Применение методов системного анализа для построения цифровых двойников фрагментов газотранспортных систем на основе нейросетевого моделирования (основные положения методологии анализа и синтеза)
УДК: 681.5:622.679
DOI: -
Авторы:
КАЗАК АЛЕКСАНДР СОЛОМОНОВИЧ
1,
ОЛЕЙНИКОВ АЛЕКСЕЙ ВЛАДИМИРОВИЧ2
1 НИИгазэкономика, Москва, Россия
2 Газпром трансгаз Чайковский, Чайковский, Россия
Ключевые слова: системный анализ, газотранспортные системы, элементы газопроводов, декомпозиция, нейросетевые модели, синтез
Аннотация:
В статье рассмотрены основные подходы к анализу и синтезу сложных систем магистрального транспорта газа. Показано, что глубина декомпозиции газотранспортной системы (ГТС) связана с постановкой решаемых задач и зависит от алгоритмов и вычислительных процедур моделирования соответствующих режимно-технологических задач. Определена возможность использования нейросетевых моделей для расчета режимных характеристик элементов ГТС. Предложены два возможных подхода к синтезу нейросетевых моделей сложной ГТС.
Список литературы:
1. Бахтин В.В. Метод синтеза нейросетевых устройств для реализации режима Fog computing: дис. … канд. техн. наук: 2.3.2. – Пермь, 2023. – 153 с.
2. Методика синтеза нейросетевых диагностических моделей сложных технических объектов / В.В. Грачев, А.В. Грищенко, В.А. Кручек [и др.] // Автоматика на транспорте. – 2020. – Т. 6, № 4. – С. 466–483. – DOI: 10.20295/2412-9186-2020-6-4-466-483
3. Замятин Н.В., Медянцев Д.В. Методика нейросетевого моделирования сложных систем // Изв. ТПУ. – 2006. – Т. 309, № 8. – С. 100–106.
4. 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.
5. 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.
6. Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России / Н.А. Кисленко, А.В. Белинский, А.В. Казак, О.И. Белинская // Автоматизация и информатизация ТЭК. – 2022. – № 5(586). – С. 6–17. – DOI: 10.33285/2782-604X-2022-5(586)-6-17
7. Краснова А.Ю. Матрицы инциденций и раскраски графа: дис. … канд. физ.-мат. наук: 01.01.09. – СПб., 2009. – 88 с.
8. Трофимов А.Г. Синтез нейросетевых структур для моделирования управляемых объектов с распределенными параметрами: автореф. дис. … канд. техн. наук: 05.13.01. – М., 2008. – 25 с.
9. Субботин С.А. Методы синтеза нейросетевых и нейро-нечетких распознающих моделей с линеаризацией и факторной группировкой признаков // Искусственный интеллект. – 2008. – № 1. – С. 165–173.
10. Wächter A., Biegler L.T. On the Implementation of an Interior Point-Filter Line-Search Algorithm for Large-Scale Nonlinear Programming // Mathematical Programming. – 2006. – Vol. 106, Issue 1. – P. 25–57. – DOI: 10.1007/s10107-004-0559-y
11. Advanced Research Directions on AI for Science, Energy, and Security: Report on the U.S. Department of Energy (DOE) Summer 2022 Workshop Series on Artificial Intelligence (AI) for Science, Energy, and Security / J. Carter, J. Feddema, D. Kothe [et al.]. – 2023. – IV, 198 p.
12. Lu Xing, Sela L. Graph Neural Networks for State Estimation in Water Distribution Systems: Application of Supervised and Semisupervised Learning // J. of Water Resources Planning and Management. – 2022. – Vol. 148, Issue 5. – DOI: 10.1061/(ASCE)WR.1943-5452.0001550
Назад в номер