Глубокие искусственные нейронные сети для прогноза значений дебитов добывающих скважин (Запись № 345433)
[ простой вид ]
| 000 -Маркер | |
|---|---|
| Поле контроля фиксированной длины | 10285nla2a2200649 4500 |
| 005 - Идентификатор версии | |
| Поле контроля фиксированной длины | 20231029234709.0 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | (RuTPU)RU\TPU\book\377270 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | RU\TPU\book\377268 |
| 100 ## - Данные общей обработки | |
| Данные общей обработки | 20201127d2020 k y0rusy50 ca |
| 101 0# - Язык ресурса | |
| Язык текста, звукозаписи и т.д. | русский |
| 102 ## - Страна публикации или производства | |
| Страна публикации | Россия |
| 135 ## - Поле кодированных данных: электронные ресурсы | |
| Кодированные данные для электронного ресурса | drcn ---uucaa |
| 181 #0 - Поле кодированных данных: вид содержания | |
| Код вида содержания | i |
| 182 #0 - Поле кодированных данных: средство доступа | |
| Код средства доступа | electronic |
| 200 1# - Заглавие и сведения об ответственности | |
| Основное заглавие | Глубокие искусственные нейронные сети для прогноза значений дебитов добывающих скважин |
| Первые сведения об ответственности | И. В. Евсюткин, Н. Г. Марков |
| 203 ## - Вид содержания и средство доступа | |
| Вид содержания | Текст |
| Средство доступа | электронный |
| 215 ## - Физические характеристики | |
| Сведения об объеме | 1 файл (766 Kb) |
| 230 ## - | |
| -- | Электронные текстовые данные (1 файл : 766 Kb) |
| 300 ## - Общие примечания | |
| Текст примечания | Заглавие с титульного листа |
| 320 ## - Примечания о наличии в ресурсе библиографии/указателя | |
| Текст примечания | [Библиогр.: с. 93 (20 назв.)] |
| 330 ## - Резюме или реферат | |
| Текст примечания | Актуальность исследования обусловлена необходимостью поддержки принятия решения специалистами добывающих предприятий нефтегазовой отрасли при управлении производством. Точное прогнозирование значений дебитов добывающих скважин позволяет определить такие технологические режимы работы фонда скважин и технологического оборудования, которые позволят достичь заданного объёма выпуска продукции. Существующие методы не всегда обеспечивают требуемый уровень точности при прогнозе значений дебитов скважин, что приводит к ошибкам при расчёте экономического эффекта при оценке рентабельности добывающих скважин и последующих поставок углеводородного сырья, а также при учёте ограничений, накладываемых органами надзора за пользованием недрами. Цель: разработать и предложить наиболее эффективные модели глубоких искусственных нейронных сетей при прогнозе значений компонентов добычи углеводородного сырья - нефти, газа, жидкости (газового конденсата) и воды. |
| 330 ## - Резюме или реферат | |
| Текст примечания | Объекты: технологические параметры дебитов добывающих скважин фонда нефтяных, газовых, нефтегазовых и нефтегазоконденсатных месторождений. Методы: методы анализа больших объёмов технологических данных скважин, развиваемые в соответствии с концепцией "Big Data"; модели глубоких искусственных нейронных сетей; объектно-ориентированное программирование; методы оценки и статистического анализа результатов исследований эффективности глубоких искусственных нейронных сетей при прогнозе значений дебитов добывающих скважин. Результаты. Разработана методика подготовки данных по дебитам скважин для обучения и тестирования глубоких искусственных нейронных сетей прямого распространения. Проведены исследования различных архитектур таких нейросетей при решении задач прогноза дебитов нефти, газа, жидкости (газового конденсата) и дебита воды. Выявлены наиболее эффективные архитектуры глубоких нейросетей прямого распространения. Такие нейронные сети позволяют увеличить точность прогноза в два и более раза по сравнению с точностью прогноза, даваемой традиционным методом экстраполяции по скользящей средней. |
| 330 ## - Резюме или реферат | |
| Текст примечания | The relevance of the research is caused by the need for supporting the decision-making by specialists of the extracting enterprises of the oil and gas industry at production management. Precise forecasting of production wells debits values allows defining such technological operating modes of a well stock and processing equipment which would allow reaching the prescribed production volume. The existing methods do not always provide the demanded precision level at the forecast of wells debits values that leads to mistakes at the calculation of economic effect at a profitability assessment of production wells and the subsequent deliveries of hydrocarbonic raw materials, and also at taking into account the restrictions imposed by environmental supervision of natural resources use. The main aim of the research is to develop and offer the most effective models of deep artificial neural networks at the forecast of production components values for hydrocarbonic raw materials - oil, gas, fluid (gas condensate), and water. Objects of the research are technological parameters of production wells debits of well-stock of oil, gas, oil and gas, and oil-gas condensate fields. |
| 330 ## - Резюме или реферат | |
| Текст примечания | Methods: the methods of the analysis of a large amount of technical data of wells developed according to the concept of "Big Data"; models of deep artificial neural networks; object-oriented programming; methods of an assessment and the statistical analysis of research results of deep artificial neural networks efficiency at the forecast of production wells debit values. Results. The technique of data preparation for wells debits is developed for training and testing of feed-forward deep artificial neural networks. Research is carried out for various architectures for such artificial neural networks at the solution of the forecasting task of oil, gas, fluid (gas condensate), and water debits. The most effective architecture of feed-forward deep artificial neural networks is developed. Such neural networks allow increasing the forecasting accuracy in two and more times in comparison with the accuracy of the forecasting received by a traditional method of extrapolation (moving average). |
| 453 ## - Перевод | |
| Заглавие | Deep artificial neural networks for forecasting debit values for production wells |
| Сведения, относящиеся к заглавию | translation from Russian |
| Первые сведения об ответственности | I. V. Evsyutkin, N. G. Markov |
| Место публикации | Tomsk |
| Имя издателя | TPU Press |
| Дата публикации | 2015- |
| -- | 2020 |
| Автор | Evsyutkin, Ivan Viktorovich |
| 453 ## - Перевод | |
| Заглавие | Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |
| 453 ## - Перевод | |
| Заглавие | Vol. 331, № 11 |
| 461 #1 - Уровень набора | |
| Идентификатор записи | (RuTPU)RU\TPU\book\312844 |
| Международный стандартный сериальный номер (ISSN) | 2413-1830 |
| Заглавие | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |
| Первые сведения об ответственности | Национальный исследовательский Томский политехнический университет (ТПУ) |
| Дата публикации | 2015- |
| 463 #1 - Уровень физической единицы | |
| Идентификатор записи | (RuTPU)RU\TPU\book\377262 |
| Заглавие | Т. 331, № 11 |
| Обозначение тома | [С. 88-95] |
| Дата публикации | 2020 |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | месторождения |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | нефти |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | газы |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | добывающие скважины |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | прогнозы |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | дебиты |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | искусственные нейронные сети |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | глубокие сети |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | сети прямого распространения |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | добыча |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | углеводородное сырье |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | труды учёных ТПУ |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | электронный ресурс |
| 610 ## - Неконтролируемые предметные термины | |
| Предметный термин | oil and gas field |
| 610 ## - Неконтролируемые предметные термины | |
| Предметный термин | production well |
| 610 ## - Неконтролируемые предметные термины | |
| Предметный термин | forecasting of wells debits values |
| 610 ## - Неконтролируемые предметные термины | |
| Предметный термин | models of deep artificial neural networks |
| 610 ## - Неконтролируемые предметные термины | |
| Предметный термин | research of efficiency of feed-forward deep neural networks |
| 700 #1 - Имя лица – первичная ответственность | |
| Начальный элемент ввода | Евсюткин |
| Часть имени, кроме начального элемента ввода | И. В. |
| Дополнения к именам, кроме дат | специалист в области информатики и вычислительной техники |
| -- | ассистент кафедры Томского политехнического университета |
| Даты | 1992- |
| Расширение инициалов личного имени | Иван Викторович |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\pers\40160 |
| -- | z01712 |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Марков |
| Часть имени, кроме начального элемента ввода | Н. Г. |
| Дополнения к именам, кроме дат | российский специалист в области информатики и вычислительной техники |
| -- | профессор Томского политехнического университета, доктор технических наук |
| Даты | 1950- |
| Расширение инициалов личного имени | Николай Григорьевич |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\pers\24748 |
| -- | z02712 |
| 712 02 - Наименование организации – вторичная ответственность | |
| Начальный элемент ввода | Национальный исследовательский Томский политехнический университет |
| Структурное подразделение | Инженерная школа информационных технологий и робототехники |
| -- | Отделение информационных технологий |
| -- | 7951 |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\col\23515 |
| -- | z01700 |
| 712 02 - Наименование организации – вторичная ответственность | |
| Начальный элемент ввода | Национальный исследовательский Томский политехнический университет |
| Структурное подразделение | Инженерная школа информационных технологий и робототехники |
| -- | Отделение информационных технологий |
| -- | 7951 |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\col\23515 |
| -- | z02701 |
| 801 #2 - Источник записи | |
| Страна | RU |
| Организация | 63413507 |
| Дата составления | 20201207 |
| Правила каталогизации | RCR |
| 856 4# - Местонахождение электронных ресурсов и доступ к ним | |
| Универсальный идентификатор ресурса | http://earchive.tpu.ru/bitstream/11683/63899/1/bulletin_tpu-2020-v331-i11-08.pdf |
| 856 4# - Местонахождение электронных ресурсов и доступ к ним | |
| Универсальный идентификатор ресурса | https://doi.org/10.18799/24131830/2020/11/2888 |
| 090 ## - System Control Numbers (Koha) | |
| Koha biblioitem number (autogenerated) | 345433 |
| 942 ## - Добавленные элементы ввода (Коха) | |
| Тип документа | Computer Files |
Нет доступных единиц.