NEURAL NETWORK FORECASTING OF INPUT PARAMETERS IN OIL DEVELOPMENT
https://doi.org/10.35266/1999-7604-2023-4-6
Abstract
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.
About the Authors
E. D. Semyonov
Surgutneftegas, Surgut
Russian Federation
Russian Federation
Second Category Software Engineer
M. Ya. Braginsky
Surgut State University, Surgut
Russian Federation
Russian Federation
Candidate of Sciences (Engi-neering), Docent
D. V. Tarakanov
Surgut State University, Surgut
Russian Federation
Russian Federation
Candidate of Sciences (Engi-neering), Docent
I. L. Nazarova
Surgut State University, Surgut
Russian Federation
Russian Federation
Postgraduate
References
1. 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.
2. 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.
3. 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.
4. Тутыгин В. Искусственный интеллект в нефтегазовой индустрии как фактор развития производственной системы // Science and Innovation. 2023. № 3. С. 168–171.
5. 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.
6. Подольский А. К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. № 3. С. 33–36.
7. 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.
8. Будыльский Д. В. GRU и LSTM: современные рекуррентные нейронные сети // Молодой ученый. 2015. № 15. С. 51–54.
9. 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.
10. 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.
Review
For citations:
Semyonov E.D., Braginsky M.Ya., Tarakanov D.V., Nazarova I.L. NEURAL NETWORK FORECASTING OF INPUT PARAMETERS IN OIL DEVELOPMENT. Proceedings in Cybernetics. 2023;22(4):42-51. (In Russ.) https://doi.org/10.35266/1999-7604-2023-4-6
Views:
226
Email this article 