Статья

Название статьи ПРИМЕНЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ, ОПТИМИЗИРОВАННОЙ ГЕНЕТИЧЕСКИМ АЛГОРИТМОМ, В ЗАДАЧЕ АНАЛИЗА СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НЕФТЕГАЗОДОБЫВАЮЩЕЙ ПРОМЫШЛЕННОСТИ
Автор М.Г. Ткаченко
Рубрика РАЗДЕЛ VI. ВЫЧИСЛИТЕЛЬНЫЕ КОМПЛЕКСЫ НОВОГО ПОКОЛЕНИЯ И НЕЙРОКОМПЬЮТЕРЫ
Месяц, год 07, 2014
Индекс УДК 004.891.3
DOI
Аннотация Одной из актуальных проблем нефтегазодобывающих предприятий является повышение эффективности работы технологического оборудования за счет внедрения инновационных технологий оперативного анализа и диагностики. Наибольшую эффективность в данной области имеют системы, построенные с применением подходов DataMining и мягких вычислений. В работе представлена модель, основанная на применении искусственной нейронной сети (ИНС) обратного распространения, оптимизированной с помощью генетического алгоритма (ГА). Применение ГА позволило оптимизировать процесс вычисления параметров ИНС, сократить время обучения, улучшить результаты нейросетевого анализа технологических процессов. Анализ результатов моделирования предложенного метода в задаче оперативного анализа состояния технологических объектов нефтегазодобывающей отрасли свидетельствуют, что метод может эффективно решать такие проблемы нейросетевых подходов, как недостаточная точность получаемых оценок, затрудненный выбор параметров сети, и длительное время обучения. Практическое применение ИНС ГА позволило существенно улучшить точность прогнозных оценок состояния погружного оборудования для нефтедобывающего комплекса.

Скачать в PDF

Ключевые слова Нейронная сеть; генетические алгоритмы; мягкие вычисления.
Библиографический список 1. Ульянов С., Литвинцева Л., Добрынин В, Мишин А. Интеллектуальное робастное управление: технологии мягких вычислений. – 1-е изд. – М.: Pronetlabs, 2011. – 406 c.
2. Манжула В.Г., Федяшов Д.С. Нейронные сети кохонена и нечеткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. – 2011. – № 4. – С. 108-114.
3. Hoskins J.C., Himmelblau D.M. Process control via artificial neural networks and reinforcement learning // Computers & Chemical Engineering. – 1992. – № 16. – P. 241–251.
4. Рутковский Л. Методы и технологии искусственного интеллекта. – М.: Горячая линиятелеком, 2010. – 520 c.
5. Ткаченко М.Г., Коровин Я.С., Кононов С.В. Оперативная диагностика состояния нефтепромыслового оборудования на основе технологий интеллектуальной обработки данных // Нефтяное хозяйство. – 2012. – № 9. – С. 116-118.
6. Коровин Я.С., Ткаченко М.Г. Применение нейросетевого анализа данных в нефтегазодобывающей промышленности // Известия ЮФУ. Технические науки. – 2010. – № 12. – С. 172-178.
7. Коровин Я.С., Хисамутдинов М.Г., Ткаченко М.Г. Прогнозирование состояний нефтепромысловых объектов с применением технологий эволюционных алгоритмов и искусственных нейронных сетей // Нефтяное хозяйство. – 2013. – № 10. – С. 128-132.
8. Ji B.Y. Overview of Oilfield Development Indicators Forecasting Methods // Petroleum Geology and Oilfield. Development in Daqing. – 1999. – Vol. 18, No 2. – P. 19-22.
9. Yang B. Applied Neural Network in Oil Well Logging// Petroleum Industry Press, -Beijing. – 2005. – P. 36-39.
10. Floudas C.A., Pardalos P.M. Encyclopedia of Optimization // Springer. – 2008. – Vol. 1. – P. 727-748.
11. Мищенко В.А., Коробкин А.А. Использование генетических алгоритмов в обучении нейронных сетей // Современные проблемы науки и образования. – 2011. – № 6. – С. 116-119.
12. Тененев В.А. Решение задачи многокритериальной оптимизации генетическими алгоритмами // Интеллектуальные системы в производстве. – 2006. – № 2. – С. 03-109.
13. UCI Machine learning repository. – URL: http://archive.ics.uci.edu/ml/.
14. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. – М.: ИД «Вильямс», 2001. – 291 с.

Comments are closed.