|
в некоторой степени интерпретировать результаты, разработан авторами [32] и назван ими методом "Гусеница". Возможность интерпретации появилась за счет активного участия человека-эксперта на этапе построения прогноза, Программа "Гусеница" используется для анализа и прогноза временных рядов, В основу программы был положен свободный от модели алгоритм, предназначенный для исследования структуры временных рядов. Этот метод совмещает в себе достоинства многих классических методов, в частности, анализа Фурье и регрессионного анализа. Одновременно он отличается простотой и наглядностью в управлении. Базовый вариант метода состоит в преобразовании одномерного ряда в многомерный с помощью однопараметрической сдвиговой процедуры (отсюда и название "Гусеница") исследовании полученной многомерной траектории с помощью анализа главных компонент (АГК) и восстановлении (аппроксимации) ряда но выбранным главным компонентам. Таким образом, результатом применения метода является разложение временного ряда на простые компоненты: медленные тренды, сезонные и другие периодические или колебательные составляющие, а также шумовые компоненты. Полученное разложение может служить основой прогнозирования как самого ряда, так и его отдельных составляющих. Таким образом, в настоящее время существует большое число хорошо разработанных математических методов, позволяющих моделировать процессы обеспечения безопасности, оптимизировать условия работы информационно-измерительной системы и прогнозировать развитие технического состояния зданий и сооружений. До последнего времени применение рассмотренных методов сдерживалось отсутствием больших массивов экспериментальных данных, требуемых для обоснованного их использования. К настоящему моменту, благодаря внедрению ИИС, ситуация изменилась. Поэтому следует ожидать, что создание алгоритмов и компьютерных программ, реализующих рассмотренные методы, позволит существенно увеличить уровень JO |
45 познавания образов "обученной” сети сводится с математической точки зрения к выходу на аттрактор, образ которого формируется в процессе обучения. В настоящее время созданы универсальные пакеты программ, реализующие весь набор нейросетевых методов анализа данных, например пакет STATISTICA Neural Networks нейронно-сетевой пакет фирмы StatSoft. Нейронная сеть во многих случаях дает хорошие прогнозы, однако самым существенным ее недостатком является невозможность проследить логический процесс построения прогноза, или, иначе говоря, сеть неспособна объяснить, почему решение будет именно такое. Недостатком всех рассмотренных феноменологических моделей поведения сложной системы является трудность физической интерпретации результатов. Метод, позволяющий прогнозировать поведение системы и в то же время в некоторой степени интерпретировать результаты, разработан авторами [32] и назван ими методом "Гусеница". Возможность интерпретации появилась за счет активного участия человека-эксперта на этапе построения прогноза. Программа "Гусеница" используется для анализа и прогноза временных рядов. В основу программы был положен свободный от модели алгоритм, предназначенный для исследования структуры временных рядов. Этот метод совмещает в себе достоинства многих классических методов, в частности, анализа Фурье и регрессионного анализа. Одновременно он отличается простотой и наглядностью в управлении. Базовый вариант метода состоит в преобразовании одномерного ряда в многомерный с помощью однопараметрической сдвиговой процедуры (отсюда и название "Гусеница"), исследовании полученной многомерной траектории с помощью анализа главных компонент (АГК) и восстановлении (аппроксимации) ряда по выбранным главным компонентам. Таким образом, результатом применения метода является разложение временного ряда на простые компоненты: медленные тренды, сезонные и другие периодические или колебательные составляющие, а также шумовые компо 46 ненты. Полученное разложение может служить основой прогнозирования как самого ряда, так и его отдельных составляющих. Таким образом, в настоящее время существует большое число хорошо разработанных математических методов, позволяющих моделировать процессы нефтедобычи, оптимизировать условия работы НГДУ и прогнозировать развитие объектов нефтедобывающего предприятия. До последнего времени применение рассмотренных методов сдерживалось отсутствием больших массивов экспериментальных данных, требуемых для обоснованного их использования. К настоящему моменту, благодаря внедрению ИИС, ситуация изменилась. Поэтому следует ожидать, что создание алгоритмов и компьютерных программ, реализующих рассмотренные методы, позволит существенно увеличить уровень эксплуатационной надежности нефтедобывающих предприятий. Таким образом, на основе проведенного в первой главе обзора современных методов и технических средств контроля надежности и безопасности эксплуатации нефтедобывающего оборудования можно сделать следующие выводы. 1. Повышение уровня надежности и эффективности объектов нефтедобычи возможно лишь при использовании компьютерных технологий, в частности, ИИС. 2. Разработано и принято в эксплуатацию большое число ИИС нефтедобычи различного назначения, однако методы и алгоритмы обработки баз данных ограничиваются, как правило, построением трендов, вычислением средних значений измеряемых величин и сигнализацией о выходе параметров за допустимые пределы. 3. Применяемые в настоящее время в составе ИИС первичные измерительные устройства не обладают достаточной точностью и надежностью, особенно в жестких климатических условиях нефтепромыслов Севера России. 4. В недостаточной степени используются современные методы обработки баз данных ИИС, в частности, методы математической статистики, распознана 109 Недостатком всех рассмотренных феноменологических моделей поведения сложной системы является трудность физической интерпретации результатов. Паллиативным методом прогноза поведения сложных динамических систем является метод "Гусеница" [32]. В нем возможность интерпретации результатов появляется за счет участия лица, принимающего решение (ЛПР) на этапе построения прогноза. "Гусеница" используется для анализа и прогноза временных рядов. В ее основе лежит свободный от модели алгоритм, предназначенный для исследования структуры временных рядов. Этот метод совмещает в себе достоинства многих других алгоритмов, в частности, анализа Фурье и регрессионного анализа. Одновременно он отличается наглядностью и простотой в управлении. Базовый вариант метода состоит в преобразовании одномерного ряда в многомерный с помощью однопараметрической сдвиговой процедуры (отсюда и название "Гусеница"), исследовании полученной многомерной траектории с помощью анализа главных компонент (АГК) и восстановлении (аппроксимации) ряда по выбранным главным компонентам [32]. Результатом применения метода является разложение временного ряда на простейшие элементы: медленные тренды, сезонные и другие периодические или колебательные составляющие, а также шумовые компоненты. Полученное разложение может служить основой прогнозирования как самого ряда, так и его отдельных составляющих. Рассмотрим использование метода "Гусеница" для решения некоторых задач разработки нефтяных месторождений. Для сравнения рассмотренный ранее случай предсказания изменений в динамограмме ШГН (рис. 3.5) исследовался альтернативно с помощью метода "Гусеница". На рис.3.9 показан исходный временной ряд и его модельный прогноз. Полученные результаты свидетельствуют о том, что новый прогноз более точен. При этом становится возможной и оценка достоверности прогноза. В от |