«Автоматизация и информатизация ТЭК»

Опыт применения нейросетевого подхода с дообучением сети на ограниченном объеме выборки для решения задачи классификации объектов окружения магистрального газопровода

УДК: 004.032.26+528.7
DOI: 10.33285/0132-2222-2021-12(581)-14-20

Авторы:

¹ АО "Газпром диагностика", г. Санкт-Петербург, Россия
² РГУ нефти и газа (НИУ) имени И.М. Губкина, г. Москва, Россия

Ключевые слова: нейронная сеть, искусственный интеллект, газотранспортная сеть, риск-ориентированная модель

Аннотация:

В статье рассматривается актуальная задача классификации объектов окружения магистрального газопровода на основе ограниченного набора данных аэрофотосъемки. Показана применимость использования нейросетевых методов уже предобученного искусственного интеллекта для решения указанной задачи. Сделаны оценки точности и потерь при дообучении нейронной сети. Выполнен выбор фреймворков и программных средств, представлен обзор и критерии выбора. Представлены результаты обнаружения строений на тестовом аэрофотоснимке, не входившем в набор для обучения. Указаны перспективы и направления дальнейшего исследования применимости нейросетевых методов для решения задач управления надежностью и целостностью единой системы газоснабжения.

Список литературы:

1. Система управления техническим состоянием и целостностью объектов ГТС ПАО "Газпром" / С.В. Нефедов, В.М. Силкин, Г.А. Милько-Бутовский [и др.] // Газовая пром-сть. – 2017. – № 3(749). – С. 14–20.
2. Жучков К.Н., Завьялов А.П. Совершенствование научно-методических подходов к информационно-аналитическому обеспечению системы диагностического обслуживания оборудования и трубопроводов компрессорных станций // Оборудование и технологии для нефтегазового комплекса. – 2021. – № 1(121). – С. 104–108. – DOI: 10.33285/1999-6934-2021-1(121)-104-108
3. Отраслевая интегрированная информационно-управляющая система. Информационно-управляющая система транспортировкой газа и газового конденсата (ИУС Т) ПАО "ГАЗПРОМ". – URL: https://www.primegroup.ru/projects/pao-gazprom-4/
4. Vasilchenko M., Zavyalov A., Zhuchkov K. Increasing the stability of a spatially distributed information system using a robust algorithm for filtering anomalous measurements // Information Technology in Industry. – 2020. – Vol. 8, No 3. – P. 1–7.
5. Плесняев В.А., Жучков К.Н. Развитие информационной системы оценки технического состояния "Инфотех" // Оборудование и технологии для нефтегазового комплекса. – 2019. – № 2(110). – С. 34–37. – DOI: 10.33285/1999-6934-2019-2(110)-34-37
6. Краткосрочное стохастическое прогнозирование динамики потоков и запасов газа в единой системе газоснабжения России на основе рекуррентных нейронных сетей / Н.А. Кисленко, А.В. Белинский, А.С. Казак, О.И. Белинская // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2021. – № 9(578). – С. 27–35. – DOI: 10.33285/0132-2222-2021-9(578)-27-35
7. Подольский А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. – 2016. – № 3. – С. 33–36.
8. Мандрик И.Э., Шахвердиев А.Х., Сулейманов И.В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями // Нефт. хоз-во. – 2005. – № 10. – С. 36–39.
9. Machine learning powered by principal component descriptors as the key for sorted structural fit of XANES / A. Martini, A.A. Guda, S.A. Guda [et al.] // Physical Chemistry Chemical Physics. – 2021. – Vol. 33. – P. 17873–17887. – DOI: 10.1039/D1CP01794B
10. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности = A logical calculus of the ideas immanent in nervous activity // Автоматы: сб. / под ред. К.Э. Шеннона и Дж. Маккарти. – М.: Изд-во иностр. лит., 1956. – С. 363–384.
11. Hebb D.O. The organization of behavior: a neuropsychological theory. – New York: Wiley, 1949. – 368 p.
12. Розенблатт Ф. Принципы нейродинамики: перцептроны и теория механизмов мозга = Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms. – М.: Мир, 1965. – 480 с.
13. Dechter R. Learning while searching in constraint-satisfaction problems // Proc. of the 5th National Conf. on Artificial Intelligence, Philadelphia, PA, USA, Aug. 11–15. – 1986. – Vol. 1. – P. 178–185.
14. Ивахненко А.Г., Лапа В.Г. Кибернетические предсказывающие устройства. – Киев: Наукова думка, 1965. – 214 с.
15. Backpropagation Applied to Handwritten Zip Code Recognition / Y. LeCun, B. Boser, J.S. Denker [et al.] // Neural Computation. – 1989. – Vol. 1, Issue 4. – P. 541–581. – DOI: 10.1162/neco.1989.1.4.541
16. Шолле Ф. Глубокое обучение на Python. – СПб.: Питер, 2018. – 400 с.
17. Пойнтер Я. Программирование на PyTorch: Создание приложений глубокого обучения. – СПб.: Питер, 2020. – 256 с.
18. Сирота А.А., Митрофанова Е.Ю., Милованова А.И. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей // Вестн. Воронежского гос. ун-та. Сер.: Системный анализ и информационные технологии. – 2019. – № 3. – С. 123–137.