Автоматизация нейросетевого прогнозирования аварийных ситуаций в задачах управления в нефтегазовой отрасли

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.

1. Зуев 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.

2. Щелчков Ю. Е. Анализ нефтегазовой отрасли Российской Федерации / Ю. Е. Щелчков. Текст: электронный // NovaInfo. 2023. № 138. С. 51—53.

3. 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.

4. 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.

5. 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/

6. 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.

7. 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.

8. 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.

9. 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.

10. Тихонов Д. В., Ермоленко М. О. Современные технологии прикладного программирования и обработки данных. Ярославль: ООО "ПКФ "СОЮЗ-ПРЕСС", 2024. 232 с.

11. Сухов Е. А., Рябыкин А. С. Нейросетевые методы в задаче сентимент-анализа // Вопросы применения цифровой обработки сигналов. 2022. № 12 С. 41—57.

12. 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.

13. Тормозов В. С. Адаптация модели нейронной сети LSTM для решения комплексной задачи распознавания образов // Программные продукты и системы. 2021. № 1. С. 151—156.

14. 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.

15. Федоров И. Е., Гаар М. П., Гарифуллин А. Е. Анализ и применение ELU функций активации производных функций // Вестник новой эры. 2024. С. 204—217.

16. 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.

17. 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.

18. 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.