novtexmechМехатроника, автоматизация, управлениеMekhatronika, Avtomatizatsiya, Upravlenie1684-64272619-1253Commercial Publisher «New Technologies»10.17587/mau.26.525-535novtexmech-1838Research ArticleАВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ И ПРОИЗВОДСТВАМИAUTOMATION AND CONTROL TECHNOLOGICAL PROCESSESАвтоматизация нейросетевого прогнозирования аварийных ситуаций в задачах управления в нефтегазовой отраслиAutomation of Neural Network Forecasting of Emergency Situations in the Management Tasks of Oil and Gas IndustryАнтоновВ. В.AntonovV. V.

В. В. Антонов, д-р. техн. наук, проф., зав. кафедрой

Уфа

V. V. Antonov

Ufa, 450008, Republic of Bashkortostan

antonov.v@bashkortostan.ruПальчевскийЕ. В.PalchevskiyE. V.

Е. В. Пальчевский, канд. техн. наук, доц.

Москва

E. V. Palchevskiy

Moscow, 119454

teelxp@inbox.ruБаймурзинаЛ. И.BaimurzinaL. I.

Л. И. Баймурзина, ст. преподаватель

Уфа

L. I. Baimurzina

Ufa, 450008, Republic of Bashkortostan

lilabay@mail.ruКроминаЛ. А.KrominaL. A.

Л. А. Кромина, канд. техн. наук, доц.

Уфа

L. A. Kromina

Ufa, 450008, Republic of Bashkortostan

luyda-kr@yandex.ruРодионоваЛ. Е.RodionovaL. E.

Л. Е. Родионова, канд. техн. наук, доц.

Уфа

Rodionova L. E., PhD (Tech. Sc.), Associate Professor

Ufa, 450008, Republic of Bashkortostan

rodionovaKF@yandex.ruДьячковА. С.DyachkovA. S.

А. С. Дьячков, канд. техн. наук, руководитель управления технологического развития

Уфа

A. S. Dyachkov

Ufa, 450078

dyachkovAS@uust.ruБуркинА. А.BurkinA. A.

А. А. Буркин, студент

Уфа

A. A. Burkin

Ufa, 450008, Republic of Bashkortostan

burkin.anton@bk.ruУфимский университет науки и технологийРоссияUfa University of Science and TechnologyRussian FederationМИРЭА — Российский технологический университет (РТУ МИРЭА)РоссияMIREA — Russian Technological University (RTU MIREA)Russian FederationООО "Газпромнефть-Цифровые решения"РоссияGazpromneft-Tsifrovye Resolutions LLCRussian Federation2025131020252610525535Copyright © Commercial Publisher «New Technologies», 20252025Commercial Publisher «New Technologies»Commercial Publisher «New Technologies»https://mech.novtex.ru/jour/about/submissions#copyrightNoticehttps://mech.novtex.ru/jour/article/view/1838

Рассматривается задача автоматизации прогнозирования аварийных ситуаций в системах управления с использованием методов на основе искусственного интеллекта. В качестве примера рассмотрено управление работой скважины, при котором прогнозирование аварийных ситуаций выполняется на основе обработки больших объемов данных, представляющих собой показания датчиков системы телеметрической информации подъемных агрегатов, а также регулярной информации о событиях на скважине. Для обработки массивов данных предлагается применять рекуррентную нейронную сеть. Построена математическая модель, на основе которой разрабатывается структурная модель прототипа программы прогнозирования с интеграцией данных и знаний. Разрабатана концептуальная схема архитектуры программы на основе нейронной сети для автоматизации прогнозирования аварийных ситуаций в системах управления, построена информационная модель, описан принцип работы программы, реализованной на языке программирования Python с использованием библиотек Pandas и PyTorch. Приводятся полученные результаты и метрики, согласно которым идентифицируются данные для решения смежных задач — соотнесения аварийных ситуаций с конкретными бригадами и типами ремонтов. Рассматриваются типы нейронных сетей, которые предназначены для решения конкретных задач: рекуррентные нейронные сети (Recurrent Neural Networks, RNN), сверточные нейронные сети (Convolutional Neural Networks, CNN), долгосрочная краткосрочная память (Long Short-Term Memory, LSTM). Разработка программы на основе нейронной сети для автоматизации прогнозирования аварийных ситуаций в системах управления представляет собой важный инструмент для повышения безопасности, снижения рисков и оптимизации производственных процессов в нефтегазовой отрасли.

   This study addresses the automation of predicting emergency situations in control systems through artificial-intelligence methods. As a case example, well-operation control is examined: the prediction of emergencies is carried out by processing large volumes of data comprising sensor readings from the hoisting-unit telemetry system and routine event logs from the well. To handle these data sets, a recurrent neural network is proposed. A mathematical model is constructed, on the basis of which a structural model of the prototype prediction program integrating data and knowledge is developed.   A conceptual architectural scheme of the neural-network-based program for automating emergency prediction in control systems is presented, together with an information model and a description of the program’s operating principles. The program is implemented in Python using the Pandas and PyTorch libraries. The paper reports the resulting performance metrics, which also enable related tasks such as linking emergency situations to specific crews and repair types. Neuralnetwork varieties suited to particular subtasks are discussed: recurrent neural networks (RNN), convolutional neural networks (CNN), and long short-term memory networks (LSTM). Developing a neural-network program for automated emergency prediction represents an important tool for improving safety, reducing risks, and optimizing production processes in the oiland gas industry.

методы искусственного интеллектааварийная ситуацияпрогнозированиерекуррентная нейронная сетьсверточная нейронная сетьавтоматизацияуправлениеartificial intelligence methodsemergency situationforecastingrecurrent neural networkconvolutional neural networkautomationcontrolReferencesЗуев С. В. Статистическое онлайн-обучение в рекуррентные и прямые распространения квантовых нейронных сетях // Доклады Российской академии наук. Математика, информатика, процессы управления. 2023. Т. 514, № 2. С. 177—186.Zuev S. V. Statistical online learning in recurrent and direct propagation of quantum neural networks, Reports of the Russian Academy of Sciences. Mathematics, Informatics, Control Processes, 2023, vol. 514, no. 2, pp. 177—186 (in Russian).Щелчков Ю. Е. Анализ нефтегазовой отрасли Российской Федерации / Ю. Е. Щелчков. Текст: электронный // NovaInfo. 2023. № 138. С. 51—53.Shchelchkov Yu. E. Analysis of the oil and gas industry of the Russian Federation, NovaInfo, 2023, no. 138, pp. 51—53 (in Russian).Костючек М. И., Макаренко А. В. Применение сверточных глубоких нейронных сетей для решения некоторых задач анализа траекторных данных // Журнал радиоэлектроники. 2021. № 11. С. 1—25.Kostyuchek M. I., Makarenko A. V. Application of the convolutional deep neural networks for the solution of some tasks of the trajectory data analysis, Journal of radio electronics, 2021, no. 11, pp. 1—25 (in Russian).Скрипачев В. О., Гуйда М. В., Гуйда Н. В., Жуков А. О. Особенности работы сверточных нейронных сетей // International Journal of Open Information Technologies. 2022. Т. 10, № 12. С. 53—61.Skripachev V. O., Guida M. V., Guida N. V., Zhukov A. O. Features of convolutional neural networks work, International Journal of Open Information Technologies, 2022, vol. 10, no. 12, pp. 53—61 (in Russian).Мейзер М. В., Северьянова Е. Д., Мокшин В. В. Пример прогнозирования временных рядов с помощью рекуррентной нейронной сети LSTM // Молодой ученый. 2022. № 9 (404). С. 13—15. URL: https://moluch.ru/archive/404/89260/Meizer M. V., Severianova E. D., Mokshin V. V. Example of time series forecasting using recurrent neural network LSTM, Young Scientist, 2022, no. 9 (404), pp. 13—15, available at: https://moluch.ru/archive/404/89260/ (in Russian)Жиганов В., Иванов Ю. С., Грабарь Д. М. Исследование нейросетевых алгоритмов прогнозирования движений человека на базе LSTM и трансформеров // Доклады Российской академии наук. Математика, информатика, процессы управления. 2023. T. 514, № 2. С. 364—374.Zhiganov V., Ivanov Yu.S., Grabar D. M. Investigation of neural network algorithms for human movement prediction on the basis of LSTM and Transformers, Reports of the Russian Academy of Sciences. Mathematics, Informatics, Control Processes, 2023, vol. 514, no. 2, pp. 364—374 (in Russian).Cholakov R., Kolev T. Transformers predicting the future. Applying attention in next-frame and time series forecasting // arXiv:2108.08224v1 [cs.LG]. 18 Aug 2021.Cholakov R., Kolev T. Transformers predicting the future. Applying attention in next-frame and time series forecasting, arXiv:2108.08224v1 [cs.LG], 18 Aug 2021.Антонов В. В., Кромина Л. А., Родионова Л. Е. и др. Концепция формирования интеллектуальных управляющих систем энергоснабжения городских сетей // Мехатроника, автоматизация, управление. 2023. Т. 24, № 4. С. 190—198. DOI: 10.17587/mau.24.190-198.Antonov V. V., Kromina L. A., Rodionova L. E., Fakhrullina A. R., Baimurzina L. I., Palchevsky E. V., Rodionov E. A. The concept of forming the intellectual control systems of the power supply of the city networks, Мekhatronica, Avtomatizatsiya, Upravlenie, 2023, vol. 24, no. 4, pp. 190—198. DOI: 10.17587/mau.24.190-198 (in Russian).Palchevsky E. V., Antonov V. V., Kromina L. E. et al. Intelligent Forecasting of Electricity Consumption in Managing Energy Enterprises in Order to Carry out Energy-Saving Measures // Мekhatronica, Avtomatizatsiya, Upravlenie. 2023. Vol. 24, N. 6. P. 307—316. DOI: 10.17587/mau.24.307-316.Palchevsky E. V., Antonov V. V., Kromina L. E., Rodionova L. E., Fakhrunina A. R. Intelligent Forecasting of Electricity Consumption in Managing Energy Enterprises in Order to Carry out Energy-Saving Measures, Мekhatronica, Avtomatizatsiya, Upravlenie, 2023, vol. 24, no. 6, pp. 307—316, DOI: 10.17587/mau.24.307-316Тихонов Д. В., Ермоленко М. О. Современные технологии прикладного программирования и обработки данных. Ярославль: ООО "ПКФ "СОЮЗ-ПРЕСС", 2024. 232 с.Tikhonov D. V., Ermolenko M. O. Modern technologies of applied programming and data processing, Yaroslavl, LLC "PKF ‘SOYUZ-PRESS’, 2024, 232 p. (in Russian).Сухов Е. А., Рябыкин А. С. Нейросетевые методы в задаче сентимент-анализа // Вопросы применения цифровой обработки сигналов. 2022. № 12 С. 41—57.Sukhov E. A., Ryabykin A. S. Neural network methods in the task of sentiment analysis, Problems of the digital signal processing application, 2022, no. 12, pp. 41—57 (in Russian).Рапаков Г. Г., Горбунов В. А., Дианов С. В., Елизарова Л. В. Исследование LSTM-нейросетевого подхода при моделировании временных рядов // Вестник Череповецкого государственного университета. 2023. № 3 (114). С. 47—54.Rapakov G. G., Gorbunov V. A., Dianov S. V., Elizarova L. V. Research LSTM-neural network approach in modeling of time series, Vestnik of Cherepovets State University, 2023, no. 3 (114), pp. 47—54 (in Russian).Тормозов В. С. Адаптация модели нейронной сети LSTM для решения комплексной задачи распознавания образов // Программные продукты и системы. 2021. № 1. С. 151—156.Tormozov V. S. Adaptation of the LSTM neural network model for solving the complex problem of pattern recognition, Program products and systems, 2021, no. 1, pp. 151—156 (in Russian).Abdulnagimov A. I., Antonov V. V., Chepaykin A. S., Palchevsky E. V., Nasyrov N. T. Neural Network Simulator of Gas Turbine Engines for Prototyping and Debugging of Control Systems on Unsteady Modes // Мekhatronica, Avtomatizatsiya, Upravlenie. 2025. Vol. 26, N. 1. P. 22—27. DOI: 10.17587/mau.26.22-27.Abdulnagimov A. I., Antonov V. V., Chepaykin A. S., Palchevsky E. V., Nasyrov N. T. Neural Network Simulator of Gas Turbine Engines for Prototyping and Debugging of Control Systems on Unsteady Modes, Мekhatronica, Avtomatizatsiya, Upravlenie, 2025, vol. 26, no. 1, pp. 22—27. DOI: 10.17587/mau.26.22-27Федоров И. Е., Гаар М. П., Гарифуллин А. Е. Анализ и применение ELU функций активации производных функций // Вестник новой эры. 2024. С. 204—217.Fedorov I. E., Gaar M. P., Garifullin A. E. Analysis and application of ELU activation functions of derivative functions, Vestnik Novaya Era, 2024, pp. 204—217 (in Russian).Palchevsky E., Antonov V., Filimonov N., Rodionova L. E. [et al.] Development of an intelligent system for early forecasting and modelling of flood situation on the example of the Republic of Bashkortostan using a proprietary machine and deep learning library // Journal of Hydrology. 2024. Vol. 633. P. 130978.Palchevsky E., Antonov V., Filimonov N., Rodionova L. E. [et al.] Devel-opment of an intelligent system for early forecasting and modelling of flood situa-tion on the example of the Republic of Bashkortostan using a proprietary ma-chine and deep learning library, Journal of Hydrology, 2024, vol. 633, pp. 130978.Анисимов А. А., Сороковнин М. Е., Тарарыкин С. В. Нейросетевая идентификация и настройка мехатронных систем с регуляторами состояния // Мехатроника, автоматизация, управление. 2025. № 2. С. 65—76. DOI: 10.17587/mau.26.65-76.Anisimov A. A., Sorokovnin M. E., Tararykin S. V. Neural network identification and tuning of the mechatronic systems with the state regulators, Мekhatronica, Avtomatizatsiya, Upravlenie, 2025, vol. 26, no. 2, pp. 65—76 (in Russian). DOI: 10.17587/mau.26.65-76.Константинов А. В., Уткин Л. В. Новый вычислительно простой метод для реализации нейронных сетей с жесткими ограничениями на выходные данные // Доклады Российской академии наук. Математика, информатика, процессы управления. 2023. T. 514, № 2. С. 80—90.Konstantinov A. V., Utkin L. V. New computationally simple method for realization of the neural networks with rigid restrictions on the output data, Reports of the Russian Academy of Sciences. Mathematics, Informatics, Control Processes, 2023, vol. 514, no. 2, pp. 80—90 (in Russian).

The authors declare that there are no conflicts of interest present.