Neft quyusu avadanlıqlarında iş vəziyyətinin monitorinqi metodu təklif edilib 2020-07-18 14:21:00 / YENİ NƏŞRLƏR

AMEA İnformasiya Texnologiyaları İnstitutunun şöbə müdiri, texnika üzrə fəlsəfə doktoru, dosent Yadigar İmamverdiyev və aparıcı elmi işçisi, texnika üzrə fəlsəfə doktoru, dosent Fərqanə Abdullayevanın həmmüəllifi olduqları “Dərin təlim əsasında neft quyusu avadanlıqlarının vəziyyətinin monitorinqi” (“Condition monitoring of equipment in oil wells using deep learning”) adlı məqalə “World Scientific” nəşriyyatında dərc olunan “Advances in Data Science and Adaptive Analysis (ADSAA)” jurnalında çap olunub.

Tədqiqat işində çoxsaylı sensorlardan əldə edilmiş zaman sırası verilənlərinin analizi əsasında neft quyuları avadanlıqlarında nasazlıqların əvvəlcədən proqnozlaşdırılması üçün dərin LSTM steki və CNN modelləri təklif edilib. Qurulmuş dərin təlim üsullarında 10 gizli lay və hər bir layda 250 neyron istifadə edilib. Metodların effektivliyi neft quyularında quraşdırılmış 8 sensordan əldə edilmiş real verilənlər üzərində müxtəlif metrikalar əsasında test edilib. Sensorlar uyğun olaraq neftin temperaturu, süzgəcin təzyiqi, neftin axın sürəti, diyircəkli yastığın vibrasiya dərəcəsi haqqında məlumat toplayır. Hər bir sensorun qeydə aldığı verilənlər bir zaman sırasını təşkil edir. 8 sensordan əldə edilmiş hər bir zaman sırası ayrı-ayrılıqda analiz edilib.

Məqalədə avadanlıq normal vəziyyətdə işlədikdə bəzi sensorlardan toplanan zaman sırası verilənləri üçün yuxarı və aşağı sərhəd qiymətləri təyin edilib. Dərin təlim metodlarının tətbiqi ilə proqnozlaşdırıldıqda, zaman sırası əyrisi bu sərhəd qiymətlərindən kənara çıxdıqda proqnozlaşdırmanın nəticəsi nasazlıq kimi qiymətləndirilib.

Dərin təlim alqoritmləri üçün optimallaşdırma alqoritmlərinin seçilməsi nəticələrin optimal və dəqiq olmasında mühüm rol oynayır. İşdə metodların müxtəlif optimallaşdırma alqoritmləri (Adam, Adamax, Nadam, Adadelta, Adagrad, RMSprop) əsasında qiymətləndirilməsi aparılıb. Qradiyent enişində itki funksiyasını nəzərə alaraq çəkilərin sazlanmasını idarə etmək üçün öyrənmə sürəti hiperparametrindən istifadə olunur. Dərin təlim modellərində öyrənmə sürətinin optimal seçilməsi mühum problem hesab olunur. Bu məqsədlə üsullar 15 müxtəlif öyrənmə sürəti ilə test edilib. Zaman sıralarının proqnozlaşdırılmasında mürəkkəb məsələlərdən biri də çoxaddımlı proqnozlaşdırmanın həyata keçirilməsidir. Təklif edilmiş metodlar zaman sıralarının 1 və 48 gün aralığında çoxaddımlı proqnozlaşdırması məsələsinə də tətbiq edilib. Proqnozlaşdırma prosesində təklif edilmiş dərin LSTM steki və CNN modelləri mövcud üsullarla müqayisədə daha üstün nəticələr verib.

Məqalə Azərbaycan Respublikası Dövlət Neft Şirkətinin Elm Fondunun maliyyələşdirdiyi “NG-AI4Oil: Neft mədənləri üçün yeni nəsil süni intellekt texnologiyalarının işlənməsi” qrant layihəsi çərçivəsində aparılmış elmi tədqiqatlar əsasında hazırlanıb.

“Advances in Data Science and Adaptive Analysis” jurnalı “Web of Science”, “Scopus”, “Compendex”, “CrossRef”, “DBLP”, “EBSCO”, “Mathematical Reviews/MathSciNet”, “Google Scholar” və digər beynəlxalq elmi bazalarda indeksləşir və referatlaşır. Jurnal “Scopus” bazasında Q1 sinfinə daxildir.

 

 
 
    Copyright © AMEA İnformasiya Texnologiyaları İnstitutu, 2020