«Автоматизация и информатизация ТЭК»

Применение алгоритмов решающих деревьев для организации автоматизации процессов учета количества влажного газа

УДК: 62-52
DOI: -

Авторы:

¹ Оренбургский государственный университет, Оренбург, Россия
² Баишев университет, Актобе, Республика Казахстан

Ключевые слова: машинное обучение, решающие деревья, природный газ, учет количества газа, расход газа, влажный газ

Аннотация:

В современных условиях важной задачей промышленного производства, в частности в нефтегазовой отрасли, является обеспечение точного контроля и учета расхода и количества влажного газа. Погрешности при измерении данного параметра могут привести к значительным экономическим потерям, а также к снижению надежности и эффективности технологических процессов. В связи с этим актуальность приобретает разработка и внедрение интеллектуальных методов автоматизации систем учета влажного газа. В статье рассматривается подход к решению этой задачи на основе алгоритмов машинного обучения, в частности методов решающих деревьев. Автор исследует возможности применения данных алгоритмов для обработки параметров технологических процессов и построения моделей, обеспечивающих высокую точность прогнозирования. Представленный подход позволяет повысить уровень автоматизации систем учета количества влажного газа, минимизировать влияние человеческого фактора и оптимизировать процессы измерения и контроля влажного газа.

Список литературы:

1. Economides M.J., Wood D.A. The state of natural gas // Journal of Natural Gas Science and Engineering. – 2009. – Vol. 1, Issue 1-2. – P. 1–13. – DOI: 10.1016/j.jngse.2009.03.005
2. Yorucu V., Bahramian P. Price modelling of natural gas for the EU-12 countries: Evidence from panel cointegration // Journal of Natural Gas Science and Engineering. – 2015. – Vol. 24. – P. 464–472. – DOI: 10.1016/j.jngse.2015.04.006
3. Unaccounted for gas in natural gas transmission networks: Prediction model and analysis of the solutions / F. Arpino, M. Dell’Isola, G. Ficco, P. Vigo // Journal of Natural Gas Science and Engineering. – 2014. – Vol. 17. – P. 58–70. – DOI: 10.1016/j.jngse.2014.01.003
4. Истомин В.А. Проблема обеспечения показателей качества природного газа и равновесия углеводородных систем с водными фазами. – М.: ИРЦ Газпром, 1999. – 78 с.
5. Даев Ж.А. Автоматизированная система контроля сведения баланса газа на основе методов нечеткой логики // Вестник МГТУ "Станкин". – 2018. – № 3(46). – С. 131–135.
6. Опыт применения нейросетевого подхода с дообучением сети на ограниченном объеме выборки для решения задачи классификации объектов окружения магистрального газопровода / О.О. Пруцаков, К.Н. Жучков, Д.В. Третьяков [и др.] // Автоматизация и информатизация ТЭК. – 2021. – № 12(581). – С. 14–20. – DOI: 10.33285/0132-2222-2021-12(581)-14-20
7. Бурков А. Машинное обучение без лишних слов. – СПб.: Питер, 2020. – 192 с.
8. Теория и практика машинного обучения: учебное пособие / В.В. Воронина, А.В. Михеев, Н.Г. Ярушкина, К.В. Святов. – Ульяновск: УлГТУ, 2017. – 290 с.
9. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. – 2-е изд., перераб. и доп. – М.: МГТУ им. Н.Э. Баумана, 2004. – 400 с.
10. Flood susceptibility modelling using novel hybrid approach of reduced-error pruning trees with bagging and random subspace ensembles / Chen Wei, Hong Haoyuan, Li Shaojun [et al.] // Journal of Hydrology. – 2019. – Vol. 575. – P. 864–873. – DOI: 10.1016/j.jhydrol.2019.05.089
11. Cutler A., Cutler D.R., Stevens J.R. Random Forests // Ensemble Machine Learning. Methods and Applications. Chapter 5. – Springer New York, 2012. – P. 157–175.
12. Data Mining: Practical Machine Learning Tools and Techniques / I.H. Witten, E. Frank, M.A. Hall, C.J. Pal. – 2nd Edition. – San Francisco: Morgan Kaufmann Publishers, 2005. – P. 354–362.
13. Quinlan J.R. Learning with Continuous Classes // 5th Australian Joint Conference on Artificial Intelligence, Hobart, Nov. 16–18, 1992. – P. 343–348.
14. Quinlan J.R. Simplifying Decision Trees // International Journal of Man-Machine Studies. – 1987. – Vol. 27, Issue 3. – P. 221–234. – DOI: 10.1016/S0020-7373(87)80053-6
15. Lakshmi Devasena C. Proficiency comparison of LADTree and REPTree classifiers for credit risk forecast // International Journal on Computational Sciences & Applications. – 2015. – Vol. 5, Issue 1. – P. 39–50. – DOI: 10.48550/arXiv.1503.06608
16. Mohamed W.N.H.W., Salleh M.N.M., Omar A.H. A Comparative Study of Reduced Error Pruning Method in Decision Tree Algorithms // 2012 IEEE International Conference on Control System, Computing and Engineering, Penang, Malaysia, Nov. 23–25, 2012. – P. 392–397.