Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи
Автор: Хусаинов А.Т.
Журнал: Научный форум. Сибирь @forumsibir
Рубрика: Природа
Статья в выпуске: 3 т.2, 2016 года.
Бесплатный доступ
В статье рассмотрена возможность применения инструментария искусственных нейронных сетей (ИНС) для выбора наиболее подходящей модели расчета. Основной задачей при выборе модели является классификация. Из литературных данных известно, что в ряде отраслей задачи классификации успешно решаются путем применения ИНС. Вместе с тем применение нейросетевых алгоритмов допускает большое количество подходов к решению подобной задачи. На данный момент не существует общих правил по выбору архитектуры сети для решения той или иной задачи, поэтому в статье рассмотрен авторский взгляд на представление информации к анализу.
Искусственные нейронные сети (инс), моделирование, процессе обучения, архитектуры сети, оперативный анализ
Короткий адрес: https://sciup.org/140220345
IDR: 140220345
Текст статьи Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи
Искусственные нейронные сети (ИНС) – это совокупность моделей биологических нейронных сетей, представляющих собой сеть элементов искусственных нейронов (перцептронов) связанных между собой синаптическими соединениями. Входящая информация обрабатывается и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети, и формируются выходные воздействия. Большинство моделей ИНС требуют обучения, в ходе которого определяется выбор параметров сети, с использованием математических и алгоритмических методов для решения широкого круга задач.
Рассмотрим применение ИНС для решения задач применительно к оперативному прогнозу разработки нефтяных месторождений. На данный момент времени существует множество аналитических программных комплексов включающих модуль анализа при помощи нейронных сетей, но широкого практического применения в направлении нефтегазового комплекса данный вид расчета моделей не имеет. Связано это с алгоритмами выполнения расчетов в аналитике нейросетей, которые явно отличаются от стандартизированных и имеют оправдано результативно усложненный порядок.
В данной статье будет изложен стандартный для ИНС порядок действий применимый к различным поставленным вопросам нефтедобычи.
Для упрощения восприятия представлена блок-схема на рис. 1, описывающая последовательные процессы, соответственно каждый будет иметь пояснения по тексту.

Рис. 1. Блок схема - процессов моделирования ИНС.
В первом пункте следует определить, целевые задачи расчета, это позволит перейти ко второму пункту и произвести отбор из массива соответствующей информации. Этот процесс очень важен, поскольку ИНС будет строить закономерности связи исходя из заданной информации, поэтому, подбор должен происходить с максимальной логической составляющей цели расчета.
Как правило, в специализированных расчетных модулях предлагается выбрать (присвоить) критерий входящих данных (указать тип информации, целевой или сопутствующий) соответственно которых в свою очередь будут строиться зависимости и связи. Данные условия выбираются исходя из выше описанных пунктов.
Третьим пунктом, является тщательный процесс обучения, занимающий значительное время. Обученную сеть можно использовать для прогнозирования любого количества последующих значений. В процессе обучения необходим контроль за такими параметрами, как скорость обучения, параметр сигмоиды, средняя и максимальная ошибка. Главной целью данного процесса – найти глобальный минимум функции ошибки, пример в табл. 1.
Для оптимизации данной процедуры можно использовать численное или аналитическое моделирование, таким образом, обучение будет происходить в идеализированных условиях, что в итоге приведет к минимальному проценту погрешности. На современных компьютерах прогнозирование одного значения по обученной нейросети происходит практически мгновенно.
Четвертым этапом является выбор архитектуры нейросети, которая предлагается программным комплексом в нескольких вариантах, схему связей и зависимостей можно посмотреть в графическом представлении пример на рис. 2, что дает возможность сопоставить и проанализировать выходные параметры обучения, а далее, исходя из представляемых критериев, произвести выбор, удовлетворяющий цели расчетов.
Заключительным пунктом является конечный расчет с использованием выбранных составляющих. При этом не сложный выбор архитектуры позволяет произвести вычисления в различных вариантах, и проанализировать итоговые результаты.
Таблица 1
Таблица параметров обучения ИНС
Архитектура |
Производительность обучения |
Ошибка обучения |
Обучение / Элементы |
РБФ 2:20-2-1:1 |
0,623651 |
0,651300 |
КС,КБ,ПО |
РБФ 2:20-5-1:1 |
0,619547 |
0,647014 |
КС,КБ,ПО |
МП 2:20-6-1:1 |
0,307690 |
0,093300 |
ОР100,СГ20,СГ1b |
МП 2:20-6-1:1 |
0,303029 |
0,091885 |
ОР100,СГ20,СГ1b |
Линейная 1:1-1:1 |
0,956054 |
0,289898 |
ПО |
Архитектура : РБФ 2:19-2-1:1 , N = 6 Производительность обуч. = 0,448715 , Контр. производительность = 0,441588 , Тест. производительность = 0,783648

Архитектура : МП 2:20-4-1:1 , N = 4
Производительность обуч . = 0,062613 , Контр. производительность = 1,088924 , Тест. производительность = 0,950842

Архитектура : РБФ 2:20-8-1:1 , N = 1 Производительность обуч. = 0,364047 , Контр. производительность = 0,626859 , Тест. производительность = 0,507484

Рис. 2. Примеры схем связей и зависимостей ИНС.
Архитектура : РБФ 2:18-5-1:1 , N = 1
Производительность обуч. = 0,720118 , Контр. производительность = 0,835457 , Тест.
производительность = 1,050717

Главными плюсами расчётов с применением искусственных нейронных сетей является автоматизация процесса, исключающая факторы ошибок при настройке основных параметров, как следствие сокращение времени затраченного на данный процесс. Применительно к оперативному анализу параметров нефтегазодобычи данный инструмент ИНС вполне может претендовать на эффективное средство для решения задач в условиях противоречивости или неточности исходной информации.
Теория и практика. – М.: Горячая линия - Телеком, 2001. – 382 с.
Список литературы Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи
- Боровикова В.П. Нейронные сети STATISTICA Neural Networks: Методология и технология современного анализа данных. -М.: Горячая линия -Телеком, 2008. -392 c.
- Еремин Д.М., Гарцеев И.Б. Искусственные нейронные сети в интеллектуальных системах управления. -М.: МИРЭА, 2004. 75 с.
- Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. -М.: Горячая линия -Телеком, 2001. -382 с.