CC BY
18
НАУКИ О ЗЕМЛЕ
УДК 621.644 DOI 10.24412/1728-5283-2023-3-5-14
К ПРОБЛЕМЕ ОТБОРА ПРИЗНАКОВ ДЛЯ ПОСТРОЕНИЯ ПРЕДИКТИВНЫХ МОДЕЛЕЙ КЛАССИФИКАЦИИ ПРОМЫСЛОВЫХ ТРУБОПРОВОДОВ ПО НАДЕЖНОСТИ *
© Ашина Алина Азатовна, ©Ашин Михаил Сергеевич, © Саляхов Алмаз Газимович, © Ахмадуллин Тимур Мубаракович,
ООО «РН-БашНИПИнефть», г Уфа, Российская Федерация
Одной из важных задач мониторинга состояния промысловых трубопроводных сетей является оценка вероятности отказа трубопроводов на основе анализа имеющейся статистики. Принятые подходы к планированию предупредительных ремонтов и реконструкции сетей сбора подразумевают статистический анализ сводки отказов трубопроводов, однако учитывает ограниченное число факторов, что может снижать достоверность прогнозирования. Применение современных подходов анализа статических данных позволяет автоматизировать данные процессы, а также принять в обработку большие массивы данных. Цель работы - повышение эффективности планирования ремонтов и реконструкции промысловых нефтегазосборных сетей за счет использования расширенного комплекса параметров и технологий машинного обучения при прогнозировании отказов промысловых трубопроводов. Формирование основы для разработки моделей мониторинга надежности промысловых трубопроводных сетей. В исследовании рассматриваются вопросы построения моделей машинного обучения, позволяющих оценивать вероятность отказа промысловых трубопроводов в будущем на основе анализа статистики отказов. В статье представлены результаты подбора признаков для классификации промысловых трубопроводов по надежности. Использован метод обратного отбора, позволяющий достичь улучшения качества классификации, представлены результаты создания нейронной сети на основе отобранных признаков, в наибольшей степени влияющих на качество представленной модели-классификатора. В статье предложено использовать подход, предполагающий обучение нейронной сети, используя в качестве обучающей выборки историю отказов трубопроводов, включающую 41 признак. Выполнена оценка влияния различных признаков на качество бинарной классификации.
Расчеты проводились с использованием языка программирования Python и биб-
Ключевые слова: Машинное обучение, промысловые трубопроводы, нейронная сеть, нефтегазосбор-ные сети.
лиотек для построения нейронных сетей _ PyTorch и Optuna.
ON THE PROBLEM OF FEATURE SELECTION FOR CONSTRUCTING PREDICTIVE MODELS OF FIELD PIPELINES CLASSIFICATION
BY RELIABILITY
©Ashina Alina Azatovna, ©Ashin Mikhail Sergeevich, © Salyakhov Almaz Gazimovich, © Akhmadullin Timur Mubarakovich
RN-BashNIPIneft LLC Ufa, Russian Federation
One of the important tasks of monitoring the state of field pipeline networks is to assess the probability of failure of pipelines based on the analysis of available statistics. The accepted approaches to the planning
* Для цитирования:
Ашина А.А., Ашин М.С., Саляхов А.Г., Ахмадуллин Т.М. К проблеме отбора признаков для построения предиктивных моделей классификации промысловых трубопроводов по надежности // Вестник Академии наук Республики Башкортостан. 2023. №3. С. 5-14. DOI 10.24412/1728-5283-2023-3-5-14
of preventive maintenance and reconstruction of collection networks imply a statistical analysis of pipeline failures, however, it takes into account a limited number of factors, which may reduce the reliability of forecasting. The use of modern approaches to the analysis of static data allows to automate these processes, as well as accept large amounts of data for processing. The purpose of this work is to increase the efficiency of planning repairs and reconstruction of field oil and gas gathering networks through the use of an extended set of parameters and machine learning technologies in predicting failures of field pipelines. Formation of the basis for the development of models for monitoring the reliability of field pipeline networks. The study deals with the issues of building machine learning models that allow assessing the probability of failure of field pipelines in the future based on the analysis of failure statistics. The article presents the results of feature selection for the classification of field pipelines by reliability. The reverse selection method was used to improve the quality of classification; the results of creating a neural network based on selected features that have the greatest impact on the quality of the presented classifier model are presented. The article proposes to use an approach that involves training a neural network, using the history of pipeline failures as a training sample, which includes 41 features. The influence of various features on the quality of binary classification has been evaluated. The calculations were carried out using the Python programming language and libraries
Key words: Machine learning, field pipelines, neural network, oil and gas gathering networks.
for building neural networks PyTorch and Optuna.
На текущий момент доля добычи нефти на крупных месторождениях, находящихся на поздней стадии разработки, составляет значительную долю общей добычи. Такие месторождения характеризуются развитой системой сбора и большой протяженностью трубопроводных сетей. Кроме того, трубопроводный фонд к моменту вступления месторождений в заключительные стадии в значительной степени стареет, что приводит к учащению отказов и порывов по причине внутренней коррозии. Все более актуальными становятся задачи прогнозирования и оценки рисков отказов трубопроводов. Это продиктовано необходимостью как снижения разливов нефти, так и сокращения времени простоя фонда по причине ремонта наземной инфраструктуры.
В числе ключевых проблем прогнозирования отказов, препятствующих повышению эффективности систем мониторинга состояния трубопроводов - качественная и количественная характеристика массивов данных, собираемых в ручном и автоматическом режиме. Сводная статистика отказов, как правило, ведется в ручном режиме и содержит ограниченное число параметров, описывающих объекты. Кроме того, существующие массивы данных имеют большое количество пропусков и неточностей, обусловленных человеческим фактором. Эти факторы осложняют совершенствование существующих систем мониторинга и прогнозирования отказов. Одна из актуальных задач в этой области - отбор признаков, в наибольшей степени влияющих на эффективность анализа.
Так, в работе [1] отмечается, что основной причиной отказа труб является коррозия, при
этом наиболее подвержены этому процессу трубопроводы нефтесборных сетей, выкидные линии, транспортирующие неподготовленную газожидкостную смесь (ГЖС), содержащую в своем составе большое количество воды, газ, механические примеси. Также отмечается, что наиболее подверженными отказам и наиболее распространенными диаметрами трубопроводов являются 114 и 159 мм, что указывает на то, что наиболее достоверные предиктивные модели могут быть основаны на статистике отказов именно этих групп трубопроводов. Также авторы работы отмечают, что, помимо прочего, на вероятность отказа влияет степень агрессивности перекачиваемой среды и производитель трубной продукции, использованной при строительстве трубопровода.
Согласно анализу, представленному в работе [2], среди отказов трубопроводов, вызванных коррозионными процессами, наиболее частой причиной является внутренняя коррозия, на интенсивность которой влияют непосредственно эксплуатационные показатели. Отмечается, что в наибольшей степени отказам подвержены трубопроводы промысловой сети.
Комплексный анализ влияния признаков на вероятность отказа показывает, что наиболее важными непрерывными признаками являются расход ГЖС, скорость потока, давление, обводненность продукции и газовый фактор. При этом среди категориальных признаков выделяются принадлежность к месторождению, наличие и тип внутренней изоляции, материал трубы. Отмечается высокая степень важности учета физи-
ВЕСТНИК АКАДЕМИИ НАУК РБ
/
2023, том 48, № 3(111]
А
Г
ко-химических свойств перекачиваемой среды для повышения эффективности предиктивных моделей. Как правило, прямой учет этих данных затруднен, но эти параметры могут быть учтены косвенно через признаки принадлежности трубопровода к месторождению, цеху или площадочному объекту сбора и подготовки [3].
На территории России использование статистических данных при прогнозировании отказов применяется достаточно активно. Одной из ком -паний, динамично развивающихся в данном направлении, является ПАО «НК «Роснефть». На данный момент в ООО «РН-БашНИПИнефть» разрабатываются и внедряются программные продукты на основе предиктивных моделей, позволяющие вести оперативный мониторинг трубопроводных сетей с учетом прошлого опыта эксплуатации и данных, поступающих в реальном времени. Помимо этого, разработана методика ранжирования трубопроводов на основе оценки рисков эксплуатации. Данная методика прогнозирует предрасположенность трубопроводов к отказам на основе учета 16 различных параметров, таких как срок эксплуатации трубопровода, количество отказов за последний год, количество отказов с начала эксплуатации, назначение трубопровода, материал изготовления, обводненность, ингибирование и другие. Отме-
чается превосходство эффективности описанной модели над экспертным методом оценки рисков эксплуатации, так как модель позволяет свести к минимуму влияние субъективных факторов, а также обеспечивает прозрачность и универсальность процедуры оценки [4].
На основе предиктивных моделей может быть выстроена система мониторинга надежности и эксплуатации промысловых трубопроводов, в реальном времени оценивающая предрасположенность к отказам и необходимость принятия мер по повышению устойчивости трубопроводов к порывам. Использование подобных систем позволит принципиально переработать процесс формирования программ повышения надежности трубопроводов, что существенно снизит операционные и капитальные затраты на развитие и поддержание наземной инфраструктуры [5].
Совершенствование методов прогнозирования отказов промысловых трубопроводов тесно связано с качеством и количеством собираемой, структурируемой и хранимой информации о состоянии системы в прошлом. Так, одним из источников информации является оперативная сводка отказов трубопроводов, содержащая в себе факты отказов за прошлые периоды. Каждый отказ описан по 41 различным параметрам, которые представлены в таблице 1.
Таблица 1 - Перечень признаков отказов трубопроводов
№ Признаки Типы признака Период измерений
1 2 3 4
1 Дата отказа Дата 01.01.2009-31.12.2018
2 ЦТОиРТ Категориальный -
3 Регион Категориальный -
4 Месторождение Категориальный -
5 Назначение трубопровода Категориальный -
6 № паспорта Категориальный -
7 Внешний диаметр трубопровода, мм Числовой 75 - 1020
8 Толщина стенки, мм Числовой 3 - 26
9 Протяжённость, м Числовой 5 - 27341
10 Год ввода Числовой 1981 - 2018
11 Марка стали Категориальный -
12 ГОСТ, ТУ изготовления трубной продукции Категориальный -
13 Изготовитель трубы Категориальный -
14 Место расположения порыва Числовой 0 - 100%
15 Пикет точки отказа (в м от начала трассы) Числовой 0 - 12965
16 Характер отказа Категориальный -
ВЕСТНИК АКАДЕМИИ НАУК РБ / __
' 2023, том 48, № 7
_Продолжение таблицы
1 2 3 4
17 Координаты порыва по широте Числовой -
18 Координаты порыва по долготе Числовой -
19 Метод ремонта Категориальный -
20 Количество отказов с начала эксплуатации Числовой 1 - 59
21 Количество отказов с начала текущего месяца Числовой 1 - 9
22 Количество отказов с начала текущего года Числовой 1 - 22
23 Площадь загрязнения, м2 Числовой 0 - 1.2
24 Объём розлива жидкости, т Числовой 0 - 3.2
25 Расход жидкости, м3/сут Числовой 0 - 53932
26 Расход нефти, т/сут Числовой 0 - 12551
27 Содержание воды, % Числовой 5 - 100
28 Давление в линии, кгс/см2 Числовой 4 - 40
29 Марка ингибитора Категориальный -
30 Тип ингибитора Категориальный -
31 Способ подачи ингибитора Категориальный -
32 Расход ингибитора, г/м3 Числовой 0 - 50
33 Периодичность очистки, раз в месяц Числовой 0 - 1
34 Дата последней очистки Дата -
35 Заключение экспертной комиссии об остаточной толщине Числовой 1,6 - 19
36 Дата проведения экспертизы Дата -
37 Исполнитель экспертизы Категориальный -
38 Наличие участка в программе повышения надёжности Категориальный -
39 Наличие ингибирования Бинарный -
40 Наличие дополнительного ингибирования Бинарный -
41 Наличие очистки Бинарный -
Целью проводимого исследования является выявление наиболее значимых признаков среди содержащихся в сводке отказов, которые могут быть использованы для создания предиктивной модели.
Как правило, единичный порыв участка трубопровода не является основанием для его включения в программу повышения надежности для последующей реконструкции, так как причиной отказа могут быть случайные события, такие как локальное повреждение покрытия в процессе монтажа, заводской дефект трубы, превышение допустимого давления или внешние воздействия. Поэтому в качестве параметра, характеризующим степень надежности трубопровода, может быть использована вероятность очередного отказа трубопровода в определенном временном отрезке.
Анализ частоты отказов трубопроводов,
представленных в сводке, показал, что медианным значением времени работы до очередного отказа среди представленных участков является значение в 6 месяцев. При построении модели бинарной классификации трубопроводов по надежности в качестве целевого параметра было использовано это значение: если время безотказной работы трубопровода составляет 6 месяцев или менее, то трубопровод классифицируется как ненадежный, в противном случае участок относится к участкам с удовлетворительной надежностью.
В качестве объектов исследования были выбраны трубопроводы нефтегазосборных сетей диаметром 114 мм, как одна из наиболее распространенных и подверженных отказам групп трубопроводов. Распределение некоторых признаков в исследуемой выборке представлено на рисунке 1.
А
Г
Рисунок 1 - Распределение числовых признаков в исследуемой выборке до (слева) и после (справа) исключения выбросов
Из полученного массива данных были отброшены объекты с выбросами по одному или нескольким из исследуемых параметров. Всего при построении модели использовано 575 записей об отказах, набор данных был разбит на тренировочный (462 отказа, 80%) и тестовый (113 отказов, 20%).
На первом этапе для отбора признаков использовались методы фильтрации путем экспертной оценки значимости. Экспертным путем исключены незначимые признаки, такие как дата проведения последней экспертизы, метод ремон-
та, исполнитель экспертизы, наличие участка в программе повышения надежности. В процессе исключения указанных признаков непрерывно отслеживалось изменение метрик качества с целью недопущения исключения экспертом значимых признаков. После этого было проведено построение кривой зависимости объясненной дисперсии от размерности пространства признаков, полученного методом главных компонент. На рисунке 2 представлен вид кривой до (слева) и после (справа) отбора признаков.
Рисунок 2 - Кривая зависимости объясненной дисперсии от размерности пространства признаков до (слева) и после (справа) отбора признаков
По результатам анализа выявлено, что часть признаков являются избыточными или малоинформативными. После чего методом обратного
отбора были выбраны 10 наиболее значимых признаков (таблица 2).
Таблица 2 - Использованные для обучения нейронной сети признаки
№ Признаки Типы признака Диапазон
1 Толщина стенки, мм Числовой 3 - 26
2 Протяжённость, м Числовой 5 - 27341
3 Год ввода Числовой 1981 - 2018
4 Возраст трубопровода Числовой 1 - 38
5 Количество отказов с начала эксплуатации Числовой 1 - 59
6 Количество отказов с начала текущего года Числовой 1 - 22
7 Расход жидкости, м3/сут Числовой 0 - 53932
8 Содержание воды, % Числовой 5 - 100
9 Давление в линии, кгс/см2 Числовой 4 - 40
10 Марка ингибитора коррозии Категориальный
А
f
Для создания нейронной сети был использован фреймворк PyTorch [6], а также библиотека для глубокого обучения Pytorch Lightning [7]. Для оптимизации гиперпараметров нейронной сети была использована платформа Optuna [8]. При подборе поиск гиперпараметров осуществлялся для однослойных и двухслойных нейронных сетей. В качестве оптимизационного параметра была использована точность предсказания нейронной сети (accuracy). Поиск оптимальных гиперпараметров осуществлялся путем многократного обучения нейронной сети с различным набором параметров и оптимизации целевого параметра.
Результаты работы нейронной сети по классификации тестовой выборки представлены на рисунке 3.
По результатам многократного обучения, средний показатель точности предсказания составил 75%, метрики бинарной классификации представлены в таблице 3.
Рисунок 3 - Результаты классификации тестовой выборки
Таблица 4 - Значения метрик классификации
Класс Class Точность Precision Полнота Recall F1-мера F1-score Количество Count
«Надежные» трубопроводы 0.75 0.72 0.74 54
«Ненадежные» трубопроводы 0.75 0.78 0.77 59
Доля правильных ответов 0.75
ROC-кривая, позволяющая оценить качество классификации, представлена на рисунке 5. Площадь под кривой (area under curve - AUC) составляет 0,83, что подтверждает наличие способности к предсказанию обученной нейронной сети.
ROC - кривая
10
2 08 V
06
S 04
s 02
00
✓ * s
* *
У
i AUC = 0.83
0.0
02
04
Об
08
1.0
Доля ложно-положительных
Рисунок 5 - ROC-кривая качества бинарной классификации
Проведено сравнение полученных результатов с результатами работ, представленных в исследованиях [3] и [4]. В таблице 5 представлено сопоставление наиболее значимых признаков, выделенных в работах. Численные признаки, отражающие технологический режим работы и геометрические параметры трубопровода, выделяются во всех работах. Часть признаков, выделяемых авторами исследований [3] и [4] как зна-
чимые, отсутствовали в исходной анализируемой выборке. Их добавление стандартизированную форму отчетности недропользователя позволит улучшить качество предиктивных моделей. Кроме того, различие полученных наборов признаков в исследованиях частично обусловлено особенностями исследуемых объектов и природой данных.
Таблица 5 - Сопоставление результатов отбора признаков с аналогичными исследованиями
№ Признак Полученные результаты Результаты анализа статистических данных об отказах трубопроводов [3] Модель ранжирования промысловых трубопроводов [4]
1 Толщина стенки, мм + +
2 Протяжённость, м + +
3 Год ввода +
4 Возраст трубопровода + +
5 Количество отказов с начала эксплуатации + +
6 Количество отказов с начала текущего года + +
7 Расход жидкости, м3/сут + + +
8 Содержание воды, % + + +
9 Давление в линии, кгс/см2 + +
10 Марка ингибитора коррозии + +
11 Месторождение +
12 Наименование цеха или площадки +
13 Материал трубы + +
14 Тип внутренней изоляции + +
15 Время наработки на отказ, месяцев +
16 Содержание сероводорода +
17 Среднегодовая скорость внутренней коррозии +
18 Наличие блуждающих токов +
19 Коррозионная активность грунтов +
20 Наличие внешней изоляции +
21 Внутритрубная очистка +
22 Проводимые методы диагностики +
| |- признаки, отсутствующие в исходном массиве данных | |- признаки, исключенные из массива данных по результатам анализа
Выводы. По результатам исследования уста- 1) параметры потока (расход жидкости, обновлено, что минимальный набор признаков для водненность, давление в линии); построения предиктивной модели должен вклю- 2) геометрические параметры трубопровода чать: (диаметр, толщина стенки, протяженность);
А
f
3) эксплуатационные параметры трубопровода (год ввода, возраст трубопровода, количество отказов за год, наличие ингибирования).
Всего выделено 10 ключевых признаков, во всех рассмотренных работах и в представленном исследовании указанные параметры тем или иным образом используются при обучении модели.
Также в ходе работы выделена группа из 12 параметров, использование которых позволяет дополнительно повысить качество предсказательной модели:
1) принадлежность трубопровода (месторождение, цех);
2) конструктивные особенности (наличие внутренней и внешней изоляции, материал трубы);
3) особенности эксплуатации (наличие внутритрубной очистки, диагностика);
4) дополнительные факторы воздействия (сероводород, блуждающие токи, коррозионная активность грунтов).
Влияние данной группы параметров обусловлено природой и происхождением данных и, в ряде случаев, повышает качество прогноза.
Следует отметить, что 18 из 22 рассмотренных выше признаков уже имеются в существующих формах отчетности нефтегазовых компаний. При интеграции информации с существующими базами данных и цифровыми моделями поверхностного обустройства месторождений методы глубокого обучения позволят с высокой точностью оценивать эксплуатационные риски трубопроводного фонда и оперативно принимать меры по повышению надежности.
Выводы. Результаты исследования могут быть использованы при разработке предсказательных моделей в области мониторинга надежности промысловых трубопроводных сетей. По результатам исследования выделен минимально необходимый набор из 10 признаков для построения предиктивной модели, а также группа из 12 признаков, включение которых в ряде случаев позволяет повысить предсказательную способность моделей классификации.
ЛИТЕРАТУРА
1. Тайчинов Р.Р, Галикеев Р.М. Анализ отказов внутрипромысловых трубопроводов Тевлин-ско-Руссинского месторождения / Р.Р Тайчинов, Р.М. Галикеев // Материалы Всероссийской с международным участием научно-практической конференции студентов, аспирантов и молодых ученых. 2015. С. 176-179.
2. Ермаков А.Е., Филипов Д.А. Анализ причин отказов промысловых трубопроводов // Научный электронный журнал «Меридиан», №5(39), 2020. С. 11-13.
3. Кармачев Д.П. Анализ статистических данных об отказах промысловых трубопроводов // Информационные технологии в науке, управлении, социальной сфере и медицине : сборник научных трудов VI Международной конференции, 14-19 октября 2019 г. С.26-31.
4. Виноградов П.В., Литвиненко К.В., Ва-лиахметов Р.И., Бахтигареева А.Н. Разработка модели ранжирования промысловых трубопроводов на основе оценки рисков эксплуатации // Нефтяное хозяйство, № 08, 2018. С. 84-86.
5. Аржиловский А.В., Алферов А.В., Вали-ахметов Р.И., Виноградов П.В., Данилейко Е.Б.
Концепция системы мониторинга надежности и эксплуатации промысловых трубопроводов // Нефтяное хозяйство, № 09, 2018. С. 128-132.
6. Платформа машинного обучения с открытым исходным кодом, которая ускоряет путь от исследовательского прототипа до производственного развертывания. Источник: https://pytorch. org/ (дата обращения 01.02.2023)
7. Фреймворк глубокого обучения для профессиональных исследователей искусственного интеллекта и инженеров по машинному обучению. Источник: https://www.pytorchlightning.ai/ (дата обращения 01.02.2023)
8. Платформа оптимизации гиперпараметров с открытым исходным кодом для автоматизации поиска гиперпараметров. Источник: https:// optuna.org/ (дата обращения 01.02.2023)
REFERENSES
1. Taychinov R.R., Galikeev R.M. Analysis of failures of infield pipelines of the Tevlinsko-Russinskoye field / R.R. Taychinov, R.M. Galikeev // Proceedings of the All-Russian scientific-practical conference with international participation of
students, graduate students and young scientists, 2015. Pp.176-179.
2. Ermakov A.E., Filipov D.A. Analysis of the causes of failures of field pipelines // Scientific electronic journal "Meridian", No. 5 (39), 2020. Pp. 11-13. (In Russian).
3. Karmachev D.P. Analysis of statistical data on failures of field pipelines // Information technologies in science, management, social sphere and medicine: collection of scientific papers of the VI International Conference, October 14-19. 2019. Pp. 26-31. (In Russian).
4. Vinogradov P.V., Litvinenko K.V., Valiakhmetov R.I., BakhtigareevaA.N. Development ofa ranking model for field pipelines based on the risk assessment of operation // Neftyanoe Khozyaistvo, No. 08. 2018. Pp. 84-86. (In Russian).
5. Arzhilovsky A.V., Alferov A.V., Valiakhmetov R.I., Vinogradov P.V., Danileiko E.B. The concept of the system for monitoring the reliability and operation of field pipelines // Oil Industry. No. 09. 2018. Pp. 128-132. (In Russian).
6. An open source machine learning framework that accelerates the path from research prototyping to production deployment. Available at: https://pytorch. org/ (date of access: 1 February 2023). (In Russian).
7. The deep learning framework for professional AI researchers and machine learning engineers. Available at: https://www.pytorchlightning.ai/ (date of access: 1 February 2023). (In Russian).
8. An open source hyperparameter optimization framework to automate hyperparameter search. Available at: https://optuna.org/ (date of access: 1 February 2023). (In Russian).
© Ашина Алина Азатовна,
специалист отдела, ООО «РН-БашНИПИнефть», ул. Ленина, 86/1,
450006, г Уфа, Российская Федерация
ORCID: 0009-0007-1090-5857
эл. почта: GalimovaAA@bnipi.rosneft.ru
© Ashina Alina Azatovna,
department specialist, OOO RN-BashNIPIneft LLC, st. Lenina, 86/1,
450006, Ufa, Russian Federation
ORCID: 0009-0007-1090-5857
e-mail Email: GalimovaAA@bnipi.rosneft.ru
© Ашин Михаил Сергеевич,
начальник отдела,
ООО «РН-БашНИПИнефть»,
ул. Ленина, 86/1,
450006, г. Уфа, Российская Федерация
ORCID: 0009-0001-2177-7877
эл. почта: AshinMS@bnipi.rosne1t.ru
© Ashin Mikhail Sergeevich,
Department head,
OOO RN-BashNIPIneft LLC,
st. Lenina, 86/1,
450006, Ufa, Russian Federation ORCID: 0009-0001-2177-7877 e-mail: AshinMS@bnipi.rosneft.ru
© Саляхов Алмаз Газимович,
ведущий специалист отдела ООО «РН-БашНИПИнефть» ул. Ленина, 86/1,
450006, г Уфа, Российская Федерация
ORCID: 0009-0007-7172-7097
эл. почта: AG_Salyakhov@bnipi.rosneft.ru
© Salyakhov Almaz Gazimovich,
leading specialist of the department OOO RN-BashNIPIneft LLC, st. Lenina, 86/1,
450006, Ufa, Russian Federation ORCID: 0009-0007-7172-7097 e-mail: AG_Salyakhov@bnipi.rosneft.ru
© Ахмадуллин Тимур Мубаракович,
эксперт Бюро ГИП (КП), ООО «РН-БашНИПИнефть», ул. Ленина, 86/1,
450006, г Уфа, Российская Федерация
ORCID: 0009-0006-8493-5963
эл. почта: TM_Akhmadullin@bnipi.rosneft.ru
© Akhmadullin Timur Mubarakovich,
expert of the ISU Bureau (KP), OOO RN-BashNIPIneft, st. Lenina, 86/1,
450006, Ufa, Russian Federation ORCID: 0009-0006-8493-5963 e-mail: TM_Akhmadullin@bnipi.rosneft.ru
ВЕСТНИК АКАДЕМИИ НАУК РБ /
' 2023, том 4B, № 3(lll) lllllllllllllllllllllllllllllllll
