25_hf_whisper.ipynb

{
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "SA9LV0njEKrI"
      },
      "source": [
        "Перед запуском в Google Colab необходимо сменить среду выполнения (если она уже не выбрана по-умолчанию):\n",
        "\n",
        "Runtime -> Change runtime type -> Hardware accelerator -> T4 GPU"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 1,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/"
        },
        "id": "WqEa2eDi7Bh5",
        "outputId": "6ba2b929-5123-4347-aac9-62d2a7cc1787"
      },
      "outputs": [
        {
          "output_type": "stream",
          "name": "stdout",
          "text": [
            "Requirement already satisfied: transformers in /usr/local/lib/python3.10/dist-packages (4.35.2)\n",
            "Requirement already satisfied: filelock in /usr/local/lib/python3.10/dist-packages (from transformers) (3.13.1)\n",
            "Requirement already satisfied: huggingface-hub<1.0,>=0.16.4 in /usr/local/lib/python3.10/dist-packages (from transformers) (0.20.3)\n",
            "Requirement already satisfied: numpy>=1.17 in /usr/local/lib/python3.10/dist-packages (from transformers) (1.25.2)\n",
            "Requirement already satisfied: packaging>=20.0 in /usr/local/lib/python3.10/dist-packages (from transformers) (23.2)\n",
            "Requirement already satisfied: pyyaml>=5.1 in /usr/local/lib/python3.10/dist-packages (from transformers) (6.0.1)\n",
            "Requirement already satisfied: regex!=2019.12.17 in /usr/local/lib/python3.10/dist-packages (from transformers) (2023.12.25)\n",
            "Requirement already satisfied: requests in /usr/local/lib/python3.10/dist-packages (from transformers) (2.31.0)\n",
            "Requirement already satisfied: tokenizers<0.19,>=0.14 in /usr/local/lib/python3.10/dist-packages (from transformers) (0.15.1)\n",
            "Requirement already satisfied: safetensors>=0.3.1 in /usr/local/lib/python3.10/dist-packages (from transformers) (0.4.2)\n",
            "Requirement already satisfied: tqdm>=4.27 in /usr/local/lib/python3.10/dist-packages (from transformers) (4.66.1)\n",
            "Requirement already satisfied: fsspec>=2023.5.0 in /usr/local/lib/python3.10/dist-packages (from huggingface-hub<1.0,>=0.16.4->transformers) (2023.6.0)\n",
            "Requirement already satisfied: typing-extensions>=3.7.4.3 in /usr/local/lib/python3.10/dist-packages (from huggingface-hub<1.0,>=0.16.4->transformers) (4.9.0)\n",
            "Requirement already satisfied: charset-normalizer<4,>=2 in /usr/local/lib/python3.10/dist-packages (from requests->transformers) (3.3.2)\n",
            "Requirement already satisfied: idna<4,>=2.5 in /usr/local/lib/python3.10/dist-packages (from requests->transformers) (3.6)\n",
            "Requirement already satisfied: urllib3<3,>=1.21.1 in /usr/local/lib/python3.10/dist-packages (from requests->transformers) (2.0.7)\n",
            "Requirement already satisfied: certifi>=2017.4.17 in /usr/local/lib/python3.10/dist-packages (from requests->transformers) (2024.2.2)\n"
          ]
        }
      ],
      "source": [
        "!pip install transformers"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 2,
      "metadata": {
        "id": "TK36v_5xQhOx"
      },
      "outputs": [],
      "source": [
        "# загрузка аудиофайла с Google-диска\n",
        "\n",
        "import requests\n",
        "import os\n",
        "\n",
        "current_dir = os.path.abspath('')\n",
        "parent_dir = os.path.dirname(current_dir)\n",
        "audio_path = os.path.join(current_dir, 'audio.mp3')\n",
        "\n",
        "\n",
        "def download_file_from_cloud_storage(id, destination):\n",
        "    url = \"https://docs.google.com/uc?export=download\"\n",
        "\n",
        "    session = requests.Session()\n",
        "\n",
        "    params = { 'id': id, 'confirm': 1}\n",
        "    response = session.get(url, params = params, stream = True)\n",
        "\n",
        "    save_response_content(response, destination)\n",
        "\n",
        "\n",
        "def save_response_content(response, destination):\n",
        "    chunk_size = 32768\n",
        "\n",
        "    with open(destination, \"wb\") as f:\n",
        "        for chunk in response.iter_content(chunk_size):\n",
        "            if chunk:\n",
        "                f.write(chunk)\n",
        "\n",
        "download_file_from_cloud_storage('1ediCTMcNgULkMdY1AwUdRnDhUUWyq8Nx',\n",
        "                                 audio_path)"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 3,
      "metadata": {
        "id": "XS2ljW0v7HFH"
      },
      "outputs": [],
      "source": [
        "import torch\n",
        "from transformers import pipeline"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "8DMzfiCCWur6"
      },
      "source": [
        "Model Card: [https://huggingface.co/openai/whisper-large-v3](https://huggingface.co/openai/whisper-large-v3)"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 4,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 511,
          "referenced_widgets": [
            "d873473c118f4a44be80d630a35f4e8a",
            "e94ab9edb3834d0ca81ca0d7c1c14178",
            "54d03d02820a40fab0587ec32675fc75",
            "36cce6e9890949abab3bbc305ff3d05f",
            "d126b6c683b04cea9b713c5982439586",
            "6edbb1f1eac54bf5a8f1187706cd3955",
            "a5e306d33f7f40a3ba0ad217525c8850",
            "a0b76391714b47948cdc2938a91a1c5a",
            "e17524548e134014897e1c9236e5c8ed",
            "28599f326455483a925a964503bba39c",
            "78bd2d32824a4642b577de7d064faf1b",
            "27daff8782a747c1816a7d12c1d00923",
            "47dcef7721844eedb43d4a786caef8c8",
            "32c70e230b2644f2a9dc50b3b706522a",
            "707e86b37cbd426c85957585d091b1ce",
            "9edc6f5b7b30467fbdedd8366e8bbd4a",
            "78669e180fbd481085ea7d725f362444",
            "13371c25f6264afbb0ef4b7b76aeac1d",
            "3d5f0bed287c47178cfd527758be6c29",
            "4e979c61bf8047388faeb63745e199b6",
            "4ad5716c339a4d8bb368c5e405840732",
            "78d597edeb4a4218a82f8b41c0caa377",
            "d93d8cfe77794b829ee791cb4139bee0",
            "2adf98783ef845c3a2bd5557d4f9fe7f",
            "58cc8906558943b8ae1878aa4978bb9d",
            "3cdf3c6d17d84eaaa11b74647a92960e",
            "8f30d4f37d3f4df097b7006d7ea70668",
            "cd46b114d18c449392b0f1f136368ffc",
            "06d159c877524a759c0017156419066e",
            "5736b77b3db54de6b351e0ea438113d6",
            "78de13c72db047299196f7c725b0fc9e",
            "a7d2cf8f2a78409ab235e071eaab1ed1",
            "dc56af1550194834b7fd2222f36c0d03",
            "ceca0a60824a4f2cb0ce69e86aaafb74",
            "55f41fbf758648678e5e0f45dd2c6bab",
            "03071f73001f4b9781d7619736670798",
            "91f543b73a3f42ddbbda63ed095799c4",
            "2ff7393f1ff44818921dea01ca8a9e0d",
            "078eae05456a4c7e9a31a6ee69a1e410",
            "08ebedbfaf0b47b79aa11620df094103",
            "46952e43b74d48cdbfdb1522faf93bb2",
            "288fe5fc0f504c53a84865380879064d",
            "8afb8d40bf8e4906bb68fbf4ab23b626",
            "0e43661016324e0aa4d5a8ef187cda0b",
            "a8787771cbcf44b180701985042d56df",
            "43033181b32146e6912a8f7c33e86efe",
            "8054938edffb41b58965e8529b3ccbb6",
            "50142bcd5ffc4af1b306dfb5f5913e16",
            "e6f43f113463471ab5ad95cc551c5289",
            "9d2ba5d3a25346f2a11a17bf239c94a9",
            "9cc830149cae4b66bf6fc0ea367b970e",
            "9c82dba0cade4e14880a91edbc6754e7",
            "1a855654d90c40ceb57e4e87f5c5855b",
            "e197e84208644d9c8b2619f05429d7c1",
            "81560b49f05440c8a283cedc11ea3b57",
            "09aa6b9002ac48eda399a87c7f1c0b44",
            "77cf33812c1e46ccadeafa714d8810c5",
            "a7523f1588d8401d96590b5649065b51",
            "2d7e52fefcd046f8b44236f2449eb63d",
            "6154ada1529f4bd88daf0b4baba284e7",
            "4c211ee4f74a4d069755fd2742850da1",
            "bef893f58dfb46c3a856ea6b570361c0",
            "2fba773016134566a857520c0fb2ff97",
            "bb9b673840af4a64a88dd83d5bc3bd3d",
            "50f0a2fa7f56403882576acd04cfc0da",
            "07b83e61035c4d10ab2561df1c5f7a36",
            "0894249b74cd4217a10ef945a8f7ccb7",
            "5b8e0e73de8a4816b525a1013ef7c980",
            "ef7848a140c948deacc512fb3354c7df",
            "60ee4c03374f43238e267ee7a1d4ddf4",
            "5081b9e8331a44c997a0def06c55dd8b",
            "5b3c1ce3ec3f4f839d1755f67e0cde12",
            "9b996d237bae43baa5e9363b61281779",
            "6f015f726c734bbcb4cf161b369148d4",
            "30d7e2ac145d40f49baae62828eea175",
            "313f791d7610480aa83c2b987ce18ab8",
            "05368585cafa49a5b2dd2b58f58ebcef",
            "350b69c7fa7d46e7a087d27e5c50d6c6",
            "c3d8c62d7702409a94bf39fb658e57ad",
            "9ed4150a0d1742adac4994cf5c1266ba",
            "9fe5eee788e94951bfadddd4706be814",
            "46f6772238a7430785229274c72b8628",
            "9e874ba4bf9e49faad3ef5563604e6f6",
            "d5a37dfd719847a59c7f8d6c2610f1e8",
            "9f27c396a1044d5c8024d072d3e91b45",
            "a3a4e5109b284ddfb748170c9f270854",
            "9b2062e54155468e8669eaefcc5d1f8b",
            "07604eb2ad434cbe8a98af74c43cb80d",
            "291fd96b2a964225a403de091b25cc28",
            "9a9b13818c5346649c7567344641998d",
            "43f4a7e93ffe40c1893bfac1e008d7a4",
            "4649108af34f45c0bece25bb9a7fed46",
            "c12bdee4ee8945e7ad778612847221fa",
            "f68b59da21b840e2be81ba917851be69",
            "577684fb52e142f0a12cdae140784055",
            "af3719bbf3234cc0b4432fdb7e521a0b",
            "093103521430499f9177662670aae4e3",
            "c60a6de76baf4095b4da923adbb90bfe",
            "665555209fd24073a13ea4d825cd3e58",
            "9df477fd966843c6adb6e97a555de8a4",
            "923bd549e4fe464a9f9b22c941f09cc7",
            "68646e1d2a6f4535a30ade0ceb9f694d",
            "5fc4ca90745a49e09ee8a6708002e89f",
            "c92a2aa61afe450a88280122c2848aa4",
            "d1d7c7ae57ae4025820a778198ce3206",
            "1505591045a04f2da0cc6c0b93022e97",
            "f7bdff5644c041dcbbb1e32d44c50b58",
            "d8dbdf9a35c24637b957c4209b5d7d12",
            "2a3d06457e104e63ba76b02df40b9b90",
            "b6b50d7a354b4ba4bfaf752e76a21f71",
            "c03d28e9a4ff4936ab43edb1bba52577",
            "ea7415215ba041799d860c4d3b74e08f",
            "88f99851de584af4a1445fe44196c5f8",
            "47023e20076148dcbc0fa35be905627f",
            "780dffa542b84ab18ee405e00b25df2a",
            "d952cdb3b7354fd0b7627ed2af5753e2",
            "ddaca6e7cec94c189f9294da7bacc7f9",
            "f0b24384dfc74198bbe07e5b9e4ac12a",
            "d2a7945782c0423288979ee3c0508ef6",
            "3fd1d4e76d1249d7bbfc9b948ccb895c",
            "5e15604ba53b451d91a5c821aaa970e1"
          ]
        },
        "id": "ihNEKgjM7YPu",
        "outputId": "22c67fea-e3ca-4eab-f67e-dbfda0bc91f4"
      },
      "outputs": [
        {
          "output_type": "stream",
          "name": "stderr",
          "text": [
            "/usr/local/lib/python3.10/dist-packages/huggingface_hub/utils/_token.py:88: UserWarning: \n",
            "The secret `HF_TOKEN` does not exist in your Colab secrets.\n",
            "To authenticate with the Hugging Face Hub, create a token in your settings tab (https://huggingface.co/settings/tokens), set it as secret in your Google Colab and restart your session.\n",
            "You will be able to reuse this secret in all of your notebooks.\n",
            "Please note that authentication is recommended but still optional to access public models or datasets.\n",
            "  warnings.warn(\n"
          ]
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "config.json:   0%|          | 0.00/1.27k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "d873473c118f4a44be80d630a35f4e8a"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "model.safetensors:   0%|          | 0.00/3.09G [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "27daff8782a747c1816a7d12c1d00923"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "generation_config.json:   0%|          | 0.00/3.90k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "d93d8cfe77794b829ee791cb4139bee0"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "tokenizer_config.json:   0%|          | 0.00/283k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "ceca0a60824a4f2cb0ce69e86aaafb74"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "vocab.json:   0%|          | 0.00/1.04M [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "a8787771cbcf44b180701985042d56df"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "tokenizer.json:   0%|          | 0.00/2.48M [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "09aa6b9002ac48eda399a87c7f1c0b44"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "merges.txt:   0%|          | 0.00/494k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "0894249b74cd4217a10ef945a8f7ccb7"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "normalizer.json:   0%|          | 0.00/52.7k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "350b69c7fa7d46e7a087d27e5c50d6c6"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "added_tokens.json:   0%|          | 0.00/34.6k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "291fd96b2a964225a403de091b25cc28"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "special_tokens_map.json:   0%|          | 0.00/2.07k [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "9df477fd966843c6adb6e97a555de8a4"
            }
          },
          "metadata": {}
        },
        {
          "output_type": "stream",
          "name": "stderr",
          "text": [
            "Special tokens have been added in the vocabulary, make sure the associated word embeddings are fine-tuned or trained.\n"
          ]
        },
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              "preprocessor_config.json:   0%|          | 0.00/340 [00:00<?, ?B/s]"
            ],
            "application/vnd.jupyter.widget-view+json": {
              "version_major": 2,
              "version_minor": 0,
              "model_id": "c03d28e9a4ff4936ab43edb1bba52577"
            }
          },
          "metadata": {}
        }
      ],
      "source": [
        "device = 'cuda:0' if torch.cuda.is_available() else 'cpu'\n",
        "pipe = pipeline(\n",
        "    'automatic-speech-recognition',\n",
        "    model='openai/whisper-large-v3',\n",
        "    chunk_length_s=30,\n",
        "    device=device,\n",
        "    generate_kwargs={'task':'transcribe'}\n",
        ")"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 5,
      "metadata": {
        "id": "kt1RoBMEQnh-"
      },
      "outputs": [],
      "source": [
        "prediction = pipe(audio_path,\n",
        "                  batch_size=8,\n",
        "                  return_timestamps=True)"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 6,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 1000
        },
        "id": "AIMPdft_THTK",
        "outputId": "06f2f233-4836-40ad-a006-ee06f5f8c814"
      },
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "' По-моему, еще у одной из групп был вопрос. Отчетность именно этого момента по поводу домашнего задания. Отчетность идет только по тесту. Значит, вот этот тест будет уже у вас итоговым. А по домашним заданиям это для вас, ну и для нас, для понимания, как все это можно сделать. То есть никакой отчетности по домашнему заданию нет. Вы подскажите еще, пожалуйста. У нас сегодня происписание последний день, и нам сегодня получается тест вышлют? Да, там был запрос на Станислава, на основного лектора. Кто-то уже, я так понимаю, получил этот тест, забрал. У нас получается, что две группы, и они разные, вузы даже разные. Получается, что у ФТИ есть этот тест, нам его выслали, а у СПБГУ получается, что нет. Вот, да, кто-то, Ольга, да, по-моему, кто-то как раз забирали, да, тогда отдельно на СПБГУ вышлют уже через контактные лица, я так понимаю. Можете подсказать СПБГУ, через кого вы с нами общаетесь? Мы только не СПБГУ, мы политех, питерский. Простите, да, я просто это... Ну, просто, чтобы потом не было тоже... Да, на автомате говорили. У нас староста есть, но его сейчас нет. В целом, я ему скажу, чтобы он просто свою почту написал или как-то связался. Да, давайте. Либо через контактное лицо, либо я вам в конце лекции просто свою почту напишу и оттуда передадим. Поэтому, получается, сейчас у МФТ и есть. Тогда мы с политехом решим вопрос. Хорошо, все, спасибо, я скажу. Если все одинаково, я могу его просто переслать. Если в беседу в почту напишите кто-нибудь. Или так, да. Если у вас так еще устроено, вы можете решить его еще и вместе. Очень в этом плане будет удобно вам. Там не тяжело. Такие вопросы тестовые, ничего решать не надо. То есть, как бы, такие вопросы тестовые, ничего решать не надо. Я думаю, вы там справитесь. А нам тоже на Станислава отправлять ответы или куда? Так, давайте мы с вами, знаете, как сделаем. Станислав в этот раз же не преподавал. Давайте, пока мы тогда не начали, пока там ребята собираются. Давайте. Можете в чат написать кто-нибудь свою почту? Давайте так, МПТ и Политех тоже напишите, и я вам от своей почты отправлю тест еще раз, на всякий случай, и вы уже туда мне пришлете два файлика с ответами. Хорошо. Давайте так, сделаем, я из чата у вас тогда заберу, как вы там пришлете два файлика с ответами. Хорошо. Давайте так сделаем. Я из чата у вас тогда заберу, как вы там пришлете. И вот еще последний вопрос тоже по срокам, потому что ребята будут спрашивать, кого нет, когда сдавать. Да, смотрите, я думаю, пока вы не забыли все это дело, по отчетности я на самом деле точно не знаю, как в ГПН, да, эта история, вряд ли она там у нас как-то завязана. Скорее для вас, да, это больше критично. Давайте, пока вы все это не забыли, там на самом деле вопросов на скидку что-то типа около 15, что ли. То есть там немного. Лучше это сделать там край вечера понедельника, все это сдать и как бы спокойно. То есть хотя вот даже у вас еще и пятница. Давайте край понедельника, это сдать и как бы спокойно. То есть, хотя вот даже у вас еще и пятница. Давайте край понедельника, чтобы если кто-то не успел, там, не досмотрел. Там занимает этот тест, я думаю, минут 20 максимум. Вот. Поэтому давайте так договоримся. И если вы высылаете в этот срок, я проверю, посмотрю, все ли там окей. Ну и там коллега, да, Анастасия, она вам про тест вообще не говорила в первые три дня? Нет. Ну, давайте тогда так договоримся. В общем, лучше до конца недели все это сделать, отправить. И я понимаю просто, что вас там много, а файлик этот один будет. Вы пока там соберетесь, пока каждый из вас вспомнит, что надо его сделать. Договоримся, что в понедельник вы должны его отправить. Крайний срок. Вот. Тогда давайте мы пока начнем, если вопросов нет больше. Все, да, нормально? Все понятно? Вопросов больше пока нет? Да, все понятно. Окей, так, ага, все, отлично. А, ну вот да, вот Ольгу я видела, вы писали уже. И вот еще останется, получается, по второй группе, я вам разошлю. Так, ну смотрите, получается у нас вот эту заминку сейчас мы как раз устраним по МФТИ, которую мы не прошли. Так, сейчас подгрузится все это дело. Вот, смотрите, получается мы остановились с вами на межскважной корреляции. на межскважной корреляции. Я чуть-чуть вам напомню, что мы с вами до этого изучали геофизические исследования скважин и как раз остановились на том, где это применяется, для чего это все нужно. Я вам говорила, что можно визуально работать с коротажом, то есть качественно, как это делают геологи, так же количественно. Это уже делают петрофизики. И вот визуальное представление кривых и в целом вот эта схема корреляции, когда много скважин наносится на один такой профиль и анализируется, это как раз основной инструмент геолога, чтобы определить интересующие его пласты. Да и в целом, чтобы вот этот коробочек разделить на, так скажем, конкретные слои. И получается, по уже данным коротажа, можно определить конкретные границы пластов. Примерно так же, как и в сейсмике. Просто тут мы конкретными точками будем оперировать. Основной момент для геолога – это, конечно, определение литологии и насыщения. У вас, по-моему, похожи будут вопросы в тесте, поэтому я на этом акцентирую внимание, что в коротаже эта бесскважная корреляция дает основное понимание о литологии пласта. Вот здесь показан пример, где тоже откоррелировали два пласта, это, скорее всего, тоже Западная Сибирь, а есть 9-й, а есть 10-й. И вот если посмотреть, тут картинка, она достаточно разная от скважины к скважине. Но в целом должна сохраняться общая логика, что у вас пласт должен выдерживать свою толщину. То есть по от скважины к скважине не должно быть резких изменений. Также у вас должны на месте находиться пласты реперы, с которых вы начинаете. Это те пласты, которые у вас на всем протяжении вашей территории, то есть во всей вашей территории, они не меняются. К примеру, в данном случае конкретного пласта репера нет на этой схеме. Но дальше там будет один разрез, который мы с коллегами из политеха разбирали. На нем будет видно, что есть такие пласты, которые вы сразу увидите. Вы посмотрите на скважины и сразу станет понятно. То есть геологам важно проследить границы. Для этого обычно мы используем гамма-коротаж и ПС-коротаж. Это основные, наверное, основные коротажи. Так, вот здесь более-менее показан такой уже, как сказать, более промысловый, что ли. Ну, то есть, знаете, такой уже не вот как бы академический такой момент, что вот мы здесь границы определяем, а тут уже вот с испытаниями, с результатами легис, видите, вот здесь уже испытание проведено. И вот то, о чем я говорила, принципы корреляции, они должны выдерживаться. То есть форма кривых должна быть от скважины к скважине похожа. они должны выдерживаться. То есть форма кривых должна быть от скважины к скважине похожа. При этом мощность пласта должна сохраняться резкого выклинивания в какой-то конкретной скважине, исчезновения пласта оно не должно быть. Ну и насыщение пласта, если оно у вас известно, то у вас всегда по логике нефть должна быть выше воды, если вы внутри одной залежи находитесь. Если у вас происходит наоборот, то есть у вас вода выше нефти, и вы ничего с этим сделать не можете, никакой ошибки нет, значит, либо у вас между ними границы проходят, между этими пластами, либо вы что-то не так прокоррелировали, и где-то у вас сейчас в корреляции ошибка. Это тоже, нужно на это обращать внимание. Вот здесь показан пример одного из месторождений. Это вот дельта такая зона. По-моему, в первые два дня это обсуждали. Зона, где река впадает, получается, в бассейн, в море. И вот за счет того, что пространство для разгрузки увеличивается, там такая вот формируется неоднородность. Видите, вот у вас дельта, максимальная зона, средняя, дистальная. Это значит, как бы это основная зона разгрузки, и дальше она уже, ну, тут вот к какому-то моменту она перестанет существовать, когда вся разгрузка уже закончится. Поэтому здесь такое сильное изменение видно, но это нормально. Вы должны это понимать для каких отложений вы делаете схему корреляции. Если они выдержаны, то есть у вас мощность должна достаточно одинаково себя вести. Если вы с такими литологическими объектами работаете, то у вас какая-то должна быть цикличность. То есть от скважины к скважине вы должны уже понимать, что вот вы сидите в какой-то максимальной зоне, в какой-то самой такой начальной, потом основная зона, где начинается разгрузка, и в конце уже где-то здесь будет пропадать коллектор, и уже ничего не будет в схеме корреляции. Вот мы с ребятами тут разбирали, с ребятами из политеха разбирали, как же работают основные принципы корреляции. Я вот вам говорила сейчас про то, что есть пласты и рэперы, которые вы видите всегда во всех скважинах, они будут себя повторять. Вот мы с ребятами разбирали кейс, на нем сегодня не будем останавливаться долго, чтобы сэкономить время. Вот искали как раз пласты рэпера. Нашли вот этот пропласток углей. В данном случае он... Я вот так покажу дальше. Тут есть картинка. Тут будет как немножко такая анимашка. Получается, нашли три пропластка углей, которые всегда во всех скважинах примерно в одинаковых абсолютных отметках повторяются. Вот они получаются. Вот первый, вот второй, вот третий. Это такие стабильные пропластки, которые будут вам давать постоянные границы. Между ними вы уже будете понимать, что какое-то изменение было. А вот они будут всегда спокойными. Это удобно, чтобы хотя бы от чего-то отталкиваться. Чтобы не было такого, что вы в одной скважине вроде как уверены, а вторая у вас отлетела, и никакой потом корреляции вы не сможете сделать. Когда есть такие пласты, очень удобно нормироваться, выравниваться. Так, вот здесь как раз я вам говорила, что на гисах будет видно репер. В данном случае из этих трех скважин, мы тут же с ребятами проходили это, видно, что вот эти две кривые, если рассмотреть именно красную, красная во всех трех скважинах в этой области отклоняется сильно направо. То есть максимум гамма-коротажа в этой зоне. Это тоже репер. Это по Западной Сибири основной репер, это Бажайновская свита. Я вам говорила, что гамма-коротаж реагирует на радиоактивные изотопы, на уран и прочее. И здесь как раз эта история сыграла. Тут вот как раз Бажайновская свита, если мы ее будем коррелировать, по-моему, на следующем есть, на следующей картинке, то вот она будет выглядеть так. То есть, вот эта толща, основная нефтематеринка, она как раз-таки в ГИСах такой аномалией выражается. То есть, если вы в ГИСах шли-шли резко, примерно на глубине 2,5 для юго-западной Сибири, начали такие резкие аномалии фиксировать, понятно, что вы уже все до Бажена дошли. Ну и вот здесь тоже некоторые особенности показаны выше, ниже бажена. Здесь есть повторяющиеся пласты. Здесь ниже тоже есть какие-то пропласты, которые можно связать друг с другом. То есть это такая всегда история, что вы работаете с этими скважинами на уровне, найди не 10 отличий, а наоборот 10 каких-то схожих моментов. Даже в наших программных комплексах есть возможность вот эту выпилить, скрин сделать вот этой картинки, подвести к соседней, и можно сравнить каждую скважину с каждой. То есть это удобно в этом плане. Надо прям просто сидеть и смотреть, где похожийно в этом плане. Надо прям просто сидеть и смотреть, где похожий характер поведения кривой. Здесь если вот посмотреть, вы можете вот так ставить корреляцию, если вам не важно более детальное расчленение. А если уже вы конкретно хотите на каждом шаге увидеть, какой пласт у вас самый мелкий, какой-то самый совсем маленький, как они себя ведут, вы можете прям вот до такой степени коррелировать. Это все зависит от задач, которые вы преследуете в этой корреляции. То есть, может быть, вам хватит и какого-то расчленения, не совсем такого прям детального, а где-то вам нужно будет до каждой вот маленькой этой просмотреть. Это все зависит от пласта, от социальной обстановки, в которой накапливался. То есть, где-то вам нужно будет до каждой маленькой этой просмотреть. Это все зависит от пласта, от фоциальной обстановки, в которой он накапливался. То есть где-то нет необходимости. И задача по сейсморазведке у нас была на дом, получается, у вас, ребят, из политеха. Мы ее сейчас тоже вместе разберем. Что стояло в домашнем задании? Нужно было определить коэффициент отражения на границе вот этих, получается, двух пластов. Были даны данные по скорости волн и по плотности. Ну и выделить границу, на которой будет формироваться отражение. предсказать, предположить, какой из этих пластов будет карбонатный, какой циригенный. Я надеюсь, ребята из политеха успели что-то посмотреть, сделать. Можете сейчас, пока я буду рассказывать, сверять, что у вас получилось. Тут задачи достаточно простые. Думаю, вы справились. Соответственно, ответ тут. На этом слайде уже разбор задачи. В целом, получается, по верхней и по нижним пластам приведены данные, то есть коэффициент отражения вычислен, он получился минус 0,325, и я думаю, у вас такое же значение. Вот тут еще вычислили импеданс. И второе было задание выделить границы. Ну, тут достаточно все обычно. На границе двух пластов на вот этой как раз будет формироваться отражение. Здесь, я думаю, вопросов нет. И нужно было предположить, какой из пластов церегенный, какой карбонатный. И вот эта палетка, которую вам отправляли с домашним заданием, на ней нанесены, я думаю, вы так же мыслили, на ней нанесены значения 3500 и 5000. И для, получается, доломита это порядка 5000, для известняка это получилось порядка 3500. На самом деле тут достаточно все сложено, потому что я вам говорила, что зависит от региона, от того, какую вы информацию уже по региону имеете, то есть все равно значения, они достаточно близкие. Вы можете как вот здесь попасть, например, в какие-то оливролиты, так и предположить, что это известняк. Тут все зависит от вторичных преобразований, от пористости. То есть очень много данных туда еще должны вкладываться. Поэтому предположить здесь можно, зная конкретный регион или в целом. Но еще нужно много уточняться. И лучше, конечно, уточняться с использованием либо Керна, либо данных вообще по скважинам, хотя бы по ГИС. То есть это всегда работа очень такая в совокупности. В принципе, в геологии, по-моему, невозможно ничего использовать в одиночку. Вот. По сейсморазведке история такая. По ГИС давайте мы еще вторую задачу. По данным ГИС у нас была вот такая задача. Здесь коротажи были выведены на схему корреляции. Здесь результаты интерпретации можно было по литологии и по насыщению сориентироваться. И нужно было провести как раз границы пластов, которые обычно ищут геологи. Тут нужно было придерживаться основных принципов, чтобы толщина не менялась и не было противоречия в насыщении. Ну и вот у вас должно было получиться что-то подобное вот этого. Если у вас включается картинка и есть глобальный вопрос, почему здесь не так, вы можете сейчас задать свой вопрос. Это прям приветствуется если пока вопросов нет я тут объясню нюансы до корреляции наверное надо начать самого такого уверенного это вот верхний пласт он большинстве случаев достаточно похож и у него него толщина не сильно меняется, и он во всех трех скважинах в воде. Здесь с корреляцией, наверное, проблем не должно было быть. И тут, как вы видите, есть всегда глинистая перемычка, снова глинистая перемычка, снова. То есть это более-менее такая история понятная. Далее за ним, ниже идет такой пласт, который тоже, если убрать картинку, что она меняется, то по результатам интерпретации он достаточно похожий. Одна и та же маленькая пипка на все три скважины. Единственный момент здесь есть, что закраска по насыщению вас могла смутить, потому что здесь три разные закраски. Но это должно быть у вас уже как бы постфактум в анализе идти. Потому что иногда в петрофизике, я вам говорила, что если... Вот видите, здесь нет кривой ИК. Кривой ИК, говорю, нет. Нескольких кривых нет. И, скорее всего, у них не получилось. Просто здесь... Так, указки не видно. Сейчас. Не получилось, просто здесь указки не видно. Скорее всего, у них здесь не получилось просто выделить насыщение, не хватало методов. И они просто сказали, ну, не можем на самом деле. Извините, ребята, но вот не ясно. Часто такое бывает, и мы как бы с этим дальше живем. Здесь, видите, нефть плюс вода они дали, а здесь вода. То есть, ну, где-то вот здесь вот проходит граница, значит, между ними. Вот. Это вот второй пласт. У третьего пласта, вот в двух скважинах, все достаточно ясно, да, по гесам. Вот этот такой коробочек красивый, очень такой привлекательный. И вот этот. Вот. Здесь что-то произошло, немножечко кверху что-то заглинизировалось и полностью, да, ушло в итоге в глину. Такое может быть, и это нормально. На каком-то... Всё зависит, на каком расстоянии вот эти две скважины находятся. Быстро это произойти не могло, но вы должны ещё, когда скоррелируете, как бы должны вот тут ещё карту иметь рядышком, насколько данные ваши далеко, рядом, может, какие-то скважины есть. Это всё зависит. Но в целом вот эти три скважины, это один и тот же пласт. Ну и видно, что здесь противоречия нет. Тут тоже нефть идет, потом резко нефть плюс вода и снова нефть. Вот в этой где-то зоне здесь проходит контакт. Здесь где-то вот нефть плюс воду подловили. Здесь неясно, скорее всего, тоже уже где-то вода просто. Пропластки достаточно тонкие и не смогли петрофизики опять сказать точно. А здесь уже явно, вот внизу, если присмотритесь, вот здесь вот вода, она уже есть. Вот. Ну и самое неочевидное, это нижний, конечно. Тут какая-то вообще ересь пошла. Тут вот два, получается, пропластков двух скважин, они как-то коррелировались между собой, а тут вообще ничего нет. И, скорее всего, это что-то на уровне вот такого литологического объекта типа дельты, который я вам показывала. Вот она вот как бы развилась-развилась и в какой-то момент просто уже все тут. Либо это ачимовка какая-то, когда вы вот на какой-то территории видите песчаник, а потом он раз и просто теряется вообще до нуля практически. Это такие полосты уже менее выдержанные. Поэтому если у вас в разрезе, еще раз повторюсь, есть такие, которые вы более уверенно можете проследить, вы с ними работаете максимально, а потом уже живете в таких странных, так скажем, не совсем понятных на первый взгляд объектах. Ну и вот после уже вот этой работы вы можете более-менее понимать, да, что у вас вот этот пласт более выдержанный, там этот менее выдержанный, и уже по залежам разделить, где вы будете нефть ожидать, где там у вас будет вода, и нет смысла туда бурить. А где вот такая вот через полосицы, тут даже непонятно, тут какие-то очень маленькие видимо залежи. Вот. Ну и вот эти два домашних задания, мы с вами их разобрали. Надеюсь, там коллеги подключились еще, которые опаздывали. И вот мы как раз начнем новую тему, завершающую. Мы с вами, получается, за эти четыре дня в Сан-Астасии в том числе узнали в целом общие понятия по геологии, узнали про понятия ловушки, залежи и углеводородной системы, про то, что есть нефтематеринские толщи, что нефть мигрирует из нефтематеринской толщи в породы коллекторы и в итоге образует уже в каких-то местах залежи. И в четвертый день мы узнали, как ведутся поиски этих залежей с помощью сейсморазведки и как применяются данные геофизических исследований скважин. Ну и завершающим этапом логично смотрится поговорить про геологическое моделирование. Это уже такой этап, на котором вся информация совокупная, которая есть у геолога в голове и перед глазами, все это собирается в одно и рассчитывается запасы по ловушке, по залежи, которую мы либо находим, либо уже пробурено скважина, либо еще ресурсы какие-то оценим. Про это мы еще раз, если вы с Анастасией проходили, возможно, то мы про это еще немножко поговорим. То есть геологическое моделирование включает уже работу со всеми данными, которые у вас есть и завершающий этот этап, когда вы строите, предполагаете строение своей залежи и уже строите геологическую модель. Я вам покажу даже один из рабочих своих примеров, чтобы вам пощупать, как это выглядит. Потому что здесь в материалах это очень скудно нарисовано. На уровне картинок, я думаю, что интереснее будет на примере посмотреть. Ну и какие задачи стоят перед геологическим моделированием? Прежде всего, для геолога, если смотреть, то это, конечно, подсчет запасов. Это, наверное, основная наша цель. Если мы работаем исключительно в геологической части, то это подсчет запасов. Мы нашли ловушку, все данные по ней имеем, и нужно нам правильно подсчитать запасы, обосновать те или иные параметры. И геологу основное – это подсчет запасов. Какие еще задачи стоят перед моделированием? Это при бурении новых скважин, уже на текущих активах, где мы уже сделали подсчет запасов, и нам уже нужно только уточнять нашу модель. Это, получается, производится тоже с помощью геологической модели. Мы сопровождаем сначала бурение, понимаем, как себя вообще должен вести пласт при бурении. И онлайн геологи и буровики в этот момент общаются. Далее после бурения этой скважины мы актуализируем модель, которая есть на данный момент, и уже получаем обновленную модель с учетом вот этой новопробуренной скважины. В этом же процессе есть такой предпроцесс, когда мы анализируем какие-то данные по геологии с помощью нашей модели и закладываем такие, если есть какие-то риски, их закладываем при бурении. То есть анализ геологических предпосылок, он перед бурением тоже делается. Анализ геологических предпосылок перед бурением тоже делается. Какие-то данные по еще не вскрытым пропласткам тоже можно из модели взять. Это касается, наверное, больше таких. То, что тут написано, это либо трезы, то есть трудноизвлекаемые запасы, либо остаточные. Ну, трудноизвлекаемые, это что-то на уровне вот либо Ачимовки, да, с севера Западной Сибири, либо Баженовской толщи в некоторых вот участках ведется ее разработка, но пока очень так осторожно. Если Волгу-Урал брать, то там есть пермские битумы, с которыми тоже работают, и для этого тоже используются вот эти модели для уточнения строения и, в принципе, планирования каких-то работ. Вот. Тут такие вот очень сложные объекты можно рассматривать. Также можно проектировать уже систему разработки, ну и делать мониторинг разработки. Вот эта вот часть, она уже как бы не на геологической самой основе делается, а уже когда геологи свою модель передали гидродинамикам. Потому что если мы смотрим все в статике, у нас есть модель, есть залеж. Она начинена, чем нужны литологии, петрофизическими свойствами. Мы больше с ней ничего не делаем. А вот здесь на переходе в разработку уже там появляются конкретно те данные, которые уже могут использовать разработчики. То есть это либо какие-то моделируются зоны трещиноватости, либо получается уже при подсчете запасов используются данные по FVL, получается по моделированию переходной зоны. И уже потом мы это все передаем в гидродинамику. Там уже учитываются скважины, которые либо уже есть, либо планируются. То есть, и смотрят, как себя флюид поведет в пласте. Это вот такая вторая уже ветка, когда геологи уже свое отдали. Какие же этапы построения геологической модели есть? Вообще, как и везде, нужно собрать данные, их привести в такой логичный концепт, обосновать, и уже потом вот это все – это процесс расчета. То есть первый момент – это сбор данных, все, что у вас есть, какие-то фактические данные по скважинам, сейсмику, керн, все-все-все сюда, какие-то отчеты, какие-то зависимости, все, что у вас на данный момент есть, берете все и строите концептуальную модель. Вот эта история концептуальной модели не означает, что мы там уже пошли скважины куда-то расставлять, смотреть, что из этого может получиться. Не в этом плане. На этапе концептуальной модели мы должны определиться вообще с геологией, с чем мы имеем дело. То есть будет очень важно, что геолог правильно примет решение, правильно поймет все вот эти данные. Либо у вас там будут, к примеру, какие-то залежи литологического типа. Вы будете подразумевать, что тут какая-то дельта развивается, либо какие-то речки текли. Либо вы скажете, что здесь вообще рифы росли, и это вообще карбонатный разрез. либо вы скажете, что, допустим, здесь вообще рифы росли, и это вообще карбонатный разрез. Это будет очень важно при следующих этапах, как геологам, так и дальше разработчикам. Поэтому вот этот момент концептуальной модели, он очень важен. Когда вы уже, получается, определились, с чем вы имеете дело, например, с какой-то рельтовой системой, с чем вы имеете дело, например, с какой-то рельсовой системой, вам нужно далее уже конкретно использовать эти данные по вашему месторождению, чтобы построить такой, так скажем, каркас. Вы вот эти кровлю пласта, подошву пласта, все это должны замоделировать. И если у вас есть тектонические нарушения, они вот здесь вот так отображены, да, вот мы с вами на сейсмике их как бы в профиле видели, получается, в разрезе видели, извините, вот таким образом. Вот она здесь, эта линия, она как бы в 3D отрисована. Вот, вы, получается, строите вот на этом этапе каркас, у вас получается, есть кровля подошвы ваших пластов и какие-то нарушения, если они имеются. И вы строите вот такую вот модельку. Потом что происходит? Вы ее перемасштабируете. Я про это чуть подробнее расскажу сейчас попозже. Получается, они сейчас тут нужно отдельно остановиться. И после этого, когда у вас уже есть кубик, где у вас кровля, подошва, то есть такой домик у вас уже есть, в котором может все это жить, вы уже говорите, что у меня пласт в конкретной точке вот такую летологию имеет, ну и в пространстве вы распределяете летологию. Например, синий – это песчаник, а серый – это глина. Когда у вас понимание литологии сложилось, вы уже можете этой литологии придать какие-то свойства. То есть, например, здесь в синеньком поре 15%, а там в глинах вы делаете 0%, чтобы у вас флюид там никакой не проходил, не тек, и никаких процессов не было. Ну и потом, когда у вас уже есть свойства, то есть вы уже знаете, какая тут пористость, вы можете моделировать насыщение. Например, зелененькая у вас будет нефть, потом резкая вода, и тут уже такой следующий пласт вообще водяной, к примеру. Общий смысл в чем, что через вот эти все этапы, на этапе геологии, мы сможем посчитать ресурсную базу, то есть посчитать запасы по конкретной ловушке. У вас все это будет, будет, получается, пористость, будет нефтенасыщенность, будет понимание, какая у вас толщина пласта, в 3D у вас будет понимание, какой объект по площади, и вы все это сможете вытащить из модели и рассчитать. Я чуть позже эту формулу снова вам покажу. Мы с вами тогда на каждый этап сейчас перейдем. По построению модели. Как вообще все это выглядит. Первым делом, конечно, делается сбор данных. Это может быть вообще все что угодно. То есть это как с идеями. Вы когда генерируете, у вас такой мозговой штурм, к примеру, если в команде вы такое делали, то вы ни одну идею не отбрасываете изначально. Вы все смотрите, все данные, которые есть. И уже потом что-то, что у вас вызывает сомнение, вы понимаете, что здесь могла быть ошибка, только потом вы что-то можете отбраковать или на что-то меньше внимания обращать, на что-то большее. Такое тоже может быть, потому что данные какие-то более новые, какие-то более старые, где-то что-то там у вас этого нет, это затерялось, вы не можете это ни у кого запросить, тоже такое бывает. Поэтому вы всегда в таком недостатке информации будете находиться, но тем не менее что-то у вас будет всегда в приоритете. Когда вы уже собрали все это, и у вас получилась такая модель, и когда у вас керн не противоречит, например, ГИСАМ, или там еще какие-то данные, вы можете дальше двигаться и планировать, как вы это будете моделировать. Получается, после сбора данных вы определяете, или мы определяем концептуальную модель. Здесь тоже, как я говорила, на вход идет все. Получается, у вас есть данные, то, что вы получили из сейсмики. Это данные по разломам. Какие-то региональные данные по тектонике. Они тоже, там много отчетов, конечно же, написано. Геологи уже десятилетия работали в этих регионах чаще всего. И данные у вас уже какие-то такие общие есть представления. Потом по обстановке осадко-накопления это тоже достаточно общие данные. Люди, которые в СССР еще, допустим, Западную Сибирь изучали, они уже по всем скважинам, там таким глубоким, они уже определили, где что находится, и примерно вы можете на это полагаться. А по морфологии объекта, это то, что вы можете из сейсмики увидеть, то есть, если там у вас какое-то поднятие, или такая литологическая какая-то штука. И далее, получается, вот эти данные можно вытащить из керна, да, по ФС я вам говорила, что можно пористость определить и пересчитать с учетом ГИС, да, то есть по керну можно тоже вот данные привлекать. Вот, и потом вы что делаете? Получается, у вас есть региональные данные, есть какие-то свои, и вы смотрите, насколько вы отличаетесь. Если у вас нет никаких критичных отличий, то вы можете дальше работать. И понимаете, что у вас в целом предпосылки ваши правильные, что вы думаете в правильном направлении. И в итоге вы получаете схему корреляции на входе. Вы уже понимаете, что у вас на этой глубине пласт песчаника проходит, достаточно выдержанный на 4 километрах Баженовская свита, к примеру. И у вас такое общее представление формируется. И на выходе из сейсмики у вас есть как раз либо структурные карты, тут рано написано на самом деле, либо у вас отпикированные горизонты еще есть, либо уже пересчитанные карты, с которыми вы дальше можете работать. И все это вы можете далее уже использовать. Что касается структурного моделирования, оно является самым таким ключевым и делается в первую очередь при построении. То есть, чтобы как-то вам дальше распространить свойства, вам нужно как бы вот эту коробочку заведомо, в которой это все будет распространяться, построить. То есть вы по схеме корреляции в скважинах, в точке, по сейсмике выделили эти границы. У вас есть кровля пласта, к примеру, есть подошва пласта. И вы понимаете, что вам, например, еще нужно учесть разлом в данном случае. И вы понимаете, что вам, например, еще нужно учесть разлом в данном случае. И вот по всем пластам, видите, здесь в кровле тоже нарисовано это, здесь должно учтено быть смещение. Левая часть выше, чем правая, если вы присмотрите. И тут такая же история, левая часть выше, чем правая. Это можно учесть только при структурном моделировании. То есть вы как бы разрезаете свой пласт, чтобы учесть, что слева одни свойства, например, справа другие. Или, например, у вас там слева есть, а дальше справа нет. Это тоже можно конкретно на данном этапе учесть. Что тут основного делается? Учитываются разломы, как я говорила. Учитываются подошвы, горизонты, которые у вас есть, и учитываются данные скважины. То есть мы здесь как раз подсаживаемся. У нас есть сейсмические данные, есть скважинные данные. Мы здесь подсаживаемся, все в порядок приводим, и у нас получается такая модель, в которой нет уже противоречий скважинных данных и сейсмических. И когда у вас есть такой вот как бы уже каркас, его называют структурным каркасом, вы можете посмотреть, как у вас проходят контакты, флюиды-контакты, то есть поверхность именно нефть-вода, например, если с нефтью работаем. Тут тоже можно это отобразить. Вот здесь синеньким она показана, поверхность водонефтяного контакта. Ну и вы видите, что у вас полезная площадь, вот она, выше ВНК, вот она как раз, площадь залежи. И понимаете, что залежь у скорее всего массивная потому что подошву коллектора вот это которая могла бы пересечься с военка она заведомо ниже находится и вас как бы если в плане смотреть такая залеж получается так она получается вот такая вот как бы вы вот тогда сейчас смотрите вас вот так кровелька пошла и вот подошва и вот как-то так подошва пошла и у вас как бы военка он получается вот высоко проходит вы как бы чуть ли не вот так да видите его вот и у вас вот нефть будет только вот. То есть подошва у вас осталась намного ниже. И у вас такая как бы вот здесь получается уже вода. Это в геологии иногда называют водоплавающими залежами. Не все этот термин любят, но он встречается. Ну, по сути, это массивная залежь. То есть у вас куда вы не пробурите, вот куда бы вы вот сюда не пробурили, вы всегда внизу вскроете воду. Это основное различие массивной залежи и пластовой. Если в пластовой вы... Тут я чуть-чуть отвлеклась, конечно, от темы. Если в пластовой вы вот так, да, залежь, пробурите вот в самый купол, вот здесь будет уже следующий пласт идти, вот это же подошва получается. Здесь вы воду не вскроете, у вас здесь будет чисто нефтяная зона. А если вы вот как бы в повую вот сюда проборите, вы вот здесь вот воду увидите. Это основное различие, и в структурной модели вы всегда это можете увидеть, потому что у вас все в 3D будет, вы как бы ничего не упустите. Если у вас ВНК идет выше подошвы, значит, ага, мы работаем с массивной залежью, если ВНК ниже подошвы, и здесь есть вот эта зона, где вы чистую нефть можете словить, то это пластово-сводовое. Это вот основное такое, что можно отследить. И когда у нас есть каркас, мы дальше приступаем к его уже такому наполнению, начинению. И сейчас приступаем к его уже такому наполнению, начинению. Этот каркас, с которым мы работаем, это изначально такая крыша и пол, по сути. Нужно дальше принять решение, с какими ячейками внутри вот этой модели мы будем работать. Размер ячейки очень важен при дальнейших работах, так как, к примеру, если у вас пласт достаточно выдерж только надо стереть, конечно. Сейчас. Вот если он у вас как бы вот такой выдержанный и особо не меняется ППС, то вам не нужно вот эту вот историю, вот эту историю как бы делить на прям ячеечки, да, какие-то маленькие, по вертикали, к примеру. Вы вот ничего, никакой разницы не увидите. А если у вас какая-то вот такая через полосица, и если вы большую ячейку, например, примените в такой толщине, то вы истинное поведение пласта потеряете, и у вас будет какая-то вот такая штука ровная. Ну и ровно такласта, вы его потеряете. И у вас будет какая-то такая штука ровная. Ну и ровно так же ниже вы снова потеряете именно анизотропию. И вот этот момент, он важен при геологическом моделировании, потом уже при гидродинамическом. От того, на какой вы размер ячейки выберете по вертикали и по горизонтали, у вас будет, получается, точность геологической модели разнится. То есть, вот у вас эта ячейка, она может быть, к примеру, в геологии, мы ее делаем, например, 50 на 50, нам этого хватает, каждая ячейка 50 метров на 50 метров. И, к примеру, по вертикали, в среднем, допустим, по 2-3 м. И вот этот, получается, потолок и пол, у нас они уже есть, между ними раскладывается энное количество ячеек по 2 м. Это именно при создании сетки. И они по горизонтали, если вот так идти, по горизонтали, каждая по 50 метров. Это позволяет потом скважинные данные хорошо перенести на модель. То, о чем я говорила, либо у вас пласт выдержанный, либо... Ой, либо пласт выдержанный, либо... Да что такое? Сейчас. Мышка меня сегодня не слушается. Либо у вас пласт выдержанный, либо вы, получается, должны более мелко разбивать свою сетку. И если у вас есть какие-то разломы, то, конечно, на этих зонах разломов сейчас в программных продуктах по моделированию это тоже сложно учесть. С этим нужно долго работать. Вот эти места, где у вас разломы секут горизонты, тоже будут с точки зрения ячеек тяжело моделироваться. тоже будут с точки зрения ячеек тяжело моделироваться. Это позволяет сделать красивое моделирование разломов, позволяет сделать не то чтобы не каждый инструмент, но очень надо долго с этим возиться, работать. Вот этот разлом хорошо соотносить и отстраивать его вместе с горизонтами. И потом получается на выходе у вас такая ячеистая сеточка получится. Внутри этой сетки можно, конечно, много еще тонкостей учитывать. К примеру, учитывать, как у нас себя ведет пласт. То есть, либо у вас ячеечки будут от кровли к пласта, до подошвы, либо они будут пропорционально раскидываться, либо они будут изначально идти параллельно кровли к пласта до подошвы. Либо они будут пропорционально раскидываться, либо они будут изначально идти параллельно кровли, и там уже в подошве вам не важно, что с ней происходит, вам важно, чтобы вот эта часть хорошо отстроилась. Либо наоборот, у вас вот здесь какая-то эрозия идет, то есть у вас здесь полностью меняется осадка накопления, и здесь можно уже не учитывать параллельность. Вам важно, чтобы именно в подошвенной части все так красиво отрисовалось. Это очень много настроек внутри продукта можно сделать. Ну и от этого зависит, насколько потом в гидродинамике у вас хорошая будет, хорошо будет работать именно модель. И в целом у вас в геологии еще как будут распространяться дальше свойства. Ну и вот тут есть пример по размерности, то есть вы можете всегда для себя выбирать разный размер. Тут какой момент, что вы можете как бы вообще, ну, в идеале, да, если вам хочется очень классную, хорошую модель, вы можете 10 на 10 ее брать. Но в зависимости от того, какая у вас какая у вас залежь, вы можете 10 на 10 ее брать. Но в зависимости от того, какая у вас залежь, вы можете очень долго это считать. И она будет, конечно, идеальная, но может так получиться, что у вас с ней больше проблем возникнет, потому что больше ячеек, больше таких стыков с разломами. То есть технически вы просто с ней проводитесь, а толку от этого особо не будет. Поэтому всегда выбирают оптимальный 50-100, это хватает для моделирования геологического. А для гидродинамического это уже вообще там, ну то есть это еще больше становится, чем вот эти два значения. Вот, ну и так, мы дальше с вами перейдем как раз на апскейлинг. Я чуть-чуть успела про это рассказать вам, что при создании сетки нам нужно как раз-таки определиться с размерами ячейки. И вот тут показан тоже пример, что внутри ячейки, к примеру, у вас же релиз, это точечные замеры такие, то, что мы с вами на четвертый день изучали. И когда вы все это будете схлапывать в ячейку, допустим, здесь 5 метров, а здесь каждый замерчик – это внутри одного метра несколько значений. Эти все значения осреднятся. Методы осреднения разные, но если вы, к примеру, получается вот такое значение загоните в большую ячейку, там какие-то, как я вам показывала, потеряются. И на фоне других вы там, допустим, у вас было много глины и мало песчаника. И вы этот песчаник потеряете. То есть у вас будет, например, много-много-много глины. И здесь, например, какой-то песчаника, допустим, и вы этот песчаник потеряете. То есть у вас будет, например, вот так много-много-много-много глины, и здесь, например, какой-то песчанчик. И вы вот когда возьмете ячейку вот такого, например, размера, она возьмет вам вот так разрежет, и если вы начнете осреднять, то в зависимости от метода, конечно, осреднения, но в большинстве случаев за счет того, что глины процентно больше, у вас просто здесь либо песчанчик вообще потеряется, либо он где-то вот здесь совсем какой-то маленьким процентом останется. То есть, вот как бы внутри этой одной ячейки, скорее всего, у вас просто глина будет. И вы потеряете тем самым, ну, уже отойдете от строения пласта. В данном случае вам нужно мельче дробить, чтобы вот как чтобы вот этот песчаник не потерять. Это все делается на уровне скважин. То есть у вас регисы такие есть, и вам нужно это в ячейки привести. Это вот тут 7 скважин получается. Вы это на уровне скважин данных делаете. И уже можете дальше с этими ячейками по скважине, вы можете дальше работать и внедрять их в модель. То есть вы энное количество раз проверяете, ничего ли у вас не потерялось по скважине, и переходите дальше к построению модели. дальше к построению модели. Так. Вот по литофоциальному моделированию. Получается, когда у вас есть уже кровля, вот это, есть подошва, вы уже ячейки отстроили и скважины привели к виду, с которым можно работать, вам нужно определиться, как же дальше моделировать литологию в пределах этого куба. Вы, получается, на тот момент, когда отстроили понимание, как бы у вас есть в скважинах, вы апскейлинг сделали в скважинах, и по стволу скважины вы знаете, как у вас себя ведет коллектор, потому что вам ГИСы дали это понимание. А здесь вы не знаете еще. И здесь уже на данном моменте важно, какие предпосылки геологические закладываются в модель. То есть, что вы представляете себе, как этот пласт выглядит. То есть, что вы представляете себе, как этот пласт выглядит. И если, к примеру, вы работаете с выдержанным пластом, достаточный, он от скважины к скважине у вас особо не меняется, и очень такой, видите, продолговатый он, то, естественно, у вас одни будут параметры моделирования. Если вы видите, что у вас, к примеру, модель такая, она не выдержанная, пласт у вас в какой-то такой обстановке жил, что вот как бы у вас вот так вот идет коллектор, как пунктирной линией, это уже совсем другая будет модель. То есть у вас будет вот такие, как бы, рябь такая будет по модельке. Это красное, то, что я рисую, это по сути одинаковая с этой синей заливкой. Вот здесь голубая – это песчаник, а серая заливка – это глина. И тут такая же история. То есть в зависимости от того, с каким пластом вы работаете, у вас модель будет совершенно по-разному выглядеть. Если, к примеру, у вас какая-то электрологическая зала, что вообще такого пространственного, скорее всего, не будет. Будет какая-то маленькая такая часть с коллектором, а все остальное будет у вас, скорее всего, в глине. То есть от вашего представления зависит дальнейшее моделирование. Поэтому здесь важно максимум скважинных данных сначала вытащить для дальнейших ваших построений. Как это можно сделать? Вот в каждой скважине, тут на самом деле удобнее было показать на программном комплексе, но не будем усложнять до этих моментов. В каждой скважине у вас, получается, есть какой момент, что... Сейчас. У вас есть гисы. Они либо, как я вам показывала, одинаково себя ведут, либо они как-то могут себя вести от скважины к скважине. Будет один и тот же пласт, но он будет себя вести по-разному. И это можно проанализировать через вариограммы по конкретному свойству. К примеру, если анализировать вариограмму по литологии, то вы можете как по горизонтали проанализировать вариограмму, так и по вертикали. Я помню, что вариограмма показывает, насколько наши данные отличаются от нашей точки, которую мы рассматриваем. То есть, если, к примеру, у вас нулевое расстояние от исследуемой точки. Если, к примеру, у вас есть какая-то вариограмма, она показывает, допустим, здесь 2 километра. Если я смогу это нарисовать. Давайте я сверху нарисую. Допустим, 2 километра, 4 километра. И вот тот момент, когда эта вариаграмма выходит на плату, значит, у нас связь потерялась. И дальше уже по данному свойству связи мы не видим. То есть, все это уже нас не интересует. И вот связь существует только на вот этом расстоянии. И вот эти данные можно по скважинам проанализировать. И у вас ранг вариограммы даст понимание о том, насколько ваш пласт выдержан, и вот эти пропласты будут моделироваться с учетом этого ранга. Если у вас такая история идет, то конкретный вертикальный ранг, допустим, что будет делать наш программный комплекс? Он будет сопоставлять по вертикали эти пропласты, ячеечки, и он будет либо ловить что-то одинаковое, либо совсем разное. То есть, например, он здесь песчаник славит, а здесь у вас глина, например. И в зависимости от этого ранг вариограммы будет либо меньше, то есть на 2 километрах, к примеру, у вас уже связь потеряется, либо если он выдержан достаточно, у вас скважины все похожие, то ранг будет достаточно большой. И вот эти данные вы можете еще до того, как построили залишь, получается, сеточку, насытили литологией, вы можете их проанализировать по скважинам и прийти к выводу, какие у вас ранги по литологии на входе пойдут. К примеру, вы поставите ранги 500 метров по литологии. Что у вас будет происходить? У вас будут вот эти литологии, которые между скважинами распространяются. Она будет такая прерывистая. То есть, связь будет теряться уже на этом расстоянии. Такого ровного, как здесь не будет, будут такие маленькие-маленькие линзочки. Это если маленький ранг. Если большой, порядка 4 километров, я сейчас говорю, 500 метров, 4 километра, это действительно те ранги, которые мы видим. Если у нас работа какая-то идет с выдержанным пластом, это как раз будет 4 километра, 5 километров. И это все опять-таки будет зависеть от обстановки, где он накапливался. Если ему там ничего не мешало, достаточно выдержанно накапливался, не было никаких таких фоциальных изменений, то он будет хорошо так выглядеть. И на данном этапе, когда вы литологию будете моделировать, также важно учесть, есть ли у вас какие-то литологические экраны. Если, опять-таки, вы работаете с выдержанным пластом, скорее всего, у вас такого не будет. Но если, например, сачемовка, как классическое понимание, вот у вас будет, к примеру, если сверху вниз рисовать, вернее, в плане рисовать, у вас вас будет как-то вот так идти канал, например. Это получается бровка шельфа у нас. То есть, вот так выглядит. Вот так, да? То есть, у нас отсюда все скатывается, песчанчик. И вот сюда на дно он скатился. Здесь образовалась залеж. И вот у нас скважины, они как-то вот так расположены. И так как вачимовская толщина и однородность достаточно большая, вы, получается, эти данные можете также привлечь для моделирования. И вот эти границы этого тела, их тоже можно учесть при расчете. Вы вот как бы по сейсмике говорила, что можно атрибутный анализ сделать. Например, если есть данные по атрибутному анализу, вы вытащили их и перевели в полигоны, и можете учесть свои модели. Модель уже будет не такая красивая, она как-то будет по литологии вот так вот обрезаться. И получится отдельный вот такой объектик. Это все очень индивидуально. Здесь очень много нюансов нужно учитывать. И вот на этом этапе анализировать все данные, которые вам что-то могут дать по литологии. То есть это скважинные данные, вареограммы можное анализировать все данные, которые вам что-то могут дать политология. То есть это скважинные данные, вариограммы можно проанализировать, сейсмические атрибуты, про которые я говорила, можно настроить энное количество атрибутов, выявить зависимость какую-то. И этот тренд, который вам, допустим, говорит, что здесь песчаника больше, например, здесь меньше, какая-то такая есть у вас информация. Это тоже вы можете задать при моделировании. То есть, все, что вам сейчас поможет максимально приблизиться к строению, истинному строению вашего пласта, это все нужно на данном моменте учесть. Ну, и вот сейчас я скажу, последний завершающий по этому слайду, мы пойдем на 5-минутный перерыв. Что важно по этому этапу? Важно правильно выбрать еще способ моделирования, метод моделирования. Если вы имеете дело с каким-то выдержанным пластом, у вас будет моделироваться пласт по всей площади и достаточно, допустим, у вас песчанчик как-то располагается, и он у вас просто такой рябью разложится. Это гауссовое моделирование. То есть в программном продукте вы можете, естественно, выбрать этот метод моделирования. То есть, у вас как бы, ну, я точками держусь, потому что тут не позволяет мне мышка протягивать нормально. То есть, у вас вот всегда вот такая рябь-рябь-рябь будет. А если вы имеете дело что-то наподобие с Ачимовской или с Толщей, или с какими-то речками, то вы будете пользоваться скорее уже, правильнее будет пользоваться объектным моделированием. Объектное моделирование предполагает, что у вас в пределах кубика, если в плане его вот так нарисовать, в пределах кубика у вас не везде будет располагаться объект, а вот конкретно вы ему зададите ориентацию, точку, от которой он там начинается. Можете задать ширину объекта, длину. Все это можно учесть. И у вас будет прямо на модели вашей не вот так все выглядит, а прямо будет такой вот каналчик сечь. Если у вас такие какие-то сложные вещи, то их тоже можно учесть. Просто тут разница в методе моделирования. И вам позволит этот метод моделирования учесть, что вот здесь какие-то отложения есть point-bar, то есть это именно отложения прирословые такие, либо у вас тут еще какой-то канал, то есть это все зависит от И можно это также в программном продукте замоделировать. Дальше мы с вами пойдем на патрофизическое моделирование. Давайте мы с вами 5 минут прервемся и где-то в 42-45, давайте в 42 вернемся обратно. Мы к нити, если вам все слышно, понятно и нет вопросов. Все хорошо, все понятно. Отлично, тогда давайте в 42 мы встречаемся. Потому что у нас сегодня тема достаточно обширная, нам нужно успеть. Я вам говорила ранее про этапы моделирования Еще раз повторюсь, что петрофизическое моделирование делается на каком этапе? После уже литологического То есть, все достаточно логично Просто, чтобы вы запомнили У нас получается, опять я вот тут порисуем, есть структурный каркас на первом этапе. Вы какие-то разломы тут учли. Вот. Есть как бы коробочка, в которой вы дальше можете моделировать. Это первый этап. Второй этап вы получается раскинули литологию здесь, да? Литологическое моделирование. Это уже вторая часть. На третьем этапе мы можем эту литологию описать конкретно, описать для этой литологии конкретные свойства. Пока этой литологии нет, мы не можем петрофизическое моделирование сделать, так как фактически нечего описывать получается. Поэтому всегда эта последовательность одинаковая. То есть, когда у вас есть структурный каркас, вы можете начинить его, так скажем, литологией. Когда у вас есть литология, вы можете описать ее конкретными петрофизическими свойствами. Это всегда одна и та же шаговость. Это всегда одна и та же шаговость. И когда у вас уже готова литология, вы посмотрели, что пласт себя в вашем представлении и по скважинам, и по каким-то еще предпосылкам региональным так себя должен вести. Вы сделали контроль качества моделирования своего. У вас никаких скважинных отлетов, нет ничего такого как бы критичного. Вы можете дальше приступать к петрофизическому. Что важно в петрофизическом моделировании? Зачем вообще нам его нужно делать? Тут, наверное, такой вопрос может возникнуть. Если с коллектором понятно, то что вообще нам дает петрофизика? Я вот тут чуть-чуть забегу вперед, но все-таки об этом нужно сказать. Для чего вот это все делается? Чтобы рассчитать в геологии, первым делом, подсчет запасов сделать. Для этого вам нужна, я напомню формулу, для этого вам нужна площадь, толщина объекта. Я по-русски тут начну сейчас немножечко писать. Коэффициент пористости. Коэффициент нефтенасыщенности. И далее уже свойства нефти. Я их назову PVT-параметрами. Это на самом деле плотность и объемный коэффициент. Ну, или пересчетный, да? Это, по сути, плотность и объемный коэффициент, ну или пересчетный, да, это, по сути, плотность и объемный коэффициент. Ну, по сути, это вот так должно быть, один делить надо. Вот. Что мы вот пытаемся сделать в процессе этого моделирования? Мы, получается, когда каркас создали, у нас появилась площадь моделирования, то есть какой-то объем. Когда мы распространили летологию, у нас летологию распространили по поверхности по кубу, у нас появилась толщина. Когда мы толщину уже замоделировали, нам нужно определить, какой объем пор у нас в этой модели есть и насколько он насыщен углеводородами. Поэтому мы переходим как раз на этом этапе к петрофизическому моделированию. И оно нам как раз помогает вот эти два параметра закрыть, то есть их найти. Вот эта литология, которую мы замоделировали, она будет у нас описываться кубом пористости и кубом нефтенасыщенности. С учетом них мы можем дальше уже учесть еще свойства нефти и фактически выйти на объем запасов, который у нас содержится вот в этой модели. Вот тут понятно, на самом деле, общая логика-то достаточно простая, но, честно говоря, когда нас учили геологическому моделированию, нас пробегали мы по всем этапам, но никто в открытую нам не говорил, что для чего нам это надо. Мы что-то там постоянно тыкали на кнопки, моделировали, ничего не было понятно, и в итоге ты понимаешь, что когда приходишь, наверное, работать. Вроде знаешь, как это делать, но для чего никто тебе его не верит и не объясняет. Поэтому здесь акцентирую на этом внимание. И из всего этого моделирования вам важно, наверное, именно это запомнить. Что в целом вы создаете просто на каждом шаге кубик, который вам помогает сделать подсчет запасов и дальше уже использовать в своих целях. Вот. помогает сделать подсчет запасов и дальше уже использовать в своих целях. И на этапе петрофизики, получается, мы сначала должны замоделировать пористость, далее замоделировать нефтенасыщенность. И в целом процесс моделирования, он похож на то, что мы делаем по литологии, потому что фактически литолог она связана с пористостью своими свойствами то есть те же вариаграммы у вас на вход будут эти изменения до по пористости у вас тоже в скважинах вот здесь будет отображаться то есть когда у вас уже есть металлогия сделать петрофизику это ну не так на самом деле сложно то у вас скважные данные есть, вы как бы просто литологию пересчитаете в пористость. Здесь нужно учитывать такой момент, что у вас может быть какое-то изменение по пористости. К примеру, у вас, например, выше пласт, он получше, а, например, ниже похуже. В пористости, может быть, вы это не заметите особо. То есть, у вас там будет, не знаю, отличие какое-нибудь на доли какие-то. Но это будет важно для проницаемости. Далее уже при моделировании проницаемости, если у вас есть зависимость, это будет важно, потому что у вас верхний будет пропласток, например, проницаем лучше, а нижний хуже. И в модели основной рабочий, так скажем, пласт, он будет у вас в верхней части, а нижний он у вас, ну, как бы он существует, что-то там дает, но при этом не особо на самом деле большой вклад несет. Вот именно при почете запасов коэффициент по эристости, он, ну, так, знаете, как бы я на него прям не обращаю какого-то большого внимания, да, но есть это поэристость средняя и есть. Чаще всего она там по всем скважинам, если выдержанный пласт, по всем скважинам она примерно одинаковая, ты ее как бы моделируешь не сколько для себя, как для геолога, а сколько для дальнейших работ по гидродинамике. Но именно для чего нужна вот этот шаг, чтобы уже дальше это училось в разработке, и при этом, чтобы коэффициент нефтенасыщенности распределился правильно дальше. То есть, когда мы уже пористость смоделировали, у нас есть куб пористости, мы можем уже в этих порах конкретных, которые у нас здесь получились, то есть куб пористости это будет называться, мы можем здесь уже рассчитать коэффициент нефтенасыщенности. И здесь начинается самая веселая история, потому что пока геолог вот эти все три шага делает, тут никаких проблем не возникает. А вот когда вы начнете коэффициент нефтенасыщенности моделировать, здесь такой возникнет момент тонкий, что коэффициент нефтенасыщенности мы можем только через данные керна замоделировать правильно. То есть нам нужно понимать, да, вы, наверное, с Анастасией проходили это, но я вам, в общем, еще раз все-таки это расскажу. То, как коэффициент нефтенасыщенности распространяется в залежи, сильно зависит от свойств коллектора. Хотя вы, наверное, это где-то явно встречали уже. Сейчас. Хотя вы, наверное, это где-то явно встречали уже. Сильно зависит от того, как себя коллектор ведет и вообще какие у него свойства. То есть, если у вас, к примеру, вот здесь ВНК проходит условно, то от этой воды до чистой нефти, которая там где-то наверху, в зависимости от свойств, здесь будет существовать такая переходная зона, так скажем, которая существует за счет капиллярного давления. То есть, и вот как бы у вас будет такая история, что здесь чистый нефть, нефть, нефть, нефть, потом содержание, коэффициент нефтенасыщенности понижается, и потом уже вот на каком-то уровне он становится равен нулю. И вот этот момент, он важен, потому что фактически важна высота вот этой именно, высота именно этой переходной зоны. От нее сильно зависит потом, и как мы замоделируем это все в разработке, но от нее зависит сильно еще и момент по поводу высоты, ну, получается, высоты, на которой нефтенасыщенность станет равноостаточной. Тут вот сейчас может быть сложно, но тут я постараюсь объяснить, что вот по конкретно вот этой зоне существует такое место, где нефтенасыщенность будет равноостаточной, то есть нефть будет, но ее уже вот из этой зоны, это порядка 30%, из этой зоны ты ее уже так просто не вытащишь, то есть она будет неподвижной, эта нефть в этой части. Тут уже вода начинает быть подвижной, это принцип поведения нефти и воды двухфазного. И вот эта зона, она важна конкретно узнать на этапе моделирования, важно какая вот это как раз-таки высота. Эту высоту можно узнать только если у вас есть керновое исследование, конкретно по вашему пласту. И вы можете уже выйти на вот эту, как бы это называется, ФВЛ, то есть это именно высота переходной зоны, так скажем. И вот если вы правильно замоделировать это, и дальше в разработке у вас все достаточно правильно будет течь. Но, как правило, если у вас скважин мало, вы будете пользоваться не своими скважинами, либо одной своей скважиной, которая даст не очень полную информацию, либо вообще какими-то данными по аналогам, которые там где-то далеко у вас. И здесь останется у вас вот эта неопределенность. То ли у вас везде такой пласт, как вот в шестой скважине, например, представьте, что у вас здесь нет скважин, то ли у вас пласт, здесь вообще нет у вас скважин на участке, и у вас пласт как на аналоге, например. Вы никогда себе, ну, пока не пробурите, да, еще иное количество скважин, на этот момент не сможете ответить на этот вопрос. Будете пользоваться вот этими данными, и у вас всегда вот этот лак останется. Что как бы неопределенность по вот этой высоте, что как бы даст уже вам неопределенность на дальнейших этапах. Поэтому если у вас есть керновые данные, это здорово, это хорошо, и как можно максимально использовать их, нужно из них вытащить эту информацию. Если уж нет, то приходится вот в таких неизученных районах брать это с аналогов и моделировать на основе чужих керновых данных. Я тут немножко забежала вперед, про петрофизику пока говорила. Соответственно, модель насыщения связана вместе с коэффициентом нефтенасыщенности в том числе. Мы его как раз, то, что я вам показывала, моделируем от этого уровня. И уже дальше у нас в модели насыщения есть конкретная ячейка. Она нам дает понимание, вода здесь или нефть. И получается, при создании этого куба нефтенасыщенности, учитывается, видите, здесь чистая вода, здесь получается по градиенту можно увидеть, что какой-то процент нефти какой-то воды, и вот здесь уже чистая нефть. какой-то процент нефти, какой-то воды, и вот здесь уже чистая нефть. То есть это кубик такой, который не делится конкретно на два кода, типа ноли и единичку, допустим, нефть и вода. Ну, вернее, вода и нефть. А он как раз физичный такой переход показывает от воды к нефти. Это, опять-таки, важно тоже при последующих этапах. Для геолога что важно? Мы что делаем на этом этапе? У нас вот есть этот уровень, на котором нефть равноостаточной. Мы его как бы вниз вот этот зануляем, убрали нижнюю часть, которая нас не интересует, и, сняв среднее по данному значению, ой, по данному кубу, например, там оно, я не знаю, 0,5, да, например, коэффициент нефтенасыщенности. Сняв среднее значение, мы понимаем, что среднее по кубу 0,5. Там в каждой ячейке, понятное дело, будет 0,7 побольше, 0,4 поменьше. Но вот в среднем будет 0,5. Для геолога это будет свое понимание, что вот средняя такая нефтенасыщенность. Это будет свое понимание, что средняя такая нефтенасыщенность. А для разработчика, для гидродинамика этот куб будет уже использоваться конкретно для моделирования потоков на следующих этапах. То есть из пяти блоков в подсчете запасов мы, получается, прошли 4. Мы отсюда уже узнаем коэффициент нефтенасыщенности и вот уже почти посчитали, так скажем, запасы. И вот сейчас будет описание по посчету запасов. Тут я немножечко вернусь на нашу картинку. Или я ее стерла? А, я ее стерла, похоже. Да. Я вот вам говорила, еще раз вернусь, говорила, что есть площадь, есть толщина, КПКН. А то вам тут, наверное, останется немножечко непонятно. Есть площадь с КПКН, мы вот это все определили. Вот мы дальность сочинения сделали. И у нас тут еще PVT-параметры. PVT-параметры – это история, какая это плотность и пересчетный коэффициент. Это именно свойства нефти, которые мы можем… Пересчетный коэффициент вот так обозначается. Плотность нефти, которую мы тоже можем с помощью данных проб узнать. И пересчетный коэффициент – это тот параметр, который показывает, как нефть меняется при переходе из пластовых условий в поверхностные. У нас там происходит дегазация, свойства уже плотность меняется, соответственно, нам нужно вот это учесть. Свойства другие. И мы-то с вами считаем, нефть, которая нас интересует, которая в пластовых условиях, мы ее как бы в поверхностных видим уже другой. Поэтому вот надо этот коэффициент учитывать. Певицы-параметры, они чаще всего просто задаются каким-то одним значением. В геологической модели они не моделируются. Нет в этом смысла. И это уже мы чаще всего получаем от разработчиков, потому что это работа с анализом флюидов, то есть это все такая достаточно более уже физическая сторона процесса. И получается подсчет запасов может быть как детерминистическим на данный момент, так и вероятностным. Вообще, до, наверное, не знаю, до, наверное, вот этого столетия, наверное, что ли. В общем, вероятностный метод, он начал использоваться относительно недавно в России. Вообще в зачаточном состоянии каком-то находится. Там за рубежом, конечно, уже несколько десятков, я думаю, книг написано по этому поводу. То есть это оттуда пришло. И в России очень мало где использовалось. Сейчас, по-моему, у нас используется в Роснефти методические документы, в Новотеке, по-моему. Ну и с остальными мы особо часто не контактируем, поэтому, наверное, где-то что-то люди тоже такое делают, но масштабно только недавно началось. В чем различие? Детерминистический метод уже давно-давно существует. И вот как в геологии начали почет запасов проводить, так и считают детерминистическим. Сейчас я посмотрю здесь. Да, здесь будет уже по отдельности описание. Давайте я вам все-таки словами расскажу. Если до терминистики мы имеем дело с одной моделью, фактически это всегда на выходе только один какой-то вариант строения нашей залежи. Выбрала я, конечно, цвет. Сейчас. залежи. Выбрала я, конечно, цвет. Если в детерминистике у нас есть какая-то базовая кровля, какая-то базовая подошва, мы там какой-то военкадин определили. Это вообще такой идеальный случай, конечно. И в детерминистике мы посчитали, у нас, например, получилось 12 тонн, например. То в вероятностном мире что происходит? Получается, вы вот когда в детерминистике посчитали то, что вы определили, как кровлю, подошву и все остальные параметры, которые вам нужны, порис, нефтенасыщенность, в силу того, что у вас залеж, она никогда не будет изучена прям так, чтобы вы его точно-точно знали, у вас всегда будет немножечко оставаться вопрос. У вас пойдет вот так структура, например, или она себя поведет в межсклаженном пространстве как-то так. Что-то я тут немножко, конечно, загнула. Либо она вот, например, ну вот, допустим, давайте я вот так сделаю. Сейчас. Что-то, что-то, что-то пошло не так у меня с мышкой. То есть у вас всегда будет оставаться вот это вот, вот такое же я сейчас попробую нарисовать. У вас, например, вот здесь скважина. И здесь тоже. У вас всегда например, вот здесь скважина. И здесь тоже. У вас всегда будет на удалении оставаться вот эта неопределенность, про которую я говорила. По сейсмике, по каким-то еще данным, по толщине, допустим. Давайте мы вот сюда обратно замкнем. И у нас вот здесь где-то появится одна скважина. И в зависимости от того, как у вас пройдет структурка, видите, у вас объем залежи будет разный. Вот здесь прирастится какая-то часть, здесь меньше будет, ну и тут такая же история. И поэтому для того, чтобы вот эти неопределенности учесть, производится вероятностная оценка ресурсной базы. То есть подсчет запасов ни одного, ни один, да, как бы случай рассматривается, а ну, там, в зависимости от количества неопределенностей, да, мы там объемные параметры там делаем 300 реализаций. Там, в целом, если рассчитывать по подсчетным параметрам, делать подсчет запасов именно, ну именно в цифрах, там можно увеличить расчеты до 10-20 тысяч раз. Это позволяет именно учесть ваши неопределенности по залежи. Вот такая штука, она хороша, когда у вас разбурен участок, и вам уже тут особо нечего ловить, что-то там, даже если поменяется, то у вас будет чуть-чуть совсем. То есть вы где-то вот здесь ошибетесь, но вам это никак вообще не мешает жить, и не нужно вот эти многовариантные расчеты делать. А когда у вас скважин мало, то, конечно, лучше оперировать не одним значением, а оперировать каким-то диапазоном. То есть, это будет у вас всегда распределение, которое вам дальше дает понимание о запасах. Я вам сейчас покажу дальше. Я тут просто уже на уровне объяснения пошла дальше. Я думаю, на слайде дальше это будет. Получается, детерминистическим подходом, когда мы один случай рассматриваем из возможных, мы можем рассчитать запасы и ресурсы. Тут, по-моему, дальше продолжение слайда есть. Запасы – это у нас вскрытые залежами объекты, ресурсы – это невскрытые. То есть, когда мы… Тут что-то поехало, конечно. Компасы – это у нас вскрытые залежами объекты, ресурсы – это невскрытые. То есть, когда мы… Тут что-то поехало, конечно. Давайте я вот эту раскрою штуку. Мы с вами уже про нее говорили, да? Получается, если у вас есть такой объект, который вы на сейсмике опять-таки видите, вот на сейсмике он у вас как-то вот так, если вот в плане будет выглядеть, он будет… Ой, так, вот на сейсмике он у вас как-то вот так. Если вот в плане будет выглядеть, он будет... Ой, так, заехала. Если в плане он у вас будет выглядеть, то он у вас какой-то вот такой, да, будет. Ну что ж такое-то? Ладно. Вот такой как бы будет круг, да. Изолини такие будут. будет круг, да, и за линией такие будут. Если же вы вот в разрезе смотрите, то, что у вас не вскрыто скважинами, оно у вас будет как бы вот выглядеть как структура на карте, вы будете понимать, что есть какое-то поднятие, и, возможно, там что-то пришло сюда и скопилось, но скважины-то у вас нет, и вы не знаете, есть там что-то или нет. И пока вы не пробурите, вы не можете быть стопроцентно уверены, что там есть углеводороды. Поэтому то, что еще не вскрыто скважинами и где приток не доказан, то есть вы не знаете, есть углеводороды, или они оттуда убежали, так скажем, да, разрушилась залежь. Все это, все такие объекты, они будут считаться ресурсными. Это называется ресурсы. Если вы уже потом решили, ну, все-таки я хочу пробурить, понять, есть или нет. Пробурили, и на вашу удачу здесь вы получили нефть, и вы знаете, что вот ее столичка, например, это уже все запасы. То есть всегда как взрослеть это. Вы не можете сразу стать старым, вы должны этот этап пройти, взросление. И залежи то же самое. Она сначала является ресурсами, и потом по мере изученности станет запасами. Это два различающихся между собой понятия. Они важны, так как в чем разница основная? Что в запасах мы уверены, мы можем дальше идти уверенно бурить какие-то скважины, а в ресурсах нам еще нужно взвесить риск. Нужно понять то, что мы сейчас видим, предполагаем, его нам хватает этого объема, чтобы столько сил потратить на изучение объекта. Либо оно того не стоит. То есть, всегда этот риск будет оставаться. И, ну, также геологические будут риски, они существовать. Мы про них сейчас поговорим чуть-чуть. Вот. Ресурсы и запасы, поэтому это основные понятия при подсчете объема углеводородов. Так, да, тут будет сейчас картиночка, я ее должна убрать. Еще раз повторяюсь, получается Q это геологические запасы, объем пород получается основной, про который я вам говорила, и тогда рассчитывается далее коэффициент пористости, то есть это уже объем пор нефти, насыщенности и вот уже свойства нефти. И мы можем такой формулой посчитать как запасы, так и ресурсы. Просто в одних мы будем уверены, в других нет. И вот продолжая разговор про детерминистические вероятностные расчеты, разговор про детерминистические вероятностные расчеты, нужно тут немножечко уйти в теорию распределений и объяснить вам, на чем основана вероятностная оценка. Если... Так, я чуть-чуть пока перелесну, чтобы можно было на конкретном примере. Если детерминистики, у нас нас эта формула состоит из тех же параметров, но мы можем сделать один только расчет. И получается фактически, здесь представлено распределение. То есть это гистограмма распределения, и только здесь уже плотность распределения. Если мы в детерминистике можем только один расчет сделать, фактически это будет вот такая история. То есть вы по площади знаете одну точку. Ой, это не площадь, да. Я привыкла просто искать и писать. Вот по объему вы знаете одну точку, по НТЖ, по коллектору знаете другую точку, по пористости, по свойствам нефти. То есть у вас всегда одно значение, то в вероятностной оценке вы понимаете, что у вас есть вот эта неопределенность от сих до сих, то есть от минимума до максимума. И эта неопределенность, к примеру, пусть будет по пористости φ, это коэффициент пористости. Фи – это вот пористость, коэффициент пористости. У вас эта неопределенность, к примеру, изменяется от, допустим, 7% до 16%. Это, конечно, для обычных коллекторов не особо правдивые цифры. Обычно это типа 15-20% в среднем. Получается, у вас есть вот эта неопределенность, и вы понимаете, что вы не знаете точно в вашей зале же, как будет 15 или 17. Вот эта вся зона для вас в какой-то степени релевантна. степени релевантно. И вероятностная оценка как раз помогает учесть вот эту неопределенность по каждому параметру. И учесть, что у вас может быть как такая пористость низкая, так и высокая. То есть, может быть, как пессимистичный кейс, мы его называем P90, так и оптимистичный P10. Я чуть позже расскажу, откуда это все. Пэшки, вот эта вся история. И эта история, допустим, с пористостью. А можно то же самое сделать с коэффициентом песчанитости, объемом, то есть со всеми параметрами. И что дальше со всем этим делается? К примеру, у вас есть распределение. Что дальше со всем этим делается? К примеру, у вас есть распределение. Для того, чтобы учесть все возможные варианты, они все перемножаются рандомно друг с другом. Я поэтому говорила, что можно 10 тысяч раз перемножить. И вот эти 10 тысяч раз, получается, что происходит? В зависимости от распределения, например, здесь треугольное распределение, в конкретной реализации будет браться конкретное какое-то значение. То есть вот здесь, если вы работали ранее с распределениями, то понятно, что в этом распределении моды самым встречающимся значением, оно будет где-то вот здесь, в пике. И чаще будут выпадать вот эти значения в каком-то интервале. Например, реже вот этот интервал. У него будет вероятность ниже выпадения. И получается, 10 тысяч раз подкидывается кубик и определяет конкретно по всем значениям, что выпало. Они все между собой перемножаются. Получается как раз значение запасов Q, и оно выносится на это распределение. То есть каждый из этих кейсов далее уже на итоговом распределении отображается. Ну и вот 10 тысяч раз вот так вот подкидываем и понимаем, что может быть там, допустим, при такой плотности, при таком пересчетнике, может быть вот такой объем. То есть они все независимо перемножаются рандомно. И учитывается при этом вся комбинация. Поэтому получаются такие вот распределения, которые говорят нам, что может быть как запасы, допустим, тысячи, так и 6 тысяч. Большой достаточно диапазон. Если бы вы посчитали это в детерминистике, то 2,665 у вас получилось по примеру. Вы бы находились в самом каком-то месте наиболее вероятном. И характеризовали бы фактически самую ожидаемую точку. Но вы бы не знали, что есть случаи хуже и есть случаи лучше. И от этого бы зависело ваше решение, идти вам дальше или нет. То есть, может быть, вам бы и хватило и похуже. Может быть, вам и этого значения бы не хватило. Это все именно зависит от того, какой вы результат получили. Ну и если сравнивать детерминистику с вероятностным, где она применяется, вероятностные расчеты сейчас как таковые не признаются госорганами и всякими такими серьезными инстанциями. Мы это делаем для себя, то есть внутри, чтобы понимать, интересен нам кейс или нет. Детерминистика же применяется при подсчете запасов. Это конкретно специальный орган, я не знаю, государственный он считается. Ну да, государственный баланс запасов. Они уже, получается, как эксперты, принимают вот эту одну модельку, к ним ставят на баланс конкретные месторождения, они эти значения одобряют, расчеты и все предпосылки. И на балансе запасов ОГОС органов стоит именно одно значение, детерминистическое. То, что в вероятностном мире мы там делаем, уже оно как бы для нас самих только работает. Остальное вот это все не признается экспертами, так скажем. Тут идет на самом деле повторение немного того, о чем я говорила. Вот оно получается, формула подсчета запасов. Тут чуть-чуть по-другому записано. Тут получается площадь, пористость, нефтенасыщенность, пересчетник и плотность. Вот здесь чуть получше описано о том, что я вам говорила про структурные неопределенности. Что у вас может быть кролик повыше, пониже, объемы от этого будут отличаться. ВНК у вас выше, ниже, может быть, это опять-таки неопределенность. По петрофизике, то, что мы с вами проходили по данным ГИС, что граничное значение по пористости может вам по-разному отыграть, вам может... Тут плохо будет видно. Я вам еще раз пробегаюсь. По αps вы можете здесь границу для коллектора провести. Или, например, здесь провести. От этого будет ваша толщина зависеть. Соответственно, когда петрофизики будут определять эти значения, у них тоже будет своя неопределенность, и тоже они могут вместо трех метров получить, например, два метра, и в полтора раза ошибиться. Это будет критичным в некоторых случаях. И также неопределенности по свойствам флюидов, они зависят от многих параметров, как от проб. Если пробы не кондиционные, то есть они некачественно проведены, отобраны, то тоже будет всегда неопределенность оставаться. Или если вообще нет проб, то тоже история не очень хорошая, потому что на что-то надо нормироваться, предполагать свойства нефти, но данных может вообще не быть. И, соответственно, вот здесь как раз-таки эти неопределенности описаны. Далее пройдем, тут не будем долго останавливаться. Пройдем тут, не будем долго останавливаться. И вот тут такой сложный на самом деле график, не график, вернее, блок-схемка такая сложная. Я попытаюсь своими словами ее объяснить, но на самом деле не очень юзер-френдли история сделана. Смотрите, получается, здесь общий процесс показан, как геолог работает при работе с вероятностной оценкой, как он считает. Это конкретно для 3D сделано. Я вам говорила, что есть сетка, которую мы изначально создаем, и у нас есть кровля и подошва. которые мы изначально создаем. И у нас есть кровля и подошва. Ну, или кровля только, да, по нашему пласту. И что здесь хотели авторы показать? Что происходит тут? Вот мы когда имеем кровлю с вами, то при детерминистическом подходе... Что же у меня с мышкой-то? Сейчас. При детерминистическом подходе у нас будет только одна кровля, и мы ее никак больше трогать не будем. Вот мы один раз посчитали и посчитали. При вероятностном же, я вам говорила, что может, допустим, на удалениях от скважин как-то эта кровля себя по-другому повести, например. Для этого учитывается как раз вот эта точность построения. То есть вы построили базовую карту, и вы знаете, что у вас карта может плюс-минус на 20 метров вот это значение выше быть или ниже. Это при вероятностном моделировании тоже учитывается. То есть строится вот вот эта карта до карты точности построения эта карта по сути ошибок то есть вы к базовой карте всегда прибавляете карту ошибок и она вам дает возможность учесть как допустим такой вариант так и какой-то другой и если вы сто раз например посчитали у например, в первом варианте как-то будет вот так, допустим. В первом варианте, например, по фиолетовой пойдет кровля. Во втором варианте по фиолетовым точкам, например. А в третьем варианте по голубым. В четвертом еще как-то. И у вас всегда будет учитываться, что она может пойти чуть левее, чуть правее, чуть выше, чуть ниже. И вы сможете эту свою неопределенность учесть. После того, как вы кровлю проварировали, мы называем это так, то есть варьируем положение кровли. У вас в данном случае здесь только кровля у нас есть. И тут процесс как показан, что у вас будет кровля первого пласта и вы отложите получается вот толщину до второго. Вот карта толщин U2. Через карту толщин вы получите вот карту получается, я конечно коряво нарисовала, карту толщин вы получите, вы получите вот карту, получается, я, конечно, коряво опять нарисовала, карту толщин по третьему, ну да, по U3, получается, вот эту, да, карту толщин получите, кровлю вот U2, да, допустим, и вы получите кровлю U3. И дальше уже у вас будет как бы каркас, да, вот от U кровлю U3. И дальше у вас будет каркас от U2 до U3. Вы будете дальше его разбивать. Про то, что я говорила. Апскейлинг будет идти. Вы определили, что вам удобно делать ячейки по вертикали по 30 см. Вы это все разбили. Вот эта поверх, как бы поверхность, да, вот так вот по 30, по 30, по 30, все это разбилось. И уже дальше вы моделируете, как себя литология ведет. Как раз получается, говорится о тренде эффективных толщин и о тренде, ну, по первому пласту и по второму, который ниже. Здесь, что важно отметить, что здесь все то же самое происходит, как и для одной 3D-модели. Просто вы делаете, как вот здесь написано, N реализации. То есть вы, например, 100 моделей делаете 3D. В первой у вас одни параметры, во второй чуть-чуть другие, в третьей еще чуть-чуть другие. Все как бы сидит в вашем распределении. В первой у вас одни параметры, во второй чуть-чуть другие, в третьей еще чуть-чуть другие. Все как бы сидит в вашем распределении. Вы знаете, что у вас, например, пористость. В первой реализации у вас 0,12, в третьей реализации у вас 0,15, в среднем, в сотой реализации у вас 20. По каждому параметру вы эту неопределенность учитываете. Учитываете, что разломчик может пройти чуть левее, чуть правее из-за того, что есть неопределенность тесмическая. И вот эта вся история, весь этот набор неопределенностей, он в каждой итерации у вас подкидывается, подкидывается, учитывает, что может быть как такой случай, так и другой. И в каждой итерации проходит подсчет запасов. То есть у вас там 100 кубов, например, 3D, вы их можете использовать далее, выбрать какой-то из них конкретный или работать с тремя из них. Сейчас я расскажу, почему с тремя. У вас это получается распределение запасов. Есть у вас энное количество реализаций, с которыми можно дальше что-то делать. Что вы можете дальше предпринять? Вот это по 10, по 50, по 90, про которое я говорила, вот оно, это распределение. Отчего же вообще мы пришли к этим П, и как с этим жить. П 10, 50, 90 – это фактически персентили. Вот есть математические персентили, есть, получается, те, которые мы вероятностной оценки используем. Фактически это одно и то же, просто они обратные. То есть если персентиль 90, или персентиль 10 – это просто обратные между собой. Но тут просто логика отличается. Либо мы говорим, что 90% значений больше, чем вот это значение. Или мы говорим, что 10% значений меньше, чем это значение. То есть мы как бы просто в обратку мыслим. У нас, например, при вероятностной оценке запасов и ресурсов, мы работаем в левой части с по 90. То есть мы говорим, что с 90% вероятностью я вскрою, допустим, запасы такого значения или больше. И, соответственно, P50 – это 50 на 50, и слева, и справа. А P10 – это уже будет с 10% вероятностью будет значение больше, чем это. То есть вот этот хвостик, он вообще маловероятный будет. Всего лишь 10% вероятности, что я вскрою больше, чем вот это. То есть туда направо. А, соответственно, в этой точке у вас всегда вероятность больше. То есть вы, когда здесь стоите, вы знаете, что 90% вероятности, что у вас что-то здесь будет больше, чем это. вероятность, что у вас что-то здесь будет больше, чем это. И вероятность на оценке пользуется этими тремя параметрами P90, P50, P10. Фактически это значения, которые покрывают диапазоны. P90 покрывает, по-моему, до P получается 70. То есть, у вас же распределение это непрерывное, но вы это описываете тремя значениями. То есть, P90 у вас будет характеризовать интервал до P70, от P100 до P70. Потом P50 у вас будет характеризовать от P70 до P30. вот этот диапазон. Ну и получается P10, он в целом у вас характеризует от P30 до 0. И с этими уже значениями, с тремя, так как мы не можем столько времени себе позволить, чтобы все параметры, вернее, не все параметры, все варианты пересчитать. Уже когда геолог выдал вот такое распределение, разработчики себе в работу берут от 90, 50, 10. То есть работают с тремя как бы. Здесь еще нужно сказать про то, что есть разные категории, не расчеты, а категории запасов, ресурсов. В России своя категория, в сообществе нефтяников, SPI, которые слышали, наверное, про него, там своя классификация. В SPI классификация в целом характеризует. Это распределение может характеризовать. Она похожа на русскую, но она немножко отличается именно в своей категорийности. Потому что в русской классификации побольше деления. Сейчас я вам покажу. потому что в русской классификации побольше деления. Сейчас я вам покажу. В русской классификации на 5 делятся запасы, еще и ресурсы делятся на 4. То есть тут все зависит от степени изученности. Давайте мы этот слайд сейчас пройдем, и я вас на перерывчик еще отпущу. Что заложено в российскую классификацию? В принципе, опять-таки, степень изученности, если вы не уверены в своей зале, это ресурсы, и они делятся по степени изученности на 4 типа. И запасы тоже самое. То есть мы всегда идем как? Мы идем от D2 к D0. То есть на уровне D2 идите теоретически возможные. То есть мы что-то себе предположили, оценили как по D2, никто не знает, есть там что-то или нет, никаких исследований дополнительно еще не сделано, и мы какую-то вот такую зону как бы оконтурили. Потом чуть больше становится степень изученности, мы вот по этим шагам переходим, и как бы последний шаг D0 – это уже какие-то вот такие локализованные, когда вы уже какую-то ловушку выделили конкретную, что-то там по аналогам к ней применили. И вот когда вы уже на этом этапе, дальше вам уже либо бурить скважину, либо вообще уходить отсюда. То есть, либо вот у вас D0 перейдет в эту зону, C1, C2, либо останется D0 и будет висеть там, ну и кто-нибудь, может быть, обратит на него внимание в следующий раз, когда там будет оценка идти. Получается, вы по перспективным объектам, например, определились, у вас стояла залежь в категории D0, и далее, когда вы пробурили первую какую-то скважину, у вас уже будет часть запасов разведанных, там, где скважина у вас есть, и часть запасов оцененных. Дальше будет красивая картинка, на ней станет понятно, как это работает. И получается, вы будете всегда вот так, дайте, вот если в D0 вы, в D0 вы какую-то залежь, допустим, да блин, сейчас, что-то тут у меня с поверхностью под мышкой, но вот все равно. Попытаюсь максимально какую-то фасолинку нарисовать. Если вы вот в D0 живете, вот она у вас выделена. Потом вы пробурили, например, точечку в ней, получается, скважину пробурили. У вас уже D0 пропадает. Вы уже переходите в C1, C2. C1, это получается, будет вокруг скважины характеризуется. Область, она будет у вас как бы самая уверенная, это будет С1. А С2 будет вокруг нее. Вы понимаете, что там есть что-то, но вы еще скважину тогда не пробурили рядышком, поэтому эта область у вас останется С2. И если вы еще одну дальше пробудите, например, здесь, здесь опять появится зона с С1, а остальное останется С2. То есть вот это уже станет С1 опять. А все остальное без скважин, вот этот полигончик внешний, он останется С2. И так будет потихоньку-потихоньку нарастать категория. То есть, чем, по сути, больше вот эта буква, тем у вас категория ниже. И когда вы уже вот так вот какую-то часть разбудите, вы в какой-то момент перейдете вот в эту голубую плашечку, когда у вас изученность будет уже позволять планировать разработку. То есть, допустим, при B2 у вас уже, видите, вы уже какой-то фонд планируете, зависимый. Далее уже в B1 у вас уже более разборенная будет история, у вас уже будут готовы проектные документы, чтобы разрабатывать дальше. И основной фонд у вас уже будет готовы проектные документы, чтобы разрабатывать дальше. И основной фонд у вас уже будет понятен. В этот момент вы уже практически на старте разработки, так скажем, идете. А категория А, это уже все разбурено, все истыкано с кожанами. Это уже самая высшая категория. То есть всегда из Д в А будете идти. Здесь все понятно? Нет вопросов? Возможно, где-то надо вернуться и еще раз повторить. Если нет, пойдем на перерыв. Маякните, вы там уснули? Или еще живые? Нет, мы здесь. Вопросы нет. Окей, давайте тогда прервемся. И у нас вот час остался. Надеюсь, успеем пробежаться. Давайте тогда мы в 35 с вами снова подключаемся. Осталось у нас уже немного. Я вам чуть-чуть еще расскажу про общий процесс моделирования и покажу одну из моделек, чтобы у вас так визуально запомнилось, как это выглядит про запасы, классификацию мы поговорили, в целом, если у вас будет необходимость и как-то будете с этим работать, вот такие таблички существуют по запасам. То есть всегда вы можете определиться, в какой точке вы находитесь. Тут достаточно просто все описано. Это одно из новых нововведений. Это, по-моему, насколько я помню, в ГПН делалось. Точно не могу сказать, но здесь удобно, что можно, видите, на уровне объекта сориентироваться. Как кин отстанивается, тоже можно сориентироваться, коэффициент извлечения. И вы можете всегда понять, в какой точке ваш объект. И вот те красивые картинки, про которые я вам говорила, что есть разрабатываемое месторождение, есть разведываемое. То есть, если вернуться на вот эту картинку, это вот в эту сторону, влево мы идем, получается разведываемое. Это вот они, разрабатываемое, это А и Б. И вот получается здесь А, Б, а здесь С1, С2. А вот мы начинаем, приходим, да, получается, с С1, С2. Вот одну пробурили, остальное С2. Дальше решили, что объект интересный, пойдем дальше. Еще пробурили парочку скважин. Курсор опять мне почему-то... Я забыла переключить. Вот. Пробурили парочку скважин. Скворцер опять мне почему-то... Я забыла переключить. Вот. Пробурили еще парочку скважин. Здесь поставили на госбаланс. Пошли к экспертам. Сказали, что вот у нас здесь такая история. Мы уточнились. Они вам дали добро на то, чтобы вы категорию здесь поменяли. У вас получилось здесь С1, а здесь получилось С2. Далее вы через какое-то время решили, что ну все классно. Дальше можно идти уже бурить ковром. Хватит уже тут как бы изучать. Пойдемте бурить ковром. И вот уже вы опять-таки на ступеньку выше поднимаетесь. У вас где-то существует прям такая уже плотненькая сеточка. Где-то вы еще добуриваетесь, делаете какие-то опытно-промышленные работы, изучаете по разработке, как себя пласт ведет. И у вас получается уже, опять вы идете в почет запасов, говорите у меня тут поменялись данные, я тут еще раз уточнилась, все, хочу разрабатывать. Они вам дают добро на то, чтобы вы уже делали свою документацию, чтобы разрабатывать месторождение. Это как бы вот, ну, почему я говорю про экспертов, да, это постоянная, в общем, история. То есть вы сначала ставите на госбаланс одну скважинку, потом пересчитываете, у вас еще пересчет, опять несете это туда, затвердить, чтобы на госуровне это. И уже потом вот проектные документы по разработке тоже, они подвергаются, получается, согласованию с вот этими госорганами. То есть вы там несете прям план свой над ближайшие несколько десятков лет. Ну, где-то на 25, по-моему, лет несут в среднем. Вот. И получается, вот у вас какие-то есть зоны на этом этапе. И уже когда вы здесь уже доизучили, решили тоже пойти ковром, у вас вот такая вот разбуренная залежь, она будет категорией А. То есть у вас уже здесь некуда. Мне стоит на чат прерваться или вы скинули ссылку? Ребята? Это ссылка, да. Все, окей. Отлично, спасибо. Вот, получается, в конечном итоге вы выходите на вот эту категорию А. Понятно, что на участке у вас может быть как такая задержка, так и такая. Как и место, где у вас ничего не понятно. Вы тут не очень хотите тратить деньги на дальшее изучение. Она у вас так и будет висеть, С1, С2. Вы можете ее дальше не трогать. Единственный момент, который тут нужно учитывать, что в зависимости от того, на каком вы этапе находитесь и какие Это называется лицензионными обязательствами. То есть вы всегда будете под каким-то надзором таким существовать. И поэтому, скорее всего, если у вас есть участок, вы на какой-то момент дойдете либо до этих шагов хотя бы, либо здесь что-то попробуете, если что-то интересное. Ну а категория А – это уже по происшествию энного количества лет, когда вы разбурили все. Получится вот. И здесь такая сопоставительная с как раз европейской классификацией. Я на самом деле плохо разбираюсь с европейской, потому что практически ей не пользуюсь. Это больше именно для аудиторов. То есть у нас всегда идет аудит запасов в пределах компании. Сейчас, извините. В пределах компании и на уровне государства. В общем, идет аудит запасов, которые параллельны с государственным балансом запасов. И если госбаланс, то, что у нас в России происходит, это по российской классификации происходит, Это вот по российской классификации происходит, то PRMS это уже получается классификация международной. Это вот делают отдельные компании, либо отдельные у нас, по-моему, в ЭКПН тоже есть отделы такие, где аудит запасов по нашим залежам отдается уже вот именно в отдельной компании. Это вот как-то происходит на уровне международного такого общения, так скажем. Вот. И получается, мы вот в таких двух, как бы, классификациях живем. Они там уточняются периодически? Ой-ой-ой. Так. Сейчас. Мышь меня тут подвела. Они уточняются периодически, но никак друг с другом не связаны, не остаются. И вот у нас была задача тут на решение, но я вам расскажу коротко. Тут даже не сколько задача, а сколько общее представление, что выходит в результате построения 3D-модели, с чем вы имеете дело. После того, как вы получили кубик, он весь такой красивый, и вы по нему посчитали запасы, вернее, хотите посчитать запасы по какой-то из классификаций, вам как бы не важно, вы для себя, например, считаете, для отдела. И получается, вы из вот этого кубика можете вытащить данные, которые вам нужны для дальнейшего подсчета. У вас есть карта мощности или эффективной толщины. Это сидит в первом множителе в объеме пород. То есть он у вас из S и H состоит. Это как раз H. Но здесь H, получается, толщина, она учитывает как толщину над контактом водонефтяным, то есть как нефтяную толщину, так и водяную, так скажем. То есть водонасыщенная вот эта вот толщина, которая внизу, она тоже здесь учтена. Вы уже как бы можете ее пересчитать через вот это отношение нефтенасыщенных толщин к эффективным. То есть у вас получится что-то типа, если в 2D это показывать, а в 3D будет проблематичнее. Что же у меня с мышкой-то? Сейчас. Все потерялось. Сейчас, секунду. Он что-то подводит. То есть у вас изначально есть карта эффективных толщин. Вы вот здесь коллектор как-то разбросали. Он у вас вот так существует, например. Но у вас здесь где-то проходит ВНК. Давайте я его синим нарисую, чтобы тут совсем не потерялось все. Вот, например, вот здесь у вас граница нефть-вода проходит, ВНК. Вы изначально работаете с этой всей картой. Вот она как раз получается. Вот она. Эффективная толщина это называется. То есть весь коллектор, и без разницы, чем он насыщен, водой или нефтью. А уже потом, когда вас интересует только верхняя часть, вы должны вычислить из этого всего объема, что у вас, какая часть этого объема с нефтью. И вы, получается, строите для себя такую карту отношений нефтенасыщенных толщин к эффективным. То есть это, по сути, доля. В пространстве доля верхней части над всей. Когда вы получили уже вот эта карта умножится на эту, первая на вторую умножится, и на выходе вы получите карту нефтенасыщенных толщин. То есть только верхней части песчаничек будет у вас учитываться. Потом вы можете также по модельке вытащить среднюю пористость, либо карту пористости, либо вытащить карту пористости прямо по всей модельке. И определить среднюю, получается. Сейчас, секунду. Что-то происходит тут. И когда у вас, получается, есть вот это КП, пористость, есть ННТ, вот это ННТ, которое получено у вас, оно сразу же и дает площадь залежа, потому что вы вот здесь в границах знаете уже, какая у вас если вы вот так сделаете вверх проекцию, то у вас сразу будет уже понимание в пределах какой площади у вас эти толщины на 2НК распространены. Вот, ну, типа вот такой штуки будет. И получается, вам останется еще вытащить нефтенасыщенность. Это тоже пересчитанное, да, при петрофизическом моделировании. Вы насыщение моделировали. Вот у вас коэффициент нефтенасыщенности получится. И, ну, все, в принципе, на выходе вы вытас. И все, в принципе, на выходе вы вытаскиваете. Получается, на выходе вы вытаскиваете. В общем, на выходе вы имеете все параметры, чтобы у вас можно было сделать подсчет запасов. И вот тут уже я конкретно по каждым картам, если проходится, вы можете конкретное среднее вытащить из этих карт. И я вам вот тут домашние задачи пришли. Конечно, мы не будем это проходить. Я вам сейчас, пока мы не закончили, быстренько покажу реальную модель, с которой геологи работают. Сейчас у меня тут немножечко пропала лицензия вот это одна из наших моделей которые мы в этом году строили моделировали тут было вот на красное не обращайте внимание сейчас я и их уберу какое это у нас тут свойство включена сейчас это делать Сейчас. Как это делось? Вот. Видимо, что-то осталось. Артефакты какие-то по границам. Получается, здесь было три пласта и мы их вот моделировали они друг над дружечкой залегают. Сейчас я вам покажу вот так. Вот получается самый нижний пласт. Давайте я вам покажу на литологии. Это не очень удобный. И тут почему-то стоит еще фильтр сейчас секунду так стоит фильтр и это не очень удобно сейчас ну ладно давайте мы да вот так чтобы глину было видно. Вот это одно из месторождений Западной Сибири. Естественно, мы там достаточно часто живем. Вот получается моделька. Сейчас я ее как-нибудь поверну так красиво. Вот получается моделька. И сейчас у вас будет притормаживать, я сейчас остановлю. Тут три пласта. Пока у вас там восстанавливается экран. Три пласта друг над дружкой. Разделены они перемычками глинистыми, то есть покрышками. И получается вот... У вас сейчас восстановилось изображение, я надеюсь? Если нет, то мыкните, ладно? Если тут ничего сейчас не видно. Должно быть желто-серое такое. В крапинку такую. Да, желто-серое. Ага, вот. Вот желтое, значит, это песчаник, да, он распространен. Тут серое, это глина. Вот он как бы в верхней части этого пласта примерно вот так выглядит. Пласт был не очень, так скажем, выдержанный. Видите, тут такие достаточно сплошные есть прерывания по коллектору. И вот если сейчас мы включим... Ой, не то я включила. Сейчас. Где у нас... Вот, если мы включим фильтр конкретного разреза, посмотрим, это вот такая будет картина. То есть это уже смоделированная литология, и она получается из двух типов состоит – песчаник и глина. Это первый пласт. Я постараюсь медленнее, чтобы у вас успевало обновляться. И вот над ним получается... Сейчас я вот так покручу. Нет. Лучше вот так. Если сейчас у вас восстановится изображение, будет видно, что внизу получается интересующий нас пласт. И сверху над ним большая серая глинистая толща, которая является для него покрышкой. И это получается одна система. То есть один пласт замоделирован в 3D-модели. И таких может быть много в пределах одной модели. В данном случае я включу остальные тоже, чтобы вам было видно визуально. Это получается пример из трех пластов. Тут только не хватает еще верхней покрышки. Получается желто-серый нижний пласт интересующий, второй и третий. И вот фактически это такая единая система, в которой мы дальше уже работаем и отдаем разработчикам ее. Здесь вот интересно посмотреть, что видите, вот здесь есть скважины, которые уже пробурены, и вот у них есть данные по коротажу. Вот это как раз то, о чем я говорила, что вы можете эти данные учитывать. Сейчас я вам попробую приблизить побольше. Или, или, или я вот так вам покажу. Сейчас, секунду. Так, вот. Да, только вот так тогда. Сейчас. Вот так вот, вот так тогда. Сейчас. Так. Вот так, допустим, я вам покажу. И эти все мы не будем трогать. И, например, у вас еще пусть будет лог. Да, тут почему-то тут лога нет. Сейчас. Я бы хотела короташ еще показать. Так, тут у нас тут ПС-ка? Куда она потерялась? А вот ПС-ка есть. Сейчас мы ее найдем тут. Что очень много скважин в этом проекте. И я могу не поймать просто эту ПС-ку. Интересненько. Вам разница именно с П поэской показатель? Но что-то я не могу ее именно найти. А включать все не хочется. Пробуем так. Ага, понятно. Так, окей. Так, давайте я вам вот так тогда покажу. Я надеюсь, так будет видно. Долго сейчас искать эту скважинку хорошенькую. Вот, смотрите, получается. Вот видите, в конкретной скважине, сейчас у вас восстановится изображение, в конкретной скважине у вас вот эта ячеечка тоже, видите, нарезана. вы их сделали как раз обскейлинг и поделили на ячейки этот коротаж, вернее, результаты интерпретации коротажа, они вот тоже у вас живут согласованно в модели, то есть и учитываются уже в конкретной точке. Это вот процесс обскейлинга вам позволяет это сделать. И уже на фоне, ну, на, получается, результатах апскейлинга вы вот сделали литологическую такую модель. Я вам еще сейчас покажу чуть-чуть про проницаемость, то, что вас может интересовать, наверное, больше, чем литология в данном случае. Вот это куб проницаемости, который был посчитан по собственным керновым данным. У вас должно быть такое яркое изображение фиолетово-зеленое в основном. Это куб, который мы рассчитали с учетом того, что у нас была зависимость по пористости и проницаемости конкретно по нашей залежи. То есть не какие-то там соседи данные. Это именно наши. И что интересное тут получилось. В целом мы изначально первый пласт рассматривали, второй и третий. Мы особой разницы никакой между этими пластами не видели. Мы особой разницы никакой между этими пластами не видели. При геологическом моделировании, конечно, есть понимание, что какой-то лучше распространяется, какой-то хуже. Но это не так сильно как-то заметно. То есть у кого-то пористость тела, как я вам говорила, чуть-чуть лучше, у кого-то чуть-чуть хуже. Но это какие-то доли буквально. Что получилось интересного, когда мы проанализировали данные керна? У нас получилась такая история, что верхний пласт и второй, они были много лучше, чем нижний. Видите, вот синий, вот этот нижний пласт, он по проницаемости оказался намного хуже. И он практически вообще не работает из всех этих трех пластов, а работает как раз-таки вот этот высокопроницаемый в середине пласта второго. Видите, вот эта красная такая змейка. И причем практически все, что получено, оно получено либо вот как раз примерно там, где он распространяется, либо чуть выше, чуть ниже. В общем, основной пласт, который работает там, оказалось, что вот этот высокопроницаемый внутри вашего пласта, нашего пласта, который мы оценивали, оказалось как раз, что есть такой интересный случай. И получается, что если бы мы взяли какие-то данные с аналогов, либо у нас были бы керновые данные, но они были бы непредставительны, где-нибудь в другой зоне бы отбирались по месторождению, то мы бы вот такую границу не смогли увидеть. Это потом чревато чем? Мы когда разработчикам отдаем такие модели с историей добычи, например, у нас есть 10 скважин, по ним были деебиты какие-то полученные конкретные, а мы отдаем модель, которая на самом деле не соответствует истине. Потом как раз коллегам-разработчикам или гидродинамикам, скорее разработчикам, разработчикам, или гидродинамикам, скорее разработчикам, им очень тяжело потом уточниться по обычным языком говоря, тяжело им выйти на те же самые дебеты, которые получены по этим скважинам. То есть, например, у них есть 100 кубов, да, они получили по вот этой скважине нефти, а мы им даем совершенно какие-то картины. Например, вся бы она была зеленая, и проницаемость была бы ниже. И мы им даем такую картину, они начинают моделировать у себя это все. И, конечно, они не получают такой же картины, как по испытаниям. У них либо сильно меньше получается, либо в разы разница. Это как раз тот момент, когда разработчики взяли у нас модель у геологов, и если там что-то, геологическое представление где-то нарушено и не соответствует истинному, это на месторождениях с историей добычи это сразу можно понять. Потому что данные не будут биться совершенно. И до последнего вы будете искать ошибку. То ли она есть в геологии, вы где-то предсказали. Продолжение следует... Телирование ВНК. Это вот эти три пласта. То есть желтый – это газ, зеленый – это нефть, цвет, и получается синий – это вода. Вот три пласта. Вернее, синий – либо вода, три пласта, вернее, ну, синий либо вода, либо, вот, тут надо глину выключить еще. Она мешаться будет вам сейчас в понимании. Как бы убрать вот так перемычечки. Вот так вот. Вот. Получается три пласта друг над другом. Вот. И здесь, видите, в двух газ есть, да, а здесь только нефть осталась. Это шапка газовая с нефтяной торочкой, если говорить о типе залежи. И что тут интересно, что был такой кейс у нас, что газовый объект, вернее, газо-нефтяной объект был достаточно разбурен, и много интересного можно было как раз узнать по именно фактическим данным. Это бывает разбурен, и много интересного можно было как раз узнать по вот именно фактическим данным. Это бывает не часто, вернее, в геологоразведке. Обычно это уже, когда мы много скважин пробурили, можем такое предсказывать. Вот. Получается, вот три объекта, они моделировались совместно. И вот если сейчас я вам открою еще, покажу про ячейки, хотела сказать. Про... Так, где-то я тут рассчитывала эту штуку. Нет. Так, так, так, так. Или я ее, интересно, удалила, что ли? Сейчас. А, ну вот, собственно, вот здесь вот. Про, сейчас, выше FVL, да, тут не совсем, конечно, красиво. Сейчас я вам либо SOIL включу тогда. Ну вот, так, SOIL или SW надо включить. Ну вот, водонасыщенность, да, или в обратку нефтенасыщенность. Она вот здесь тоже смоделирована уже в 3D. И получается, она вот физически растет, как бы, ну, нефтенасыщенность растет кверху залежи, да, или газонасыщенность. И вот на входе у нас получается вот эта уже зона контакта с водой. И вот здесь эти дыры, это как раз то, о чем я вам говорила, ранг вариограммы за это отвечает. Сейчас я приближу чуть-чуть. Вот так сейчас у вас установится, насколько залеж, вернее коллектор, выдержан, и за это отвечают ранги вариограммы. Это тоже здесь было учтено. Насколько я помню, ранги для этого пласта, видите, дыры, такие достаточно мощные, ранги были достаточно низкими, а вот для верхнего, сейчас я потихоньку двину, а для верхнего, видите, были больше. Здесь уже коллектор более такой выдержанный. Вот такие дырки, они уже прерывистые. Это она уже очень редкая. Это что касается именно вариаграмм. Здесь по моделированию понятно. Может быть, что-то еще показать или объяснить поподробнее. Как у вас в целом понимание? Ребята, вы где? знакомы, да, уже, это хорошо, конечно, если вы знакомы, потому что на как бы уровне таком начальном, наверное, за такой короткий промежуток очень тяжело воспринимать, поэтому если вы знакомы как-либо, да, встречались, это здорово. Единственное, знаете, что еще, вот, тогда, как бы по модельке мы закончили, да, и в целом у нас материалы уже остались такие дополнительные, которые мы рассчитывали, что если успеем рассказать, то расскажем. Я хотела спросить у вас, раз мы коснулись детерминистики и вероятностной оценки, знакомы ли вы с риском и неопределенностью, как с понятиями. И нужно ли об этом немножко рассказать? Это вы про Монте-Карло хотите рассказать? Нет, про шанс геологического успеха. Вот про Джикоса рассказывали? Нет. Давайте тогда мы немножечко про это поговорим. Вам, по-моему, Анастасия про это все-таки чуть-чуть, может быть, затрагивала. Сейчас, секунду. Я найду, наверное, ее слайд, и на нем мы с вами... Да, вот все дни сейчас мы откроем. Тут просто есть такой момент, что если вы дальше будете либо сотрудничать, работать, либо уже работаете, либо у нас, либо в какой-то другой российской компании нефтяной, вы, если попадете именно в геологоразведку или может быть в геологоразведку или чуть позже, еще не совсем в разработку, то вы с этим термином будете встречаться. Я хотела вам все-таки его показать. Сейчас эта презентация немножечко подгрузится. Она долгая, по-моему, достаточно. Да, сейчас она подгрузится. А мне казалось, что про Джекоса вам Анастасия должна была рассказать вначале. Но если не найдем, я вам на словах расскажу. Так, я думаю, будет понятно. Чтобы картинка дала прям понимание. Сейчас. Давай. Да или нет? У вас пока подгружаются. Можно вопрос задать? Да-да-да, давайте. Вот смотрите, я так понимаю, что в Petrel загружаются данные, например, если по кривым GIS, какие-то там определенные файлы, как они получаются? Снимается какая-то кривая, да? Потом как она интерпретируется, чтобы для понимания Petrelli это все, чтобы он понимал, как это работает? Да, смотрите, тут какая история, вот когда я вам про GIS рассказывала, сейчас все-таки я найду тогда этот либо темплейт, либо что-то я такое найду. Получается, я вам рассказывала, когда про основы геофизических исследований скважин. Я вам говорила про то, что есть геофизическая станция, которая записывает данные, которые в скважине. Ну да, здравствуйте. По геофизике получается. Сейчас я вам покажу, как это в Петреле живет. Это тут просто единственная не моя настройка темплейтов. И черт знает, какая из них сейчас правильная. Кто-нибудь ее вы оставил сейчас секунду у нас еще немножечко времени есть я вам покажу так так ребятатый тоже нет. Ага. Ну вот, здесь хотя бы есть какой-то... Тут уже с моделькой. Так, вот литология есть. И я вам сейчас еще... Ну, можно, в принципе, на литологии. Вот это испытание только не будете обращать внимания. Смотрите. Вот, например, одна из скважин. Вот эта кривая, которая получена, это фактически много-много точек замеров, которые геофизическая станция зафиксировала при проведении ГИС. То есть, это, по сути, ТЭКСТ-шник, если технически говорить, что это такое. И там просто я вам даже сейчас покажу, раз так как мы по технической части хотим понять, как он это все понимает. Я какое-то просто открою вам. Ну, агустика какая-то есть. Получается, каждая геофизическая партия, станция, она после того, как геофизику сделала, они вот записывают это вот все вот в такой файлик. Это фактически всегда одна и та же шапка. Здесь можно как бы ее прочитать, если ты знаешь, с чем работаешь. Тут как бы с какой глубины начали запись, с какой закончили, с каким шагом. Видите, 10 см шаг записывали. И тут всякие разные еще параметры, в каком году это было сделано и все такое. И потом самое главное, что идет. Вот, получается, что записали глубину, записали акустический коротаж, запис, интервальное время пробега волны. Т1, Т2 тут записано. И дальше уже начинается вот такая огромная колонка. То есть, по сути, первая точка глубина. Здесь нет записи. АК получается, Т1, Т2. Потом где-то мы спустимся пониже. Тут уже есть конкретные значения. Это вот всегда любая кривая ГИС, она нам поступает вот в таком формате. Мы ее уже берем, она там в формате ЛАС специально подгружается в Петрель. Она вот существует потом, я вот если вот так вам показывать, покажу на примере вот этой седьмой скважины. Она потом заходит, так, почему я сюда зашла? Она потом заходит, вот конкретно собирается в конкретные скважинки, и вот вы можете увидеть, что тут много разных коротежей, и фактически это вот этот last file, который просто отображен в отображен в Питреле в виде как бы прямой, вернее, не прямой, а кривой. Но если посмотреть параметры этого конкретно, допустим, по альфа, это называется, альфа PS, то это вот, как я вам показывала сейчас в этом блокнотовском файле в LAS, вот это тоже глубина, точка, глубина, точка. Это очень много таких точек, которые фиксировались в процессе регистрации ГИС. Они есть, мы их в Петреле загрузили, мы с этими кривыми в Петреле можем работать. Окей. Геологам хватает. У вас еще был вопрос, как это все пересчитывается, да? Я правильно поняла? Да-да-да. Тогда, если про пересчитывается рассказывать, то получается, мы с ласами работаем. Нам нужно, нам это особо ничего не дает. Нам вот такая нужна колонка, которая нам скажет, ага, здесь песчаник, а здесь газ с, например, нефтью. Мы вот эти лассы отдаем петрофизикам, если говорить по-честному, как это происходит в модельке. Геологи сами это делать не умеют, они отдают петрофизикам. не умеют, они отдают петрофизикам. Петрофизики – это ребята, которые работают именно с геофизическими исследованиями скважин. Мы все эти кривые им отдаем и говорим, нам нужно понять, нам нужен, короче, регист по литологии и по насыщению. Ну, еще, если надо, вам в модельке давайте еще и коэффициент нести насыщению. Ну, еще если надо, вам в модельке давайте еще и коэффициент нести насыщенности, посчитайте нам пористости и проницаемость, если можете, тоже посчитайте. Они редко это делают, обычно мы сами там находим и считаем. Но они обычно отдают литологию насыщения и КН отдают. Ну, с пористостью получается. И они что делают? У них есть, получается, какой-то регион, в котором они уже знают, да, вот как это сейчас вам показать. У них есть регион, в общем, в котором, например, вот я вам на 3D просто покажу на окошке. Вот, например, наша залеж, да, вот здесь. А у них есть еще, к примеру, здесь рядом залеж, еще какая-то в регионе, много их аналогов рядом. И у них есть зависимости уже по региону установленные или установленные по вашей залежи, и они могут по этим зависимостям уже, то есть зависимость, например, альфа-ПС и пористости, есть про то, что я вам говорила, можно пересчитать через ГИС пористость. И они определяют вот эту вот граничную альфа-ПС, про которую я рассказывала, что можно выйти вот на эту альфа-ПС граничную и фактически вот эту границу словить, где у вас песчаник начинается и где заканчивается. То есть они это все в своих алгоритмах петрофизических пересчитывают, получают литологию. Тут может быть более расширенная литология, там карбонаты и все дела. А потом уже конкретно на коротажах сопротивления, это вот БК, ИК, про которые мы разговаривали, которые основаны на том, что у нефти сопротивление выше, высокое, а у воды, соответственно, низкое. На этих коротажах они пересчитывают насыщение. И в итоге, когда они получили эту литологию и насыщение, они нам обратно отдают эти ласы, но уже как бы вот в этой колоночке, где я вам много цифр показывала, там будет идти глубина и, по сути, значение конкретного кода. Типа песчаник, например, у них будет единица, единица, единица, потом раз, ноль, потом снова единица, единица, потом снова ноль. И вот эту закодированную историю они нам обратно отдают в ласах, мы обратно в Петрале ее грузим. И то же самое с насыщением. Но с насыщением другая немножко история, потому что если вот здесь они вам отдадут песчаник, единичка, глины, ноль, то здесь у вас будет энное количество значений, которое будет, например, семерка, вода, нефть, там двойка, вода там н будут, например, там, не знаю, семерка вода, нефть, там, двойка, там, вода, там, ноль, например, да, то есть, вернее, семерка газ, нефть, там, двойка, короче, будет, сколько они там выдали вам вариантов насыщения, столько у вас цифр этих будет котировки. И когда эпитрофизик вам такое отдает, ну, вы сразу же запрашиваете у него, ну, что ты имел в виду, да, вот эта семерка, это что у тебя. Вот, и получается, мы снова это подгружаем в Питрель, говорим ему, что то, что у тебя под семеркой, это каратаж, это газ. И уже работаем как с первичной информацией, так и с результатами. Плюс ко всему еще есть результатотаж, результат, вернее, интерпретации коротажа по коэффициенту нефтенасыщенности, который они тоже нам выдают, тоже в формате LAS. Вот он как бы. Если здесь присмотритесь, я сейчас остановлю курсор, и здесь такая вот, как бы ее показать, вот там, где у меня сейчас остановился курсор, там будет такая зеленая закраска и рядышком черная линия, чуть-чуть меньше нее, левее. И тут получается на этой колонке показана разница между тем, что у нас в модели получилось по насыщенности и то, что нам дали петрофизики. Вот черная линия – это то, что нам выдали петрофизики, а зеленая – это то, что получилось в модели. Это как бы допустимая разница, когда мы можем немножечко по модели при пересчете иметь погрешность с петрофизическими данными. И вот эта серая линия – это тоже выданная от петрофизиков в таком же формате в Л лассах нам переданная. То есть все это мы отдаем петрофизикам в лассах, они там долго-долго считают, и заново нам в лассах отдают только уже другие параметры. И уже дальше мы загружаем и работаем именно с результатами. Ну вот как-то так происходит. Если что-то еще непонятно, давайте еще спрашивай, и я могу точнее рассказать. А какая обычно ошибка бывает между реальными запасами и почетными по модели? Ну, такая средняя. Реальные запасы. Что Вы имеете в виду под реальными запасами? Ну, то есть после того, как у нас уже месторождения эксплуатируются, Реальные запасы. Что вы имеете в виду под реальными запасами? Ну, то есть после того, как у нас уже месторождения эксплуатируются, мы же можем оценить примерно сколько там запасов. Ага, я поняла, да. Вот здесь все зависит от вашей неопределенности первоначальной, да, если, вернее, даже не так. Да, от неопределенности, во-первых, и во-вторых, от объекта, с которым вы работаете. Потому что, к примеру, давайтеых, от объекта, с которым вы работаете. Потому что, к примеру, давайте вот сюда же вернемся. Как вот здесь получилось. Это уже такой совершившийся кейс. Момент какой, что если вы, например, рассчитали на уровне степени изученности, когда у вас 2D и не так много скважин, и потом вы сравниваете с тем, что у вас получилось уже когда вы разрабатываете, и вы, например, не пошли на 3D, не делали никаких дополнительных каких-то вещей, то, конечно, разница у вас большая может быть. И вообще есть такой график, его, наверное, здесь нет, скорее всего. Я вам вот так просто нарисую его сейчас произвольно на слайде. От степени изученности сильно зависит, потому что иногда недропользователь готов идти. Вот как бы у нас есть такой какой-то график похожий, я его сейчас примерно попытаюсь воспроизвести. Вот так он выглядит. Просто видите, в чем дело, что если вы работаете в идеальном каком-то мире, когда вы можете степень изученности свою повышать, повышать, повышать, и у вас тем самым неопределенность будет снижаться, то иногда либо у нейтропользователя не хватает денег, либо ему невыгодно дальше что-то изучать, либо какие-то еще причины есть. Вот здесь степень изученности, а тут получается диапазон неопределенности. Вы что делаете? Ну, или отношения по 90, по 10 мы еще его называем. Ладно, тут у меня надстройка стоит. Что происходит? Вы когда вот степень изученности у вас низкая, и вы идете с таким риском, да, вот у вас как бы диапазон, например, по запасам, да вот такой широкий, так скажем. Это очень условно, я, конечно, сейчас рисую. Вот он широкий. И вы вот с этой точки такие смотрите, мне как этот годится, так и этот годится. И вы, например, пошли вот в этот момент, ничего больше не сделали, пошли бурить. И разбурили там, все классно вам как бы. И так годится, если мало, и так, если много. И поэтому фактически у вас может получиться так, что запасы, которые вы предсказывали, они будут, например, где-то вот здесь находиться. Их будет маловато. По сравнению с тем, что вы, например, в базовом кейсе, да, вы модельку такую красивую построили, например, ожидали вот столько, да. Вот, например, красненькое – это то, что вы ожидали. Например, здесь 100 тысяч было. А вы получили, ну, это вот если как бы шкала вверх-вниз, да, эти, а вы получили, например, ну, давайте, если тут, короче, меньше, тут больше. Или, например, ну давайте, если тут, короче, меньше, тут больше. Это вот я в диапазоне рисую, поэтому немножко тут могу вас запутать. Вот получается, это меньше как бы. Влево идем в минус, сюда идем вправо плюс. Ой, вернее, вниз плюс. Вот. Вы, получается, можете просто как бы очень большую разницу иметь с тем, что вы получили. Просто потому, что вам не было принципиально, что вы получите меньше. Просто в какой-то момент, посчитав экономику, вы поняли, что вам как этот вариант годится, так и этот. Вы настраивались, конечно, на лучшую, на средний какой-то вариант, но получили хуже. И здесь будет большая разница. Вы будете реальные запасы сравнивать с тем, что у вас есть. И вы увидите эту разницу. Либо вы проведете, например, вот здесь у вас в этой точке было 2D. Либо вы проведете 3D, и у вас степень изученности возрастет. Либо вы проведете 3D, и у вас степень изученности возрастет, и вы поймете, что у вас будет очень маленькая разница. То есть вы будете в такой какой-то точке сидеть. У вас прогнозные и те, которые получились, будут достаточно с маленькой разницей. Но тут какой момент надо понимать. У нас есть два момента еще, которые не зависят от этой картинки. Первый момент, что мы с некоторыми объектами не умеем работать до сих пор в геологии и в разработке. Например, с той же Ачимовской толщи, что мы сплошь и рядом встречаем. Мы сначала чаще всего живем в этой реалии, что здесь у нас есть 2D-сейсморазведка, которая, я вам говорила, не дает понимания о литологических каких-то особенностях и очень тяжело на нее как-то полагаться. Но это мы поняли относительно недавно, когда энное количество раз, неуспешно пробуившись, мы много компаний сказали, что, ну, слушайте, ачивовская толщина, она вообще оказывается намного сложнее, чем мы предполагали. И мы вот здесь не то, чтобы вот так можем получить, как мы предполагали, а реальные ваши запасы, которые вы посчитали, они вообще вот здесь будут. И тут встает такой момент, что мы в момент оценки уже что-то не то делали. То есть вот вы красиво модель посчитали, у вас все классно, вроде все, как бы учли все, что могли. Но за счет того, что вы концептуально что-то не учли, то есть у вас, я говорила в самом начале, что в геологии нельзя быть 100% уверенным, и всегда нужно как бы учитывать, что вы можете чего-то не видеть, не знать, и нельзя доверять 100% этой информации. Это как раз было к этому, что в некоторых объектах, так как такие объекты не изучали широкомасштабно, как, например, в Западной Сибири в свое время изучали все купола, все эти структурные объекты пробурили, и это был самый популярный объект, на него всех пробурили, проверили. А Ачимовку никто не искал, и получается так, что она, если даже есть на участке, она всегда без внимания оставалась. И либо до нее вообще скважины не добуривались, либо в принципе не бурились на нее скважины. И получается, что вроде как бы мы работаем с интересным объектом, но за счет того, что мы не умеем с ним работать на данный момент, очень с ним сложно. Он очень такой прерывистый. Нельзя его в площадном понимании диагностировать. Мы тут много раз ошибаемся. И получается, что мы не то чтобы отличаемся, но чуть-чуть. Мы кардинально либо в минус уходим, либо когда нам везет, это бывает очень редко, мы на самом деле получаем намного больше, чем мы предсказывали. Но это прям, знаете, один случай на десять бывает, наверное, такого. Поэтому все зависит от того, как вы спланировали программу ГРР. И насколько вы хороший геолог, так скажем. Потому что в зависимости от вашей широты мысли в момент оценки зависит исход именно по кейсу, как по экономике дальше на ваших всех вычислениях, так и конкретно какие запасы вы получите. Поэтому это всегда индивидуальная история. Вы можете ее в каждом месторождении по-разному встречать. Главное, наверное, пытаться учесть вообще все, что можно. Ну или, по крайней мере, если вы даже не можете учесть, важно учесть вероятность того, что это может случиться. Вот про это я вам сейчас хотела рассказать. Если я на ваши основные вопросы ответила, буквально я вам 5 минут прям хочу про Джикос все-таки рассказать, пока вы не ушли. И сейчас наверняка вам... Я же видела это в материалах. Это было... Сейчас, секунду. Вот так. секунду так сплошная геология лет косные свойства и вот где то вы перешли на Структурная геология пошла Так Вот увы, система Вот-вот-вот-вот Где-то здесь Так Ага Типа залежи вам объяснили Вот А, ну вот Сейчас мы вот эти два слайда соединим. Вот сейчас мы вот так сделаем. Так, я только не знаю, он у меня сейчас сработает так или нет. А, сработает, окей. Так, сейчас, секунду. Как раз, конечно, в последние минуты все подвисло. Сейчас. Ага. Вот, в общем, сейчас мы вот так с вами быстро-быстро пробежим. Все-таки. Вот, вам чуть-чуть совсем про это сказали. Наверное, и не успели. Все-таки вы это прям пройти более... Вот так я сделаю. Пройти более... Более подробно. Вот вам Анастасия, когда вы проходили первые несколько дней, там 3 дня, вам она говорила по поводу ловушки, покрышки, коллектора, пути эмиграции нефтематеринской породы. Так вот, когда мы вероятность на оценку делаем, мы помимо того, что кучу раз подкидываем в Монте-Карло, мы еще учитываем шанс успеха. Я вам сегодня еще говорила про запасы и ресурсы, что в запасах мы уверены, что они есть, потому что уже скважина пробурена. А вот в ресурсах мы не уверены. И вот когда мы работаем с ресурсами, нам нужно учесть шанс успеха, с которым мы его откроем. Этот шанс успеха слагается из геологических предпосылок. для каждой ловушки оценивается, есть ли нефтематеринская порода, которая могла дать ей нефть, есть ли пути миграции, которые привели к тому, что нефть туда пришла, есть ли коллектор в этой ловушке, который мы видим на сейсмике, есть ли там коллектор, нефть не ушла выше куда-то, да, и не расформировалась вот эта вот зона. Ну и получается, есть ли ловушка, эта ловушка как бы сам получается вот этот изгиб, да, земной коры, то есть ну какой-то либо купол, либо литологический объект какой-то, да, литологические экраны. Именно об этом речь, то есть вот про типы ловушек, когда вы разговаривали, это именно наличие какого-либо барьера, чтобы нефть там осталась. И вот эти пять параметров оцениваются для каждого объекта, который еще не вскрыт скважинами. И получается, что, например, у нас, вот я сейчас вам просто кейс какой-то покажу, вот у нас 5 параметров, и, например, у нас, что для Баженовской, для Западной Сибири происходит, на примере я покажу. Вот если материнская порода, у нас Баженовская свита, да. И вероятность, что она есть, практически везде 100%, если мы в бассейне где-то находимся. Ну, или единичка, если в долях единицы. И, получается, остальные параметры уже оцениваются при как раз формировании концепта. Есть ли пути миграции? Вы задаете вопрос. Есть ли пути миграции? Начинаете смотреть, есть ли рядом залежи, вообще нефтеносен ли регион рядом. И, допустим, для каких-то шельфовых отложений Западной Сибири вы достаточно хорошо знаете регион и говорите, да, у меня есть факт миграции, я вижу нефть на соседних месторождениях. есть факт миграции, я вижу нефть на соседних месторождениях. По коллектору, например, вы также анализируете регис, смотрите, что в керне у вас видно, что есть коллектор, по соседним месторождениям есть коллектор, и вы также получается какое-то достаточно высокое значение ставите. Может быть, вы не уверены 100%. И, соответственно, сохранилась ли покрышка и насколько у нее удерживающая способность хорошая. Например, она идеальная покрышка, какая-то очень выдержанная. И вы тоже это оцениваете. Ну и есть ли ловушка? Допустим, вы видите поднятие, хорошее, высокоамплитудное поднятие. И это у вас получается ловушка. Она тоже у вас, например, единичка. И вы вот эти параметры потом перемножаете, потому что вероятность вашего объекта будет слагаться. То есть ваш объект будет существовать только если вот это все случилось. Если была материнка, она отдала нефть, все это скопилось и не разрушилось, тогда у вас есть залеж. И у вас в данном случае получится порядка 70%. И вы уже при расчете ресурсной базы, когда вы будете эти 100 тысяч расчетов свои прогонять, что будет происходить? Вы будете, допустим, у вас есть распределение ресурсной базы, вы его посчитали как-то, конечно, это сюда. И, например, у вас 100 тысяч получилось каких-то, ну, вот какое-то одно из этих значений. И в конкретной реализации у вас вот эти 100 тысяч, они обнулятся за счет того, что у вас из, допустим, 10 тысяч реализаций получается... Вот сейчас шанс успеха у вас, да? Геологический шанс успеха, или он называется G-Cost, да? Вы про это, наверное, где-то еще услышите. Вот он у вас 0,7, то есть 0,72, если точно говорить. То есть в 72% случаев ваша ловушка будет успешной. В 28% случаев ваша ловушка вообще не будет существовать, потому что какой-то из этих параметров у вас не сыграл, то есть не реализовался. И как раз это важно, потому что вот такой случай, когда мы знаем регион, здорово, все классно, у вас там нефть везде открыта, вам остается только уже пробурить, ну и чуть-чуть там незнания есть. Тогда да, высокий шанс успеха, классно все. Но когда вы не знаете, где объект находится, у вас нет рядом аналогов, вы вообще не знаете, есть там нефть или нет. Это вот какие-то регионы отдаленные, которые мы еще не изучали. Тогда у вас шанс успеха, он достаточно маленький, он там порядка, например, 0,3 останется. И у вас среди всех вот этих кейсов успешным будут только 30%. И, конечно, это абсолютно разные проекты, когда у вас шанс успеха 30%, или когда у вас шанс успеха 70%. И, конечно, любой недропользователь будет по-разному смотреть на такую ситуацию. И всегда будет либо оцениваться, что он в более уверенный регион пойдет, и у него будет выше шанс, либо он будет идти, может быть, в менее уверенный, но есть такие моменты, когда мы в менее уверенные идем регионы, с таким низким шансом успеха, что там мы можем больше куш сорвать. То есть там еще никто не был, там еще большие запасы, какие-то объемы никто еще не трогал. И иногда бывает так, что интересно пойти с высоким риском, но сорвать куш больше. Поэтому все зависит от того, на что может пойти конкретно недропользователь. Но шанс успеха у нас, по крайней мере, это ключевая привередность на оценке, что обязательно необходимо учесть. Но я думаю, что вы еще встретитесь с этим понятием. Оно просто не совсем распространено среди геологов всех, потому что не все этим занимаются. Но, возможно, вам повезет столкнуться с этим. Тут про G-Cost понятно, я достаточно вроде просто пыталась объяснить, но мало ли. Как вам вообще заходит эта тема? Да, понятно, спасибо большое. Тогда мы, наверное, на этом закончим. У вас будет вот этот тест, я вам сейчас разошлю с вопросами. Как мы договорились, будет крайний срок его выполнения в понедельник. Буду ждать ваших ответов. И спасибо большое, что слушали, что задавали вопросы. Тоже спасибо. Желаю вам удачной сессии, если она близко. И надеюсь, что мы с вами еще пересечемся. Если вопросы у вас есть, также можете еще задать. Спасибо. пересечемся. Если вопросы у вас есть, также можете еще задать. А можно вас попросить вашу почту написать в чат? Я же... А, я поняла. Я просто вам отправлю же материалы, да. Ну, на всякий случай. Да-да-да, конечно. Я напишу сейчас, пока мы тогда не отключились, потому что потом, возможно, вы уже... Сейчас не сможете ее поймать. Так, а подскажите, пожалуйста, еще раз по этим... по старостам, кто мне будет присылать, чтобы я знала, кого, если что, трясти из вас. А давайте вы почту отправите, и мы тогда сами вам напишем письмо. Давайте так. Так. Ага. Окей. Так. Еще и не дает мне вставить. А, давайте сейчас подождите. Тогда по-другому немножко поступим. Видимо, он не дает именно ссылочку вить таки не дает мне ничего сделать интересно Подскажите еще раз, Ольга, я с вами, да? Вы сейчас спрашивали? Да, да, я спрашивала. Давайте, у меня есть вот контакт именно ваш, потому что это, что вы с Станиславой писали, я там была в копии, я сейчас отправлю на вас тоже, в том числе, и у вас останется моя почта. Ну да, вот это, да, ваша получается? Да, это моя. Ну все, тогда я вот сюда отправлю. И, в принципе, там, если кому-то нужно будет, можете писать, звонить, там, что-то спрашивать, если какие-то вопросы останутся. Тогда тесты вам скидывайте, а не Станиславу Андреевичу. Да, тесты скиньте мне. И там, получается, часть же еще будет Анастасии. Там будет время, пока она проверит. То есть я уже поделюсь конкретно с ними. Вот. Ну и я вам сейчас тогда разошлю и посмотрите, что там. Ага, все, отлично, я вижу, да. Так, две почты вижу Все, тогда разошлю на них Спасибо вам большое Что подключались и слушали И надеюсь, что Ваши сессии пройдут удачно Вам спасибо Да, до свидания Всем хорошего дня Спасибо, до свидания Спасибо, до свидания'"
            ],
            "application/vnd.google.colaboratory.intrinsic+json": {
              "type": "string"
            }
          },
          "metadata": {},
          "execution_count": 6
        }
      ],
      "source": [
        "prediction['text']"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 6,
      "metadata": {
        "id": "B6SWETKXUI6b"
      },
      "outputs": [],
      "source": []
    }
  ],
  "metadata": {
    "accelerator": "GPU",
    "colab": {
      "gpuType": "T4",
      "provenance": []
    },
    "kernelspec": {
      "display_name": "Python 3",
      "name": "python3"
    },
    "language_info": {
      "name": "python"
    },
    "widgets": {
      "application/vnd.jupyter.widget-state+json": {
        "d873473c118f4a44be80d630a35f4e8a": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_e94ab9edb3834d0ca81ca0d7c1c14178",
              "IPY_MODEL_54d03d02820a40fab0587ec32675fc75",
              "IPY_MODEL_36cce6e9890949abab3bbc305ff3d05f"
            ],
            "layout": "IPY_MODEL_d126b6c683b04cea9b713c5982439586"
          }
        },
        "e94ab9edb3834d0ca81ca0d7c1c14178": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_6edbb1f1eac54bf5a8f1187706cd3955",
            "placeholder": "​",
            "style": "IPY_MODEL_a5e306d33f7f40a3ba0ad217525c8850",
            "value": "config.json: 100%"
          }
        },
        "54d03d02820a40fab0587ec32675fc75": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_a0b76391714b47948cdc2938a91a1c5a",
            "max": 1272,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_e17524548e134014897e1c9236e5c8ed",
            "value": 1272
          }
        },
        "36cce6e9890949abab3bbc305ff3d05f": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_28599f326455483a925a964503bba39c",
            "placeholder": "​",
            "style": "IPY_MODEL_78bd2d32824a4642b577de7d064faf1b",
            "value": " 1.27k/1.27k [00:00&lt;00:00, 34.6kB/s]"
          }
        },
        "d126b6c683b04cea9b713c5982439586": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "6edbb1f1eac54bf5a8f1187706cd3955": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "a5e306d33f7f40a3ba0ad217525c8850": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "a0b76391714b47948cdc2938a91a1c5a": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "e17524548e134014897e1c9236e5c8ed": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "28599f326455483a925a964503bba39c": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "78bd2d32824a4642b577de7d064faf1b": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "27daff8782a747c1816a7d12c1d00923": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_47dcef7721844eedb43d4a786caef8c8",
              "IPY_MODEL_32c70e230b2644f2a9dc50b3b706522a",
              "IPY_MODEL_707e86b37cbd426c85957585d091b1ce"
            ],
            "layout": "IPY_MODEL_9edc6f5b7b30467fbdedd8366e8bbd4a"
          }
        },
        "47dcef7721844eedb43d4a786caef8c8": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_78669e180fbd481085ea7d725f362444",
            "placeholder": "​",
            "style": "IPY_MODEL_13371c25f6264afbb0ef4b7b76aeac1d",
            "value": "model.safetensors: 100%"
          }
        },
        "32c70e230b2644f2a9dc50b3b706522a": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_3d5f0bed287c47178cfd527758be6c29",
            "max": 3087130976,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_4e979c61bf8047388faeb63745e199b6",
            "value": 3087130976
          }
        },
        "707e86b37cbd426c85957585d091b1ce": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_4ad5716c339a4d8bb368c5e405840732",
            "placeholder": "​",
            "style": "IPY_MODEL_78d597edeb4a4218a82f8b41c0caa377",
            "value": " 3.09G/3.09G [00:33&lt;00:00, 91.1MB/s]"
          }
        },
        "9edc6f5b7b30467fbdedd8366e8bbd4a": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "78669e180fbd481085ea7d725f362444": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "13371c25f6264afbb0ef4b7b76aeac1d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "3d5f0bed287c47178cfd527758be6c29": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "4e979c61bf8047388faeb63745e199b6": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "4ad5716c339a4d8bb368c5e405840732": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "78d597edeb4a4218a82f8b41c0caa377": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "d93d8cfe77794b829ee791cb4139bee0": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_2adf98783ef845c3a2bd5557d4f9fe7f",
              "IPY_MODEL_58cc8906558943b8ae1878aa4978bb9d",
              "IPY_MODEL_3cdf3c6d17d84eaaa11b74647a92960e"
            ],
            "layout": "IPY_MODEL_8f30d4f37d3f4df097b7006d7ea70668"
          }
        },
        "2adf98783ef845c3a2bd5557d4f9fe7f": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_cd46b114d18c449392b0f1f136368ffc",
            "placeholder": "​",
            "style": "IPY_MODEL_06d159c877524a759c0017156419066e",
            "value": "generation_config.json: 100%"
          }
        },
        "58cc8906558943b8ae1878aa4978bb9d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_5736b77b3db54de6b351e0ea438113d6",
            "max": 3903,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_78de13c72db047299196f7c725b0fc9e",
            "value": 3903
          }
        },
        "3cdf3c6d17d84eaaa11b74647a92960e": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_a7d2cf8f2a78409ab235e071eaab1ed1",
            "placeholder": "​",
            "style": "IPY_MODEL_dc56af1550194834b7fd2222f36c0d03",
            "value": " 3.90k/3.90k [00:00&lt;00:00, 224kB/s]"
          }
        },
        "8f30d4f37d3f4df097b7006d7ea70668": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "cd46b114d18c449392b0f1f136368ffc": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "06d159c877524a759c0017156419066e": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "5736b77b3db54de6b351e0ea438113d6": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "78de13c72db047299196f7c725b0fc9e": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "a7d2cf8f2a78409ab235e071eaab1ed1": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "dc56af1550194834b7fd2222f36c0d03": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "ceca0a60824a4f2cb0ce69e86aaafb74": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_55f41fbf758648678e5e0f45dd2c6bab",
              "IPY_MODEL_03071f73001f4b9781d7619736670798",
              "IPY_MODEL_91f543b73a3f42ddbbda63ed095799c4"
            ],
            "layout": "IPY_MODEL_2ff7393f1ff44818921dea01ca8a9e0d"
          }
        },
        "55f41fbf758648678e5e0f45dd2c6bab": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_078eae05456a4c7e9a31a6ee69a1e410",
            "placeholder": "​",
            "style": "IPY_MODEL_08ebedbfaf0b47b79aa11620df094103",
            "value": "tokenizer_config.json: 100%"
          }
        },
        "03071f73001f4b9781d7619736670798": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_46952e43b74d48cdbfdb1522faf93bb2",
            "max": 282843,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_288fe5fc0f504c53a84865380879064d",
            "value": 282843
          }
        },
        "91f543b73a3f42ddbbda63ed095799c4": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_8afb8d40bf8e4906bb68fbf4ab23b626",
            "placeholder": "​",
            "style": "IPY_MODEL_0e43661016324e0aa4d5a8ef187cda0b",
            "value": " 283k/283k [00:00&lt;00:00, 2.07MB/s]"
          }
        },
        "2ff7393f1ff44818921dea01ca8a9e0d": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "078eae05456a4c7e9a31a6ee69a1e410": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "08ebedbfaf0b47b79aa11620df094103": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "46952e43b74d48cdbfdb1522faf93bb2": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "288fe5fc0f504c53a84865380879064d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "8afb8d40bf8e4906bb68fbf4ab23b626": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "0e43661016324e0aa4d5a8ef187cda0b": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "a8787771cbcf44b180701985042d56df": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_43033181b32146e6912a8f7c33e86efe",
              "IPY_MODEL_8054938edffb41b58965e8529b3ccbb6",
              "IPY_MODEL_50142bcd5ffc4af1b306dfb5f5913e16"
            ],
            "layout": "IPY_MODEL_e6f43f113463471ab5ad95cc551c5289"
          }
        },
        "43033181b32146e6912a8f7c33e86efe": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_9d2ba5d3a25346f2a11a17bf239c94a9",
            "placeholder": "​",
            "style": "IPY_MODEL_9cc830149cae4b66bf6fc0ea367b970e",
            "value": "vocab.json: 100%"
          }
        },
        "8054938edffb41b58965e8529b3ccbb6": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_9c82dba0cade4e14880a91edbc6754e7",
            "max": 1036558,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_1a855654d90c40ceb57e4e87f5c5855b",
            "value": 1036558
          }
        },
        "50142bcd5ffc4af1b306dfb5f5913e16": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_e197e84208644d9c8b2619f05429d7c1",
            "placeholder": "​",
            "style": "IPY_MODEL_81560b49f05440c8a283cedc11ea3b57",
            "value": " 1.04M/1.04M [00:00&lt;00:00, 5.31MB/s]"
          }
        },
        "e6f43f113463471ab5ad95cc551c5289": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "9d2ba5d3a25346f2a11a17bf239c94a9": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "9cc830149cae4b66bf6fc0ea367b970e": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "9c82dba0cade4e14880a91edbc6754e7": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "1a855654d90c40ceb57e4e87f5c5855b": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "e197e84208644d9c8b2619f05429d7c1": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "81560b49f05440c8a283cedc11ea3b57": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "09aa6b9002ac48eda399a87c7f1c0b44": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_77cf33812c1e46ccadeafa714d8810c5",
              "IPY_MODEL_a7523f1588d8401d96590b5649065b51",
              "IPY_MODEL_2d7e52fefcd046f8b44236f2449eb63d"
            ],
            "layout": "IPY_MODEL_6154ada1529f4bd88daf0b4baba284e7"
          }
        },
        "77cf33812c1e46ccadeafa714d8810c5": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_4c211ee4f74a4d069755fd2742850da1",
            "placeholder": "​",
            "style": "IPY_MODEL_bef893f58dfb46c3a856ea6b570361c0",
            "value": "tokenizer.json: 100%"
          }
        },
        "a7523f1588d8401d96590b5649065b51": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_2fba773016134566a857520c0fb2ff97",
            "max": 2480617,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_bb9b673840af4a64a88dd83d5bc3bd3d",
            "value": 2480617
          }
        },
        "2d7e52fefcd046f8b44236f2449eb63d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_50f0a2fa7f56403882576acd04cfc0da",
            "placeholder": "​",
            "style": "IPY_MODEL_07b83e61035c4d10ab2561df1c5f7a36",
            "value": " 2.48M/2.48M [00:00&lt;00:00, 9.48MB/s]"
          }
        },
        "6154ada1529f4bd88daf0b4baba284e7": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "4c211ee4f74a4d069755fd2742850da1": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "bef893f58dfb46c3a856ea6b570361c0": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "2fba773016134566a857520c0fb2ff97": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "bb9b673840af4a64a88dd83d5bc3bd3d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "50f0a2fa7f56403882576acd04cfc0da": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "07b83e61035c4d10ab2561df1c5f7a36": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "0894249b74cd4217a10ef945a8f7ccb7": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_5b8e0e73de8a4816b525a1013ef7c980",
              "IPY_MODEL_ef7848a140c948deacc512fb3354c7df",
              "IPY_MODEL_60ee4c03374f43238e267ee7a1d4ddf4"
            ],
            "layout": "IPY_MODEL_5081b9e8331a44c997a0def06c55dd8b"
          }
        },
        "5b8e0e73de8a4816b525a1013ef7c980": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_5b3c1ce3ec3f4f839d1755f67e0cde12",
            "placeholder": "​",
            "style": "IPY_MODEL_9b996d237bae43baa5e9363b61281779",
            "value": "merges.txt: 100%"
          }
        },
        "ef7848a140c948deacc512fb3354c7df": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_6f015f726c734bbcb4cf161b369148d4",
            "max": 493869,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_30d7e2ac145d40f49baae62828eea175",
            "value": 493869
          }
        },
        "60ee4c03374f43238e267ee7a1d4ddf4": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_313f791d7610480aa83c2b987ce18ab8",
            "placeholder": "​",
            "style": "IPY_MODEL_05368585cafa49a5b2dd2b58f58ebcef",
            "value": " 494k/494k [00:00&lt;00:00, 2.50MB/s]"
          }
        },
        "5081b9e8331a44c997a0def06c55dd8b": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "5b3c1ce3ec3f4f839d1755f67e0cde12": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "9b996d237bae43baa5e9363b61281779": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "6f015f726c734bbcb4cf161b369148d4": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "30d7e2ac145d40f49baae62828eea175": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "313f791d7610480aa83c2b987ce18ab8": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "05368585cafa49a5b2dd2b58f58ebcef": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "350b69c7fa7d46e7a087d27e5c50d6c6": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_c3d8c62d7702409a94bf39fb658e57ad",
              "IPY_MODEL_9ed4150a0d1742adac4994cf5c1266ba",
              "IPY_MODEL_9fe5eee788e94951bfadddd4706be814"
            ],
            "layout": "IPY_MODEL_46f6772238a7430785229274c72b8628"
          }
        },
        "c3d8c62d7702409a94bf39fb658e57ad": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_9e874ba4bf9e49faad3ef5563604e6f6",
            "placeholder": "​",
            "style": "IPY_MODEL_d5a37dfd719847a59c7f8d6c2610f1e8",
            "value": "normalizer.json: 100%"
          }
        },
        "9ed4150a0d1742adac4994cf5c1266ba": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_9f27c396a1044d5c8024d072d3e91b45",
            "max": 52666,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_a3a4e5109b284ddfb748170c9f270854",
            "value": 52666
          }
        },
        "9fe5eee788e94951bfadddd4706be814": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_9b2062e54155468e8669eaefcc5d1f8b",
            "placeholder": "​",
            "style": "IPY_MODEL_07604eb2ad434cbe8a98af74c43cb80d",
            "value": " 52.7k/52.7k [00:00&lt;00:00, 822kB/s]"
          }
        },
        "46f6772238a7430785229274c72b8628": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "9e874ba4bf9e49faad3ef5563604e6f6": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "d5a37dfd719847a59c7f8d6c2610f1e8": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "9f27c396a1044d5c8024d072d3e91b45": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "a3a4e5109b284ddfb748170c9f270854": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "9b2062e54155468e8669eaefcc5d1f8b": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "07604eb2ad434cbe8a98af74c43cb80d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "291fd96b2a964225a403de091b25cc28": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_9a9b13818c5346649c7567344641998d",
              "IPY_MODEL_43f4a7e93ffe40c1893bfac1e008d7a4",
              "IPY_MODEL_4649108af34f45c0bece25bb9a7fed46"
            ],
            "layout": "IPY_MODEL_c12bdee4ee8945e7ad778612847221fa"
          }
        },
        "9a9b13818c5346649c7567344641998d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_f68b59da21b840e2be81ba917851be69",
            "placeholder": "​",
            "style": "IPY_MODEL_577684fb52e142f0a12cdae140784055",
            "value": "added_tokens.json: 100%"
          }
        },
        "43f4a7e93ffe40c1893bfac1e008d7a4": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_af3719bbf3234cc0b4432fdb7e521a0b",
            "max": 34648,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_093103521430499f9177662670aae4e3",
            "value": 34648
          }
        },
        "4649108af34f45c0bece25bb9a7fed46": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_c60a6de76baf4095b4da923adbb90bfe",
            "placeholder": "​",
            "style": "IPY_MODEL_665555209fd24073a13ea4d825cd3e58",
            "value": " 34.6k/34.6k [00:00&lt;00:00, 2.26MB/s]"
          }
        },
        "c12bdee4ee8945e7ad778612847221fa": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "f68b59da21b840e2be81ba917851be69": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "577684fb52e142f0a12cdae140784055": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "af3719bbf3234cc0b4432fdb7e521a0b": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "093103521430499f9177662670aae4e3": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "c60a6de76baf4095b4da923adbb90bfe": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "665555209fd24073a13ea4d825cd3e58": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "9df477fd966843c6adb6e97a555de8a4": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_923bd549e4fe464a9f9b22c941f09cc7",
              "IPY_MODEL_68646e1d2a6f4535a30ade0ceb9f694d",
              "IPY_MODEL_5fc4ca90745a49e09ee8a6708002e89f"
            ],
            "layout": "IPY_MODEL_c92a2aa61afe450a88280122c2848aa4"
          }
        },
        "923bd549e4fe464a9f9b22c941f09cc7": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_d1d7c7ae57ae4025820a778198ce3206",
            "placeholder": "​",
            "style": "IPY_MODEL_1505591045a04f2da0cc6c0b93022e97",
            "value": "special_tokens_map.json: 100%"
          }
        },
        "68646e1d2a6f4535a30ade0ceb9f694d": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_f7bdff5644c041dcbbb1e32d44c50b58",
            "max": 2072,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_d8dbdf9a35c24637b957c4209b5d7d12",
            "value": 2072
          }
        },
        "5fc4ca90745a49e09ee8a6708002e89f": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_2a3d06457e104e63ba76b02df40b9b90",
            "placeholder": "​",
            "style": "IPY_MODEL_b6b50d7a354b4ba4bfaf752e76a21f71",
            "value": " 2.07k/2.07k [00:00&lt;00:00, 140kB/s]"
          }
        },
        "c92a2aa61afe450a88280122c2848aa4": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "d1d7c7ae57ae4025820a778198ce3206": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "1505591045a04f2da0cc6c0b93022e97": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "f7bdff5644c041dcbbb1e32d44c50b58": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "d8dbdf9a35c24637b957c4209b5d7d12": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "2a3d06457e104e63ba76b02df40b9b90": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "b6b50d7a354b4ba4bfaf752e76a21f71": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "c03d28e9a4ff4936ab43edb1bba52577": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HBoxModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HBoxModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HBoxView",
            "box_style": "",
            "children": [
              "IPY_MODEL_ea7415215ba041799d860c4d3b74e08f",
              "IPY_MODEL_88f99851de584af4a1445fe44196c5f8",
              "IPY_MODEL_47023e20076148dcbc0fa35be905627f"
            ],
            "layout": "IPY_MODEL_780dffa542b84ab18ee405e00b25df2a"
          }
        },
        "ea7415215ba041799d860c4d3b74e08f": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_d952cdb3b7354fd0b7627ed2af5753e2",
            "placeholder": "​",
            "style": "IPY_MODEL_ddaca6e7cec94c189f9294da7bacc7f9",
            "value": "preprocessor_config.json: 100%"
          }
        },
        "88f99851de584af4a1445fe44196c5f8": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "FloatProgressModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "FloatProgressModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "ProgressView",
            "bar_style": "success",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_f0b24384dfc74198bbe07e5b9e4ac12a",
            "max": 340,
            "min": 0,
            "orientation": "horizontal",
            "style": "IPY_MODEL_d2a7945782c0423288979ee3c0508ef6",
            "value": 340
          }
        },
        "47023e20076148dcbc0fa35be905627f": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "HTMLModel",
          "model_module_version": "1.5.0",
          "state": {
            "_dom_classes": [],
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "HTMLModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/controls",
            "_view_module_version": "1.5.0",
            "_view_name": "HTMLView",
            "description": "",
            "description_tooltip": null,
            "layout": "IPY_MODEL_3fd1d4e76d1249d7bbfc9b948ccb895c",
            "placeholder": "​",
            "style": "IPY_MODEL_5e15604ba53b451d91a5c821aaa970e1",
            "value": " 340/340 [00:00&lt;00:00, 25.4kB/s]"
          }
        },
        "780dffa542b84ab18ee405e00b25df2a": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "d952cdb3b7354fd0b7627ed2af5753e2": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "ddaca6e7cec94c189f9294da7bacc7f9": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        },
        "f0b24384dfc74198bbe07e5b9e4ac12a": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "d2a7945782c0423288979ee3c0508ef6": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "ProgressStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "ProgressStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "bar_color": null,
            "description_width": ""
          }
        },
        "3fd1d4e76d1249d7bbfc9b948ccb895c": {
          "model_module": "@jupyter-widgets/base",
          "model_name": "LayoutModel",
          "model_module_version": "1.2.0",
          "state": {
            "_model_module": "@jupyter-widgets/base",
            "_model_module_version": "1.2.0",
            "_model_name": "LayoutModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "LayoutView",
            "align_content": null,
            "align_items": null,
            "align_self": null,
            "border": null,
            "bottom": null,
            "display": null,
            "flex": null,
            "flex_flow": null,
            "grid_area": null,
            "grid_auto_columns": null,
            "grid_auto_flow": null,
            "grid_auto_rows": null,
            "grid_column": null,
            "grid_gap": null,
            "grid_row": null,
            "grid_template_areas": null,
            "grid_template_columns": null,
            "grid_template_rows": null,
            "height": null,
            "justify_content": null,
            "justify_items": null,
            "left": null,
            "margin": null,
            "max_height": null,
            "max_width": null,
            "min_height": null,
            "min_width": null,
            "object_fit": null,
            "object_position": null,
            "order": null,
            "overflow": null,
            "overflow_x": null,
            "overflow_y": null,
            "padding": null,
            "right": null,
            "top": null,
            "visibility": null,
            "width": null
          }
        },
        "5e15604ba53b451d91a5c821aaa970e1": {
          "model_module": "@jupyter-widgets/controls",
          "model_name": "DescriptionStyleModel",
          "model_module_version": "1.5.0",
          "state": {
            "_model_module": "@jupyter-widgets/controls",
            "_model_module_version": "1.5.0",
            "_model_name": "DescriptionStyleModel",
            "_view_count": null,
            "_view_module": "@jupyter-widgets/base",
            "_view_module_version": "1.2.0",
            "_view_name": "StyleView",
            "description_width": ""
          }
        }
      }
    }
  },
  "nbformat": 4,
  "nbformat_minor": 0
}