НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ВХОДНЫХ ПАРАМЕТРОВ ПРИ ДОБЫЧЕ НЕФТИ
https://doi.org/10.35266/1999-7604-2023-4-6
Аннотация
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.
Ключевые слова
нейронные сети,
добыча нефти,
машинное обучение,
LSTM,
GRU,
рекуррентная нейронная сеть,
прогнозирование
Об авторах
Е. Д. Семёнов
Сургутнефтегаз, Сургут
Россия
Россия
инженер-программист II категории
М. Я. Брагинский
Сургутский государственный университет, Сургут
Россия
Россия
кандидат технических наук, доцент
Д. В. Тараканов
Сургутский государственный университет, Сургут
Россия
Россия
кандидат технических наук, доцент
И. Л. Назарова
Сургутский государственный университет, Сургут
Россия
Россия
аспирант
Список литературы
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.
Рецензия
Для цитирования:
Семёнов Е.Д., Брагинский М.Я., Тараканов Д.В., Назарова И.Л. НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ВХОДНЫХ ПАРАМЕТРОВ ПРИ ДОБЫЧЕ НЕФТИ. Вестник кибернетики. 2023;22(4):42-51. https://doi.org/10.35266/1999-7604-2023-4-6
For citation:
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
Просмотров:
224
Послать статью по эл. почте 