автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Обнаружение предаварийных ситуаций в процессе промышленного бурения нефтяных скважин

4854100

Абу-Абед Фар ее Надимович

ОБНАРУЖЕНИЕ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ В ПРОЦЕССЕ ПРОМЫШЛЕННОГО БУРЕНИЯ НЕФТЯНЫХ СКВАЖИН

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 0 013 2011

Тверь 2011

4854100

На правах рукописи

Абу-Абед Фарес Надимович

ОБНАРУЖЕНИЕ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ В ПРОЦЕССЕ ПРОМЫШЛЕННОГО БУРЕНИЯ НЕФТЯНЫХ СКВАЖИН

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Тверь 2011

Работа выполнена в Тверском государственном техническом университете.

Научный руководитель: кандидат технических наук, доцент

Хабаров Алексей Ростиславович

Официальные оппоненты: доктор физико-математических наук, профессор

Калабин Александр Леонидович

кандидат технический наук Лазырин Максим Борисович

Ведущая организация: ОАО Научно-производственное предприятие

по геофизическим работам, строительству и заканчиванию скважин (ОАО НПП «ГЕРС») г.Тверь

Защита состоится «18» февраля 2011 г. в 15 00 часов на заседании диссертационного Совета Д.212.262.04 в Тверском государственном техническом университете по адресу: 170026, г. Тверь, наб. Аф. Никитина, 22 (Ц-212).

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета по адресу: 170024, г.Тверь, пр. Ленина, 25, зональная научная библиотека (ХТ-101).

Автореферат размещен на сайте ТГТУ по адресу:

http://www.tstu.tver.ru/new struct/phd/

Автореферат разослан «/У» января 2011 г.

Ученый секретарь диссертационного совета /

д.т.н., профессор Филатова Наталья Николаевна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Нефтегазодобывающая промышленность играет ключевую роль в российской экономике. Долгосрочная государственная политика в сфере добычи нефти и газа направлена на создание стабильных условий, обеспечивающих устойчивое развитие отрасли. Вместе с тем, в России, начиная с 2004 г., возрастает доля оборудования, эксплуатируемого свыше сроков, предусмотренных при его разработке. Вследствие этого эксплуатация промышленных объектов нефтегазодобывающей промышленности характеризуется недостаточной безаварийностью, поэтому для сложных промышленных объектов необходимо распознавание предаварийных ситуаций (ПАС). Так как убытки, связанные с возможными остановками по причине возникновения предаварийных и аварийных ситуаций на буровых установках, достаточно велики, создание метода распознавания ПАС позволит получить значительную экономическую выгоду за счет сокращения длительности простоев оборудования.

Таким образом, дальнейшее развитие и совершенствование методов и систем распознавания предаварийных ситуаций промышленного объекта, позволяющих повысить его безаварийность, является актуальной научной и практической задачей.

Областью настоящего исследования являются методы и алгоритмы решения задач обработки информации для систем распознавания состояния промышленных объектов.

Предметом исследования является процесс промышленного бурения нефтяных и газовых скважин.

Целью работы является повышение эффективности функционирования буровых установок за счёт сокращения времени простоя путем разработки новых алгоритмических и программных средств обнаружения предаварийных ситуаций с использованием методов распознавания образов.

Научной задачей, решаемой в диссертационной работе, является разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

Для достижения цели диссертационной работы и решения научной задачи необходимо решение следующих частных задач:

1. Анализ объекта исследования, определение набора признаков, доступных для измерения существующими средствами обработки геолого-технологической информации (ГТИ), и классификация состояний объекта с целью определения совокупности предаварийных ситуаций.

2. Выбор математического аппарата для решения задачи распознавания текущего состояния объекта исследования по заданному набору признаков.

3. Разработка алгоритма определения рабочего словаря признаков.

4. Разработка структуры классификатора ПАС и алгоритма его обучения.

5. Разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

6. Разработка алгоритмического и программного обеспечения для распознавания ПАС и оценка эффективности предложенных решений.

Методы исследований. Для решения поставленных задач использованы методы системного анализа, нейроинформатики, распознавания образов, имитационного моделирования, объектно-ориентированного программирования.

Научная новизна работы состоит в следующем:

1. Предложен новый метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов.

2. Разработан новый алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ.

3. Разработан новый алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.

Обоснованность научных результатов подтверждается корректным использованием математического аппарата, а также экспериментальной проверкой предложенных методов и алгоритмов на реальных данных ГТИ.

Практическая значимость работы вытекает из ее направленности на разработку средств обеспечения своевременного распознавания ПАС на буровых установках и практической ее реализации в виде программного комплекса. Разработанный программный комплекс может применяться при обеспечении функционирования буровой, а также осуществление мониторинга состояния буровой и её снабжения ЗИП.

На защиту выносятся:

1. Метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов;

2. Алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ;

3. Алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.

Апробация работы. Научные положения и практические рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на межд. НТК. «Математические методы и информационные технологии в экономике, социологии и образовании» (г.Пенза 2005-2008 г.г.), «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (г.Пенза 2008 г.), а также на кафедре ЭВМ ТГТУ (2009-2010 гг.).

Внедрение результатов Результаты диссертационной работы были внедрены в ООО "Научно-производственное предприятие "Геосфера", г.Тверь.

Публикация результатов работы. По теме диссертационной работе опубликовано 15 статей, в том числе две статьи в изданиях, рекомендованных ВАК. Получено Свидетельство о регистрации программы для ЭВМ (№ 2009615089).

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 165 страницах, списка литературы, включающего 100 наименований, и 3 приложений. СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновываются актуальность и практическая значимость работы, формулируются основные задачи исследования и обсуждаются пути их решения.

Первая глава содержит анализ проблемной области и обоснование постановки задач для решения в работе, рассматриваются основные требования, предъявляемые к буровым установкам, факторы, определяющие условия бурения. Показано, что состояние процесса бурения контролируется и анализируется по значениям ряда параметров, которые автоматически измеряются с помощью датчиков и регистрируются станцией ГТИ на протяжении всего времени проводки скважины. Проведен анализ предаварийных ситуаций, возникающих при бурении скважин, с целью выделения из них наиболее часто встречающихся на практике, и предварительного определения необходимого для их распознавания набора признаков. В качестве основных типов осложнений выделены: газонефтеводопроявление, разрушение стенок скважины, поглощение бурового промывочного и тампонажного растворов, прихваты колонны труб и бурового инструмента в стволе скважины.

В настоящее время системы обеспечения безаварийности производства опираются, как правило, на контроль параметров состояния процесса в допустимом диапазоне. Такой подход не позволяет учитывать ситуации, определяемые сочетание допустимых значений нескольких параметров. Вследствие этого эксплуатация промышленного объекта характеризуется недостаточной безаварийностью.

Задачу распознавания предаварийных ситуаций можно рассматривать со следующих позиций:

• Использование статистических данных о надежности типовых блоков и построение графов переходов между их состояниями;

• Использование методов технической диагностики;

• Распознавание образа предаварийной ситуации;

• Построение и рассмотрение модели процесса в пространстве фазовых координат.

Проведенный сравнительный анализ методов распознавания ПАС показал, что не существует универсального метода, использование которого возможно для решения любого класса распознавания ПАС. В каждом конкретном случае необходимо выбирать метод, наилучшим образом учитывающий специфику решаемой задачи.

Применительно к решению задачи распознавания ПАС на буровых установках при проводке скважин перспективным направлением является применение методов распознавания образов.

В заключении первой главы выполнена постановка научной задачи исследования.

Во второй главе рассматривается общая структура системы распознавания ситуаций, возникающих на промышленных объектах.

В общем смысле, распознавание представляет собой задачу преобразования входной информации, в качестве которой рассматриваются некоторые параметры (признаки) распознаваемых образовав выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ (объект).

Желательно добиться, чтобы число признаков было минимальным, а информации, заложенной в них, было достаточно для получения результата с высокой достоверностью.

На вход системы распознавания поступает множество признаков объекта р = {р],рг,...,рт},\р\ = т. На выходе имеем вектор-признак Х={х],х2,..хп}, |-У| = и, причем XсР,п<т.

В качестве первоочередной задачи рассматривается определение набора признаков, характеризующих существо распознаваемых объектов или явлений. Путем анализа существующих стандартов и технических требований к проводке скважин определен априорный словарь, состоящий из 21 признака, используемых для распознавания предаварийных ситуаций при работе буровой установки.

Вторая задача при создании системы распознавания - это первоначальная классификация объектов, подлежащих распознаванию, составление априорного алфавита классов. Такой алфавит сформирован на основании результатов, полученных в главе 1.

Третья задача, решаемая при создании систем распознавания - это разработка рабочего словаря признаков распознавания. Будем считать, что объекты описываются набором признаков = {/1,...,/и}. Каждый признак ]] - это отображение из X в некоторое множество Щ допустимых значений признака, в общем случае не обязательно числовое. Вектор/1(х), ...,_/п(х) е 01 х ... х £)п будем считать признаковым описанием объекта х.

В данной работе для формирования рабочего словаря предлагается использовать алгоритм определения достаточного набора признаков для распознавания каждой из исследуемых предаварийных ситуаций на основе

метода ветвей и границ с модификацией, ограничивающей ширину поиска на каждом шаге.

По данным ГТИ проведена оценка коэффициентов корреляции признаков априорного словаря с признаками наличия той или иной предаварийной ситуации (целевыми признаками). Аналогичным способом проведена оценка корреляции признаков априорного словаря между собой.

Алгоритм определения набора признаков сокращённым поиском в глубину имеет следующий вид:

Вход: множество F, критерий Q, параметр В;

1: Инициализация массива лучших значений критерия: QJm := + оо длявсеху'= 1,..., и;

2: Упорядочить признаки по убыванию информативности;

3: Нарастить(0);

4: вернуть G, для которого = J^^Qj ;

5: ПРОЦЕДУРА Нарастить (G);

6: если найдётсяJ < |G| такое, что Q(G) > QJ"", то

7: выход;

8: Ö™" : = mm{ß(7sß(G)};

9: для В лучшихft е Этаких, что i > max{/1ß е. G} Нарастить(G u {ß });

На каждом шаге разработанного алгоритма добавление признаков в текущий набор выбираются не более В признаков, ранее не выбранных, имеющих наибольшие значения критерия.

Критерием выбора признаков является выражение:

Qn - значение критерия выбора признака на шаге N;

TN - множество уже выбранных признаков на шаге N;

KiU - коэффициент корреляции признака i с целевым признаком;

Ку - значение коэффициент корреляции признака i с признаком j.

На рисунке 1 приведены результаты работы алгоритма для ПАС «Газонефтеводопроявления» для случая В= 3.

Таким образом, из 21 признака априорного словаря для четырех типов распознаваемых ПАС в рабочий словарь выбрано 9 признаков. На основании выбранных признаков можно построить классификатор всех рассмотренных ПАС.

В третьей главе рассматриваются вопросы выбора математического аппарата решения задачи распознавания, а также разработки и обучения классификатора на основе искусственной нейросети.

Проведен анализ основных математических методов, применяемых для решения задачи распознавания образов.

Поскольку размерность пространства признаков достаточно велика и границы между классами предаварийных ситуаций являются нечеткими, 1а ___ __________ 8112-Скорость

! йяг

в 800

бурения;

БЗОО-давление на манифодьде; БбОО - плотность раствора на входе; Б900 - температура раствора на выходе.

02

0

Рисунок 1. Результаты работы алгоритма выбора признаков для ПАС «Газонефтеводопроявленш» для ширины поиска В = 3. применение байесовской классификации и кластерного анализа для решения задачи распознавания предаварийных ситуаций в процессе проводки скважины представляется нецелесообразным, поэтому в качестве математического аппарата решения задачи распознавания ПАС предложено использовать искусственные нейронные сети прямого распространения, обучаемые с помощью метода (алгоритма) обратного распространения ошибки.

Математически процесс обучения нейросети описывается следующим образом: в процессе функционирования нейронная сеть формирует выходной сигнал У в соответствии с входным сигналом X, реализуя некоторую функцию У = С(Х). Если архитектура сети задана, то вид функции О определяется значениями синаптических весов и смещений сети. Пусть решением некоторой задачи является функция У = Р{Х), заданная парами входных - выходных данных (Х\, УО, {Х2, У2), ..., (Х^, Уд/), для которых Уь = -РЩ) (к = 1, 2, ..., №). Обучение состоит в поиске (синтезе) функции в, близкой к F в смысле некоторой функции ошибки Е. Если выбраны множество обучающих примеров - пар (А*, 7к) (где к = 1, 2, ..., М) и способ вычисления функции ошибки Е, то обучение нейронной сети превращается в задачу многомерной оптимизации, имеющую очень большую размерность, при этом, поскольку функция Е может иметь произвольный вид, обучение в общем случае - многоэкстремальная невыпуклая задача оптимизации.

Для решения этой задачи могут быть использованы следующие алгоритмы: алгоритмы локальной оптимизации с вычислением частных производных первого порядка; алгоритмы локальной оптимизации с вычислением частных производных первого и второго порядка; стохастические алгоритмы оптимизации; алгоритмы глобальной оптимизации.

Алгоритм обратного распространения ошибки применяется для обучения многослойных нейронных сетей с последовательными связями, на основе которых построен классификатор предаварийных ситуаций. Это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратичного отклонения текущего выхода многослойного персептрона и желаемого выхода.

Согласно методу наименьших квадратов, минимизируемой целевой

функцией ошибки НС, является величина: Е(ч>) = - ,

где у]"] - реальное выходное состояние нейрона ] выходного слоя N нейронной сети при подаче на ее входы р-то образа; й)р - идеальное (желаемое) выходное состояние этого нейрона.

Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов

следующим образом: Ди<'") = -ц--,

¿4

Здесь т] - весовой коэффициент синаптической связи, соединяющей г'-ый нейрон слоя п- 1с у'-ым нейроном слоя и; т] - коэффициент скорости обучения, 0<т<1.

Существующие методы улучшения качества обучения с помощью данного алгоритма связаны с использованием различных функций ошибки, процедур определения направления и величины шага, процедур составления расписания обучения и других.

В качестве основного недостатка этих методов можно отметить отсутствие в них эффективной процедуры определения глобальности минимума целевой функции. В работе предложена модификация базового алгоритма обучения, ориентированная на нахождение этого глобального минимума. Ее суть заключается в следующем:

• после достижения локального минимума (завершение процесса обучения), случайным образом генерируется новая начальная точка, и процесс обучения повторяется;

• После достижения (с заданной точностью Е) К раз из разных начальных точек одного и того же минимального значения ошибки обучения (К -параметр алгоритма) меняется параметр Я генерации начальных точек для процесса обучения (радиус поиска увеличивается), и процесс

глобального экстремума продолжается (заново производится обучение нейросети);

После достижения параметром Я значения Дтах (Ктах - параметр алгоритма) нейросеть считается обученной, и алгоритм заканчивает работу.

Блок-схема предложенного алгоритма приведена на рисунке 2. ^ Начало^

лгг7

/ Ишах /

■ к',='к ^ 1

г = яс, к = о

Еггап = *> £

Т

Нет

Ь'-'Етт^К

; Обучение нейросети* базовь'.м1 алгоритмом X Да- 1

]Ет1п =4 " II

Рисунок 2. Блок-схема модифицированного алгоритма.

Предложена общая структура нейросетевого классификатора ПАС, показана возможность и целесообразность решения задачи распознавания для каждой ПАС в отдельности, для чего выполнена декомпозиция задачи построения нейросетевого классификатора.

На рисунке 3 приведены рассмотренные варианты построения классификатора.

Класснфн катер -1

5

* «агор-2

£

Класснфн

Класснфн катор - У

Рисунок 3. Варианты построения классификатора. Для определения структуры специализированного нейросетевого классификатора проведены исследования зависимости точности

распознавания и количества необходимых для этого итераций от количества скрытых слоев и количества нейронов в каждом скрытом слое. На рисунке 4 приведены полученные графики для этих зависимостей.

-в-Д^МЙ«. --*-ОД*ЧЛОЙ«М -»-ДвумлмпМ ~*-Тре«С*ОЙ<М -

Рисунок 4. Результаты исследования структуры классификатора. Для использования на практике выбрана структура нейросетевого классификатора, состоящая из одного скрытого слоя с числом нейронов, равным числу входов классификатора.

В обобщенном виде метод распознавания предаварийных ситуаций в процессе бурения нефтяных и газовых скважин с помощью нейросетевого классификатора представляет собой систематизированную последовательность следующих действий:

1. Определение набора признаков, доступных для измерения существующими средствами обработки ГТИ, и формирование априорного словаря признаков.

2. Классификация состояний объекта с целью определения совокупности ПАС, подлежащих распознаванию.

3. Формирование рабочих словарей признаков для каждой распознаваемой ПАС с помощью разработанного алгоритма на основе метода ветвей и границ.

4. Определение структуры классификатора ПАС, построенного на основе нейросети прямого распространения, обучаемой модифицированным методом обратного распространения ошибки.

5. Обучение разработанного классификатора ПАС на реальных данных исследуемой предметной области.

В четвертой главе выполнено исследование эффективности предложенного метода распознавания предаварийных ситуаций, а также разработанного алгоритмического и программного обеспечения.

Для практического подтверждения эффективности модифицированного алгоритма обучения проведены экспериментальные исследования влияния параметров алгоритма на эффективность обучения распознаванию выбранных ПАС на реальных данных ГТИ (рисунки 5 и 6).

Исследовано влияние скорости обучения на количество необходимых машинных операций, от которых непосредственно зависит время обучения (рисунок 7).

Рисунок 5. Зависимость точности распознавания и количества необходимых итераций от значения параметра К.

0,1 о.г .01 оI 1 :1 М ' ■ : 0.1 0.1 Си 1 2

-*-Гонадкн«1ю»кли«ип«пв*1>ов(о рктнм —*"Г|)оиефгевадояроиьими« •в-Потлошеим 6у1«»ОГО или чнпснмного ркпрр!

«А~пои.мги5(рви™1мтлмг1г» —'ивм.и.кч-с-ичм™. ч»-П|иинЛ1 вураазгоиктруиенг» ■' -^-Риркшенместенояскмкичы

Рисунок 6. Зависимость точности распознавания и количества необходимых итераций от значения параметра Ятах.

Рисунок 7. Влияние скорости обучения алгоритма на количество необходимых машинных операций.

Приведенные результаты показывают, что минимальное количество операций достигается при количестве нейронов скрытого слоя, совпадающем с количеством входов классификатора.

Для практического подтверждения корректности выбора структуры классификатора были проведены исследования эффективности распознавания ПАС для универсального классификатора и его специализированных аналогов. Результаты исследования представлены на рисунке 8.

»»мг«мд «-ярммми

Ё

Пр«да»рийны« еиту»ции

61 Сталированные

Рисунок 8. Результаты исследования вариантов построения классификатора.

В результате исследования разработанного классификатора ПАС на реальных данных ГТИ подтверждена выбранная в главе 3 структура специализированного классификатора.

Дополнительный эффект от использования классификатора ПАС на буровой может быть получен путем использования результатов распознавания ПАС для повышения эффективности системы снабжения ЗИП буровых установок за счет оценки остаточного ресурса комплектующих.

Модель системы снабжения запасными частями группы буровых установок в пределах одного месторождения представляет собой замкнутую сеть массового обслуживания. Исследование модели проводилось для четырёх стратегий эксплуатации оборудования:

1. Эксплуатация по ресурсу (выработка заданного количества часов или метров проходки);

2. Эксплуатация по состоянию (обнаружение критического состояния во время очередного регламентного осмотра);

3. Эксплуатация до выхода из строя в результате отказа или поломки;

4. Эксплуатация по состоянию с использованием разработанного нейросетевого классификатора (обнаружение критического состояния на основе прогноза классификатора).

По результатам моделирования оценивались среднее время ожидания начала ремонта для различных режимов эксплуатации оборудования и суммарный приведенный экономический эффект для различных режимов эксплуатации оборудования. Результаты моделирования приведены в таблицах 1 и 2. Для всех рассмотренных вариантов наилучшие результаты получены для стратегии эксплуатации по состоянию с использованием классификатора.

№ Месторождение По ресурсу По состоянию До выхода из строя По состоянию с НС классификатором

1 Месторождение-1 18,46 16,43 22,34 15,25

2 Месторождение-2 20,37 19,29 24,53 18,42

3 Месторождение-3 23,18 21,87 30,21 20,34

4 Месторождение-4 24,54 22,82 27,58 19,78

Таблица 2. Суммарный приведенный экономический эффект

№ Месторождение По ресурсу По состоянию До выхода из строя По состоянию с НС классификатором

1 Месторождение-1 1,05 1,12 1 1,27

2 Месторождение-2 ■ 1,02 1,08 1 1,21

3 Месторождение-3 1,06 1,08 1 1,23

4 Месторождение-4 1,08 1,11 1 1,25

Таким образом, можно сделать вывод о целесообразности применения нейросетевого классификатора ПАС при организации системы снабжения ЗИП буровых установок.

На основе разработанного программного обеспечения предложена структура системы мониторинга состояния буровых и снабжения ЗИП (рисунок 9).

Рисунок 9. Структура системы мониторинга состояния буровых и снабжения ЗИП.

Данная система позволит обеспечить в оперативном режиме мониторинг состояния буровых установок и улучшить экономические показатели работы комплекса буровых в целом.

В заключении формулируются основные результаты проведенного исследования:

1. Проведен анализ объекта исследования с целью выявления параметров, определяющих его состояния с точки зрения распознавания ПАС.

2. В качестве математического аппарата для решения задачи определения текущего состояния объекта исследования по заданному набору признаков выбран метод распознавания образов на основе искусственной нейронной сети.

3. Разработан алгоритм определения рабочего словаря признаков на основе модифицированного метода ветвей и границ. Определены рабочие словари признаков для распознавания выделенных предаварийных ситуаций.

4. Разработана структура классификатора ПАС в виде набора специализированных классификаторов для раздельного распознавания каждой ПАС.

5. Разработан модифицированный алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, который отличается от классического наличием процедуры поиска глобального минимума функции ошибки, и осуществлена его программная реализация.

6. Полученные результаты сведены в обобщенный метод распознавания ПАС в процессе промышленного бурения нефтяных и газовых скважин.

7. Проведены исследования влияния структуры классификатора и параметров алгоритма его обучения на результаты классификации ПАС, позволившие оценить эффективность разработанных алгоритмов путём сравнения результатов распознавания с реальными данными ГТИ. Точность распознавания ПАС составила 95%.

8. Для оценки возможности использования нейросетевого классификатора при организации системы снабжения буровых запчастями разработана имитационная модель, представляющая собой замкнутую сеть массового обслуживания. Результаты моделирования показали, что среднее время ожидания начала ремонта уменьшилось на 12%, суммарный приведенный экономический эффект увеличился на 11% по сравнению с существующими стратегиями эксплуатации оборудования.

9. Предложена структура системы мониторинга состояния буровых и снабжения ЗИП, позволяющая обеспечить в оперативном режиме мониторинг состояния буровых установок и улучшить экономические показатели работы комплекса буровых в целом. ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК России

1. Абу-Абед Ф.Н., Допира Р.В. Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых. // Программные продукты и системы. № 3 (91), 2010. - Тверь, 2010. - С. 136-139.

2. Абу-Абед Ф.Н. Имитационное моделирование процессов ремонгно-технического обслуживания нефтяных скважин. // Программные продукты и системы. № 4 (92), 2010. - Тверь, 2010. - С. 167-171.

Другие статьи и материалы конференций

3. Абу-Абед Ф.Н., Программа построения и обучения нейросети для распознавания режимов работы буровой. // Свидетельство о регистрации программы для ЭВМ № 2009615089 - М.: Роспатент 2009.

4. Абу-Абед Ф.Н., Мухидов В.У. Нейросетевые модели при проектировании технологии производства. // Математическое и компьютерное моделирование естественнонаучных и социальных проблем: сборник статей II Межд. НТК молодых специалистов, аспирантов и студентов. - Пенза 2008. - С.133-135.

5. Абу-Абед Ф.Н., Матвеев Ю.Н. Система поддержки управления характеристиками активных элементов па базе нейросети. // Математическое и компьютерное моделирование естественнонаучных и социальных проблем: сборник статей П Межд. НТК молодых специалистов, аспирантов и студентов. - Пенза 2008.-С. 131-133.

6. Абу-Абед Ф.Н., Глухов Д.Ю., Мухидов В.У. Метод обратного распространения точности для гарантированных интервальных оценок. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. - Пенза 2006. - С. 163-165.

7. Абу-Абед Ф.Н., Наумович Т.В. Погрешности в нейронных сетях. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVni Межд. НТК. - Пенза 2006. - С. 160-163.

8. Абу-Абед Ф.Н., Аль-Ахрасс А.Х., Хабаров А.Р. Нейросетевые информационные модели сложных инженерных систем. // Математические методы'и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. - Пенза 2006. -С. 46-48.

9. Абу-Абед Ф.Н. Метод потенциальных функций в распознании образов. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIIIМежд.НТК. -Пенза2006.-С. 108-110.

10. Абу-Абед Ф.Н., Матвеев Ю.Н., Хабаров А.Р. Системы распознавания образов (идентификации). // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVHI Межд. НТК. - Пенза 2006. - С. 110-113.

11. Абу-Абед Ф.Н., Хабаров А.Р. Применение нсйросетсй для анализа аварийных ситуаций на буровых. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVII Межд. НТК. - Пенза, 2006. - С. 218-221.

12. Абу-Абед Ф.Н., Глухов Д.Ю. Нейросетевые методы обработки информации. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVII Межд. НТК. - Пенза 2006. - С. 216-218.

13. Абу-Абед Ф.Н., Борисов H.A., Хабаров А.Р. Использование методов распознавания образов для анализа аварийных ситуаций. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVI Межд. НТК. -Пенза,2005. -С. 428-431.

14. Абу-Абед Ф.Н., Борисов H.A., Хабаров А.Р. Применение нейротехнологии для анализа ситуаций в управлении сложными объектами // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVI Межд. НТК. - Пенза, 2005. - С. 409-412.

15. Абу-Абед Ф.Н., Борисов H.A., Хабаров А.Р. Разработка нейросетевых анализаторов // Проблемы информатики в образовании, управлении, и технике: Сборник статей V Всероссийской НТК. - Пенза, 2005. - С. 13-16.

16. Абу-Абед Ф.Н. Разработка средств моделирования нейросетей // Вестник ТГТУ, Выпуск 7:-Тверь, 2005.-С. 125-129.

ОБНАРУЖЕНИЕ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ В ПРОЦЕССЕ ПРОМЫШЛЕННОГО БУРЕНИЯ НЕФТЯНЫХ СКВАЖИН Составитель: Ф.Н. Абу-Абед

Технический редактор A.H. Безрукова_ _Зак. № 94

Подписано в печать 11.01А1

Печ.л. 1,0 _ Усл.печ.л. 0,93_Уч.-изд.л. 0,8

РИЦТГТУ

ВВЕДЕНИЕ.

Глава 1. Анализ предметной области исследования и постановка научной задачи.

1.1. Анализ буровой установки как объекта исследования.

1.2. Анализ функционирования станции геолого-технологических исследований.

1.3. Классификация осложнений при бурении скважин.

1.4. Состояние вопроса идентификации предаварийных и аварийных состояний на промышленных объектах.

1.5. Постановка научной задачи исследования.

ВЫВОДЫ ПО ГЛАВЕ

Глава 2 Определение набора признаков для распознавания предаварийных ситуаций.

2.1. Структура системы распознавания.

2.2. Задача распознавания.

2.3. Отбор информативных признаков.

2.3.1. Полный перебор.

2.3.2. Последовательное добавление признаков.

2.3.3. Поочерёдное добавление и удаление признаков.

2.3.4. Поиск в глубину: метод ветвей и границ.

2.3.5. Поиск в ширину: многорядный итерационный алгоритм МГУА.

2.4. Определение набора признаков для распознавания ПАС.

2.4.1. Определение взаимосвязи между признаками.

2.4.2. Выбор признаков для ПАС буровой установки с использованием метода ветвей и границ.

ВЫВОДЫ ПО ГЛАВЕ 2.

Глава 3. Построение нейросетевого классификатора для анализа ситуаций на буровой

3.1. Выбор математического аппарата решения задачи распознавания.

3.1.1. Методы классификации.

3.1.2. Основные критерии кластеризации.

3.1.3. Виды алгоритмов кластерного анализа.

3.1.4. Разработка классификатора на основе искусственной нейросети.

3.1.5. Выбор архитектуры нейросети.

3.2. Задача обучения нейросети.

3.2.1. Математическая постановка задачи обучения.

3.2.2. Обучение нейросети методом обратного распространения ошибки.

3.3. Анализ существующих модификаций стандартного алгоритма обучения.

3.4. Реализованные в работе модификации алгоритма обучения.

3.5. Декомпозиция задачи построения классификатора.

3.6. Выбор структуры классификатора.

3.7. Метод распознавания ПАС в процессе бурения.

ВЫВОДЫ ПО ГЛАВЕ 3.

Глава 4, Исследование эффективности предложенного метода распознавания предаварийных ситуаций.

4.1. Исследование разработанного алгоритмического и программного обеспечения.

4.1.1. Исследование влияния параметров алгоритма на точность распознавания предаварийных ситуаций.

4.1.2. Исследование влияния скорости обучения для выбранных предаварийных ситуаций.

4.1.3. Исследование влияния структуры классификатора на результаты распознавания.

4.2. Исследование работы алгоритма обучения.

4.3. Распознавание штатных режимов бурения.

4.4. Распознавание основных видов предаварийных ситуаций.

4.5. Использование результатов распознавания ПАС для организации снабжения буровой запчастями.

4.5.1. Оценка влияния предаварийных ситуаций на ресурс комплектующих буровой установки.

4.5.2. Типы используемых на буровых запасов элементов.

4.5.3. Разработка имитационной модели.

4.5.4. Разработка иерархии классов имитационной модели.

4.5.5. Исследование имитационной модели системы снабжения ЗИП.

4.6. Система мониторинга состояния буровых и снабжения ЗИП.

ВЫВОДЫ ПО ГЛАВЕ 4.

Нефтегазодобывающая промышленность играет ключевую роль в российской экономике. На сегодняшний день Россия является одним из крупнейших мировых производителей нефти и газа. В год в нашей стране добывается около 490 миллионов тонн нефти и около 580 миллиардов кубометров "голубого топлива".

Стратегическими задачами развития отрасли остаются обеспечение необходимой структуры запасов, плавное и постепенное наращивание добычи со стабилизацией ее уровня на долгосрочную перспективу.

Обеспечение намечаемых уровней добычи и повышение эффективности нефтегазодобычи будут основываться на научно-техническом прогрессе в отрасли, совершенствовании методов бурения, воздействия на пласт, увеличении глубины извлечения запасов и внедрении других прогрессивных технологий добычи нефти и газа, которые позволят сделать экономически оправданным использование трудноизвлекаемых запасов нефти и газа.

Основными направлениями научно-технического прогресса в добыче нефти и газа являются:

• создание и освоение технологий и оборудования, обеспечивающих высокоэффективную разработку различных типов месторождений нефти и газа;

• разработка и освоение технологических комплексов по бурению и добыче на шельфе арктических, дальневосточных и южных морей;

• совершенствование и освоение технологий сооружения и эксплуатации нефтегазопромысловых объектов в сложных природно-климатических условиях;

• развитие технологий компьютерного проектирования и моделирования процесса разработки месторождений.

Долгосрочная государственная политика в сфере добычи нефти и газа направлена на создание стабильных условий, обеспечивающих устойчивое развитие отрасли.

Одним из критериев, характеризующих полноту использования ресурсов промышленного объекта, является его безаварийность.

Это связано с тем, что с безаварийностью косвенно связаны такие экономические показатели, как длительность простоев оборудования, размер расходов на поиск и устранение причин предаварийных и аварийных ситуаций, размер штрафов за нарушения экологической безопасности и др.

Рост эффективности при увеличении безаварийности использования оборудования обусловлен следующими факторами:

• Уменьшением общей длительности простоев производства или отдельных его участков, что обеспечивает предприятию получение дополнительного дохода;

• Общим увеличением фактического физического ресурса оборудования;

• Снижением общего ущерба, обусловленного нарушениями течения производства [1].

Вместе с тем, в России начиная с 2004 г. возрастает доля оборудования, эксплуатируемого свыше сроков, предусмотренных при его разработке [38]. Большая степень износа такого оборудования требует при его эксплуатации принимать во внимание различную информацию, связанную с обеспечением безаварийности производства. Все это в полной мере относится и к объектам нефтегазодобывающей промышленности.

В настоящее время системы обеспечения -безопасности производств опираются, как правило, на контроль параметров состояния процесса в допустимом диапазоне. Данный подход не позволяет учитывать предаварийные ситуации, определяемые сочетаниями допустимых значений нескольких параметров. Вследствие этого, эксплуатация промышленного объекта характеризуется недостаточной безаварийностью и связана с нарушениями экологической безопасности. Поэтому для сложных промышленных объектов необходимо распознавание предаварийных ситуаций (ПАС), позволяющее прогнозировать возникновение аварийного режима, а затем предотвращать остановку процесса или снизить потери от возникновения аварии.

Вопросы идентификации и управления сложными производственно-техническими системами, непосредственно связанные с обеспечением безаварийности на промышленных объектах, рассматривались в работах таких ученых, как Кафаров В.В., Дорохов И.Н., Поспелов Д.А., Палюх Б.В., Егоров А.Ф., Обновленский П.А., Химмельблау Д. и других [52, 45, 77, 75, 98 и др.]. Вопросы, связанные с организацией процесса бурения и возникновением аварийных ситуаций при проходке нефтегазовых скважин, освещены в работах Э.Е. Лукьянова и В.В. Стрельченко [29, 31, 63-65, 85 и др.].

Существующие методы, используемые в современной промышленности, не обеспечивают возможности достаточной информационной поддержки распознавания ПАС, поэтому идентификация последних осуществляется с обязательным участием персонала установок. Однако эффективность распознавания ПАС оператором также зависит от его квалификации, сложности установки, характеристик оборудования и может оказаться недостаточной, что приводит к возникновению аварий на промышленном объекте.

Отсутствие эффективных методов распознавания ПАС обуславливает недостаточную безаварийность промышленных объектов. Так как убытки, связанные с остановками по причине предаварийных ситуаций на промышленных объектах, достаточно велики, то создание подобного метода позволит получить значительную экономическую выгоду за счет сокращения длительности простоев оборудования и увеличения физического ресурса его эксплуатации.

Таким образом, создание эффективного метода и системы распознавания предаварийных ситуаций промышленного объекта, позволяющее повысить его безаварийность, является актуальной научной и практической задачей.

Областью настоящего исследования являются методы и алгоритмы решения задач обработки информации для систем распознавания состояния промышленных объектов.

Предметом исследования является процесс промышленного бурения нефтяных и газовых скважин.

Целью диссертационной работы является повышение эффективности функционирования буровых установок за счёт сокращения времени простоя путем разработки новых алгоритмических и программных средств обнаружения предаварийных ситуаций с' использованием методов распознавания образов.

Научной задачей, решаемой в диссертационной работе, является разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

Для достижения цели диссертационной работы и решения научной задачи необходимо решение следующих частных задач:

1. Анализ объекта исследования, определение набора признаков, доступных для измерения существующими средствами обработки геолого-технологической информации (ГТИ), и классификация состояний объекта с целью определения совокупности предаварийных ситуаций.

2. Выбор математического аппарата для решения задачи распознавания текущего состояния объекта исследования по заданному набору признаков.

3. Разработка алгоритма определения рабочего словаря признаков.

4. Разработка структуры классификатора ПАС и алгоритма его обучения.

5. Разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

6. Разработка алгоритмического и программного обеспечения для распознавания ПАС и оценка эффективности предложенных решений.

Методы исследований. Для решения поставленных задач использованы методы системного анализа, нейроинформатики, распознавания образов, имитационного моделирования, объектно-ориентированного программирования.

Научная новизна работы состоит в следующем:

1. Предложен новый метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов.

2. Разработан новый алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ.

3. Разработан новый алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.

Обоснованность научных результатов подтверждается корректным использованием математического аппарата, а также экспериментальной проверкой предложенных методов и алгоритмов на реальных данных ГТИ.

Практическая значимость работы вытекает из ее направленности на разработку средств обеспечения своевременного распознавания ПАС на буровых установках и практической ее реализации в виде программного комплекса. Разработанный программный комплекс может применяться при обеспечении функционирования буровой, а также осуществлении мониторинга состояния буровой и её снабжения ЗИП.

На защиту выносятся:

1. Метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов;

2. Алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ;

3. Алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.

Апробация работы. Научные положения и практические рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на международных научно-технических конференциях «Математические методы и информационные технологии в экономике, социологии и образовании» (г. Пенза 2005 - 2008 г.г.), «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (г. Пенза 2008 г.), а также на кафедре ЭВМ ТГТУ (2009 - 2010 гг.).

Внедрение результатов. Результаты диссертационной работы были внедрены в ООО "Научно-производственное предприятие "Геосфера", г.Тверь.

Публикация результатов работы. По теме диссертационной работы опубликовано 15 статей, в том числе две статьи в изданиях, рекомендованных ВАК. Получено Свидетельство о регистрации программы для ЭВМ (№ 2009615089).

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 165 страницах, списка литературы, включающего 100 наименований, 3 приложений.

ВЫВОДЫ ПО ГЛАВЕ 4

1. Проведены экспериментальные исследования влияния параметров нейросети на эффективность обучения распознаванию предаварийных ситуаций. В качестве оценок эффективности модернизированного алгоритма обучения использовались точность распознавания предаварийных ситуаций и количество итераций, необходимых для сходимости алгоритм.

2. Проведены экспериментальные исследования влияния параметров модифицированного алгоритма обучения нейросети распознаванию предаварийных ситуаций на эффективность его работы.

3. Показана возможность использования результатов распознавания ПАС для повышения эффективности системы снабжения ЗИП буровых установок за счет оценки остаточного ресурса комплектующих при возникновении ПАС.

4. Для оценки возможности использования нейросетевого классификатора при организации системы снабжения буровых запчастями разработана имитационная модель, представляющая собой замкнутую сеть массового обслуживания. Результаты моделирования показали, что среднее время ожидания начала ремонта уменьшилось на 12%, суммарный приведенный экономический эффект увеличился на 11% по сравнению с существующими стратегиями эксплуатации оборудования.

5. Предложена структура системы мониторинга состояния буровых и снабжения ЗИП, позволяющая обеспечить в оперативном режиме мониторинг состояния буровых установок и улучшить экономические показатели работы комплекса буровых в целом.

6. Получено свидетельство о регистрации разработанного программного средства для ЭВМ {№ 2009615089).

ЗАКЛЮЧЕНИЕ

Основными результатами работы являются:

1. Проведен анализ объекта исследования с целью выявления параметров, определяющих его состояния с точки зрения распознавания ПАС.

2. В качестве математического аппарата для решения задачи определения текущего состояния объекта исследования по заданному набору признаков выбран метод распознавания образов на основе искусственной нейронной сети.

3. Разработан алгоритм определения рабочего словаря признаков на основе модифицированного метода ветвей и границ. Определены рабочие словари признаков для распознавания выделенных предаварийных ситуаций.

4. Разработана структура классификатора ПАС в виде набора специализированных классификаторов для раздельного распознавания каждой ПАС.

5. Разработан модифицированный алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, который отличается от классического наличием процедуры поиска глобального минимума функции ошибки, и осуществлена его программная реализация.

6. Полученные результаты сведены в обобщенный метод распознавания ПАС в процессе промышленного бурения нефтяных и газовых скважин.

7. Проведены исследования влияния структуры классификатора и параметров алгоритма его обучения на результаты классификации ПАС, позволившие оценить эффективность разработанных алгоритмов путём сравнения результатов распознавания с реальными данными ГТИ. Точность распознавания ПАС составила 95%.

8. Для оценки возможности использования нейросетевого классификатора при организации системы снабжения буровых запчастями разработана имитационная модель, представляющая собой замкнутую сеть массового обслуживания. Результаты моделирования показали, что среднее время ожидания начала ремонта уменьшилось на 12%, суммарный приведенный экономический эффект увеличился на 11% по сравнению с существующими стратегиями эксплуатации оборудования.

9. Предложена структура системы мониторинга состояния буровых и снабжения ЗИП, позволяющая обеспечить в оперативном режиме мониторинг состояния буровых установок и улучшить экономические показатели работы комплекса буровых в целом.

10.Научные положения и практические рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на международных научно-технических конференциях. «Математические методы и информационные технологии в экономике, социологии и образовании» (г.Пенза 2005-2008 г.г.), «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (г.Пенза 2008 г.), а также на кафедре ЭВМ ТГТУ (2009-2010 гг.).

1 1.Результаты диссертационной работы в виде комплекса алгоритмических и программных средств были внедрены в ООО "Научно-производственное предприятие "Геосфера", г.Тверь.

1. Абу-Абед Ф.Н. Имитационное моделирование процессов ремонтно-технического обслуживания нефтяных скважин. УДК 004.896.// Программные продукты и системы. Научно-практическое издание № 4 (92), 2010. ISSN 0236-235Х.- Тверь, 2010.-С. 167-171.

2. Абу-Абед Ф.Н. Метод потенциальных функций в распознании образов. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006. - С. 108-110.

3. Абу-Абед Ф.Н. Разработка средств моделирования нейросетей // Вестник ТГТУ, Выпуск 7: Тверь, 2005. - С. 125-129.

4. Абу-Абед Ф.Н., Аль-Ахрасс А.Х., Хабаров А.Р. Нейросетевые информационные модели сложных инженерных систем // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006.-С. 46-48.

5. Абу-Абед Ф.Н., Борисов H.A., Хабаров А.Р. Разработка нейросетевых анализаторов // Проблемы информатики в образовании, управлении, и технике: Сборник статей V Всероссийской НТК. Пенза, 2005. - С. 1316.

6. Абу-Абед Ф.Н., Глухов Д.Ю. Нейросетевые методы обработки информации // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVII Межд. НТК. Пенза 2006. - С. 216-218.

7. Абу-Абед Ф.Н., Допира Р.В. Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых. УДК 004.896.// Программные продукты и системы. Научно-практическое издание № 3 (91), 2010. ISSN 0236-235Х. Тверь, 2010. - С. 136-139.

8. Абу-Абед Ф.Н., Матвеев Ю.Н., Хабаров А.Р. Системы распознавания образов (идентификации) // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006. - С. 110-113.

9. Абу-Абед Ф.Н., Наумович Т.В. Погрешности в нейронных сетях // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006.-С. 160-163.

10. Абу-Абед Ф.Н., Программа построения и обучения нейросети для распознавания режимов работы буровой // Свидетельство о регистрации программы для ЭВМ № 2009615089 М.: Роспатент 2009.

11. Абу-Абед Ф.Н., Хабаров А.Р. Применение нейросетей для анализа аварийных ситуаций на буровых // Математические методы и информационные технологии'в экономике, социологии и образовании: сборник статей XVII Межд. НТК. Пенза, 2006. - С. 218-221.

12. Аварии и катастрофы. Предупреждение и ликвидация последствий. Книга 1 / под ред. К.Е. Кочеткова, В.А. Котляревского, A.B. Забегаева М.: Изд-во АСВ, 1995. 320 с.

13. Аверилл М. Jloy, В. Дэвид Кельтон. Имитационное моделирование. -СПб.: Питер, Издательская группа BHV. 2004. 848 стр.

14. Айзерман, М.А. Методы потенциальных функций в теории обучения машин. М.А.Айзерман, Э.М.Браверман, Л.И.Розонойер М.:Наука, 1970 г. 384 с.21 .Алиев Т.М. Измерительная техника/Т.М.Алиев, Высш.шк., 1991.-384 с.

15. Алиев, P.A. Производственные системы с искусственным интеллектом. /Р.А.Алиев, Н.М.Абдикеев, М.М.Шахназаров. М.: Радио и связь, 1990. 264 с.

16. Антонов A.B. Проектирование систем. Обнинск: ИАТЭ, 1996. - 157 с.

17. Базанов, А.Г. Основы пожаровзрывобезопасности в химической, нефтехимической и нефтеперерабатывающей отраслях промышленности и пути ее повышения/А.Г.Базанов, Г.М.Ласкин, Г.М.Арбузов, П.Н.Мудряков//Химическая промышленность 2003. Т.80, №9. 40-55.

18. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. Препринт ИФ СО АН СССР, Красноярск, 1986, №59Б, 20 с.

19. Басарыгин Ю.М., Будников В.Ф., Булатов А.И. Теория и практика предупреждения осложнений и ремонта скважин при их строительстве и эксплуатации М.: ООО «Недра-Бизнесцентр», 2000. - 510 с.

20. Басарыгин Ю.М., Булатов А.И., Проселков Ю.М. Осложнения и аварии при бурении нефтяных и газовых скважин М.: ООО «Недра-Бизнесцентр», 2000. - 679 с.

21. Блинов, A.B. Интеллектуализация системы диагностики и прогнозирования //Датчики и системы 2005. №9. 65-70.

22. Булатов А.И., Аветисов А.Г. Справочник инженера по бурению. Т. 4. -М.: 1996.-468 с.

23. Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. М.: Наука, 1974.

24. ГВииниченко В.М., Гончаров А.Е., Максименко H.H. Предупреждение и ликвидация осложнений и аварий при бурении разведочных скважин. -М.: Недра, 1991.-278 с.

25. Вишневский В.М. Состояние и перспективы развития информационно-вычислительных сетей в России // Электросвязь. 1998. - № 7. 20-23.

26. Вишневский В.М. Теоретические основы проектирования компьютерных сетей // М.: Техносфера, 2003. — 512 с.

27. Владимиров, А.И. Установки каталитического риформинга / А.И.Владимиро в М.: Нефть и газ, 1993. 60 с.

28. Волкова В.Н., Козлова В.Н. Системный анализ и принятие решений. Учебное пособие для вузов. М.: Высшая школа, 2004. 616 с.

29. Горбань А.Н. Обучение нейронных сетей. М.: изд-во СССР-США СП "ParaGraph", 1990. 160 с.

30. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб. Пособие. -2-е изд., перераб. И доп. М.: Высш. Шк, 1984. - 208 е., ил.

31. Грайфер В.И., Фаворский A.A., Шумилов В.А. Некоторые вопросы создания и функционирования отраслевого банка нефтегазовых технологий // Нефтяное хозяйство. 2003. № 10. - 28-29.

32. Гриб, В.В. Диагностика технического состояния нефтегазохимических J производств/ В.В. Гриб М.:ЦНИИТЭнефтехим, 2002 268 с.

33. Громов, Ю.Ю. Системный анализ в информационных технологиях / Ю.Ю.Громов, О.Г.Иванова, Н.А.Земской, А.В.Лагутин, В.М.Тютюнпик Тамбов: изд-во Тамб. гос. техн. ун-та, 2004. 176 с.

34. Д.А. Поспелов. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник. М.: Радио и связь, 1990,- 304 с.

35. Дорохов, И.Н. Системный анализ процессов химической технологии. Экспертные системы для совершенствования промышленных процессов гетерогенного катализа/И.Н.Дорохов, В.Вяч.Кафаров. под ред В.В.Кафарова М.: Наука, 1985 376 с.

36. Дуда Р. И Харт П. Распознавание образов и анализ сцен. Перю с англ. Г.Г. Вайнштейна. Под ред. В.Л.Стефашока. М., "Мир", 1976. 512с.

37. Иванов В.Б., Куликов Г.Г., Речкалов Я. А. Автоматизированное управление запасами предприятия. Уфимск. гос. авиац. техн. ун-т. -Уфа, 2002. 6,4 п.л.

38. Игревский В.И., Мангушев К.И. Предупреждение и ликвидация нефтяных и газовых фонтанов. М.: Недра, 1974. 312 с.

39. Кафаров, В.В. Обеспечение и методы оптимизации надежности химических и нефтеперерабатывающих производств/В.В.Кафаров, В.П.Мешалкин, Г.Грун, технологии/ В. Нойман-М.:Химия, 1987. 272 с.

40. Кафаров, В.В. Системный анализ процессов химической технологии. Основы стратегии/В.В.Кафаров, И.Н.Дорохов М.: Наука, 1976 500 с.

41. Кафаров, В.В. Системный анализ процессов химической технологии. Применение метода нечетких множеств/В.В.Кафаров, И.Н.Дорохов, Е.П.Марков М.: Наука, 1976-359 с.

42. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979.-432с.

43. Конев Н., Котума А.И. Информационно-аналитическая система сбора, отображения, хранения, передачи, обработки и анализа данных о процессе строительства скважин «ГЕОТЕК» // НТВ. «Каротажник». Тверь: Изд-во АИС, 2005. № 5-6. - 66-74.

44. Корнеева, А.И. Программно-технические комплексы, контроллеры и SCADA системы / А.И.Корнеева, В.Г.Матвейкин, В.Фролов М.:ЦНИИТЭХИМ, 1996. 219 с.

45. Крылов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.- М.: Горячая Линия.- Телеком, 2001.- 382с.

46. Лафоре Р. Объектно-ориентированное программирование в С++. -СПб.: Питер, 2003. 928 с.

47. Лебедев, В.Г. Система поддержки принятия решений оператором сложного аппаратно-программного комплекса/В.Г. Лебедев//Датчики и системы 2004 №8, -С.53-55.

48. Лорьер, Ж.-Л. Системы искусственного интеллекта/Ж.-Л.Лорьер М.:Мир, 1991.3 5 6 с.

49. Лукьянов Э.Е., Стрельченко В.В. Геолого-технологические исследования в процессе бурения М.: Нефть и газ, 1997, 688с.

50. Лукьянов Э.Е. Геолого-технологические исследования в процессе бурения: Дисс. На соиск. Учен. Степени д-ра техн. Наук. М., 1990.

51. Лукьянов Э.Е. Исследования скважин в процессе бурения. Москва.: Недра, 1979, 248с.

52. Маклаков СВ. Создание информационных систем с AllFusion Modelling Suite. М.: Диалог - МИФИ, 2003.

53. Мандель И.Д. Кластерный анализ. М., Финансы и статистика, 1988, -176 с.

54. Махонькин, Б.Н. Мониторинг состояния оборудования технология XXI ресурсосберегающей эксплуатации нефтеперерабатывающихпроизводств века / Б.Н.Махонькин, В.Мухин / /Нефтепереработка и нефтехимия 2003 №8, 59-64.

55. Миркес Е.М. Обучение сетей с пороговыми нейронами. Тезисы докладов III Всеросийского семинара "Нейроинформатика и ее приложения", Красноярск: Изд-во КГТУ, с. 72.

56. Моисеев H.H. Математические задачи системного анализа. М.: Наука, 1981.-488 с.71 .Надежность в технике. Основные понятия. Термины и определения ГОСТ-27.00289/ М.:Изд-во стандартов, 1990, 38 с.

57. Обухов Ю.Г., Иванов В.М., Лукьянов Э.Е. Плотнометрия промывочной жидкости в процессе бурения как метод ГИС. Пути повышения эффективности геофизических исследований поисковых и разведочных скважин Главтюменгеологии. Тюмень, 1986. С. 18-19.

58. Палюх Б.В. Надежность систем управления химическими производствами. 1987 г., 176 с.

59. Позин И.В. Моделирование нейронных структур. М.: Наука, 1970.

60. Поспелов, Д.А. Ситуационное управление: теория и практика/Д.А. Поспелов М.:Наука, 1986.-288 с.

61. Пратт Т., Зелковиц М. Языки программирования: разработка и реализация. СПб.: Питер, 2002. - 688 с.

62. Распознавание образов: состояние и перспективы: Пер. с англ./ К. Верхаген, Р.Дёйн, Ф.Грун. и др.; Под ред. И.Б. Гуревича. М.: "Радио и связь", 1985.- 104с.

63. Распознавание. Классификация. Прогноз. В.2 Под. Ред. Журавлева Ю.И. М.: Наука. 1989.

64. Растригин JT.A., Эренштеин Р.Х. Метод коллективного распознавания. М.: Энергоиздат 1981.-79с.

65. Речкалов Я.А. Проблемы повышения эффективности систем управления снабжением на крупных машиностроительных предприятиях // Управление в сложных системах: Межвуз. Науч. Сб. Уфа: УГАТУ, 2002. 0,15 п.л.

66. Рыжиков Ю.И. Имитационное моделирование. Теория и технология. -СПб.: КОРОНА принт, 2004. 384 с.

67. Рыжиков Ю.И. Теория очередей и управление запасами. СПб.: Питер, 2001.-384 с.

68. Самотой А.К. Прихваты колонн при бурении скважин. М.: Недра, 1984, - 320 с.

69. Северцев, H.A. Надежность сложных систем в эксплуатации и отработке / H.A. М.:Высш.шк.,1989. 432 с.

70. Сенашова М.Ю. Погрешности в нейронных сетях / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.

71. Скважинные геофизические информационно-измерительные системы // М.: Недра, 1996.-317 с.

72. Ту Дж., Гонсалес Р. Принципы распознавания образов. Изд. Мир, М.,1978.-411с.

73. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

74. Федеральный Закон РФ «О промышленной безопасности опасных производственных объектов» №116-ФЗ Введ. 21.07.1997//Гражданская защита 1997 1 1 -С.68-75.

75. Федотов Н.Г. Методы стохастической геометрии в распознавании образов. М.: Радио и связь, 1990.- 144 с.

76. Филоненко, A.B. Идентификация предаварийных ситуаций установки получения серы методом Клауса: дисс. канд. техн. наук: 3.06.2005 г.: утв.24.12.2005 /A.B. Филоненко Астрахань, 2005 г. 156 с.

77. Флейшман, Б.С. Основы системологии / Б.С.Флейшман М.:Радио и связь, 1982. 368 с.

78. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989.-272 с.

79. Фу К. Структурные методы в распознавании образов.- М.: Мир, 1977.320 с.

80. Химмельблау Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах. — Л.: Химия, 1983. — 352с.

81. Чачко, А.Г. Подготовка операторов энергоблоков: Алгоритмический А.Г. Чачко М.:Энергоатомиздат, 1986. 232 с.

82. Эйкхофф, П. Основы идентификации систем управления. Оценивание параметров и состояния. Пер. с англ./П. Эйкхофф. Под ред.Н.С.Райбмана М.:Мир, 1975-685с.