Построение нейросетевого классификатора для обнаружения нештатных ситуаций в процессе промышленного бурения нефтяных скважин Текст научной статьи по специальности «Компьютерные и информационные науки»

БУРЕНИЕ

УДК 004.8.032.26

Ф.Н. Абу-Абед, к.т.н., доцент, кафедра Электронные вычислительные машины,

Тверской государственный технический университет; e-mail: [email protected]

ПОСТРОЕНИЕ НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА ДЛЯ ОБНАРУЖЕНИЯ НЕШТАТНЫХ СИТУАЦИЙ В ПРОЦЕССЕ ПРОМЫШЛЕННОГО БУРЕНИЯ НЕФТЯНЫХ СКВАЖИН

В работе рассматриваются вопросы выбора математического аппарата для решения задачи распознавания предаварийных ситуаций, возникающих в процессе бурения, а также разработки и обучения классификатора на основе искусственной нейросети. Проведен анализ основных математических методов, применяемых для решения задачи распознавания образов.

Предложена общая структура нейросе-тевого классификатора предаварийных ситуаций, показана возможность и целесообразность решения задачи распознавания для каждой предаварийной ситуации в отдельности, для чего выполнена декомпозиция задачи построения нейросетевого классификатора. Сформулирован метод распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

Поскольку при распознавании предаварийных ситуаций, возникающих в процессе бурения, размерность пространства признаков достаточно велика и границы между классами предаварийных ситуаций являются нечеткими, применение байесовской классификации и кластерного анализа для решения задачи распознавания предаварийных ситуаций в процессе проводки скважины представляется нецелесообразным, поэтому в качестве математического аппарата решения задачи распознавания предаварийных ситуаций (ПАС) предложено использовать искусственные нейронные сети прямого распространения, обучаемые с помощью метода (алгоритма) обратного распространения ошибки [5, 6].

Математически процесс обучения нейросети описывается следующим образом: в процессе функционирования нейронная сеть формирует выходной сигнал Y в соответствии с входным сигналом X, реализуя некоторую функцию Y = G(X). Если архитектура сети задана, то вид функции С определяется значениями синаптических весов и смещений сети. Пусть решением некоторой задачи является функция У = F(X), заданная парами входных-выходных данных (X!, У1), ^2, У2), • • •, ^, УN), для которых Ук = Р^к) (к = 1, 2, ..., ^. Обучение состоит в поиске (синтезе) функции С, близкой к Р в смысле некоторой функции ошибки Е (рис. 1).

Если выбраны множество обучающих примеров - пар ^к, Ук) (где к = 1, 2, ..., N1) и способ вычисления функции ошибки Е, то обучение нейронной сети превращается в задачу многомерной оптимизации, имеющую очень большую размерность. При этом, поскольку функция Е может иметь произвольный вид, обучение в общем случае - многоэкстремальная невыпуклая задача оптимизации [3].

Для решения этой задачи могут быть использованы следующие алгоритмы: алгоритмы локальной оптимизации с вычислением частных производных первого порядка; алгоритмы локальной оптимизации с вычислением част-

База данных Сеть обучена

і г Ошибка і мала к

Выбор примера Применение нейросети Ответ ^ Расчет ошибки

W сети

і і. Подстройка весов сети Ошибка велика

щ

Рис. 1. Иллюстрация процесса обучения НС

ных производных первого и второго порядка; стохастические алгоритмы оптимизации; алгоритмы глобальной оптимизации.

Алгоритм обратного распространения ошибки применяется для обучения многослойных нейронных сетей с последовательными связями, на основе которых построен классификатор пре-даварийных ситуаций. Это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратичного отклонения текущего выхода многослойного персептрона и желаемого выхода [5].

Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки НС является величина:

ем4е(*.р(ЮЧр)2,

М>

где у/> - реальное выходное состояние нейронаj выходного слоя N нейронной сети при подаче на ее входы р-го образа; d.¡p - идеальное (желаемое) выходное состояние этого нейрона. Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом:

Д\л/ц(п)=-т|'

8 Е

Sw,/

Q Начало^ / КЕ’ / / Rmax /

1 < г

W = W(r)

Рис. 2. Блок-схема модифицированного алгоритма

где - весовой коэффициент синаптической связи, соединяющей 1-й нейрон слоя п-1 с ¡-м нейроном слоя п; г) - коэффициент скорости обучения, 0<г|<1.

Существующие методы улучшения качества обучения с помощью данного алгоритма связаны с использованием различных функций ошибки, процедур определения направления и величины шага, процедур составления расписания обучения и др.

В качестве основного недостатка этих методов можно отметить отсутствие в них эффективной процедуры определения глобальности минимума целевой функции. В работе предложена модификация базового алгоритма обучения, ориентированная на нахождение этого глобального минимума. Ее суть заключается в следующем [1]:

• после достижения локального минимума (завершение процесса обучения)

случайным образом генерируется новая начальная точка, и процесс обучения повторяется;

• после достижения (с заданной точностью Е) К раз из разных начальных точек одного и того же минимального значения ошибки обучения (К - параметр алгоритма) меняется параметр R генерации начальных точек для процесса обучения (радиус поиска увеличивается), и процесс поиска глобального экстремума продолжается (заново производится обучение нейросети);

• после достижения параметром R значения Ram, (Rmax - параметр алгоритма) нейросеть считается обученной, и алгоритм заканчивает работу. Блок-схема предложенного алгоритма приведена на рисунке 2. Классификатор для распознавания предаварийных ситуаций на основе

искусственной нейронной сети может быть реализован двумя способами [1, 4]:

• С формированием на выходе N различных сигналов, каждый из которых соответствует одной распознаваемой ситуации, которые формируются на основе анализа М признаков, т.е. с использованием единого словаря признаков для всех распознаваемых ситуаций.

• Как состоящий из N классификаторов, каждый из которых способен распознать одну предаварийную ситуацию и имеет один выход и т, входов, причем множества признаков, используемых для распознавания различных ПАС, могут перекрываться.

Преимуществом первого подхода является достаточность разработки и обучения одного классификатора для всего

П

О

п

О

й

я

it

а) Универсальный классификатор для всех ПАС б) Специализированные

классификаторы для каждой ПАС

Рис. 3. Варианты построения нейросетевого классификатора

WWW.NEFTEGAS.INFO

\\ бурение \\ 25

БУРЕНИЕ

Рис. 4. Графики зависимости числа итераций обучения от числа слоев и количества нейронов в каждом слое

Рис. 5. Зависимость точности распознавания от числа слоев и количества нейронов в каждом слое

множества распознаваемых ситуаций. Однако при этом затраты времени на обучение такого классификатора могут оказаться больше, чем на обучение нескольких классификаторов меньшего размера.

С другой стороны, точность распознавания у классификаторов, ориентированных на конкретную ПАС, может оказаться лучше, чем у одного универсального классификатора.

Окончательное принятие решения по выбору структуры классификатора возможно только на основе исследований эффективности обоих вариантов.

Для обеих представленных структур классификатора были проведены ис-

следования влияния числа слоев нейросети и количества нейронов в каждом скрытом слое:

• на количество необходимых итераций обучения нейросети;

• на точность распознавания обученной нейросетью векторов обучающей выборки.

На рисунке 3 представлены оба варианта построения классификатора.

Для определения структуры нейросе-тевого классификатора ПАС проведены экспериментальные исследования влияния параметров нейросети на эффективность обучения распознаванию искусственно сгенерированных ситуаций. На рисунках 4 и 5 приведены полу-

ченные графики для этих зависимостей [2-4].

Для использования на практике выбрана структура специализированного нейросетевого классификатора, состоящая из одного скрытого слоя с числом нейронов, равным числу входов классификатора.

Результаты проведенных исследований позволяют сформулировать метод распознавания предаварийных ситуаций в процессе бурения нефтяных и газовых скважин с помощью нейросетевого классификатора как систематизированную последовательность действий [1]:

1. Определение набора признаков, доступных для измерения существующими средствами обработки ГТИ, и формирование априорного словаря признаков.

2. Классификация состояний объекта с целью определения совокупности ПАС, подлежащих распознаванию.

3. Формирование рабочих словарей признаков для каждой распознаваемой ПАС с помощью разработанного алгоритма на основе метода ветвей и границ.

4. Определение структуры классификатора ПАС, построенного на основе нейросети прямого распространения, обучаемой модифицированным методом обратного распространения ошибки.

5. Обучение разработанного классификатора ПАС на реальных данных исследуемой предметной области.

ЗАКЛЮЧЕНИЕ

В статье проведен анализ основных математических методов, применяемых для решения задачи распознавания образов. Показана нецелесообразность применения байесовской классификации и кластерного анализа для решения задачи распознавания предаварийных ситуаций в процессе проводки скважины. В качестве математического аппарата для решения задачи определения текущего состояния объекта исследования по заданному набору признаков выбран метод распознавания образов на основе искусственной нейронной сети. Проанализированы существующие подходы к улучшению качества обучения, направленные на повышение эффективности его функционирования. Разработан модифицированный алгоритм обучения классификатора ПАС на

основе метода обратного распространения ошибки, который отличается от классического наличием процедуры поиска глобального минимума функции ошибки, и осуществлена его программная реализация. Предложена общая структура нейросетевого клас-

сификатора ПАС, показана возможность и целесообразность решения задачи распознавания для каждой ПАС в отдельности, для чего выполнена декомпозиция задачи построения нейросетевого классификатора. Разработана структура нейросетевого классифи-

катора, состоящая из одного скрытого слоя с числом нейронов, равным числу входов классификатора. Полученные результаты сведены в обобщенный метод распознавания ПАС в процессе промышленного бурения нефтяных и газовых скважин.

Литература:

1. Абу-Абед Ф.Н. Обнаружение предаварийных ситуаций в процессе промышленного бурения нефтяных скважин// Автореферат диссертации на соискание ученой степени кандидата технических наук по специальности: 05.13.01 - Системный анализ,управление и обработка информации (в промышленности). Тверь, 2011. http://www.tstu.tver.ru/new_struct/phd/.

2. Абу-Абед Ф.Н. Имитационное моделирование процессов ремонтно-технического обслуживания нефтяных скважин. УДК 004.896// Программные продукты и системы. Научно-практическое издание № 4 (92), 2010. ISSN 0236-235Х. - Тверь, 2010. - С. 167-171.

3. Абу-Абед Ф.Н., Допира Р.В. Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых. УДК 004.896 // Программные продукты и системы. Научно-практическое издание № 3 (91), 2010. ISSN 0236235Х. - Тверь, 2010. - С. 136-139.

4. Абу-Абед Ф.Н., Программа построения и обучения нейросети для распознавания режимов работы буровой // Свидетельство о регистрации программы для ЭВМ № 2009615089 - М.: Роспатент, 2009.

5. Абу-Абед Ф.Н., Хабаров А.Р. Применение нейросетей для анализа аварийных ситуаций на буровых// Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVII Межд. НТК. - Пенза, 2006. - С. 218-221.

6. Абу-Абед Ф.Н., Борисов Н.А., Хабаров А.Р. Использование методов распознавания образов для анализа аварийных ситуаций // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVI Межд. НТК. - Пенза, 2005. - С. 428-431.

Ключевые слова: распознавание образов, предаварийные ситуации, искусственные нейронные сети, метод распознавания.

ш

Лаборатория автоматизированных систем (АС)

Телефон: +7 (495) 730 3632 * E-mail: [email protected] * www.actech.ru

iVL'ii

і—»

...-

■D -Я -В

.0 -Я ■ ■ '□

'■І 1Р .

■а -:-Я ™

■Я -Я

ш

■ ■

-■ТГ.

CiittUuB

ТодіШіш

оціщі ACV111

т.. ^Ід -J-

Clt

11 "v

(

ЛОКАЛЬНЫЕ И КОМПЛЕКСНЫЕ СИСТЕМЫ АВТОМАТИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ НЕФТЯНЫХ И ГАЗОВЫХ ПРЕДПРИЯТИЙ