 10.

174. Barrela Eduardo, Azevedo L., Demyanov Vasily. Geostatistical History Matching - A Zonation-based Approach Using Direct Sequential Simulation. — 2017.

— 06.

175. Automatic Interpretation of Facies from Wireline Logs by Using Hierarchical Machine Learning Approach / Dmitry Egorov, Nikita Bukhanov, Boris Beloze-rov, Valeriy Rukavishnikov. — 2018. — 04.

176. Hierarchical benchmark case study for history matching, uncertainty quantification and reservoir characterisation / Daniel Arnold, Vasily Demyanov, D. Tatum et al. // Computers Geosciences. — 2013. — 01. — Vol. 50. — Pp. 4-15.

177. Equinor. Volve field data (CC BY-NC-SA 4.0). — 2018. — URL: https://www. equinor.com/energy/volve-data-sharing.

178. Gomes Jorge Costa, Geiger Sebastian, Arnold Daniel. The design of an open-source carbonate reservoir model // Petroleum Geoscience. — 2022. — Vol. 28, no. 3.

179. Hong Tao, Fan Shu. Probabilistic electric load forecasting: A tutorial review // International Journal of Forecasting. — 2016. — Vol. 32, no. 3.

— Pp. 914-938. — URL: https://www.sciencedirect.com/science/article/pii/ S0169207015001508.

180. Hancock John, Khoshgoftaar Taghi. CatBoost for Big Data: an Interdisciplinary Review. — 2020. — 08.

181. Kaviani Danial, Valko Peter, Jensen Jerry. Analysis of Injection and Production Data for Open and Large Reservoirs // Energies. — 2011. — Vol. 4, no. 11.

— Pp. 1950-1972.

182. Jamali Ali, Ettehadtavakkol Amin. Application of capacitance resistance models to determining interwell connectivity of large-scale mature oil fields // Petroleum Exploration and Development. — 2017. — Vol. 44, no. 1. — Pp. 132-138.