«Автоматизация и информатизация ТЭК»

О методологии применения математических моделей нейронных сетей к проблемам нефтегазового комплекса

УДК: 519.673:622.691.4
DOI: 10.33285/2782-604Х-2022-2(583)-28-35

Авторы:

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

Ключевые слова: нейросетевые алгоритмы, математическое моделирование, подземная гидродинамика, газотранспортные системы, симуляторы

Аннотация:

Аппарат нейронных сетей интенсивно развивается и успешно применяется к решению практических задач нефтегазового комплекса. Нейросетевые алгоритмы нашли широкое распространение в области сложно формализуемых, слабо формализуемых и неформализуемых задач. Многочисленные успешные примеры нейросетевых алгоритмов привели к иллюзорному впечатлению, что любому их применению успех гарантирован априори. Статья нацелена на то, чтобы развеять это заблуждение и по мере возможности предотвратить заранее обреченные на неудачу попытки построить нейросетевые алгоритмы там, где это не оправдано по технологической сути проблемы. Приводятся примеры, анализируются две серии публикаций, одна из которых относится к проблеме разработки нефтегазовых месторождений, а другая – к оперативному управлению газотранспортными системами. Доказывается, что предложенные в публикациях нейросетевые алгоритмы не могут заменить и тем более улучшить существующие методы решения производственных задач.

Список литературы:

1. Галушкин А.И. Нейронные сети: основы теории. – М.: Горячая линия-Телеком, 2010. – 496 с.
2. Хайкин С. Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. – 2-е изд. – М.: Вильямс, 2006. – 1104 с.
3. Aramesh A., Montazerin N., Ahmadi A. A general neural and fuzzy-neural algorithm for natural gas flow prediction in city gate stations // Energy and Buildings. – 2014. – Vol. 72. – P. 73–79. – DOI: 10.1016/j.enbuild.2013.12.020
4. Artificial neural network models for predicting condition of offshore oil and gas pipelines / M.S. El-Abbasy, A. Senouci, T. Zayed [et al.] // Automation in Construction. – 2014. – Vol. 45. – P. 50–65. – DOI: 10.1016/j.autcon.2014.05.003
5. Base Oil Process Modelling Using Machine Learning / M.A.M. Fadzil, H. Zabiri, A.A. Razali [et al.] // Energies. – 2021. – Vol. 14, Issue 20. – DOI: 10.3390/en14206527
6. Somu N., Raman G., Ramamritham K. A hybrid model for building energy consumption forecasting using long short term memory network // Applied Energy. – 2020. – Vol. 261. – DOI: 10.1016/j.apenergy.2019.114131
7. Modeling and forecasting building energy consumption: A review of datadriven techniques / M. Bourdeau, X. Zhai, E. Nefzaoui [et al.] // Sustainable Cities and Society. – 2019. – Vol. 48. – DOI: 10.1016/j.scs.2019.101533
8. Anđelković A.S., Bajatović D. Integration of weather forecast and artificial intelligence for a short-term city-scale natural gas consumption prediction // J. of Cleaner Production. – 2020. – Vol. 266. – DOI: 10.1016/j.jclepro.2020.122096
9. Prado F., Minutolo M.C., Kristjanpoller W. Forecasting Based on an Ensemble Autoregressive Moving Average – Adaptive Neuro – Fuzzy Inference System – Neural Network – Genetic Algorithm Framework // Energy. – 2020. – Vol. 197. – DOI: 10.1016/j.energy.2020.117159
10. Qian D., Fox P.H., See B.L. Accurate Natural Gas Load Hourly Forecasting Using ANN Model Trained with Multiple Parameters. – URL: https://search.spe.org/i2kweb/SPE/doc/onepetro:15E05D32/
11. Умановский А.В. Состязательные сверточные нейронные сети в качестве эвристической модели процесса двухфазной фильтрации в пористой среде // Вычислительная механика сплошных сред. – 2020. – № 2(13). – С. 231–241. – DOI: 10.7242/1999-6691/2020.13.2.18
12. Умановский А.В. Методика имитационного моделирования на основе обучающих данных для двухфазного течения в гетерогенной пористой среде // Компьютерные исследования и моделирование. – 2021. – Т. 13, № 4. – С. 779–792. – DOI: 10.20537/2076-7633-2021-13-4-779-792
13. Умановский А.В. Перспективы применения систем искусственного интеллекта в задачах моделирования нефтегазовых месторождений // Философия искусственного интеллекта – 2018: науч. тр. Междунар. молодежной междисциплинарной конф., Москва, 12-13 апр. – 2018.
14. Умановский А.В. Глубокие нейронные сети для ускорения физической симуляции флюидов в пористой среде // IV регион. науч.-техн. конф. "Губкинский университет в решении вопросов нефтегазовой отрасли России", посвященной 90-летию Губкинского ун-та и факультета экономики и управления: сб. тез. докл., 22-23 окт. – М.: Изд. центр РГУ нефти и газа (НИУ) им. И.М. Губкина, 2020. – С. 292.
15. 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
16. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1 // Газовая пром-сть. – 2021. – № 9(821). – С. 88–96.
17. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 2 // Газовая пром-сть. – 2021. – № 10(822). – С. 98–104.
18. Сухарев М.Г., Ставровский Е.Р. Расчеты систем транспорта газа с помощью вычислительных машин. – М.: Недра, 1971. – 205 с.
19. Сухарев М.Г., Ставровский Е.Р. Оптимизация систем транспорта газа. – М.: Недра, 1975. – 277 с.
20. Сухарев М.Г., Попов Р.В., Бальченко А.С. Проблемы многокритериального управления многониточными коридорами газопроводов // Математические модели и методы анализа и оптимального синтеза развивающихся трубопроводных и гидравлических систем: тр. XV Всерос. науч. семинара, 5–11 сент. – Иркутск: ИСЭМ СО РАН. – 2016. – С. 283–304.
21. Sukharev M., Popov R., Balchenko A. Multiple-criteria decision analysis for cross-country gas pipelines // E3S Web of Conferences. – 2019. – Vol. 102. – DOI: 10.1051/e3sconf/201910203010
22. Makarov A.A. Achievements and Challenges of Systems Studies on Energy Development in Russia, Their Possibilities in the "Digital" Society // Energy Systems Research. – 2021. – Vol. 4, No. 3. – P. 79–83. – DOI: 10.38028/esr.2021.03.0008