WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

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 -2

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 1500 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 «17» января 2011 г.

Ученый секретарь диссертационного совета д.т.н., профессор Филатова Наталья Николаевна

-3

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 счт 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.

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 е 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.

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.).

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.

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 образов, в 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 P { p1, p2,..., pm }, P m. На выходе имеем вектор-признак 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 F = {f1, …, fn}. Каждый признак fj - это отображение из X в некоторое множество Dj допустимых значений признака, в общем случае не обязательно числовое. Вектор f1(x), …, fn(x) D1 … Dn будем считать признаковым описанием объекта x.

В данной работе для формирования рабочего словаря предлагается использовать алгоритм определения достаточного набора признаков для распознавания каждой из исследуемых предаварийных ситуаций на основе 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 сокращнным поиском в глубину имеет следующий вид:

Вход: множество F, критерий Q, параметр B;

1: Инициализация массива лучших значений критерия:

2: Упорядочить признаки по убыванию информативности;

3: Нарастить();

4: вернуть G, для которого Q(G ) jminn Q j 5: ПРОЦЕДУРА Нарастить (G);

6: если найдтся j |G| такое, что Q(G) Q j, то 8: Q|G| : min{Q|G|, Q(G)};

9: для B лучших fi F таких, что i max{i | fi G} 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;

KiЦ – коэффициент корреляции признака i с целевым признаком;

Kij – 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.

границы между классами предаварийных ситуаций являются нечеткими, Рисунок 1. Результаты работы алгоритма выбора признаков для ПАС «Газонефтеводопроявления» 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 Y в соответствии с входным сигналом X, реализуя некоторую функцию Y = G(X). Если архитектура сети задана, то вид функции G определяется значениями синаптических весов и смещений сети. Пусть решением некоторой задачи является функция Y = F(X), заданная парами входных - выходных данных (X1, Y1), (X2, Y2), …, (XN, YN), для которых Yk = F(Xk) (k = 1, 2, …, N). Обучение состоит в поиске (синтезе) функции G, близкой к F в смысле некоторой функции ошибки E.

Если выбраны множество обучающих примеров – пар (Xk, Yk) (где k = 1, 2, …, N) и способ вычисления функции ошибки E, то обучение нейронной сети превращается в задачу многомерной оптимизации, имеющую очень большую размерность, при этом, поскольку функция E может иметь произвольный вид, обучение в общем случае – многоэкстремальная невыпуклая задача оптимизации.

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: E ( w), где y (j Np) – реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы p-го образа; djp – 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: wijn ) Здесь wij – весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n; – коэффициент скорости обучения, 01.

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 R генерации начальных точек для процесса обучения (радиус поиска увеличивается), и процесс обучение нейросети);

После достижения параметром R значения Rmax (Rmax – параметр алгоритма) нейросеть считается обученной, и алгоритм заканчивает работу.

Блок-схема предложенного алгоритма приведена на рисунке 2.

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.

Рисунок 3. Варианты построения классификатора.

Для определения структуры специализированного нейросетевого классификатора проведены исследования зависимости точности количества скрытых слоев и количества нейронов в каждом скрытом слое.

На рисунке 4 приведены полученные графики для этих зависимостей.

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).

необходимых итераций от значения параметра К.

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

Рисунок 7. Влияние скорости обучения алгоритма на количество 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.

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 четырх 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.

Таблица 1. Среднее время ожидания начала ремонта (в часах) № Месторождение Месторождение- Месторождение- Месторождение- Месторождение- № Месторождение Месторождение- Месторождение- Месторождение- Месторождение- 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).

Буровая установка Буровой мастер Рисунок 9. Структура системы мониторинга состояния буровых и 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.

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 путм 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 ремонтнотехнического обслуживания нефтяных скважин. // Программные продукты и системы. № 4 (92), 2010. – Тверь, 2010. - С. 167-171.

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 на базе нейросети. // Математическое и компьютерное моделирование естественнонаучных и социальных проблем: сборник статей II 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 XVIII 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.

9. 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.

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 XVIII Межд. НТК. - Пенза 2006. – С. 110-113.

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. 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 Н.А., 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 Н.А., 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 Н.А., 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 Подписано в печать 11.01.

РИЦ ТГТУ



 
Похожие работы:

«Сулимова Валентина Вячеславовна ПОТЕНЦИАЛЬНЫЕ ФУНКЦИИ ДЛЯ АНАЛИЗА СИГНАЛОВ И СИМВОЛЬНЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ РАЗНОЙ ДЛИНЫ Специальность 05.13.17 – Теоретические основы информатики АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Москва 2009 2 Работа выполнена в Тульском государственном университете на кафедре автоматики и телемеханики Научный руководитель доктор технических наук, профессор Вадим Вячеславович Моттль Официальные оппоненты...»

«НИКОЛАЕВА Екатерина Александровна АЛГОРИТМЫ СИНТЕЗА ЛЕГКО ТЕСТИРУЕМЫХ КОМБИНАЦИОННЫХ СХЕМ И ТЕСТОВ ДЛЯ КРАТНЫХ КОНСТАНТНЫХ НЕИСПРАВНОСТЕЙ И НЕИСПРАВНОСТЕЙ ЗАДЕРЖЕК ПУТЕЙ 05.13.01 – Системный анализ, управление и обработка информации (в отраслях информатики, вычислительной техники и автоматизации) Автореферат диссертации на соискание ученой степени кандидата технических наук Томск – 2011 2 Работа выполнена в ГОУ ВПО Томский государственный университет на кафедре...»

«Семенов Александр Сергеевич РАЗРАБОТКА И ИССЛЕДОВАНИЕ АРХИТЕКТУРЫ ГЛОБАЛЬНО АДРЕСУЕМОЙ ПАМЯТИ МУЛЬТИТРЕДОВО-ПОТОКОВОГО СУПЕРКОМПЬЮТЕРА специальность 05.13.15 – Вычислительные машины, комплексы и компьютерные сети АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва – 2010 Работа выполнена в отделе архитектуры и программного обеспечения суперкомпьютеров ОАО “НИЦЭВТ”. Научный руководитель : кандидат физико-математических наук Эйсымонт Леонид...»

«Сачкова Елена Федоровна Методы, алгоритмы и программы приближенного решения задачи управления 05.13.11 Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей 05.13.01 Системный анализ, управление и обработка информации (технические наук и) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Переславль-Залесский 2009 г....»

«КАГРАМАНЯН ЭМИЛЬ РУДОЛЬФОВИЧ РАЗРАБОТКА МЕТОДОВ И МОДЕЛЕЙ ДЛЯ ХАРАКТЕРИЗАЦИИ СЛОЖНО-ФУНКЦИОНАЛЬНЫХ БЛОКОВ КМОП СБИС С УЧЕТОМ ВАРИАЦИЙ ПАРАМЕТРОВ ТРАНЗИСТОРОВ Специальность: 05.13.12 - системы автоматизации проектирования АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва – 2009 Работа выполнена на кафедре ПКИМС Московского государственного института электронной техники (технического университета). Научный руководитель : доктор технических...»

«Парамонов Илья Вячеславович МОДЕЛИРОВАНИЕ НЕЙРОННЫХ АССОЦИАЦИЙ. ОЦЕНКА ПАРАМЕТРОВ И ЯВЛЕНИЕ СИНХРОНИЗАЦИИ Специальность 05.13.18 — математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Ярославль – 2011 Работа выполнена на кафедре компьютерных сетей Ярославского государственного университета им. П. Г. Демидова доктор физико-математических наук, Научный профессор Глызин Сергей...»

«Вагин Денис Владимирович РАЗРАБОТКА МЕТОДОВ КОНЕЧНОЭЛЕМЕНТНОГО МОДЕЛИРОВАНИЯ ТРЕХМЕРНЫХ ЭЛЕКТРОМАГНИТНЫХ ПОЛЕЙ НА НЕСТРУКТУРИРОВАННЫХ СЕТКАХ 05.13.18 – Математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Новосибирск – 2012 Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Новосибирский государственный...»

«ЛИБМАН МИХАИЛ СЕРГЕЕВИЧ АЛГОРИТМИЧЕСКОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПОВЫШЕНИЯ ОПЕРАТИВНОСТИ ПОИСКА ДАННЫХ В КОРПОРАТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ Специальность: 05.13.01 – Системный анализ, управление и обработка информации (в наук е и промышленности) Автореферат диссертации на соискание ученой степени кандидата технических наук Калуга - 2013 Работа выполнена в Калужском филиале Московского государственного технического университета им. Н.Э. Баумана. кандидат технических наук,...»

«Автушенко Кирилл Игоревич АНАЛИЗ МЕТОДОВ И РАЗРАБОТКА АЛГОРИТМОВ ЭФФЕКТИВНОЙ ОБРАБОТКИ УЛЬТРАЗВУКОВОЙ ДОПЛЕРОГРАФИЧЕСКОЙ ИНФОРМАЦИИ С ПЕРИОДИЧЕСКИМИ СТРУКТУРАМИ Специальность 05.13.01 - Системный анализ, управление и обработка информации (в области приборостроения) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва — 2009 Работа выполнена на кафедре Информатика и программное обеспечение вычислительных систем в Московском государственном...»

«СТАРОДУБЦЕВ Игорь Юрьевич МОДЕЛИ И МЕТОДЫ МНОГОЦЕЛЕВЫХ ЗАДАЧ СЕТЕВОГО ПЛАНИРОВАНИЯ В УСЛОВИЯХ НЕЧЕТКОЙ НЕОПРЕДЕЛЕННОСТИ ПРОДОЛЖИТЕЛЬНОСТЕЙ ОПЕРАЦИЙ Специальность 05.13.18 – Математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Воронеж – 2012 Работа выполнена в ФГБОУ ВПО Воронежский государственный университет Научный руководитель : Артемов Михаил Анатольевич доктор...»

«ЗАГРЕБНЕВА Анна Дмитриевна СТРУКТУРООБРАЗОВАНИЕ В ПОПУЛЯЦИОННЫХ СИСТЕМАХ, ОБУСЛОВЛЕННОЕ ЯВЛЕНИЕМ ТАКСИСА 05.13.18 – математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Ростов-на-Дону 2010 Работа выполнена в отделе математических методов в экономике и экологии НИИ механики и прикладной математики им. Воровича И.И. Южного федерального университета, г. Ростов-на-Дону Научный...»

«Зайцева Татьяна Владимировна ИНСТРУМЕНТАРНО-ТЕХНОЛОГИЧЕСКОЕ УПРАВЛЕНИЕ ПРОЦЕССАМИ ИННОВАЦИОННОГО ВЗАИМОДЕЙСТВИЯ СУБЪЕКТОВ НАУЧНО-ОБРАЗОВАТЕЛЬНОЙ СФЕРЫ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук Специальность 05.13.10 Управление в социальных и экономических системах (экономические науки) Ростов-на-Дону 2007 Работа выполнена в ГОУ ВПО Ростовский государственный университет путей сообщения на кафедре Экономика и финансы Научный руководитель...»

«Угольникова Ольга Анатольевна ИНФОРМАЦИОННАЯ ПОДДЕРЖКА БАЗЫ ДАННЫХ ПО ЛЕКАРСТВЕННЫМ СРЕДСТВАМ, СНАБЖЕННЫМ ТРАНСПОРТНЫМИ СИСТЕМАМИ ДОСТАВКИ ЛЕКАРСТВ 05.13.01 – Системный анализ, управление и обработка информации (химическая промышленность) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва – 2010 Работа выполнена на кафедре Информационных технологий и кафедре Биотехнологии государственного образовательного учреждения высшего профессионального...»

«ЕФИМОВА Ольга Евгеньевна РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ ПРОЦЕССА ФОРМИРОВАНИЯ ПРОИЗВОДСТВЕННОЙ ПРОГРАММЫ МУНИЦИПАЛЬНЫХ УНИТАРНЫХ ПРЕДПРИЯТИЙ Специальность 05.13.10 – Управление в социальных и экономических системах АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Воронеж – 2009 Работа выполнена в государственном образовательном учреждении высшего профессионального образования Воронежском государственном архитектурно-строительном университете...»

«КОРДЕНКОВ НИКОЛАЙ ВЛАДИМИРОВИЧ РАЗРАБОТКА МЕТОДОВ И МОДЕЛЕЙ ПОСТРОЕНИЯ И АНАЛИЗА РАСПРЕДЕЛЕННОЙ СИСТЕМЫ ПУНКТОВ КОЛЛЕКТИВНОГО ДОСТУПА Специальность 05.13.13 – Телекоммуникационные системы и компьютерные сети АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва – 2006 Работа выполнена в Московском государственном институте электроники и математики (техническом университете) на кафедре Электронно-вычислительная аппаратура Научный руководитель :...»

«Макарова Мария Александровна ВЕРИФИКАЦИЯ МЕЗОСКОПИЧЕСКОЙ МОДЕЛИ В РЕОЛОГИИ ПОЛИДИСПЕРСНЫХ ВЯЗКОУПРУГИХ ПОЛИМЕРНЫХ СРЕД 05.13.18 – Математическое моделирование, численные методы и комплексы программ Автореферат диссертации на соискание ученой степени кандидата физико-математических наук Барнаул 2007 Работа выполнена на кафедре высшей математики в ГОУ ВПО Алтайский государственный технический университет им. И.И. Ползунова Научный руководитель : доктор физико-математических...»

«Бабин Михаил Александрович Модели, методы и комплексы программ построения зависимостей, основанные на решетках замкнутых множеств Специальность 05.13.18 Математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание учной степени е кандидата физико-математических наук Москва — 2012 Работа выполнена в Национальном исследовательском университете Высшая школа экономики (НИУ ВШЭ). Научный руководитель : доктор физико-математических наук...»

«ТЯГУНОВ Олег Аркадьевич РАЗВИТИЕ ТЕХНОЛОГИЙ АНАЛИЗА, МНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИ И МОДЕЛИРОВАНИЯ МНОГОСВЯЗНЫХ МЕХАТРОННЫХ СИСТЕМ УПРАВЛЕНИЯ Специальность 05.13.01 Системный анализ, управление и обработка информации (по отраслям промышленности: приборостроение) Автореферат диссертации на соискание ученой степени доктора технических наук Москва 2009 2 Работа выполнена на кафедре “Проблемы управления” Государственного образовательного учреждения высшего профессионального...»

«Купцов Павел Владимирович Самоорганизация и гиперболический хаос в автоволновых системах 05.13.18 – Математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание учёной степени доктора физико-математических наук Саратов – 2012 Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Саратовский государственный технический университет имени Гагарина Ю. А. Научный доктор...»

«Карпов Дмитрий Анатольевич МЕТОДИКА ПРОЕКТИРОВАНИЯ СТРУКТУРЫ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ ВЫЯВЛЕНИЯ СЛАБОКОНТРАСТНЫХ НЕОДНОРОДНОСТЕЙ В ОТРАЖЕННОМ РАДИОЛОКАЦИОННОМ СИГНАЛЕ Специальность 05.13.15 — Вычислительные машины, комплексы и компьютерные сети АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук МОСКВА — 2011 Работа выполнена на кафедре Вычислительной техники Федерального государственного бюджетного образовательного учреждения высшего профессионального...»






 
© 2013 www.diss.seluk.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Методички, учебные программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.