Разработка прикладных решений на основе больших языковых моделей (LLM) востребована в нефтегазовой отрасли, где используются значительные массивы разнородных неструктурированных данных. Однако на практике внедрение таких моделей сталкивается с рядом организационных и технических ограничений, которые способны остановить реализацию проектов. Информация об успешных разработках в данной области представлена фрагментарно и несистематично. В связи с этим возникает необходимость в сборе и анализе таких данных с целью повышения осведомленности исследователей и практикующих специалистов о реализованных проектах в России и за рубежом, их тематике, а также применяемых методических и технических решениях. В настоящей статье представлен аналитический обзор публикаций, посвященных использованию больших языковых моделей в области наук о Земле и нефтегазовой отрасли, опубликованных в 2023–2025 гг. в отечественных и зарубежных изданиях. Выделены перспективные направления прикладных разработок, рассмотрены подходы к специализации моделей для геонаук и нефтегазодобычи, а также приведен анализ реализованных проектов.

Прозорова Галина Владимировна
Кандидат педагогических наук, доцент,
доцент кафедры Интеллектуальных систем и технологий
ФГБОУ ВО «Тюменский индустриальный университет»
625003 Тюмень, ул. Володарского, д. 38
e-mail: prozorovagv@tyuiu.ru
ORCID ID: 0000-0002-1080-8826
Scopus Author ID: 57192106444
SPIN-код: 4633-5046
AuthorID: 720104

Сенкевич Людмила Борисовна
Кандидат педагогических наук, доцент,
доцент кафедры Кибернетических систем
ФГБОУ ВО «Тюменский индустриальный университет»
625003 Тюмень, ул. Володарского, д. 38
e-mail: senkevichlb@tyuiu.ru
SPIN-код: 9174-0318
AuthorID: 433252

1. Khandabattu H. The 2025 Hype Cycle for Artificial Intelligence Goes Beyond GenAI [Электронный ресурс] / Gartner. – 08.07.2025. – Режим доступа: https://www.gartner.com/en/articles/hype-cycle-for-artificial-intelligence (дата обращения 13.11.2025).
2. Арифуллин А., Маркин В. Перспективы применения генеративного искусственного интеллекта в нефтегазовой отрасли // Энергетическая политика. – 2024. – № 5(196). – С. 50–59. DOI: 10.46920/2409‑5516_2024_5196_50.
3. Выгон Г. Отсутствие универсальных LLM-решений в нефтегазе ведет к дублированию усилий и лишним расходам [Электронный ресурс] // CNews. – 14.10.2024. – Режим доступа: https://gov.cnews.ru/projects/2024/Grigorij_Vygon_VygonConsulting?erid=LjN8K1LcK (дата обращения 13.11.2025).
4. Искусственный интеллект в нефтегазовой отрасли: практики внедрения, вызовы и потенциал развития : доклад по итогам сессии экспертного клуба Евразийского союза экспертов по недропользованию [Электронный ресурс] / ЕСОЭН. – Июль 2025. – 9 с. – Режим доступа: http://eues.ru/news/iskusstvennyi-intellekt-v-neftegazovoi-otrasli-praktika-vnedrenia-vyzovy-i-potencial-razvitia (дата обращения 13.11.2025).
5. Добрынин В.Н., Черемисина Е.Н., Кирпичева Е.Ю., Любимова А.В. Смысловое проектирование задач в геонауках: к новой парадигме междисциплинарных исследований // Геоинформатика.  – 2025. – № 3. – С. 84–95. DOI: 10.47148/1609-364X-2025-3-84-95.
6. Калугин Д.Н. Автоматическая географическая привязка топографических карт с использованием языка программирования Python // Известия вузов. Геодезия и аэрофотосъемка. – 2023. – Т. 67. – № 1. – С. 57–65. DOI:10.30533/GiA-2023-004.
7. Ling C., Zhao X., Lu J., Deng C., Zheng C., Wang J., … & Zhao L. Beyond One-Model-Fits-All: A Survey of Domain Specialization for Large Language Models. [Электронный ресурс] // arXiv. – 2023. – 42 p. Режим доступа: https://arxiv.org/pdf/2305.18703v2 (дата обращения 18.11.2025).
8. Ling C., Zhao X., Lu J. et al. Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [Электронный ресурс] // arXiv. – 2024. – arXiv:2305.18703v7. – 35 p. Режим доступа: https://arxiv.org/pdf/2305.18703 (дата обращения 13.11.2025). DOI: 10.48550/arXiv.2305.18703.
9. Malin C. World’s largest industrial LLM revealed! [Электронный ресурс] // Middle East AI News. – 04.03.2024. – Режим доступа: https://www.middleeastainews.com/p/aramco-launches-largest-industrial-llm (дата обращения 13.11.2025).
10. Lin Zh., Deng Ch., Zhou L. et al. GeoGalactica: A Scientific Large Language Model in Geoscience [Электронный ресурс] // arXiv. – 2024. – arXiv:2401.00434v2. Режим доступа: https://arxiv.org/html/2401.00434v2 (дата обращения 13.11.2025).
11. Mao Y., Dong X., Xu W., Gao Y., Wei B. FIT-RAG: Black-Box RAG with Factual Information and Token Reduction // ACM Transactions on Information Systems. – 2025. – Vol. 43. – Iss. 2. – Art. 40. DOI: 10.1145/3676957.
12. Колбасенкова А.Е. Структурно-семантические особенности нефтегазовых терминов в современном русском языке : автореферат дис. … канд. филол. наук. – СПб., 2020. – 25 с.
13. Rodrigues R.B.M., Privatto P.I.M., de Sousa G.J., Murari R.P., Afonso L.C.S., Papa J.P., Pedronette D.С.G., Guilherme I.R., Perrout S.R., Riente A.F. PetroBERT: A Domain Adaptation Language Model for Oil and Gas Applications in Portuguese // Computational Processing of the Portuguese Language: Proceedings of 15th International Conference PROPOR 2022 (Fortaleza, 21–23 March 2022) / ed. V. Pinheiro et al. – Cham : Springer, 2022. – P. 101–109. DOI: 10.1007/978-3-030-98305-5_10.
14. Gharieb A., Gabry M.A., Soliman M.Y. The Role of Personalized Generative AI in Advancing Petroleum Engineering and Energy Industry: A Roadmap to Secure and Cost-Efficient Knowledge Integration: A Case Study. Paper presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, September 2024 [Электронный ресурс]. – 2024. – Режим доступа: https://onepetro.org/SPEATCE/proceedings-abstract/24ATCE/24ATCE/563531 (дата обращения 13.11.2025). DOI: 10.2118/220716-MS.
15. Rabata R. From Reactive to Proactive: LLMs in Oil and Gas Incident Prevention [Электронный ресурс] / Capella. – 12.06.2024. – Режим доступа: https://www.capellasolutions.com/blog/from-reactive-to-proactive-llms-in-oil-and-gas-incident-prevention (дата обращения 13.11.2025).
16. Rabata R. Optimizing Drilling Operations with LLM-Powered Predictive Maintenance [Электронный ресурс] / Capella. – 18.07.2024. – Режим доступа: https://www.capellasolutions.com/blog/optimizing-drilling-operations-with-llm-powered-predictive-maintenance (дата обращения 13.11.2025).
17. Enterprise AI for the Oil & Gas Industry [Электронный ресурс] / C3 AI. – Режим доступа: https://c3.ai/industries/enterprise-ai-for-oil-and-gas/ (дата обращения 13.11.2025).
18. Matheus J., Tiwari S., Szemat W., Amaya D. Revolutionizing Real-Time Drilling: Leveraging Large Language Models and Retrieval-Augmented Generation for Enhanced Operational Efficiency. Paper presented at the Offshore Technology Conference, Houston, Texas, USA, May 2025 [Электронный ресурс]. – 2025. – Режим доступа: https://onepetro.org/OTCONF/proceedings-abstract/25OTC/25OTC/662535 (дата обращения 13.11.2025). DOI: 10.4043/35742-MS.
19. Ferrigno E., Rodriguez M., Davidsson E. Revolutionizing Drilling Operations: Next-gen Llm-AI for Real-time Support in Well Construction Control Rooms. Paper presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, September 2024 [Электронный ресурс]. – 2024. – Режим доступа: https://onepetro.org/SPEATCE/proceedings-abstract/24ATCE/24ATCE/563550 (дата обращения 13.11.2025). DOI: 10.2118/220798-MS.
20. СИБУР внедряет в свои процессы нейросетевую модель GigaChat [Электронный ресурс] / СИБУР. – 22.05.2024. – Режим доступа: https://www.sibur.ru/ru/press-center/news-and-press/cibur-vnedryaet-v-svoi-protsessy-neyrosetevuyu-model-gigachat (дата обращения 13.11.2025).
21. Shahini M., Wang C.Y., Roeder M.A., Pethe S., Coffman S.W., Howard P., Hu B., Wasserman H., Arnwine J. Leveraging Large Language Models for Cost Management and Supply Chain Optimization. Paper presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, September 2024 [Электронный ресурс]. – 2024. – Режим доступа: https://onepetro.org/SPEATCE/proceedings-abstract/24ATCE/24ATCE/D021S012R004/563785 (дата обращения 13.11.2025). DOI: 10.2118/221022-MS.
22. Веткина А.В., Пискунов С.А., Шишаев Г.Ю., Рукавишников В.С. Автоматизированный поиск геологических аналогов месторождений на основе больших языковых моделей // Интеллектуальный анализ данных в нефтегазовой отрасли 2025: сборник материалов конференции. – М. : Геомодель Развитие, 2025. – С.146–149.
23. «Роснефть» внедряет новые технологии с использованием искусственного интеллекта [Электронный ресурс] / Роснефть. – 28.07.2025. – Режим доступа: https://www.rosneft.ru/press/news/item/222604 (дата обращения 13.11.2025).
24. Pang Z., Liu S., Lin Y., Fang X., Liu H., Peng C., Lian C. Large language model-based multi-objective modeling framework for vacuum gas oil hydrotreating // Chinese Journal of Chemical Engineering. – 2025. – Vol. 84. – P. 133–145. DOI: 10.1016/j.cjche.2025.05.012.
25. Яриков С.А., Кравченко Е.С. RAG-система в корпоративной среде: особенности, внедрение и метрики эффективности // Интеллектуальный анализ данных в нефтегазовой отрасли 2025: сборник материалов конференции. – М. : Геомодель Развитие, 2025. – С. 150–153.
26. Леонов Я.А. Умные документы: как LLM трансформирует управление отчетами и документацией/ Сборник материалов конференции «Интеллектуальный анализ данных в нефтегазовой отрасли 2025». – М. : Геомодель Развитие, 2025. – С. 142–145.
27. Pacis F.J., Alyaev S., Pelfrene G., Wiktorski T. Enhancing Information Retrieval in the Drilling Domain: Zero-Shot Learning with Large Language Models for Question-Answering. Paper presented at the IADC/SPE International Drilling Conference and Exhibition, Galveston, Texas, USA, March 2024 [Электронный ресурс]. – 2024. – Режим доступа: https://onepetro.org/SPEDC/proceedings-abstract/24DC/1-24DC/542912 (дата обращения 13.11.2025). DOI: 10.2118/217671-MS.
28. «Татнефть» и Университет ИТМО представили цифрового эксперта на основе генеративного ИИ [Электронный ресурс] /TATNEFT. – 26.09.2023. – Режим доступа: https://www.tatneft.ru/news/5135 (дата обращения 13.11.2025).
29. Zhou X.G.; Jing X.W.; Wu W.K.; Gao G.Z. Preliminary Research on Applications of Large Language Models in E&P Industry. Paper presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, September 2024 [Электронный ресурс]. – 2024. – Режим доступа: https://onepetro.org/SPEATCE/proceedings/24ATCE/24ATCE/D021S012R007/563645 (дата обращения 13.11.2025). DOI: 10.2118/220833-MS.
30. Silva R., Lopes R., Santos P., Couto P., Silva H., Conceição T. Wiisu: an LLM Based Assistant for Structured Data Retrieval in Oil and Gas Exploration // Fifth EAGE Digitalization Conference & Exhibition. – 2025. – № 1. – P. 1–5. DOI: 10.3997/2214-4609.202539076.
31. Шаяхметов Р.А., Трофимов В.Е., Козлов А.В., Басыров М.А., Кулешков И.В. Цифровизация и автоматизация процессов проектирования разработки месторождений // Нефтегазовое дело. – 2024. – Т. 22. – № 6. – С. 185–193. DOI: 10.17122/ ngdelo-2024-6-185-193.
32. Chen Z., Zhong R., Long W., Tang H., Wang A., Liu Z., Yang X., Ren B., Littlefield J., Koyejo S., Masnadi M.S., Brandt A.R. Advancing oil and gas emissions assessment through large language model data extraction // Energy and AI. – 2025. – Vol. 20. – 100481. DOI: 10.1016/j.egyai.2025.100481.