«Защита окружающей среды в нефтегазовом комплексе»

Геостатистическая логико-информационная модель оценки воздействия на геологическую среду жидких нефтесодержащих отходов

УДК: 502.521
DOI: -

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
² Национальная ассоциация по предупреждению и ликвидации нефтеразливов, Москва, Россия

Ключевые слова: нефтесодержащие отходы, экоаномалия, комплексирование методов, логико-информационная модель, геологическая среда, мониторинг, геостатистический анализ

Аннотация:

Предложена методика мониторинговых исследований экоаномалий, учитывающая структурирование сети наблюдений, точность измерений, принципы обработки и интерпретации получаемых данных с использованием диаграммы Моришита. При разработке методики ключевым подходом являлся геостатистический анализ последствий воздействия на окружающую среду жидких нефтесодержащих отходов. Для эффективного комплексирования методов мониторинга окружающей среды и соответствующего прогнозирования предложена адаптируемая логико-информационная модель. Анализ геопространственной информации позволяет прогнозно моделировать распространение наиболее часто встречающихся загрязнителей, визуализировать результаты и выработать рекомендации по их ликвидации. Для формирования сети наблюдения и интерпретации данных мониторинга использованы результаты геостатистического анализа последствий воздействия на геологическую среду жидких нефтесодержащих отходов.

Список литературы:

1. Остах С.В., Остах О.С., Ольховикова Н.Ю. Концепция создания эшелонированной системы защиты природно-антропогенных комплексов // Экология и пром-сть России. – 2019. – Т. 23, № 3. – С. 54–59. – DOI: 10.18412/1816-0395-2019-3-54-59
2. Димакова Н.А., Шарапов Р.В. Проблема загрязнения подземных вод // Современные наукоемкие технологии. – 2013. – № 2. – С. 79–82.
3. Хеляль М.А. Возможности геофизических методов при экологических исследованиях // Современные проблемы инженерных изысканий на территории Центрально-Черноземного региона: материалы 1-й регион. науч.-практ. конф., Воронеж, 10–11 февр. 2017 г. – Воронеж: Науч. кн., 2017. – С. 177–181.
4. Комплексирование методов гидрогеологического и гидроэкологического прогнозирования последствий воздействия на литосферу несанкционировано размещенных отходов / С.В. Остах, М.П. Папини, П. Чиампи, Н.Ю. Ольховикова // Защита окружающей среды в нефтегазовом комплексе. – 2020. – № 5(296). – С. 12–20. – DOI: 10.33285/2411-7013-2020-5(296)-12-20
5. Дивина Т.В., Петракова Е.А., Вишневский М.С. Основные методы анализа экспертных оценок // Экономика и бизнес: теория и практика. – 2019. – № 7. – С. 42–44. – DOI: 10.24411/2411-0450-2019-11072
6. Кочумеев В.А., Мирманов А.Б., Стукач О.В. Изучение проблемных ситуаций в разработке перспективных геофизических информационно-измерительных систем // Вестн. науки Сибири. – 2012. – № 3(4). – С. 99–102.
7. Боровский М.Я., Шакуро С.В., Богатов В.И. Геофизическая разведка техногенных источников углеводородного сырья // Вопросы теории и практики геологической интерпретации геофизических полей: материалы 43-й сес. Междунар. науч. семинара им. Д.Г. Успенского, Воронеж, 26–30 янв. 2016 г. – Воронеж: Науч. кн., 2016. – С. 35–39.
8. Авсентьев А.О. Определение ценности информации // Докл. Томского гос. ун-та систем управления и радиоэлектроники. – 2016. – Т. 19, № 1. – С. 21–24. – DOI: 10.21293/1818-0442-2016-19-1-21-24
9. Миннимухаметова А.А. Геоинформационное картографирование // Символ науки: междунар. науч. журн. – 2016. – № 8-1(20). – С. 24–25.
10. Morisita M. Measuring the dispersion of individuals and analysis of the distributional patterns // Memories of the Faculty of Science, Kyushu University. Series E: Biology. – 1959. – Vol. 2. – P. 215–235.
11. The Multipoint Morisita Index for the Analysis of Spatial Patterns / J. Golay, M. Kanevski, C.D. Vega Orozco, M. Leuenberger // Physica A: Statistical Mechanics and Its Applications. – 2014. – Vol. 406. – P. 191–202. – DOI: 10.1016/j.physa.2014.03.063
12. Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure / D.R. Roberts, V. Bahn, S. Ciuti [et al.] // Ecography. – 2017. – Vol. 40, Issue 8. – P. 913–929. – DOI: 10.1111/ecog.02881
13. Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. – Тольятти; Лондон, 2017. – 351 с. – URL: https://github.com/ranalytics/data-mining (дата обращения 25.11.2023).
14. Murty M.N., Devi V.S. Introduction to pattern recognition and machine learning. – World Scientific Publishing Co. Pte. Ltd., 2015. – 402 p.
15. Bayesian leave-oneout cross-validation approximations for Gaussian latent variable models / А. Vehtari, Т. Mononen, V. Tolvanen [et al.] // J. of Machine Learning Research. – 2016. – Vol. 17. – Article No. 103. – P. 1–38. – DOI: 10.48550/arXiv.1412.7461