Разработка метода для оптимизации процесса получения значений числовых характеристик компонентов нефтяного сырья из графических данных хроматограмм

Разработан вариант алгоритма (и метода на его основе) для выполнения процедуры автоматизированного восстановления числовых значений графически представленной функции сигнала хроматографа, исследующей компонентный состав проб нефтяного сырья. Проблема, на решение которой направлен разработанный метод, состоит в слабой приспособленности хроматографов к нефтяной промышленности: нефть является природным сырьем, которое не является химически чистым, поэтому в рамках хроматографического исследования происходит фиксация не всех числовых характеристик компонентов, входящих в состав исследуемого образца. Значения незафиксированных координат углеводородных соединений регистрируются специалистами нефтехимических лабораторий вручную, что существенно усложняет процесс анализа. Разработанный метод в качестве входных данных принимает полученные в лаборатории изображения хроматограмм нефти, представленные в оригинальной черно-белой цветовой гамме. Выходными данными метода является массив числовых значений координат, восстановленных с шагом в один пиксель. Величина погрешности при восстановлении значений методом значительно меньше порога, установленного нефтехимической лабораторией. Кроме автоматизации обозначенной задачи, массив полученных значений координат был векторизован с целью применения вектора в качестве входных данных в модели трансформера (вместо изображений хроматограмм) для решения задачи прогнозирования перераспределения углеводородных компонентов тяжелой нефти под воздействием катализаторов. Результатом замены типа представления входной информации стало многократное снижение времени, требуемого для получения прогноза, а также времени обучения, при этом снизилась величина усредненной ошибки предсказания.

1. Шадрина А. В., Крец В. Г. Основы нефтегазового дела. М.: Нац. открытый ун-т «ИНТУИТ», 2016. 214 с.

2. Басарыгин Ю. М., Будников В. Ф., Булатов А. И. Исследование факторов и реализация мер долговременной эксплуатации нефтяных и газовых скважин. М.: Просвещение-Юг, 2004. 242 с.

3. Шевченко Д. В., Васильева Л. Х. Математическое моделирование вытеснения тяжелых нефтей горячей водой в тонком пласте. Казань: Познание, 2013. 60 с.

4. Хуснутдинов И. Ш., Копылов А. Ю., Гончарова И. Н. Разработка и совершенствование сольвентных технологий переработки тяжелого органического сырья. Казань: КГТУ, 2009. 265 с.

5. Хадавимогаддам Ф., Мищенко И. Т., Мостаджеран М. Применение методов искусственного интеллекта в прогнозировании основных свойств нефти // Газовая промышленность. 2019. Вып. 12(794). С. 28–32.

6. Азиева Р. Х. Искусственный интеллект в добыче нефти и газа: возможности и сценарный прогноз // Проблемы экономики и управления нефтегазовым комплексом. 2022. Вып. 3(207). С. 38–46. DOI: 10.33285/1999-6942-2022-3(207)-38-46

7. Байбаров Д. А. Оценка продуктивности и экономической эффективности технологий искусственного интеллекта для автоматизации процессов разведки и добычи нефти и газа // XXI век: итоги прошлого и проблемы настоящего плюс. 2021. Т. 10, вып. 3. С. 100–105. DOI: 10.46548/21vek-2021-1055-0019

8. Ломакин Н. И., Дженифер О. Ч., Голодова О. А., Сычева А. В., Кабина В. В. AI-система «Персептрон2 для прогноза финансового результата деятельности предприятия нефтяной отрасли РФ // Фундаментальные исследования. 2019. Вып. 12-1. С. 98–103. DOI: 10.17513/fr.42629

9. Овсеенко Г. А., Козелков О. В., Кашаев Р. С. Использование нейронных сетей в мехатронном устройстве представительного отбора и анализа проб // Приборостроение и автоматизированный электропривод в топливно-энергетическом комплексе и жилищно-коммунальном хозяйстве: Мат. VII Национальной науч.-практ. конф. 2022. С. 92–96.

10. Vaswani A., Shazeer N. et al. Attention is all you need. In Proc. of the 31st Conference on Neural Information Processing Systems (NIPS). 2017. 11 p.

11. Dosovitskiy A., Beyer L. et al. An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale. In Proc. of the International Conference on Learning Representations (ICLR). 2021. 21 p. DOI: 10.48550/arXiv.2010.11929

12. Arik S. Ö., Pfister T. TabNet: Attentive Interpretable Tabular Learning // Proceedings of the AAAI Conference on Artificial Intelligence. 2020. Vol. 35(8). Р. 6679–6687. DOI: 10.1609/aaai.v35i8.16826