CC BY
34
ТЕХНИЧЕСКИЕ НАУКИ
РАЗРАБОТКА ДЕРЕВА ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ТЕХНИЧЕСКИ СЛОЖНЫХ ОБЪЕКТОВ И СИСТЕМ
Котякова В.А.
Котякова Виктория Александровна - старший преподаватель, кафедра информационных технологий и системы, Пензенский государственный технологический университет, г. Пенза
Аннотация: в данной статье рассматривается процесс автоматизации технического процесса добычи нефти и оценка рисков при использовании систем мониторинга данного процесса. При добыче нефти возникает множество различных проблем, которые приносят убытки компаниям и наносят вред окружающей среде. Для уменьшения рисков используется система датчиков, отслеживающая состояние скважин в режиме реального времени. Для управления эффективностью эксплуатации скважин разработана СППР с использованием Deductor Studio. Процесс принятия решений описан с помощью необходимых компонентов с использованием UML-моделей. На основе UML-модели строится дерево принятия решений о процессе эффективности использования системы по ряду параметров. Исследование показывает, что при наличии объема данных можно оценить и спрогнозировать поведение скважин с достоверностью 98%. Но для этого необходим постоянный мониторинг состояния скважин.
Ключевые слова: добывающие скважины, система поддержки принятия решений, дерево решений, анализ, мониторинг, диаграмма, датчик, анализ.
УДК 004.891
В современном мире исключительно выросли требования по уровню автоматизации и информационного обеспечения всех технических процессов при добыче углеводородного сырья. Для осуществления этих условий требуется выполнять непрекращающийся дистанционный мониторинг большого количества технологических параметров на каждой скважине добычи нефти и газа [1, 2].
Целым рядом датчиков и системами телеметрии для такого мониторинга ряда технологических параметров необходимо оснащать все кусты скважин. Данный подход позволяет выявлять отклонения от нормы в реальном времени и тем самым предотвращать аварии, розливы нефти, а также минимизировать последствия. Также, для того, чтобы следить за функционированием скважин на расстоянии, на них необходимо установить ряд датчиков.
Для управления эффективностью эксплуатации добывающих скважин, с учетом опасных ситуаций при регулярном мониторинге состояния скважины, необходимо разработать средство поддержки принятия решений (СППР) с использованием Deductor Studio.
СППР при добывающих скважинах должна опираться на постоянно действующую геолого-техническую модель (ПДГТМ). Описание системы поддержки принятия решений при оценке эффективности добывающих скважин и взаимодействие необходимых компонентов описано ниже при использовании иЫЬдиатраммы (Рисунок 1).
Для описания основных действий (если модель концептуальная) или полного спектра действий (если развернутая) - служат варианты использования (UseCase). Также диаграмма может дополняться пояснительным текстом (комментарий), определяющим значение или семантику составляющих ее компонентов. Более подробное описание алгоритмического обеспечения представлено в работах [6-9].
Рис. 1. Диаграмма Use-Case для системы поддержки принятия решений при оценке эффективности эксплуатации добывающих скважин
В диаграмме представлены 5 сущностей, которые будут взаимодействовать с системой: пользователь, администратор, скважина датчик и программа. Пользователь может войти в систему и запросить отчет о текущем состоянии. Администратор и пользователь могут входить в систему, запрашивать отчеты. Администратор так же может работать с базой данных. В сам программный модуль входит: обработка данных, решение задачи и вывод решения. Датчики посылают данные со скважины. Тем временем датчики так же взаимодействуют с программой на наличие проверки данных.
Данные будут отсылаться со скважины с помощью датчиков, которые имеют модуль сбора, передачи и получения данных. На рабочей станции уже будет производиться непосредственно обработка информации. На ней находятся модуль приема, отправки и обработки данных.
На основе этих данных аналитически реализуем СППР. В данной работе средством поддержки принятия решений будет являться - дерево принятия решений, для классификации ситуаций и выбора решения, использующееся в статистике и анализе данных для прогнозных моделей. Также будут заданы пороги, при которых система сравнивает и выводит результат об эффективности эксплуатации и рекомендации при данной эффективности[3-5].
Будем считать, что для одиночной скважины с круговым контуром питания для радиального притока жидкости к скважине справедлива формула Дюпюи:
2 ^(Рпл-Рзаб)
Q =
и In—
г г
где Q - дебит скважины, см3/с; к - проницаемость продуктивного пласта, мкм2; Рпл, Рзаб - пластовое и забойное давление, кгс/см2;
И - толщина пласта, см; ц - вязкость жидкости, мПа*с; Як - радиус контура питания, м; гс - радиус скважины, м.
Теоретической основой проведения данного вида исследования скважин является уравнение притока:
( = К(Рпл - Рзаб), (2)
где К - коэффициент продуктивности
К = —-¡¡г =---, (3)
п (Рпл - Рзаб)
^ гс
Тогда, модель оценки эффективности эксплуатации скважин:
где
к = ^ * 1 о о %% , (4)
ф _ 2 тгкН(Рпл -Рзаб) ^
' с
Для построения дерева на каждом внутреннем узле необходимо найти такое условие, какое разбивало бы множество, ассоциированное с данным узлом на подмножества. Один из атрибутов должен быть выбран в качестве такой проверки. Общее положение для подбора атрибута можно выразить таким образом: выбранный атрибут должен разбить множество так, чтобы получаемые в итоге подмножества состояли из объектов, принадлежащих к одному классу, либо были максимально приближены к одному классу, то есть численность объектов из других классов в каждом из этих множеств была как можно меньше [5].
Достоинства дерева решений:
1. понятная классификационная модель на интуитивном уровне;
2. быстрый процесс обучаемости;
3. извлечение правил на естественном языке;
4. достоверность и четкость прогноза;
5. построение не параметрических моделей;
6. генерация условий в областях, где эксперту трудно формализовать свои знания.
Реализуем дерево решений с помощью Бейи^огБЫйю (рисунок 2).
йц Условие % Следствие й Помеожа ДШяшЛВ-
0 СНЕСЛИ >' 45 ш 131
0 Н эффективность ОрД % i 50 \ш 1 ьш 1 3
| уменьшить Рзаб,д... || 1 УШ ■1 3
(Н?р»100 уменьшить вязкость || I зт ■1 3
0 8 : эффективность ОрД % >= ЕЙ \ш 139 ■ ¡31
--1 эффективность ОрД % < 80 эксплуатация в ра... ш 1 Л * 1131
6 Ш эффективность ОрД % >= ОС |в ! Н* 5
Д?Р<165 увеличить вязкост... || 1 ьт ■1 ь
Д?Р>=105 увеличить Рзаб, р... || ■1 3
Рис. 2. Дерево решений
Вместе с построенным деревом решений, в Бейи^огБЫйю формируются правила, по которым выполняются те или иные действия (рисунок 3)[6].
Правил: 5 из 5 Фильтр: Бгз фильтрации
№ Номер правил ^Условие ^Следствие М Поддержка Л Достоверность
Показатель Знак ¡Значение аЬ действие Кол-во % Кол-во
1 1 '■»эффективность 1 < 50 6,67 100,00
9.0? р < 100 уменьшить Рзаб, д. 3 3
'■' эффективность 1 < 50 6,67 100,00
2 9.0 ? р 100 3 3
'■'эффективность 1 >= 50 31 68,89 31 100,00
3 3 '■'эффективность | < 80 эксплуатация в ра|1
'■'эффективность 1 >= 50
4 4 '■'эффективность 1 >= 80 увеличить вязкость 5 11,11 5 100,00
9.0 7 р < 165
'■'эффективность 1 >= 50
3 5 з-о эффективность 1 >= 80 увеличить Рзаб, ри 3 6,67 3 100,00
9.0? р >= 165
Рис. 3. Правила выбора решения
Инициатором действий при построении дерева взят критерий - эффективность эксплуатации К, вторичным критерием сравнения выступает депрессия давлений на пласт.
Исследование показывает, что дерево решений идеально подходит для аналитического модуля. Так же при наличии данных можно оценить и даже спрогнозировать поведение скважины, так как есть основные нормы эксплуатации, но без дополнительных ресурсов, ГДИС и постоянного мониторинга невозможно полностью оценить ситуацию.
Рекомендуемые мероприятия являются меры по контролю выполнения требований промышленной безопасности и проектных решений.
Таблица 1. Рекомендуемые мероприятия по управлению опасными ситуациями
Параметр Рекомендуемые мероприятия
Эффективность эксплуатации больше 80% Большая разница между Рт и Рзб, необходимо увеличить Рзаб, для предотвращения обводнения скважины. Если же разница в давлениях в норме, необходимо уменьшить вязкость жидкости.
Эффективность эксплуатации больше 50%, но менее 80% Эксплуатация в рамках нормы, но отслеживать состояние насосов и проверка труб на коррозию.
Эффективность эксплуатации менее 50% Маленькая разница между Рпл и Рзаб, нужно увеличивать Рзаб. Если проблема не в АР, то уменьшить вязкость жидкости.
Таким образом, разработанная методика оценки эффективности эксплуатации добывающих скважин позволяет регулировать эффективность в безопасных рамках, избегая или быстро реагируя на возникшие чрезвычайные ситуации.
Список литературы
1. Садыкова Р.Ш., Абдуллина Л.А., Газизуллина Л.И. Инновационные технологии в нефтяной промышленности: интеллектуальное оснащение скважин //Актуальные проблемы экономики и права, 2013. № 2 (26). С. 94-100.
2. Уринцов А.И., Дик В.В. Системы поддержки принятия решений. М.: МЭСИ, 2013. 160 с.
3. Трахтенгерц Э.А., Степин Ю.П., Андреев А.Ф. Компьютерные методы поддержки принятия управленческих решений в нефтегазовой промышленности. М.: СИНТЕГ, 2011. 592 с.
4. Котякова В.А. Организация мониторинга в комплексной системе оценки состояния технически сложных объектов // Труды международного симпозиума «Надежность и качество». Т. 2. № 1, 2015. С. 73-75.
5. Котякова В.А., Лекарева А.А. Применение метода «дерево решений» для оценки состояния технически сложных объектов в условиях техногенной сейсмичности // Современные информационные технологии. № 23 (23), 2016. С. 73-77.
ОБЗОР ПРОБЛЕМЫ МОДЕЛИРОВАНИЯ СОПРОТИВЛЕНИЯ ДЕФОРМАЦИИ ТИТАНОВЫХ СПЛАВОВ ПРИ ГОРЯЧЕМ ФОРМОИЗМЕНЕНИИ Окорокова О.В.
Окорокова Ольга Вячеславовна - аспирант, кафедра физического металловедения, Федеральное государственное бюджетное образовательное учреждение высшего образования Липецкий государственный технический университет, г. Липецк
Аннотация: в последние годы увеличилось применение титана и его сплавов в химической, транспортной отраслях и машиностроении. Крупным потребителем является на сегодняшний день авиакосмическая промышленность, так как данные материалы обладают высокой жаропрочностью. Использование титановых сплавов для создания двигателей самолетов приводит к уменьшению его массы на 30 - 40% [1]. Улучшение механических свойств не теряет своей актуальности. Горячая деформация - основополагающий процесс при обработке сплавов, который приводит к формированию определенных эксплуатационных свойств. Физико-математическое моделирование процессов, происходящих при горячем формоизменении, предоставит возможность получения сплавов ВТ-1, ВТ6, ВТ22 с улучшенными свойствами. Современные возможности математического моделирования позволяют спрогнозировать поведение материала в условиях, близких к реальным. Создание универсальной математической модели прогнозирования сопротивления деформации при горячем формоизменении является как никогда актуальным и необходимым условием в управлении технологическим процессом.
Ключевые слова: математическое моделирование сопротивления деформации, титановые сплавы ВТ5-1, ВТ6, ВТ22.
В сфере обработки металлов давлением математическое моделирование играет важную роль при оптимизации производства. Создание модели позволяет на стадии проектирования технологического процесса оценить энергетические характеристики, прогнозировать формоизменение материала для оптимизации технологических характеристик [2]. В ряде работ предложены модели, позволяющие определить напряжение течения и размер зерна сталей в зависимости от параметров деформации с применением нейронных сетей, клеточных автоматов [3]. Особенности протекания процессов динамического возврата и рекристаллизации, получение зависимостей, описывающих эти процессы, является основой для создания модели физического процесса. Но отправной точкой на первоначальном этапе все же остается проведение экспериментов в лабораторных условиях (сжатие, разрыв, кручение). По экспериментальным данным строят
