procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.35266/1999-7604-2023-4-6procyber-558Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringНЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ВХОДНЫХ ПАРАМЕТРОВ ПРИ ДОБЫЧЕ НЕФТИNEURAL NETWORK FORECASTING OF INPUT PARAMETERS IN OIL DEVELOPMENThttps://orcid.org/0009-0007-2994-4119СемёновЕ. Д.SemyonovE. D.

инженер-программист II категории

Second Category Software Engineer

https://orcid.org/0000-0003-1332-463XБрагинскийМ. Я.BraginskyM. Ya.

кандидат технических наук, доцент

Candidate of Sciences (Engi-neering), Docent

https://orcid.org/0000-0003-1851-1039ТаракановД. В.TarakanovD. V.

кандидат технических наук, доцент

Candidate of Sciences (Engi-neering), Docent

sprtdv@mail.ruhttps://orcid.org/0009-0001-0340-2609НазароваИ. Л.NazarovaI. L.

аспирант

Postgraduate

Сургутнефтегаз, СургутРоссияSurgutneftegas, SurgutRussian FederationСургутский государственный университет, СургутРоссияSurgut State University, SurgutRussian Federation2023131220232244251Copyright © Семёнов Е.Д., Брагинский М.Я., Тараканов Д.В., Назарова И.Л., 20232023Семёнов Е.Д., Брагинский М.Я., Тараканов Д.В., Назарова И.Л.Semyonov E.D., Braginsky M.Y., Tarakanov D.V., Nazarova I.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/558

В статье рассматривается применение искусственных нейронных сетей для прогнозирования технологических параметров добычи нефти. Для решения задачи были использованы аппараты искусственных нейронных сетей на основе архитектуры долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков (GRU). Полученные результаты нейросетевого прогнозирования подтвердили эффективность применения рекуррентных нейронных сетей, особенно модели LSTM для прогнозирования временных рядов.

The article examines use of artificial neural networks for forecasting of technological parameters of oil development. Artificial neural networks based on the long short-term memory architecture and gated recurrent units are used to solve the problem. The findings of neural network forecasting prove the effi-cacy of recurrent neural networks, especially the long short-term memory one, for forecasting of time series.

нейронные сетидобыча нефтимашинное обучениеLSTMGRUрекуррентная нейронная сетьпрогнозированиеneural networksoil developmentmachine learningLSTMGRUrecurrent neural networkforecastReferencesКуленцан А. Л., Марчук Н. А. Анализ добычи нефти из пластов в Российской Федерации // Российский химический журнал. 2022. Т. 66, № 1. С. 71–75. DOI 10.6060/rcj.2022661.10.Куленцан А. Л., Марчук Н. А. Анализ добычи нефти из пластов в Российской Федерации // Российский химический журнал. 2022. Т. 66, № 1. С. 71–75. DOI 10.6060/rcj.2022661.10.Мурашов Б. А., Тепляков Н. Ф. Расчет и оптимизация объектов подготовки и перекачки нефти при оценке проектов и реинжиниринге // PROНЕФТЬ. Профессионально о нефти. 2018. № 4. С. 71–74.Мурашов Б. А., Тепляков Н. Ф. Расчет и оптимизация объектов подготовки и перекачки нефти при оценке проектов и реинжиниринге // PROНЕФТЬ. Профессионально о нефти. 2018. № 4. С. 71–74.Шевчук Т. Н., Кашников О. Ю., Мезенцева М. А. и др. Прогноз показателей добычи из пластов баженовской свиты на основе статистических зависимостей и методов машинного обучения // PROНЕФТЬ. Профессионально о нефти. 2020. № 4. С. 63–68.Шевчук Т. Н., Кашников О. Ю., Мезенцева М. А. и др. Прогноз показателей добычи из пластов баженовской свиты на основе статистических зависимостей и методов машинного обучения // PROНЕФТЬ. Профессионально о нефти. 2020. № 4. С. 63–68.Тутыгин В. Искусственный интеллект в нефтегазовой индустрии как фактор развития производственной системы // Science and Innovation. 2023. № 3. С. 168–171.Тутыгин В. Искусственный интеллект в нефтегазовой индустрии как фактор развития производственной системы // Science and Innovation. 2023. № 3. С. 168–171.Хасанов И. И, Хасанова З. Р., Шакиров Р. А. и др. Обзор применения нейросетей в области добычи и транспорта нефти и газа // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2022. № 3–4. С. 11–15.Хасанов И. И, Хасанова З. Р., Шакиров Р. А. и др. Обзор применения нейросетей в области добычи и транспорта нефти и газа // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2022. № 3–4. С. 11–15.Подольский А. К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. № 3. С. 33–36.Подольский А. К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. № 3. С. 33–36.Семенов Е. Д. Адаптивное прогнозирование входных параметров при добыче нефти с использованием рекуррентной нейронной сети // Проблемы и решения автоматизации XXI века : сб. материалов V Национал. науч.-практич. студ. конф., 25–26 марта 2022 г., г. Сургут. Сургут : СурГУ, 2022. С. 78–83.Семенов Е. Д. Адаптивное прогнозирование входных параметров при добыче нефти с использованием рекуррентной нейронной сети // Проблемы и решения автоматизации XXI века : сб. материалов V Национал. науч.-практич. студ. конф., 25–26 марта 2022 г., г. Сургут. Сургут : СурГУ, 2022. С. 78–83.Будыльский Д. В. GRU и LSTM: современные рекуррентные нейронные сети // Молодой ученый. 2015. № 15. С. 51–54.Будыльский Д. В. GRU и LSTM: современные рекуррентные нейронные сети // Молодой ученый. 2015. № 15. С. 51–54.Kingma D. P., Ba J. L. Adam: A method for stochastic optimization. In: Proceedings of the 3rd International Conference for Learning Representations, May 7‒9, 2015, San Diego. p. 1–15. DOI 10.48550/arXiv.1412.6980.Kingma D. P., Ba J. L. Adam: A method for stochastic optimization. In: Proceedings of the 3rd International Conference for Learning Representations, May 7‒9, 2015, San Diego. p. 1–15. DOI 10.48550/arXiv.1412.6980.Melinte D. O., Vladareanu L. Facial expressions recognition for human-robot interaction using deep convolutional neural networks with rectified Adam optimizer. Sensors. 2020;20(8):2393.Melinte D. O., Vladareanu L. Facial expressions recognition for human-robot interaction using deep convolutional neural networks with rectified Adam optimizer. Sensors. 2020;20(8):2393.

The authors declare that there are no conflicts of interest present.