Содержание к диссертации
Введение
Глава 1. Современные методы и средства оперативной диагностики состояния установок электроцентробежных насосов 15
1.1. Мехатронные системы и мехатронные объекты нефтегазодобычи 15
1.2. Общие сведения о добыче нефти 18
1.2.1. Фонтанный способ добычи нефти 19
1.2.2. Газлифтный способ добычи нефти 19
1.2.3. Добыча нефти с применением скважинных штанговых насосных установок 20
1.2.4. Добыча нефти установками электроприводных диафрагменных насосов 22
1.2.5. Добыча нефти установками электровинтовых насосов 24
1.2.6. Добыча нефти установками электроприводного центробежного насоса 25
1.3. Состав установки электроцентробежных насосов (УЭЦН) 27
1.3.1. Параметры, характеризующие режимы функционирования УЭЦН 29
1.3.2. Неисправности, возникающие в режимах функционирования УЭЦН 30
1.4. Методы оперативной диагностики УЭЦН, применяющиеся на предприятиях нефтедобывающего комплекса в РФ 31
1.5. Системы поддержки принятия решений 36
1.5.1. Общие сведения, определение понятия 36
1.5.2. Требования к инструменту обработки информации в разрабатываемой СППР 38
1.5.3. Современные методы интеллектуального анализа данных 39
Глава 2. Разработка неиросетевых методов обработки оперативных данных о состоянии уэцн 46
2.1. Искусственные нейронные сети 46
2.1.1. Особенности нейронных сетей. Основные нейропарадигмы 46
2.1.2. Схема функциональной структуры нейронной сети 54
2.1.3. Алгоритм функционирования нейронной сети 56
2.1.4. Недостатки классических нейросетевых методов и подходов в условиях решения задачи оперативной диагностики состояния УЭЦН... 57
2.2. Теорема о разбиении множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния 58
2.3. Метод нейросетевой интерпретации жестких правил 62
2.4. Метод обработки данных в нейросетевом модуле с применением параллельных нейропроектов 66
2.5. Метод извлечения правил из нейронной сети 67
2.6. Метод одновременного применения обучаемых и необучаемых нейронных сетей 70
Глава 3. Нейросетевая методика оперативной диагностики состояния сложного мехатронного объекта нефтегазодобычи 74
3.1. Обобщенная схема последовательности выполняемых процедур 74
3.1.1. Постановка задачи, анализ входных данных 76
3.1.2. Алгоритм процедуры извлечения новых правил о мехатронном объекте нефтегазодобычи 77
3.1.3. Конфигурирование входных и выходных параметров 79
3.1.3.1. Алгоритм реорганизации распознаваемых классов 79
3.1.4. Предварительная обработка данных 81
3.1.4.1. Алгоритм кластеризации k-means 82
3.1.4.2. Алгоритм FOREL 83
3.1.4.3. Алгоритм FOREL-2 86
3.1.5. Формирование выборок обучающих примеров 86
3.1.6. Обучение нейронной сети 88
3.1.6.1. Алгоритм обучения нейронной сети 88
3.1.6.2. Алгоритм автоматизированной процедуры самообучения нейросетевого модуля 92
3.1.7. Мониторинг в режиме реального времени 93
Глава 4. Программная реализация системы поддержки принятия решений на основе нейронной сети для оперативной диагностики состояния УЭЦН 96
4.1. Архитектура СППР УЭЦН-НС 96
4.2. Параметры, использованные для обучения нейронных сетей, и классифицируемые неисправности УЭЦН 101
4.3. Взаимосвязи между данными внутри информационной базы 103
4.4. Пример реализации метода неиросетевои интерпретации жестких алгоритмов 104
4.5. Основные экранные формы СППР "УЭЦН-НС" .7 113
4.6. Форматы протоколов и отчетов программы 117
4.7. Общий алгоритм работы программы 121
4.8. Практические результаты на данном этапе. Перспективы развития ПК СППР "УЭЦН-НС" 122
Заключение 125
Литература 127
Приложение
- Общие сведения о добыче нефти
- Теорема о разбиении множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния
- Конфигурирование входных и выходных параметров
- Параметры, использованные для обучения нейронных сетей, и классифицируемые неисправности УЭЦН
Введение к работе
Актуальность темы исследования. Нефтегазодобывающая отрасль является страгеги чески важной в условиях современного уровня развития экономики Российской Федерации. Неисправности, аварии, отказы, возникающие в непрерывном процессе добычи нефти и газа, влекут за собой тяжелые экономические и экологические последствия.
Нефтегазодобывающий производственный процесс осуществляется за счет функционирования комплекса нефтегазодобывающего оборудования, представляющего собой совокупность мехатронных объектов различной степени сложности. Центральное место среди сложных мехатронных объектов нефтедобычи занимают установки электроцентробежных (электропрнводных центробежных) насосов (УЭЦН), применяющиеся для извлечения продукции на высокодебитовых скважинах. Отказы в режимах функционирования УЭЦН являются основной причиной незапланированных внутрисменных простоев добывающего фонда скважин, что приводит к значительным материальным потерям.
В настоящее время качество и оперативность принимаемого диагностического решения о состоянии УЭЦН в значительной степени зависит от квалификации оператора (технолога нефтегазодобываюшего управления, оператора цеха, инженера центральной технологической службы).
Учитывая большую номенклатуру анализируемых параметров и, как правило, огромные объемы анализируемой информации о режимах функционирования УЭЦН, вероятность ошибки оценки его состояния и непринятия оператором соответствующего оперативного управленческого решения достаточна велика.
. В этой связи актуальной выступает задача разработки автоматизированной системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин.
Целью диссертационной работы является сокращение числа отказов мехатронного комплекса фонда электроцентробежных насосов нефтедобывающих скважин за счет оперативной диагностики их состояния.
С учетом особенностей предметной области методы и подходы, применяемые в СІ.ІГІР операторов УЭЦН, должны обеспечивать качественную обработку диагностической информации в жестких временных рамках в условиях неполноты и противоречивости поступающих данных.
Данным требованиям соответствуют нейросетевые технологии анализа информации как наиболее эффективный метод обработки оперативных данных в многопараметрических, трудно формализуемых условиях нефтегазодобывающей отрасли.
В этой связи актуальная научная задача, решению которой посвящена диссертация, - разработка новых методов и средств оперативной диагностики состояния УЭЦН нефтегазодобывающей отрасли на основе технологии искусственных нейронных сетей.
Для достижения поставленной цели необходимо решить следующие задачи:
-провести анализ существующих систем диагностики состояния У ЭЦП нефтегазодобывающей отрасли для определения недостатков применяемых в них методов и подходов:
обосновать целесообразность разработки автоматизированной нейроеетевой системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин;
провести анализ существующих нейросетевых методов и алгоритмов обработки информации на предмет их эффективности в условиях соблюдения требований обеспечения качественной диагностики состояния УЭЦН в режиме реального времени:
модифицировать существующие и разработать новые нейросетевые методы анализа данных для их применения в разрабатываемой СППР;
разработать методику оперативной диагностики состояния УЭЦН;
разработать архитектуру и основные принципы функционирования автоматизированной нейроеетевой СППР для оперативной диагностики состояния УЭЦН;
программно реализовать предлагаемые методы и экспериментально исследовать эффективность их применения в реальных производственных условиях.
Объект исследования - нейросетевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин.
Методы исследований основаны на теории мехатроники и робототехники, теории экспертных систем, теории множеств, теории системного анализа, теории вероятности, методах интеллектуального и кластерного анализа данных.
Достоверность и обоснованность научных исследований подтверждается практически полным совпадением теоретических положений с результатами испытаний созданного на их основе промышленного образца СППР для диагностики сосгояния установок ЭЦН, а также апробацией полученных научных результатов на международных и всероссийских конференциях.
Научная новизна полученных в диссертации результатов состоит в следующем:
научно обосновано положение, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;
разработан метод определения конфигурации нейронной сети, отличающийся тем, что определение конфигурации архитектуры нейронной сети с соогвегствующими весовыми коэффициентами осуществляется с применением метода дизъюнкивных нормальных форм, что позволяет производить нейросетевую интерпретацию априорных правил о функционировании мехатронного объекта;
разработан метод извлечения правил из нейронной сети, отличающийся тем. что позволяет извлекать новые неизвестные закономерности (правила) о функционировании УЭЦН по результатам нейроеетевой обработки;
разработана методика оперативной диагностики состояния мехатроппых объектов нефтегазодобычи на основе технологии нейронных сетей, позволяющая качественно оценивать состояние оборудования;
разработана архитектура нейросетевой CHI IP операторов УЭЦН, отличающаяся тем, что анализ данных производится при одновременном использовании нейронной сети, обучаемой методом обратного распространения ошибки, и необучаемой нейронной сети с пороговой функцией активации, что позволяет в режиме реального времени производить
.диагностику текущего состояния мехатронного объекта с определением тенденции развития ситуации.. Новизна полученных результатов подтверждается отсутствием аналогичных результатов в открытых доступных источниках.
Положения и результаты, выносимые на зашиту:
нейросстевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин позволяет сократить число отказов в работе погружного оборудования за счет оперативной диагностики состояния УЭЦН:
существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых
. распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;
метод нейросетевой интерпретации жестких правил о функционировании сложного мехатронного объекта.
методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей.
Научная и практическая ценность полученных в диссертации результатов состоит в разработке формальной методики диагностики оперативного состояния УЭЦН на основе технологии искусственных нейронных сетей.
Созданные на основе данной методики архитектура и программная реализация нейросетевой СППР операторов УЭЦН позволяют решать задачу оперативного предупреждения наступления отказов в режимах функционирования погружного оборудования с высоким качеством обработки данных и быстродействием в 5-6 раз выше аналогичных систем, построенных на жестких алгоритмах, что позволяет операторам мехатронного комплекса фонда УЭЦН принимать соответствующее управляющее решение.
Реалишция результатов работы. Программный комплекс "УЭЦН-НС". разработанный в рамках х/д №555221 от 01.09.2005 г. (шифр "Альфа") между НИИ МВС ТРТУ и ОАО "Сургутнефтегаз" (ПК СППР "УЭЦН-НС") успешно внедрен в промышленную эксплуатацию в нефтегазодобывающих управлениях ОАО "Сургутнефтегаз" в 2006 году. Данный программный комплекс выполняет функции диагностирования работы УЭЦН путем проведения нейросетсвого анализа данных о его функционировании, поступающих по каналам телеметрии, данных технологических замеров и иных параметров.
За период промышленной эксплуатации СППР "УЭЦН-НС" был предотвращен ряд отказов оборудования, что позволило исключить высокие экономические потери, обусловленные затратами на демонтаж, ремонт ЭЦН, повторный запуск и вывод скважин на режим, а также убытками от незапланированного простоя единиц добывающего фонда.
Апробация работы.
Результаты диссертационной работы использовались: -в НИР "Разработка самообучаемой реконфигурируемой системы поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети» (№ 00-07-71)", проведенного в рамках программы Президиума РАН "Поддержки инноваций и разработок":
-в НИР "Разработка и исследование методов и средств повышения безопасности и эффективности функционирования распределенных информационно-управляющих систем сложных технических объектов" (№ г/р 01200852701) в рамках ФЦП "Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы":
-в НИР "Разработка и исследование методов и алгоритмов создания интеллектуальных функциональных компонентов отказоустойчивых распределенных информационно-управляющих систем (РИУС) (№г/р 01200953310) в рамках аналитической ведомственной целевой программы "Развитие научного потенциала научной школы (2009-2010)".
Основные положения диссертационной работы докладывались и получили одобрение на:
-Международной научной конференции "Интеллектуальные и многопроцессорные системы (ИМС-2005)" (с. Дивноморское, Россия, 2005 г.):
-Международной научной конференции "Искусственный интеллект. Интеллектуальные и многопроцессорные системы (ИМС-2006)" (с. Кацивели, Украина, 2006):
Международной научной мультиконференции "Мсхатроника, автоматизация, управление (МЛУ-2007)" (с. Дивноморское. Россия, 2007 г.):
Научно-технической конференции "Высокопроизводительные вычислительные системы (В1IBC-2008)" (г. Таганрог. Россия, 2008);
на II, III и IV Ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра (ЮНЦ) Российской академии наук (РАН) (2006,2007, 2008 гг., г. Ростов- на-Дону);
на II Всероссийской Школе-семинаре молодых ученых "Управление большими системами" (2007, г. Воронеж);
на I (аучяо-технической школе-семинаре по мехатронике и робототехнике (Санкт-Петербург, Россия, 2007 г.).
Несколько докладов были выделены как лучшие и были отмечены призовыми местами.
Публикации. По теме диссертации опубликованы 16 работ, из которых 7 статей в ведущих научных отечественных журналах и зарубежных изданиях (включенных в
перечень ВАК); 2 статьи опубликованы автором единолично, 8 тезисов докладов, получено 1 свидетельство об официальной регистрации программы для ЭВМ.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений.
Диссертация содержит 125 страниц печатного текста (162 страницы с приложениями), 26 рисунков, 5 таблиц, список используемой литературы из 102 источников.
Общие сведения о добыче нефти
Разработка месторождений ведется эксплуатационными скважинами, пробуренными по определенной системе. Основными элементами в системе разработки каждого эксплуатационного объекта (залежи) являются схема размещения добывающих скважин и их количество. От этого при прочих условиях зависят темп отбора нефти из залежи и срок ее разработки [1].
Выбор наиболее рационального способа разработки месторождений, позволяющего извлекать из недр максимальное количество нефти и газа, зависит от многих факторов, в частности: от энергетического режима залежи, геологического строения площади, физико-химических свойств пластовой нефти, физико-химических пород-коллекторов и др. Всякая нефтяная или газовая залежь обладает потенциальной энергией, которая в процессе разработки переходит в кинетическую и расходуется на вытеснение нефти и газа из пласта. Характер проявления пластовой энергии, зависящей от природных условий и мероприятий по воздействию на пласт, называется режимом пласта.
По мере добычи нефти давление в пласте падает. Как уже отмечалось, в зависимости от режима залежи выбирается наиболее рациональный способ ее разработки. Если давление велико, то нефть или газ начинают фонтанировать, поднимаясь по насосно-компрессорным трубам за счет пластовой энергии.
Фонтанный способ добычи нефти применяют в начальный период разработки нефтяной залежи, когда пластовое давление достаточно большое и к забоям скважины подступает безводная или мало обводненная нефть. Возможно его использование и на более поздней стадии при искусственном поддержании пластового давления. Фонтанный способ добычи нефти является наиболее экономичным. Однако его реализация существенно зависит от продуктивности пласта и свойств пластовой нефти, таких как плотность, вязкость, давление насыщения нефтяным газом, газосодержание и т.д. Преимущества фонтанной эксплуатации скважины: простота оборудования скважины; отсутствие подачи энергии в скважину с поверхности; возможность регулирования режима работы скважины в широких пределах; удобство выполнения исследований скважин и пласта с применением практически всех современных методов; возможность дистанционного управления скважиной; значительная продолжительность межремонтного периода работы. Одним из основных условий работы фонтанной скважины является давление на устье, являющееся начальным давлением при движении добываемой продукции по трубопроводам системы сбора [1].
При газлифтном способе эксплуатации недостающая энергия подается с поверхности в виде энергии сжатого газа по специальному каналу. Газ смешивается с нефтью, поступающей из пласта, и способствует более быстрому и легкому ее подъему из скважины на поверхность. Газлифт подразделяется на два типа: компрессорный и безкомпрессорный. При компрессорном газлифте для сжатия попутного газа применяются компрессоры, а при безкомпрессорном газлифте используется газ месторождения, находящийся под давлением, или из других источников. Преимущества газлифтного способа эксплуатации: - простота скважинного оборудования и удобство его обслуживания; - эффективная эксплуатация скважин с большими искривлениями ствола; - эксплуатация скважин с большим газовым фактором и с высокотемпературными пластами; - полная автоматизация и телемеханизация процессов добычи нефти; - простота борьбы с отложением парафина, солей и коррозионными процессами; - простота работ - по подземному текущему ремонту скважины, восстановление работоспособности подземного оборудования для подъема продукции скважины.
В тех случаях, когда пластовая энергия недостаточна и глубина залегания продуктивного горизонта велика, применяется насосная эксплуатация скважин с помощью глубинных насосов.
Теорема о разбиении множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния
Теорема. Существует разбиение множества состояний объекта на, в общем случае, пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние объекта на основе конъюнктивной сборки с заданной вероятностью. Доказательство данной теоремы требует последовательного доказательства приведенных ниже лемм. Лемма №1 Разбиение множества состояний объекта X на подмножества М}, М2, ..., MN ..., которые могут быть использованы для обучения нейронной сети, является конечным. Доказательство Поскольку множество состояний объекта X конечно, то множество всех его подмножеств имеет мощность 2Nx, где Nx — множество состояний X, т.е. имеет конечное число элементов, ч.т.д. Лемма №2 Реализация множества состояний объекта X, содержащих подмножество признаков N для обучения нейронной сети, ведет к аппаратным затратам Ах при времени обработки т. Доказательство Пусть аппаратные затраты на реализацию одного разбиения (подмножества) объекта X обозначаются А. Согласно работе Маккалока и Питтса [40] задача реализации нейронной сети может быть решена на вероятностной машине Тьюринга за полиномиальное время с оценкой 0(nk). Пусть п- мощность подмножества (разбиения) множества состояний N объекта X. Затраты оборудования на реализацию схемы сравнения двух чисел (пропорциональны) —, реализация схемы сборки также потребует пропорциональное — число операционных циклов. Тогда, временные и, соответственно, аппаратные затраты на реализацию разбиения множества состояний N объекта X будут пропорциональны —, т.е А —. Тогда аппаратные затраты на реализацию всех подмножеств состояний объекта X можно выразить как Ax=A] 2Nx, где Nx - множество состояний X. Время обучения нейронной сети: T=z Numep, ще т= rfAx) - время одной итерации обучения. Поскольку функция A AfNx) является нелинейной (характеризуется экспоненциальным ростом), то при увеличении множества состояний Nx экспоненциально растут как аппаратные затраты на реализацию нейросети, так и временные затраты на ее обучение, ч.т.д. Что касается физического смысла данной леммы в условиях поставленной задачи оперативной диагностики состояния УЭЦН, то если в качестве обучающих классов будет использоваться максимально возможное разбиение (будем обучать нейронную сеть на распознавание всех неисправностей сразу), то процедура обучения при таком разбиении, будет требовать, соответственно, большой объем аппаратно-временных затрат. Лемма №3 Реализация разбиения множества состояния объекта на один числовой признак не может быть собрана при помощи простых конъюнкций. Доказательство Аналогом разбиения множества состояний объекта X на подмножества состояний N является разбиение распознаваемого объекта на фрагменты (в теории распознавания образов). Если предположить, что при распознавании лица человека происходит разбиение не на фрагменты типа "глаза", "нос", "губы" и т.д., а на отдельные пиксели, то логичным является тезис о том, что обратная сборка распознанных пикселей в искомое распознаваемое лицо будет неудачной. Данная ситуация характерна и для классификации состояний УЭЦН. Если в качестве выборки обучающих примеров будет реализовываться подмножество состояний, характеризующих состояние УЭЦН, определяемых одним параметром, то будет невозможно произвести итоговую оценку состояния объекта, ч.т.д. Лемма №4 Любое разбиение, принадлежащее множеству Nx, может привести к распознаванию состояния объекта X при фиксированных аппаратно-временных затратах. Доказательство
Конфигурирование входных и выходных параметров
Для качественного обучения нейронной сети желательно чтобы в ОВ (обучающие выборки) все классы были обеспечены сравнимым количеством объектов (ОВ равномерная); не было одинаковых объектов в разных классах (ОВ непротиворечива) и объекты внутри классов имели низкую дисперсию и формировали четкий эталон [80-81]. Однако на практике мы в основном сталкиваемся с противоположной ситуацией: количество объектов в одних классах на порядок больше, чем в других; в разных классах попадаются одинаковые объекты, либо существуют объекты в пограничной области соседствующих классов; объекты внутри класса разрознены либо образуют несколько удаленных областей с низкой дисперсией. А на подобных ОВ нейронные сети учатся долго и редко достигают необходимых показателей по достоверности. В рамках решения задачи классификации состояний, имеется некоторая свобода в формировании, как обучающих наборов, так и распознаваемых классов (разбиении состояния объекта на подмножества состояний). Таким образом, одна и то же состояние может быть представлено обучающими выборками с разными характеристиками. Исходя из этого, в качестве еще одного способа ускорения обучения нейронных сетей предлагается реорганизация множества распознаваемых классов.
В зависимости от того, насколько ОВ противоречива и неравномерна, мы можем объединять классы между собой либо образовывать новые. Введем следующие определения: - объекты класса, имеющие низкую дисперсию и расположенные вблизи эталона либо формирующие этот эталон, назовем Правилами данного класса [80]. - объекты, удаленные от эталона, лежащие на границах класса, назовем Исключениями. Теперь, исходя из этих определений, можно предложить критерии проведения реорганизации множества распознаваемых классов: 1. если в классе кроме Правил, существуют Исключения; 2. если дисперсия внутри класса велика, и невозможно чётко определить эталон. Исключения и классы, не имеющие ярко выраженного эталона, понижают повторяемость ОВ, их наличие может говорить о неверном разбиении пространства объектов на классы. Решением данной проблемы может быть перемещение Исключений в другие классы либо образование новых классов с меньшей величиной дисперсии. Кроме ускорения и повышения качества обучения путем улучшения характеристик ОВ с помощь реорганизации классов поставленную задачу можно решить и другим способом. Для многослойных нейронных сетей с обратным распространением ошибки существует зависимость между количеством распознаваемых классов и размерностью сети. Количество распознаваемых классов однозначно определяет число нейронов в выходном слое сети, что косвенно определяет и количество нейронов в ее скрытых слоях. Следовательно, сокращение числа классов ведет к уменьшению размерности нейронной сети, а чем меньше сеть, тем быстрее она учится. Понятно, что объединение классов между собой дает выигрыш в скорости обучения, но приносит и потери в качестве. Однако многие реальные задачи, решаемые на нейронных сетях, не допускают операций по реорганизации множества распознаваемых классов, и, как следствие, этот метод не может быть применен для решения таких задач. Таким образом, скорость обучения нейронной сети можно повысить либо за счет сокращения числа распознаваемых классов, либо, повышая качество характеристик ОВ, перемещая объекты между классами и образуя новые классы. При этом необходимо руководствоваться понятием достаточности, выбирая соотношение скорости и качества решения задачи в рамках ограниченных аппаратно-временных затрат.
Параметры, использованные для обучения нейронных сетей, и классифицируемые неисправности УЭЦН
В данном разделе приводится описание последовательности действий при вычислении логического выражения с применением формируемой в автоматизируемом режиме нейронной сети. Приведенная методика позволяет определять оптимальную конфигурацию нейронной сети (количество скрытых слоев, количество элементов в каждом скрытом слое), а также соответствующие весовые коэффициенты нейронов [3],[9],[79]/ Операция определения конфигурационных параметров нейронной сети производится инженером по знаниям (ИЗ) в приложении АРМ ИЗ. Пусть мы имеем следующий набор правил для определения трех режимов работы УЭЦН (работа без осложнений - 2 правила, слом вала — 2 правила, снижение притока - 1 правило). Параметры с соответствующими границами, по которым определяется тот или иной режим функционирования скважины, представлены ниже в таблице 4.3. Задаем конфигурацию нейронной сети — 2 скрытых слоя (потому что 2 скрытых слоя позволяют формировать любые невыпуклые области, т.е. позволяют четко разграничить типы неисправностей и режимов работы УЭЦН на отдельные классы и обеспечить максимально возможный процент правильно распознанных ситуаций в рабочем режиме ПК СППР "УЭЦН-НС"), 18 нейронов в первом скрытом слое (kl см. выше), 5 - во втором (по количеству строк в Таблице 1). Функция активация - пороговая. Аргументы функции - (IAJOPER, IAJJDLE, IAJ_ECN, UAUNOM, UCJJNOM, COS_A, Q_ST_ZAM_Q_ST_OPER, RJSOL) Им соответствуют следующие значения Min=(0;0;0;0;0;0;0;0;0); Мах=(2;2;2;2;2;2;1;2;9999); Отображением проведенных операций выступает форма визуализации, отображенная на рисунке 4.4. Для из слоев находится смещение и строится матрица весов первого слоя W1 путем заполнения полей верхней таблицы, изображенной на рисунке 4.4. Разработанная система успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", что подтверждается соответствующим актом внедрения. За период промышленной эксплуатации при помощи СППР "УЭЦН-НС" было выявлено несколько десятков неисправностей в работе погружного оборудования, что позволило избежать отказов УЭЦН и, соответственно, убытков, обусловленных затратами на ремонт оборудования, повторный вывод скважины на режим и потерями от незапланированного простоя в производственном процессе добычи нефти. Коэффициент правильно распознанных ситуаций составил около 100% подсистемы "Нейроэксперт" и более 84% у обученной нейронной сети по оценкам экспертов - технологов НГДУ "Комсомольскнефть" [3],[9], [23]. В настоящий момент система введена в промышленную эксплуатацию во всех НГДУ ОАО "Сургутнефтегаз". Кроме очевидного экономического эффекта внедрение данной системы повышает безопасность работы технологов НГДУ, в чьи обязанности входит непосредственный контроль работоспособности технологического оборудования и объемов добычи продукции, что особенно актуально в суровых климатических условиях Западной Сибири.
