XV Kongres Naftowców i Gazowników
AI w inżynierii
wiertniczej
XV Kongres Naftowców i Gazowników
Polski Kongres Naftowy i Gazowniczy 2026
Warszawa · 21–22 października 2026
Projekt Superwiertnik
AI w inżynierii
wiertniczej
Badania, własne modele i zastosowania
Wiśniowski
Ziaja
Skrzypaszek
Toczek
Kowalski
Praca inżyniera
Gdzie AI może pomóc?
Gdzie AI
może pomóc?
W dokumentacji, przygotowaniu danych
i sprawdzaniu założeń.
Zaczynamy od odpowiedzi, którą inżynier może sprawdzić.
Zespół AGH
Łączymy wiertnictwo i AI
Wiedza inżynierska
Wiertnictwo
Warunki pracy, parametry
i ocena poprawności wyniku.
Własne zaplecze
AI
Modele, dane do uczenia
i testy odpowiedzi.
Sprawdzamy, czy model pomaga
rozwiązać konkretny problem inżynierski.
Jak pracujemy
Dokumenty, uczenie i obliczenia
Model czyta wskazane dokumenty
Odpowiedź można odnieść do konkretnego fragmentu.
Uczymy go na przykładach z branży
Sprawdzamy, jak uczenie zmienia odpowiedzi.
Łączymy go z narzędziami inżynierskimi
Obliczenia mają jawną metodę i kontrolę jednostek.
Własne zaplecze
Modele pracują na naszych serwerach
kart GPU w dwóch
pokazywanych węzłach
Uruchamianie modeli
8 kart · po 32 GiB pamięci
Zaplecze Superwiertnika
6 kart · po 32 GiB pamięci
Kontrolujemy uruchomienie modeli
i dostęp do dokumentów.
Obecne prace
Testujemy i szkolimy duże modele
Jeden z badanych modeli
DeepSeek
V4-Flash
284 mldparametrów łącznie
13 mldaktywnych przy obliczeniu
tokenów, czyli fragmentów tekstu,
które model może uwzględnić naraz.
Badamy odpowiedzi oparte
na obszernej dokumentacji.
Wyniki dalszego eksperymentu dotyczą modelu Qwen, ocenianego osobno.
Pokaz na żywo · 1 z 2
Serwerownia i modele
Panel C64
Serwerownia
i modele
Sprawdzamy, co jest uruchomione
i jak korzysta z zasobów.
Węzły i karty GPU
Instancje modeli
Pamięć, obciążenie, historia
Po pokazie: jak przygotowujemy
wiedzę dla Superwiertnika.
Odpowiedzi z dokumentów
Pytamy model. Sprawdzamy źródło.
Pytanie
inżyniera
Czego potrzebujemy
do rozwiązania zadania?
Fragmenty
dokumentów
System wyszukuje treści
związane z pytaniem.
Odpowiedź
ze źródłami
Inżynier może otworzyć
przywołany fragment.
Samo wskazanie źródła nie dowodzi jeszcze poprawności odpowiedzi.
Materiał do uczenia
Uczymy na przykładach z dokumentacji
przykładów w pierwszym
eksperymencie
Z fragmentów dokumentacji technicznej.
Są generowane automatycznie i filtrowane.
Czy uczenie pomaga odpowiedzieć
i poprawnie wskazać źródło.
Uczenie modelu
Po uczeniu sprawdzamy odpowiedzi
Przygotowanie przykładów
Dokumenty, pytania i oczekiwane odpowiedzi.
Uczenie modelu
Dostosowanie jego zachowania do zadań z branży.
Osobny test
Porównanie odpowiedzi przed uczeniem i po nim.
Zakończenie treningu to początek oceny przydatności.
Pierwszy eksperyment
Czy uczenie rzeczywiście pomaga?
Przed uczeniem
Model korzystający
z dokumentów.
Po uczeniu
Ten sam model po treningu
na przykładach z branży.
Te same pytania.
Te same fragmenty dokumentów.
Porównujemy odpowiedzi.
Rzeczywisty przebieg uczenia
Model uczy się. Czy odpowiada lepiej?
Model lepiej dopasował się do materiału treningowego.
Jakość odpowiedzi
sprawdzamy
w osobnym teście.
Pokaz na żywo · 2 z 2
Superwiertnik w działaniu
Panel Superwiertnik
Superwiertnik
w działaniu
Od przygotowanych przykładów
do odpowiedzi z dokumentów.
Stan przygotowania danych
Pytanie do dokumentacji
Odpowiedź i wskazane źródła
Po pokazie: ocena odpowiedzi
na wspólnym zestawie pytań.
Sprawdzamy odpowiedzi
120 pytań. Dwa rodzaje zadań.
Pytań o wartość liczbową
Czy model podaje oczekiwaną liczbę?
Czy oznacza źródło?
Pytań bez odpowiedzi w danych
Czy model sygnalizuje brak informacji
zamiast dopowiadać odpowiedź?
Automatyczny test · szczegóły i ograniczenia w aneksie
Wynik badań
Lepsze liczby, słabsze wskazywanie źródeł
Decyzja po teście
Tej wersji nie wdrożyliśmy
Po pierwszym eksperymencie
Tej wersji
nie wdrożyliśmy.
Pozostaliśmy przy modelu
sprzed dodatkowego uczenia.
Oczekiwana liczba
i oznaczenie źródła
Odpowiedzi spełniające oba warunki
spośród 60 pytań liczbowych.
Ocena inżynierska
Inżynier sprawdza znaczenie odpowiedzi
Te pytania wymagają wiedzy o technologii wiertniczej.
Dalszy kierunek badań
AI pomaga. Program liczy. Inżynier ocenia.
Porządkuje
dane
Parametry, dokumenty
i założenia
Wykonuje
obliczenia
Jawna metoda
i kontrola jednostek
Sprawdza
wynik
Warunki projektu
i decyzja techniczna
Tak przygotowujemy połączenie modeli z obliczeniami inżynierskimi.
Przykład obliczeniowy
Reologia: wynik odnosimy do pomiarów
Model Herschela–Bulkleya
Dane pomiarowe
↓
Dopasowanie krzywej
↓
Ocena zgodności
Kolejne badania
Co sprawdzamy w następnym etapie?
Lepsze przykłady
Poprawne źródła i odpowiedzi „brak danych”.
Inne uczenie
Porównanie ustawień i intensywności treningu.
Ocena ekspertów
Nowe dokumenty, jednostki i warunki stosowania.
Odpowiedź, którą można rzetelnie zweryfikować w pracy inżynierskiej.
Współpraca badawcza
Zacznijmy od konkretnego zadania
Dokumentacja i pytania z Państwa praktyki.
Nasze modele, testy i wiedza wiertnicza.
Co dziś wymaga przeszukiwania dokumentów lub ręcznej weryfikacji?
Po czym poznamy, że odpowiedź jest poprawna i przydatna?
Porównujemy wyniki z oceną inżynierów.
Wniosek
Przydatność AI sprawdzamy
na zadaniu inżynierskim.
Łączymy AI z technologiami wiertniczymi
Przydatność AI sprawdzamy
na zadaniu inżynierskim.
Dokumenty, własne modele i obliczenia.
Wynik oceniany przez inżyniera.
Porozmawiajmy o problemie,
który warto wspólnie zbadać.
ai.skrzypaszek.com
Aneks A / Wyniki i definicje
Co dokładnie policzono?
| Wskaźnik automatyczny | Model bazowy | Z adapterem |
|---|---|---|
| Wartość wzorcowa w odpowiedzi | 19 / 60 · 31,7% | 28 / 60 · 46,7% |
| Znacznik źródła [n] | 45 / 60 · 75,0% | 11 / 60 · 18,3% |
| Sygnał odmowy przy braku odpowiedzi | 29 / 60 · 48,3% | 11 / 60 · 18,3% |
| Wartość i znacznik [n] jednocześnie¹ | 18 / 60 · 30,0% | 3 / 60 · 5,0% |
Wartość: pierwsza liczba z odpowiedzi wzorcowej występuje w tekście; tolerancja bezwzględna 10⁻⁶ lub względna 10⁻⁴. Bez kontroli jednostki.
Cytowanie: obecność zapisu [n]. Odmowa: dopasowanie sformułowania do reguły tekstowej. Oba wskaźniki wymagają oceny znaczenia przez eksperta.
Aneks B / Odtwarzalność
Konfiguracja i ograniczenia pilotażu
Konfiguracja
- Zakres
- Pytania z dokumentacji HDD
- Model
- Qwen3-30B-A3B-Instruct-2507
- Adaptacja
- QLoRA · 3 000 przykładów
1 epoka · 188 kroków - Ocena
- 4-bit NF4 · bez losowania
maks. 160 nowych tokenów - Wyszukiwanie
- bge-m3 → do 40 kandydatów → filtr
bge-reranker-v2-m3 → do 5 fragmentów - Kontekst
- Do 700 znaków na fragment
identyczny dla obu wariantów
Ograniczenia
- Pierwsze 60 pozycji każdej grupy po filtrowaniu; próba nielosowa.
- Zbiór przygotowany automatycznie. Wymaga przeglądu eksperckiego.
- Nie potwierdzono rozdzielenia dokumentów treningowych i testowych.
- Wyniki nie mierzą poprawności obliczeń, bezpieczeństwa ani oszczędności.
Aneks C / Źródła
Metody, dane i afiliacja
RAG — wyszukiwanie dokumentów do generowania odpowiedzi
Lewis i in. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
arxiv.org/abs/2005.11401
QLoRA — efektywna pamięciowo adaptacja modeli
Dettmers i in. (2023), QLoRA: Efficient Finetuning of Quantized LLMs.
arxiv.org/abs/2305.14314
Modele i materiały własne
Trening: 12.10; test: 15.10; telemetria: 18.10.2026. Reogram płuczki.
Qwen3-30B-A3B · Qwen3-Coder-Next
DeepSeek-V4-Flash · karta modelu
Wyniki A/B · Przebieg treningu
Autorzy i afiliacja
AGH w Krakowie · Wydział Wiertnictwa, Nafty i Gazu.
SkOS AGH · Katedra Wiertnictwa i Geoinżynierii