В СПбПУ сообщили о сокращении времени обработки сейсмических данных на 70% с помощью платформы ПОЛАНИС

Санкт-Петербургский политехнический университет Петра Великого представил результаты применения программной платформы ПОЛАНИС для решения задач обработки геофизической информации. По данным разработчиков, использование нейросетевых модулей позволило сократить время обработки сейсмических данных на 70%, а точность прогнозирования геофизических характеристик пласта превысила 85%. Технология предназначена прежде всего для нефтегазовой отрасли и объединяет методы машинного обучения, численного моделирования и анализа разнородных производственных данных.

Информация о результатах работы платформы вновь опубликована университетом 12 октября 2026 года в сообщении, посвящённом демонстрации прикладных ИИ-разработок. Однако сами показатели эффективности обработки сейсмических данных были представлены СПбПУ ранее, в июне 2026 года, когда ПОЛАНИС вошла в реестр отечественного программного обеспечения Минцифры России. Таким образом, речь идёт не о новом эксперименте, завершённом в октябре, а о результатах ранее разработанной технологии.

ПОЛАНИС представляет собой программную платформу, предназначенную для создания и применения интеллектуальных моделей в промышленности, энергетике, транспортных системах и научных исследованиях.

Одним из направлений её использования стала обработка геофизической информации, необходимой для изучения строения геологической среды и характеристик нефтегазоносных пластов.

Сейсмические исследования основаны на регистрации упругих волн, распространяющихся в горных породах. При обработке полученных данных специалисты решают комплекс задач, связанных с выделением полезного сигнала, интерпретацией отражающих границ, построением геологических моделей и оценкой свойств исследуемой среды.

Работа с сейсмической информацией требует обработки больших массивов измерений. При этом результаты могут зависеть от качества исходных данных, сложности геологического строения и выбранной последовательности вычислительных операций.

Использование машинного обучения позволяет автоматизировать отдельные этапы анализа и выявлять зависимости, которые сложно описать посредством простых аналитических правил.

По информации СПбПУ, нейросетевые модули ПОЛАНИС обеспечили сокращение времени обработки сейсмических данных на 70%.

Одновременно разработчики сообщили, что точность прогнозирования геофизических характеристик пласта превышает 85%.

Эти результаты указывают на возможность ускорения отдельных вычислительных и интерпретационных процедур при использовании ИИ. Однако опубликованные сведения не позволяют определить, насколько показатели зависят от конкретного набора данных и выбранной задачи.

В частности, университет не приводит подробного описания объёма обучающей и тестовой выборок, перечня прогнозируемых характеристик, применённых метрик точности и алгоритмов, использовавшихся для сравнения продолжительности обработки.

Поэтому показатель точности выше 85% нельзя интерпретировать как универсальную вероятность правильного определения любого геологического параметра. Аналогичным образом сокращение времени на 70% относится к заявленным условиям применения платформы и не означает такого же ускорения всех видов геофизических исследований.

Платформа используется также в других задачах, требующих обработки больших объёмов информации и построения сложных цифровых моделей.

В частности, разработчики сообщили об ускорении расчётов транспортных потоков до 20 раз при снижении точности не более чем на 5% в рассмотренных сценариях.

В энергетике специалисты СПбПУ объединили цифровой двойник теплоэлектроцентрали с алгоритмами искусственного интеллекта, предназначенными для оптимизации режимов работы оборудования.

По информации университета, в испытательном сценарии такая система находила оптимальный режим приблизительно за 15 секунд, что оказалось в 16 раз быстрее по сравнению с использованием цифрового двойника и классических математических методов.

Эти примеры демонстрируют общую концепцию платформы, основанную на совместном использовании физико-математических моделей и методов анализа данных.

Для геофизики подобный подход представляет интерес прежде всего с точки зрения сокращения продолжительности вычислений и повышения эффективности обработки результатов полевых исследований.

При этом необходимо разграничивать применение ИИ в нефтегазовой геофизике и инженерно-геофизические изыскания для строительства.

Сейсмические методы используются в обеих областях, однако задачи исследований, глубины изучения геологической среды, требования к разрешающей способности и определяемым характеристикам могут существенно отличаться.

Результаты применения ПОЛАНИС при исследовании нефтегазоносных пластов пока не подтверждают аналогичной эффективности при инженерной сейсморазведке, обследовании оснований сооружений или выявлении локальных инженерно-геологических неоднородностей.

Для переноса подобных алгоритмов в практику инженерных изысканий потребовалась бы самостоятельная проверка на соответствующих полевых данных с сопоставлением результатов с буровыми, лабораторными и другими геофизическими исследованиями.

Важное значение имеет и достоверность интерпретации. Нейросетевая модель способна формировать прогноз на основании выявленных статистических зависимостей, но его инженерная применимость должна оцениваться с учётом физических закономерностей, геологической модели и неопределённости исходных измерений.

Поэтому использование искусственного интеллекта не исключает профессионального контроля полученных результатов и необходимости обоснования геологических выводов.

Включение ПОЛАНИС в реестр отечественного программного обеспечения создаёт условия для применения платформы российскими организациями, заинтересованными в использовании собственных вычислительных и аналитических решений.

Однако регистрация программного продукта сама по себе не является подтверждением достоверности всех расчётных моделей или независимой сертификацией заявленных показателей эффективности.

Для инженерно-геофизического сообщества наибольший интерес представляют опубликованные разработчиками количественные результаты: сокращение продолжительности обработки сейсмических данных на 70% и точность прогнозирования характеристик пласта свыше 85%.

Следующим важным этапом для оценки технологии стало бы раскрытие методики сравнительных испытаний, характеристик исходных данных и полученных ошибок прогноза по отдельным геофизическим параметрам.

Таким образом, разработка СПбПУ демонстрирует возможности применения искусственного интеллекта для ускорения обработки геофизической информации, но пока не даёт достаточных оснований говорить об универсальной замене традиционных методов сейсмической интерпретации или об установленной эффективности платформы непосредственно в инженерных изысканиях для строительства.