«Автоматизация и информатизация ТЭК»

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ПРИ РЕШЕНИИ ЗАДАЧИ ВЫЯВЛЕНИЯ ГРУБЫХ ОШИБОК ИЗМЕРЕНИЙ ПАРАМЕТРОВ ЭКСПЛУАТАЦИОННЫХ РЕЖИМОВ ТРУБОПРОВОДНЫХ СИСТЕМ

УДК: 681.5:622.279
DOI: 10.33285/0132-2222-2021-1(570)-55-60

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, г. Москва, Россия

Ключевые слова: газотранспортные системы; грубые ошибки измерений; модели машинного обучения; линейная регрессия; стохастический градиентный бустинг; искусственная нейронная сеть.

Аннотация:

Статья является продолжением исследования применимости методов машинного обучения для решения задачи выявления и фильтрации грубых ошибок измерений параметров, характеризующих режимы работы трубопроводных систем (ТС). Был предложен оригинальный метод определения грубых ошибок измерений на основе регрессионного восстановления значений измерений моделями машинного обучения. Для решения задачи восстановления регрессии использовалась модель стохастического градиентного бустинга деревьев решений. В статье проводится сравнительный анализ моделей, применимых для регрессионной оценки показаний измерительных точек ТС. Возможные альтернативы рассматриваются в качестве ключевого шага метода решения задачи выявления грубых ошибок в измерениях режимных параметров реальной трубопроводной системы.

Список литературы:

1. Цифровая экономика нефтяного производства / Г.И. Шмаль, Л.И. Григорьев, В.Я. Кершенбаум, Д.Г. Леонов // Нефт. хоз-во. - 2019. - № 1. - С. 100-103. - DOI: 10.24887/0028-2448-2019-1-100-103
2. Голубятников Е.А. Применение моделей машинного обучения для выявления аномальных измерений параметров эксплуатационных режимов трубопроводных систем // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2020. - № 1. - С. 40-47. - DOI: 10.33285/0132-2222-2020-1(558)-40-47
3. Леонов Д.Г. Методы, модели и технологии разработки и интеграции распределенных гетерогенных программно-вычислительных комплексов в транспорте газа. - М.: Издат. центр РГУ нефти и газа (НИУ) им. И.М. Губкина, 2017. - 196 с.
4. Goodfellow I., Bengio Y., Courville A. Deep Learning. - The MIT Press, 2016. - 800 p. - (Adaptive Computation and Machine Learning series).
5. Tibshirani R. Regression Shrinkage and Selection via the Lasso // J. of the Royal Statistical Society. Series B (Methodological). - 1996. - Vol. 58, Issue 1. - P. 267-288. - DOI: 10.1111/J.2517-6161.1996.TB02080.X
6. Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics. - 2013. - Vol. 7. - Article No 21. - DOI: 10.3389/fnbot.2013.00021
7. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). - М.: Изд-во "Нефть и газ" РГУ нефти и газа им. И.М. Губкина, 2005. - 577 с.
8. Scikit-learn. Machine Learning in Python. - URL: https://scikit-learn.org (дата обращения 14.10.2020).
9. XGBoost Python Package. - URL: https://xgboost.readthedocs.io/en/latest/python/ (дата обращения 14.10.2020).
10. Keras: the Python deep learning API. - URL: https://keras.io (дата обращения 14.10.2020).