NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ - İnformasiya Texnologiyaları Problemləri

NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ - İnformasiya Texnologiyaları Problemləri

NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ - İnformasiya Texnologiyaları Problemləri

NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ - İnformasiya Texnologiyaları Problemləri

NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ - İnformasiya Texnologiyaları Problemləri
NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№2, 2020

NEFT-QAZ SƏNAYESİNDƏ MAŞIN TƏLİMİ METODLARININ TƏTBİQİNİN MÜASİR VƏZİYYƏTİNİN TƏDQİQİ

Şıxəliyev Ramiz H.

Neft və qazın çıxarılması, emalı və məhsullarının çatdırılması baha başa gəlir. Buna görə neft və qaz hasilatının məhsuldarlığının artırılması, məhsulun emal edilməsi və son istehlakçılara çatdırması xərclərinin minimuma endirilməsi neft-qaz sənayesinin həll edilməli olan əsas məsələləridir. Bu məsələləri həll edərkən neft və qaz kəşfiyyatı, hasilatı problemləri, qazma qurğularının istismarında anomaliyaların aşkar edilməsi, neft boru kəmərlərində infrastruktur risklərinin aşkarlanması, quyuların xüsusiyyətlərinin proqnozlaşdırılması, neft və qazın hasilatı, daşınması xərclərinin minimuma endirilməsi, boru kəmərləri vasitəsilə neft və qazın daşınması zamanı sızmaların aşkarlanması, risklərin qiymətləndirilməsi, idarə edilməsi, neft qiymətlərinin dəyişkənliyinin proqnozlaşdırması və s. kimi bir çox problemlər ortaya çıxır. Əksər problemlərin verilənlərin analizinin ənənəvi üsulları ilə həlli mümkün deyil, çünki neft və qaz sənayesi prosesləri qeyri-xətti xarakterinə görə qeyri-müəyyəndir və bu proseslər çox böyük həcmdə məlumat yaradır. Buna görə də son on ildə neft-qaz sənayesindəki problemlərin həlli üçün ədəbiyyatda süni intellektə əsaslanan metodlar, xüsusən də maşın təliminə (MT) əsaslanan metodlar təklif edilmişdir. Bu məqalədə neft-qaz sənayesinin müxtəlif problemlərini həll etmək üçün MT metodlarının tətbiqi ilə bağlı ədəbiyyatların icmalı verilib və bu, MT metodlarının potensialını müəyyən etməyə və neft-qaz sənayesində daha geniş tətbiq etməyə imkan verər (səh.52-60).

Açar sözlər: neft-qaz sənayesi, süni intellekt, maşın təlimi metodları, dəstəkləyici vektor metodu, süni neyron şəbəkələri, dərin öyrənmə, genetik alqoritmlər.
DOI : 10.25045/jpit.v11.i2.05
Ədəbiyyat
  • Chima C.M., Hills D. Supply-chain management issues in the oil and gas industry // Journal of Business and Economics Research, 2007, vol. 5, no. 6, pp. 27-36.
  • Mohammed M., Khan M.B., Bashier E.B.M. Machine learning: algorithms and applications, CRC Press, 2017, 46 p.
  • Evgeniou T., Pontil M. Support Vector Machines: Theory and Applications / Machine Learning and Its Applications, Advanced Lectures, 2001, pp. 249-257
  • Patterson D.W. Artificial neural networks: Theory and Applications // Prentice Hall, 1996, 477 p.
  • Pouyanfar S., Sadiq S., Yan Y., Tian H., Tao Y., Reyes M. P., Shyu M.L, Chen S., Chen S.C., Iyengar S.S. A Survey on Deep Learning: Algorithms, Techniques and Applications // ACM Computing Surveys, 2018, vol. 51, no.5, 36 p.
  • Bodenhofer U. Genetic Algorithms: Theory and Applications // Lecture Notes, 2003, 126 p.
  • Tsegha E. Assessing the challenges and opportunities in the oil and gas industry // Academic Journal of Interdisciplinary Studies, 2013, vol. 2, no. 12, pp. 129-136.
  • Balaji K., Rabiei M., Suicmez V., Hakan C. C., Agharzeyva Z., Tek S., Bulut U., Temizel C. Status of Data-Driven Methods and their Applications in Oil and Gas Industry / SPE Europec featured at 80th EAGE Conference and Exhibition, 2018, 20 p.
  • Arehart R. Drill-bit diagnosis with neural networks // SPE Computer Applications, 1990, vol. 2, no. 4, pp. 24-28.
  • Bilgesu H., Tetrick, L., Altmis, U., Mohaghegh, S., Ameri, S. A new approach for the prediction of rate of penetration (ROP) values / SPE Eastern Regional Meeting, 1997, pp. 175-180.
  • Wang Y., Salehi, S. Application of real-time field data to optimize drilling hydraulics using neural network approach // Journal of Energy Resources Technology, 2015, vol. 137, no. 6, 9 p.
  • Ahmadi M.A. Toward reliable model for prediction Drilling Fluid Density at wellbore conditions: a LSSVM model // Neurocomputing, 2016, vol. 211, pp. 143-149
  • Yιlmaz S., Demircioglu, C., Akin, S. Application of artiашcial neural networks to optimum bit selection // Computers & Geosciences, 2002, vol. 28, no. 2, pp. 261-269
  • Hajizadeh Y. Machine learning in oil and gas; a SWOT analysis approach // Journal of Petroleum Science and Engineering, 2019, vol. 176, pp. 661-663
  • Aminu K.T., McGlinchey D. Cowell A. Acoustic signal processing with robust machine learning algorithm for improved monitoring of particulate solid materials in a gas flowline // Flow Measurement and Instrumentation, 2019, vol. 65, pp. 33-44
  • Qiao Y., Peng J., Ge L., Wang H. Application of PSO LS-SVM forecasting model in oil and gas production forecast / IEEE 16th International Conference on Cognitive Informatics & Cognitive Computing, 2017, pp. 470-474
  • Panja P., Velasco R., Pathak M., Deo M. Application of artificial intelligence to forecast hydrocarbon production from shales // Petroleum 2018, vol.4, no.1, pp.75-89
  • Li H., Misra S. Long short-term memory and variational autoencoder with convolutional neural networks for generating nmr t2 distributions / IEEE Geoscience and Remote Sensing Letters, 2018, vol. 16, no. 2, pp. 192-195
  • Imamverdiyev Y., Sukhostat L. Lithological facies classification using deep convolutional neural network // Journal of Petroleum Science and Engineering, v.174, March 2019, pp. 216-228
  • Abdullayeva F.D., Imamverdiyev Y.N., Development of oil production forecasting method based on Deep Learning // Statistics, Optimization and Information Computing, 2019, vol. 7, pp. 826–839.
  • Paltrinieria N., Comfort L., Reniers G. Learning about risk: Machine learning for risk assessment // Safety Science , 2019, vol. 118, pp. 475-486
  • Velez-Langs O. Genetic algorithms in oil industry: An overview // Journal of Petroleum Science and Engineering, 2005, vol. 47, no.1-2, pp. 15-22
  • Bello O., Teodoriu, C., Yaqoob, T., Oppelt, J., Holzmann, J., Obiwanne, A. Application of artificial intelligence techniques in drilling system design and operations: a state of the art review and future research pathways / SPE Nigeria Annual International Conference and Exhibition, 2016, vol. 5, no. 2, pp. 121-139
  • Rahmanifard H., Plaksina, T. Application of artificial intelligence techniques in the petroleum industry: a review // Artificial Intelligence Review, 2019, vol, 52, pp. 2295-2318
  • Jin H., Zhang L., Liang W., Ding Q. Integrated leakage detection and localization model for gas pipelines based on the acoustic wave method // Journal of Loss Prevention in the Process Industries, 2014, vol. 27, pp. 74-
  • Kristjanpoller W., Minutolo M.C. Forecasting volatility of oil price using an artificial neural network-GARCH model // Expert Systems with Applications, 2016, vol. 65, pp. 233–241.