Механизм комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности тема диссертации и автореферата по ВАК РФ 08.00.05, кандидат наук Нехрест-Бобкова Анна Александровна

• Нехрест-Бобкова Анна Александровна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Нехрест-Бобкова Анна Александровна

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ТЕОРЕТИКО-МЕТОДОЛОГИЧЕСКИХ АСПЕКТОВ ОЦЕНКИ РИСКА АВАРИЙНОЙ СИТУАЦИИ НА ПРЕДПРИЯТИИ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

1.1 Анализ современного состояния и перспектив развития нефтегазовой промышленности России

1.2 Проблемы анализа внешних и внутренних факторов возникновения аварийных ситуаций на предприятии нефтегазовой промышленности

1.3 Анализ методов оценки рисков

Выводы по 1 главе

ГЛАВА 2. РАЗРАБОТКА МЕХАНИЗМА КОМПЛЕКСНОЙ ОЦЕНКИ РИСКА АВАРИЙНОЙ СИТУАЦИИ НА ПРЕДПРИЯТИИ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

2.1 Функциональная модель комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности

2.2 Методический инструментарий определения надежности участка нефтепровода

2.3 Методический подход к анализу риска аварийной ситуации участка нефтепровода

2.4 Структура механизма комплексной оценки риска аварийной ситуации

на предприятии нефтегазовой промышленности

Выводы по 2 главе

ГЛАВА 3. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ МЕХАНИЗМА КОМПЛЕКСНОЙ ОЦЕНКИ РИСКА АВАРИЙНОЙ СИТУАЦИИ НА

ПРЕДПРИЯТИИ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

3.1 Реализация технологии обучения нейронных сетей для анализа аварийной ситуации участка нефтепровода

3.2 Апробация механизма комплексной оценки риска аварийной ситуации

на предприятии ПАО «Транснефть»

Выводы по 3 главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. Параметры нейронной сети определения допустимости

аварийной ситуации

ПРИЛОЖЕНИЕ Б. Параметры нейронной сети оценки экологического

риска

ПРИЛОЖЕНИЕ В. Параметры нейронной сети оценки социально-

экономического риска

ПРИЛОЖЕНИЕ Г. Аналитическое решение задачи классификации

состояния нефтепровода

ПРИЛОЖЕНИЕ Д. Свойства надежности

ПРИЛОЖЕНИЕ Е. Программа построения нейронных сетей на языке

Python

ПРИЛОЖЕНИЕ Ж. Алгоритм определения прямого ущерба от аварийной

ситуации участка нефтепровода

ПРИЛОЖЕНИЕ З. Статистика Ростехнадзора АС по причинам воздействия внешних факторов и коррозийного воздействия

СПИСОК СОКРАЩЕНИЙ

АО - Акционерное общество

АС - Аварийная ситуация

ЕСГ - Единая система газоснабжения

ИНС - Искусственные нейронные сети

КИН - Коэффициент извлечения нефти

НГП - Нефтегазовая отрасль промышленности

НГК - Нефтегазовый комплекс

НС - Нейронная сеть

ПАО - Публичное акционерное общество

РФ - Российская Федерация

СПГ - Сжиженный природный газ

СФР - Структурная функция работоспособности

ТВС - Топливовоздушная смесь

УН - Участок нефтепровода

Введение диссертации (часть автореферата) на тему «Механизм комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности»

ВВЕДЕНИЕ

Актуальность темы исследования. Нефтегазовая промышленность является ключевой отраслью экономики России. По данным Минфина, Казначейства и Федеральной налоговой службы нефтегазовые доходы составляют больше трети всех доходов российской бюджетной системы РФ, как следствие, нефтегазовая промышленность хеджирует риски недостаточной эффективности других отраслей промышленности. Уровень развития и инвестиций в нефтегазовый сектор способствует внедрению и апробации инновационных технологий и современных материалов. Анализ статистики Ростехнадзора показывает, что количество аварийных ситуаций на предприятиях нефтегазовой промышленности уменьшается, однако протяженность нефтепроводов увеличилась более чем в 2 раза за 20 лет, и, соответственно, величина ожидаемого ущерба не уменьшается, а увеличивается. В связи с этим необходимо непрерывно осуществлять мониторинг, прогнозирование рисков и анализ аварийных ситуаций с целью предотвращения ущерба. Актуальным вопросом в рамках изучения рисков аварийности на нефтепроводе в России является вопрос влияния таяния вечной мерзлоты. Особенно остро эта проблема стоит в Западной Сибири, где вблизи термокарстовых озер проходят основные магистральные нефтепроводы России. Данная проблема является одной из причин, обуславливающих необходимость постоянного мониторинга, комплексной оценки риска аварийной ситуации участков нефтепроводов. Важной задачей при принятии управленческих решений является оценка величин ущерба от аварийной ситуации, сопутствующих рисков, надёжности участков, что обосновывает актуальность темы исследования.

В существующих методиках определения ущерба от аварийной ситуации на участке нефтепровода недостаточное внимание уделяется определению допустимости возникновения аварийных ситуаций. Современные технологии

математического моделирования позволяют оценить допустимость наступления событий по имеющимся на данный момент параметрам, несмотря на то, что зависимости между ними являются нелинейными или даже неявными. Нейронные сети являются одним из инструментов математического моделирования, которые находят связи между различными параметрами с нелинейными связями. Их применение для оценки допустимости какого-либо события основано на решении задачи классификации объектов. Более точная оценка допустимости приводит к более точным результатам прогнозирования величины возможного ущерба.

Актуальность темы исследования обосновывается необходимостью создания комплексной оценки риска аварийной ситуации участка нефтепровода на основе анализа допустимости возникновения аварийных ситуаций, надёжности участков нефтепровода и величины возможного ущерба от аварийных ситуаций с помощью нейросетевого моделирования.

Степень разработанности проблемы. Проблемы наращивания и рационализации использования потенциала отечественной нефтегазовой отрасли промышленности (далее по тексту - сокр. НГП) рассматриваются в трудах ученых: Ю.А. Дадонова, М.В. Лисанова, Ю.В. Лиси, А.С. Печеркина, И.В. Филимонова, М.В. Краюшкина, В.И. Сидорова, Ю.М. Полищук, А.Н. Богданова, Г.П. Скрыльник, А.С. Соколицына, А.Е. Череповицына, В.Д. Зуборева и других. Однако, в связи с быстрым темпом развития технологий, вопрос оценки вероятности возникновения аварийных ситуаций необходимо рассматривать с использованием современных методов мониторинга состояния участков газо- и нефтепроводов. Недостаточно также исследований в области поиска и учета скрытых факторов, коррелирующих с вероятностью аварий. Кроме того, не представлены процедуры оценки экологического и социально-экономического риска аварийной ситуации участка на основе анализа надежности нефтепровода.

В исследованиях таких ученых как: М.Н. Захаров, В.А. Острейковский, С.П. Саакян, А.И. Гражданкин, А.В. Пчельников, А.С. Павлов, Ю.А. Дадонов, М.В. Лисанов, В.И. Сидоров, А.В. Савина, С.И. Сумской, Т.Г. Гурнович и других, занимающихся оценкой вероятности возникновения аварийных ситуаций на

магистральных нефтепроводах, не применяются методы нейросетевого моделирования, что могло бы уточнить их методики.

Таким образом, вопросы формирования механизма комплексной оценки риска аварийной ситуации на предприятии нефтегазовой отрасли на основе нейросетевого моделирования требуют углубленного изучения. В исследованной литературе, практической ситуации не обнаружено механизмов комплексной оценки риска аварийной ситуации участка на предприятии нефтегазовой промышленности, учитывающих экологический и социально-экономический риски, а также санкции иностранных государств от нарушения экологической, экономической ситуации вследствие чрезвычайных обстоятельств, что подтверждает актуальность темы исследования.

Целью исследования является разработка механизма комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности.

Объектом исследования в диссертации являются промышленные предприятия нефтегазовой отрасли, находящиеся в процессе цифровой трансформации.

Предметом исследования определен процесс комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности.

В соответствии с целью диссертационного исследования были сформулированы следующие задачи:

1. Провести анализ состояния промышленных предприятий нефтегазовой отрасли РФ и особенностей развития субъектов отрасли в современных условиях.

2. Разработать функциональную модель комплексной оценки риска на предприятии нефтегазовой отрасли.

3. Определить внутренние и внешние факторы диагностики аварийной ситуации на участках нефтепровода, а также разработать систему оценки рисков возникновения аварийной ситуации на предприятии нефтегазовой промышленности.

4. Разработать методический инструментарий определения надежности участка нефтепровода с учетом внешних и внутренних факторов.

5. Разработать методический подход к анализу риска аварийной ситуации участка нефтепровода.

6. Предложить механизм комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности.

7. Провести апробацию разработанного механизма комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности.

Научная новизна исследования заключается в следующем:

1. Исследование методологических основ оценки рисков позволили разработать функциональную модель комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности, отличающуюся от существующих обеспечением возможности анализа на основе оценки допустимости аварии по причине износа оборудования, увеличения зон термокарстовой просадки почв, определения величины ущерба от аварийной ситуации и надёжности участка нефтепровода с учётом влияния экологического и социально-экономического рисков.

2. На основе оценки прямого риска аварийных ситуаций на участке нефтепровода и размера ущерба предложен методический инструментарий определения надежности участка нефтепровода, применение которого позволяет повысить достоверность оценки по сравнению с аналогичными методиками за счёт уточнения анализа совокупности факторов внешних и внутренних рисков аварийных ситуаций с помощью нейросетевого моделирования.

3. На основе анализа факторов, характеризующих совокупность внешних и внутренних воздействий, сформирован методический подход к анализу риска аварийной ситуации участка нефтепровода, в основу которого положены процедуры оценки прямого, экологического, социально -экономического рисков, определения надежности участка нефтепровода, что позволит оценивать ущерб от аварийных ситуаций, принимать обоснованные управленческие решения по реконструкции участков нефтепровода.

4. С учётом определения надежности участка и ущерба от аварийной ситуации разработан механизм комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности, применение которого обеспечивает возможность выявления и ранжирования аварийно-опасных участков с целью обоснования необходимости ремонта и планирования затрат на предотвращение аварийных ситуаций.

Теоретическая значимость диссертационной работы состоит в обобщении и развитии теоретико-методологических положений оценки риска прямого ущерба на магистральных нефтепроводах, надежности и комплексной оценки риска; обосновании применения методов нейросетевого моделирования для оценки допустимости аварийной ситуации по причине различных факторов.

Практическая значимость исследования состоит в обосновании принятия управленческих решений, связанных с необходимостью и срочностью проведения ремонтно-восстановительных работ на участках нефтепровода на основе предложенного механизма комплексной оценки риска аварийной ситуации на предприятии нефтегазовой отрасли и методического инструментария определения надежности участка нефтепровода.

Методология и методы исследования. Диссертационное исследование основано на теоретических и методологических положениях фундаментальных трудов отечественных и зарубежных авторов, занимающихся вопросами анализа рисков, оценки вероятности аварийных ситуаций, мониторинга и прогнозирования состояния нефтепроводов. В рамках диссертационного исследования, основополагающими являлись принципы теории оптимизации, современные методы математического и нейросетевого моделирования, а также классические принципы статистики. Основными методами, используемыми в работе, являются методы математического моделирования, методы статистического анализа, методы теории вероятности, математической статистики, нейросетевого моделирования.

На защиту выносятся следующие положения:

1. Функциональная модель комплексной оценки риска аварийной ситуации участка нефтепровода, учитывающая влияние прямого, экологического и социально-экономического рисков.

2. Методический инструментарий определения надежности участка нефтепровода посредством оценки прямого риска и ущерба на основе анализа внешних и внутренних факторов с помощью нейросетевого моделирования.

3. Методический подход к анализу риска аварийной ситуации участка нефтепровода и поиску аварийно-опасных участков, принимая во внимание наличие коррозий, дефектов, износа оборудования, термокарстовой просадки почв, с целью совершенствования стратегического планирования и управления промышленным предприятием.

4. Механизм комплексной оценки риска аварийной ситуации на предприятии нефтегазовой промышленности с учётом экологического и социально-экономического рисков, а также санкционной реакции иностранных государств на аварийную ситуацию.

Степень достоверности результатов, полученных в ходе диссертационного исследования, обеспечивается использованием общепризнанных достоверных источников, составляющих информационно-методическую основу исследования, а также корректностью аналитических выкладок и научной интерпретируемостью результатов расчета, и применением апробированного математического и программного обеспечения.

Апробация работы осуществлялась на конференциях: XLV Международной молодежной научной конференции «Гагаринские чтения» (г. Москва, апрель 2019г.), 18-ой Международной конференции «Авиация и космонавтика» (г. Москва, ноябрь 2019г.), научно-практической конференции «Актуальные вопросы государственного управления и экономики: проблемы, технологии, инновации» (Москва, май 2019 г.), 19-ой Международной конференции «Авиация и космонавтика» (г. Москва, ноябрь 2020г.) и других конференциях. А также доложены на V Национальном конкурсе инновационных проектов аэрокосмической отрасли ЦАГИ (г. Москва, декабрь 2020г.),

апробированы в деятельности Министерства промышленности и торговли Российской Федерации и ООО «Газпром межрегионгаз Санкт-Петербург».

Результаты диссертационного исследования опубликованы в 13 статьях, 5 из которых в рецензируемых научных изданиях из перечня, рекомендованного Высшей аттестационной комиссией при Минобрнауки России и 4 статьи опубликованы в журналах, входящих в реферативную базу данных Scopus. Общий объем печатных работ 7,9 п.л., авторский вклад составляет 3,2 п.л.

Содержание диссертационного исследования соответствует Паспорту специальности ВАК 08.00.05 - Экономика и управление народным хозяйством (экономика, организация и управление предприятиями, отраслями, комплексами: промышленность) в пп.: 1.1.13. Инструменты и методы менеджмента промышленных предприятий, отраслей, комплексов, 1.1.15. Теоретические и методологические основы эффективности развития предприятий, отраслей и комплексов народного хозяйства.

Структура и объем диссертационной работы. Диссертация состоит из введения, трех глав, заключения, списка литературы, состоящего из 122 наименований и восьми приложений. Общий объем диссертации составляет 161 страница машинописного текста, включая 68 рисунков и 27 таблиц.

ГЛАВА 1. АНАЛИЗ ТЕОРЕТИКО-МЕТОДОЛОГИЧЕСКИХ АСПЕКТОВ ОЦЕНКИ РИСКА АВАРИЙНОЙ СИТУАЦИИ НА ПРЕДПРИЯТИИ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

1.1 Анализ современного состояния и перспектив развития нефтегазовой

промышленности России

Необходимым условием социально-экономического, технологического и инновационного развития, а также экономической и энергетической безопасности страны является развитие НГП Российской Федерации. Отрасль НГП является крайне значимой для экономики страны ввиду широкого масштаба своей деятельности, высокой степени наукоемкости производства, применения информационных технологий и инновационной активности.

Нефтегазовая промышленность - это отрасль тяжелой индустрии, которая наряду с освоением месторождений газа и нефти, включает в себя бурение газонефтяных скважин, добычу и переработку извлекаемого сырья. Также составной частью НГП является строительство трубопроводов для транспортировки газа и нефти. Многие организации отрасли входят в перечень стратегических предприятий страны. Ежегодно доходы компаний НГК формирует до 40 % федерального бюджета [1, 106].

«... Нефтегазовую промышленность характеризуют:

- комплексность взаимосвязей различных стадий производства и использования ресурсов;

- способность самостоятельно проводить подготовку сырьевой базы;

- высокий уровень риска инвестиций;

- ориентированность в развитии на отечественные ресурсы;

- масштабность и широкая география размещения месторождений нефти и газа;

- динамизм и инерционность;

- тесная связь со всеми отраслями народного хозяйства;

- применение в технологическом процессе высокотехнологичных специальных технических средств, технологий и материалов;

- наличие развитой отраслевой инфраструктуры и высококвалифицированных кадровых ресурсов» [27].

Совокупность сгруппированных по функциональному признаку предприятий НГП изображена на рисунке 1.1.

Органы государственной власти

Освоение и добыча НИОКР Переработка Поставящики Транспорт и сервис

-Геологоразведочные операции -Нефтедобывающие компании -Газодобывающие компании -Научно- исследовательские организации -Проектные институты -ВУЗы -Экспертные организации -Заводы СПГ -Предприятия переработки и нефтехимии -Поставщик и газового оборудования -Логистический центр -Ледокольный и танкерный флот -Портовая инфраструктура -Железные дороги

Источник: составлено автором по данным [25]

Рисунок 1.1 - Структура отрасли НГП

Основными нефте-, газодобывающими компаниями России являются «Роснефть», «Лукойл», «Газпром», «Сургутнефтегаз», «Татнефть», «РуссНефть» и «Новатек». На рисунке 1.2 представлены доли, добытой этими компаниями нефти и газа за 2019 год по данным «Центрального диспетчерского управления топливно-энергетического комплекса».

Перед предприятиями отрасли НГП стоят следующие комплексные задачи [23,26,27]:

- воспроизведение запасов нефти за счет геологоразведывательных работ и своевременной разработки новых месторождений;

- рационализация и совершенствование процесса добычи нефти, совершенствование технологий нефтедобычи;

- развитие транспортной инфраструктуры для оперативных поставок жидких углеводородов.

Источник: составлено автором по данным [117]

Рисунок 1.2 - Доли добытой нефти и газа за 2019 год

Кроме того, существует ряд более узких специализированных задач, поставленных перед специалистами нефтегазовой отрасли. Среди них:

- строительство надежных систем телекоммуникации и связи на предприятиях НГП, обеспечивающих высокоскоростную передачу данных;

- оснащение нефтяных платформ и инженерных секторов коммуникационной связью высокого качества для обмена информацией;

- обеспечение работы нефтегазовых объектов, а также качественного надзора за объектами НГП в отсутствие персонала при крайне неблагоприятных погодных условиях;

- снижение экономических рисков, связанных с технологиями производства в процессе добычи полезных ископаемых посредством внедрения инноваций в работу предприятия и закупки новейших образцов техники;

- снижение уровня физического риска при работах, путем постоянного улучшения условий труда и быта, а также совершенствования средств и инструкций по безопасности жизни и здоровья людей;

- централизация управления работой производственных подразделений с помощью современных надежных телекоммуникационных систем.

В диссертации проведён анализ специфики продукции, особенностей экспорта, географии отрасли. Введение системы маркировки нефти позволило покупателям заранее определять характеристики и рыночную стоимость покупаемого сырья, добытого на различных месторождениях. Качество сырья обратно пропорционально его плотности и концентрации в нем серы, однако это обстоятельство может приводить к аварийным ситуациям на нефтепроводах. Принято классифицировать нефть по содержанию серы на три категории (таблица 1.1).

Таблица 1.1 - Категории нефти по содержанию серы

Содержание серы Категория нефти

до 0,5% Низкосернистая

от 0,5 до 2,0% Среднесернистая

более 2,0% — Высокосернистая

Источник: составлено автором по данным [113]

Избыточное количество серы может приводить не только к аварийным ситуациям, но и к необходимости дополнительной очистки, что влечет за собой дополнительные затраты. В зависимости от градусов API или удельного веса (г/дм3) различают следующие сорта нефти (таблица 1.2).

Таблица 1.2 - Сорта нефти по удельному весу

Удельный вес

820 г/дм3 870 г/дм3 920 г/дм3 1000 г/дм3 > 1000 г/дм3

< 50 Сверх -легкие

< 40 Легкие

ьч % < 30 Средние

< 20 Тяжелые

< 10 Сверх тяжелые

Источник: составлено автором по данным [113]

Для увеличения экономической выгоды необходимо при перегонке отдавать предпочтение более легким сортам, так как остается меньше тяжелых фракций. В таблице 1.3 показаны российские марки нефти.

На настоящий момент Российская Федерация полностью удовлетворяет свои потребности в углеводородах за счет собственных ресурсов. На рисунке 1.3 представлена карта с расположением газовых скважин, где содержатся основные запасы газа (24%). Можно заметить обилие скважин в населённых районах, что требует повышенного внимания к мониторингу и прогнозированию аварийных ситуаций, а также в районах вечной мерзлоты, где риск АС повышается

вследствие таяния грунта.

Рисунок 1.3 - Карта расположения газовых скважин [113]

Таблица 1.3 - Характеристики Российских марок нефти.

Марки Плотность кг/м3 Плотность API Содержание серы (%) Место продажи Место добычи

Urals 860-871 31-32 1,2-1,3 НП "Дружба", порты "Новороссийск", "Усть-Луга", "Приморск" Западная Сибирь, Урал, Поволжье

Siberian Light 845-850 36,5 0,57 Порт "Туапсе" ХМАО

Sokol («Сахалин-1») 835-837 37,9 0,23 Нефтеналивной терминал Де-Кастри (Хабаровский край) Проект "Сахалин-1"

Vityaz («Сахалин-2») 820-823 41 0,18 Порт "Пригородное" Проект "Сахалин-2"

Rebco (Russian Export Blend Crude Oil) 31-32 1,2-1,3 Порт "Приморск" Западная Сибирь, Урал, Поволжье

Espo (ВСТО) 851-855 34,8 0,62 НП "Восточная Сибирь -Тихий океан", порт "Козьмино", Находка Восточная и Западная Сибирь

ARCO (Arctic Oil) 906 24 2,3 Доставляется на танкерах потребителю Приразломное

Источник: составлено автором по данным [34,117]

Мельникова М.А. в своих исследованиях отмечает, что около 51% известных газовых месторождений находится в районах с развитой инфраструктурой. Основными перспективными направлениями развития для ПАО «Газпром» является территории полуострова Ямал, Надым-Пур-Тазовского района и шельфа арктических морей. Из восьми разведанных на шельфе Баренцева и Печорского морей месторождений, крупнейшим является Штокмановское месторождение [29].

Для транспортировки продукции нефтегазовой отрасли используют преимущественно трубопроводный способ, для которого свойственны низкие операционные издержки по сравнению с другими способами, такими как железнодорожный, водный, автомобильный. Система основных газо-, нефтепроводных линий России показана на рисунке 1.4.

НГК России продолжает показывать положительную динамику экспорта углеводородов, вопреки острой конкуренции на мировом рынке и даже прямому

противодействию ряда стран.

Рисунок 1.4 - Нефте- и газопроводы России [115] По данным Федеральной таможенной службы РФ и Росстата, в 2019 году произошло увеличение экспорта нефти на 2,7% (с 267,5 до 274,4 млн. т), обновив исторический максимум. Также в 2019 году экспорт нефти составил 48% от добычи, тем самым став максимальным за последние 8 лет (в 2004 г. он превышал 56%). Суммарно же экспорт нефти и нефтепродуктов (экспортная ориентация) достиг 76%. [116, 117].

Основные страны-импортеры, а также размеры поставок нефти приведены на рисунке 1.5.

Источник: составлено автором по данным [116]

Рисунок 1.5 - Основные направления поставок нефти

Источник: составлено автором по данным [2, 3, 116]

Рисунок 1.6 - Добыча и экспорт нефти России 1992-2019 гг Россия находится на втором месте в мире по экспорту нефти. Статистические данные по добыче и экспорту нефти России с 1992 по 2019 годы представлены на графике (рисунок 1.6). Саудовская Аравия является лидирующим экспортером нефти. Объемы ее экспорта составляют около 350 млн. т. Второе и третье место занимают Канада и Ирак — примерно 200 млн. т.

Так же по данным Федеральной таможенной службы РФ и Росстата, в 2019 году произошло увеличение экспорта природного газа на 6,8%, к 2018 году (с 259,4 до 275,8 млрд. куб. м), обновив тем самым исторический максимум четвертый год подряд. Доля экспорта в 2019 г. составила 35% от всего объема добычи, что соответствует верхней границе интервала экспортной квоты России. Одновременно с этим, в 2019 году транспортировка природного газа из России по газопроводам снизилась на 0,3% (с 219,9 до219,3 млрд. куб. м) [116, 117].

Анализ показывает, что нефтегазовые доходы, а также налоги, связанные с ними, составляют большую часть доходов российского бюджета. Данные доходы распределяются на нужды медицинских и космических исследований, а также на другие направления. Основные направления поставок природного газа приведены на рисунке 1.7. Тройку лидеров стран-импортеров российского природного газа составляют Германия, Белоруссия и Австрия. Главной трубопроводной

магистралью природного газа является газопровод «Северный поток».

Источник: составлено автором по данным [116]

Рисунок 1.7 - Основные направления поставок природного газа На рисунке 1.8 представлены статистические данные по добыче и экспорту природного газа России с 1992 по 2019 гг.

Источник: составлено автором по данным [2, 3, 116]

Рисунок 1.8 Добыча и экспорт природного газа России 1992-2019 гг. Было проведено исследование основных экспортных магистралей для транспортировки нефти и газа за рубеж с целью выявления возможных рисков (таблица 1.4.).

Таблица 1.4 - Основные экспортные магистрали для транспортировки нефти и

газа

Название Страна-импортер Протяжен ность (км) Мощность (млрд. куб. м./млн. тонн в год)

Газопроводы Голубой поток Турция 1213 16

Северный поток Германия 1224 55

Ямал-Европа Белоруссия, Германия, Польша > 2000 32,9

Сила Сибири Китай 3200 38

Турецкий поток Турция 1090 31

Нефтепроводы Дружба Украина, Хорватия, Венгрия, Словакия, Чехия, Германия, Латвия, Польша, Белоруссия и Литва 8900 66,5

Сургут-Полоцк Белоруссия 3250 30

Балтийская трубопроводная система Польша, Белоруссия, Литва, Латвия 2718 74

Узень-Атерау-Самара Казахстан 1380 30

Каспийский трубопроводный консорциум порт Южная Озереевка 1510 35

Восточная Сибирь-Тихий Океан Азия, США 4740 58

Источник: составлено автором по данным [116]

Анализ структуры инвестиций показывает, что нефтегазовая отрасль является одной из самых капиталоемких сфер народного хозяйства. Основными направлениями исследований являются: мониторинг, прогнозирование рисков аварийных ситуаций на участках, минимизация ущерба от их проявления. Уровень развития и инвестиций в нефтегазовый сектор способствует внедрению и апробации инновационных материалов и технологий. Это послужит основой для интегрирования их в другие отрасли. Поэтому крайне важно сохранять и развивать данную отрасль. В своих исследованиях Косарикова Ю.А. утверждает, что в условиях рыночной экономики инвестиционные потребности НГП только растут, что обусловлено появлением дополнительных требований к предприятиям НГП. «... Для рассматриваемых предприятий характерны такие целевые инвестиции, как повышение расходов на экологическую защиту, на модернизацию производства, на удовлетворение социальных нужд и др. В настоящее время капиталовложения испытывают резкий скачок. Данная тенденция обусловлена переносом крупных центров нефте-, и газодобычи в труднодоступные, неосвоенные и неблагоприятные для здоровья регионы» [105]. Самые крупные инвесторы — «Газпром», «Роснефть», «Лукойл», «Сургутнефтегаз» и т. д., которыми за последние пять лет было инвестировано 19 трлн. рублей, из 33,5 трлн рублей суммарных инвестиций в отрасль [105].

Список литературы диссертационного исследования кандидат наук Нехрест-Бобкова Анна Александровна, 2021 год

СПИСОК ЛИТЕРАТУРЫ

Нормативные правовые акты

1. Указ Президента РФ от 07.05.2012 № 596 «О долгосрочной государственной экономической политике» // СПС КонсультантПлюс (дата обращения 10.02.2019).

2. Федеральный закон от 28.06.2014 № 172-ФЗ «О стратегическом планировании в Российской Федерации» (редакция от 31.12.2017) // СПС КонсультантПлюс (дата обращения 20.01.2019).

3. Прогноз долгосрочного социально-экономического развития Российской Федерации на период до 2030 года (разработан Минэкономразвития России) // СПС КонсультантПлюс (дата обращения 28.03.2019).

4. Правила организации и проведения акустико-эмиссионного контроля сосудов, аппаратов, котлов и технологических трубопроводов РД 03-131-97 Москва НПО ОБТ 2000

5. ГОСТ Р 51164-98 «Трубопроводы стальные магистральные. Общие требования к защите трубопроводов от коррозии»

6. ГОСТ 27.002-2015 «Надежность в технике (ССНТ). Термины и определения»

7. Методическое руководство по оценке степени риска аварий на магистральных нефтепроводах: Серия 27 Выпуск 1 / Колл. авт. - 2-е изд., испр. -М.: Государственное унитарное предприятие «Научно-технический центр по безопасности в промышленности Госгортехнадзора России», 2002

Учебные пособия и монографии

8. Богоявлевский, С.Б. Управление риском в социально-экономических система: учебное пособие - Санкт-Петербургский государственный экономический университет. - Санкт-Петербург, 2010 - 143 с.

9. Банди, Б. Методы оптимизации. Вводный курс: Пер. с анг. / Б. Банди. - М.: Радио и связь, 2012. - 126 с.

10. Габасов Р. Методы оптимизации: пособие / Р. Габасов [и др.]. -Минск: Издательство «Четыре четверти», 2011. - 472 с.

11. Дуброва, Т.А. Статистические методы прогнозирования в экономике: учебно-методический комплекс / Т. А. Дуброва, М. Ю. Архипов; Междунар. консорциум «Электронный ун-т» и др. - Москва: Издат. центр ЕАОИ, 2008. -136 с.

12. Майорова Н.Л. Методы оптимизации: учебное пособие / Н.Л. Майорова, Д.В. Глазков. - Яросл. гос. ун-т им. П.Г. Демидова. - Ярославль: ЯрГУ, 2015. - 112 с.

13. Мазур И.И., Иванцов О.М. М13 Безопасность трубопроводных систем / И.И. Мазур, О.М. Иванцов. — М.: ИЦ «ЕЛИМА», 2004. - 1104 е., илл.

14. Методическое руководство по оценке степени риска аварий на магистральных нефтепроводах: Серия 27. Выпуск 1 / Колл. авт. - 2-е изд., испр. -М.: Государственное унитарное предприятие «Научно-технический центр по безопасности в промышленности Госгортехнадзора России», 2002. - 120 с.

15. Валежина, Л.В. Организация производства на предприятиях трубопроводного транспорта / Л.В. Валежина // - Тюмень.: ТюмГНГУ, 2010 -304 с.

16. Азрилиян, А.Н. Большой экономический словарь / А.Н. Азрилян - М.: Институт новой экономики, 1997 - 1376 с.

17. Белов, П. Г. Управление рисками, системный анализ и моделирование в 3 ч. Часть 3 : учебник и практикум для бакалавриата и магистратуры / П. Г. Белов. - М.: Издательство Юрайт, 2019. - 272 с.

18. Белов, П. Г. Системный анализ и программно-целевой менеджмент рисков: учебник и практикум для бакалавриата и магистратуры / П. Г. Белов. - М.: Издательство Юрайт, 2019. - 289 с.

19. Белов, П. Г. Управление рисками, системный анализ и моделирование в 3 ч. Часть 2: учебник и практикум для бакалавриата и магистратуры / П. Г. Белов. - М.: Издательство Юрайт, 2019. - 250 с.

20. Белов, П. Г. Управление рисками, системный анализ и моделирование в 3 ч. Часть 1: учебник и практикум для бакалавриата и магистратуры / П. Г. Белов. - М.: Издательство Юрайт, 2019. - 211 с.

21. Воронцовский, А. В. Оценка рисков: учебник и практикум для бакалавриата и магистратуры / А. В. Воронцовский. - М.: Издательство Юрайт, 2019. - 179 с.

22. Воронцовский, А. В. Управление рисками: учебник и практикум для бакалавриата и магистратуры / А. В. Воронцовский. - М.: Издательство Юрайт, 2019. - 414 с.

23. Забродин Ю.Н., Коликов В.Л., Михайличенко А.М., Саруханов А.М. Управление нефтегазостроительными проектами. - М.: Омега-Л, 2009. - 475с.

24. Перова, В.И., Разработка алгоритмов для решения задач на ЭВМ: Учебное пособие. / В.И. Перова , Т.А. Сабаева, Д.Т. Чекмарев// - Нижний Новгород: Нижегородский госуниверситет, 2015. - 136 с.

25. Садчиков И.А. Экономика отрасли. Конспект лекций - Санкт-Петербург, ИНЖЭКОН, 2008. - 146 с.

26. Бушуев. В.В., Крюков В.А., Саенко В.В., Силкин В.Ю., Токарев А.Н., Шафраник Ю.К., Шмат В.В Нефтяная промышленность России - сценарии сбалансированного развития. - М.: ИАЦ Энергия, 2010. 160 с.

27. Бушуев В.В. Концепция долгосрочного развития нефтяной промышленности России (материалы для подготовки Генеральной схемы

развития нефтяной отрасли до 2020 года) - М.: ИАЦ "Энергия", 2010. - 28 с.

28. Гершман, М. А. Программы инновационного развития компаний с государственным участием: первые итоги - Форсайт. - 2013. - Т. 7. - № 1. -С. 28-43

29. Мельникова М.А. История нефтегазовой отрасли: Учебное пособие -Благовещенск: Амурский гос. ун-т, 2016. - 128 с.

30. Огородников Е., Ремизов М. За краем нефтегазового горизонта -журнал «Эксперт» №42 - 1093с.

31. Шмойлова Р. А. Общая теория статистики: Учебник. - М.: Финансы и статистика, 2002 - 456 с.

32. Захаров М.Н., Омельченко И.Н., Саркисов А.С. Ситуации инженерно-экономического анализа - М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. - 430 с.

33. Дейнеко, С. В. Обеспечение надежности систем трубопроводного транспорта нефти и газа. - М.: Издательство «Техника», ТУМА ГРУПП, 2011. -176 с.

34. Вайншток, С. М. Трубопроводный транспорт нефти / Вайншток С. М., Новоселов В. В., Прохоров А. Д. и др // под ред. С. М. Вайнштока: Учебник для вузов: В 2 т. - М.: ООО «НедраБизнесцентр», 2004. - Т. 2. - 621 с.

35. Матвеевский, В.Р. Надежность технических систем: Учеб пособие / В.Р.Матвеевский; М-во образования Рос. Федерации. Моск. гос. ин-т электроники и математики (Техн.ун-т). - М.: Моск.гос.ин-т электроники и математики, 2003 (ООП ин-та). - 113 с.

36. Галеев А.Д., Поникаров С.И. Анализ риска аварий на опасных производственных объектах: учебное пособие - Министерство науки и высшего образования России, Казан. нац. исслед. технол. ун-т. - Казань: Изд-во КНИТУ, 2017. - 152 с.

37. Вяткин, В. Н. Риск-менеджмент: учебник / В. Н. Вяткин, В. А. Гамза, Ф. В. Маевский. - 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. -365 с.

38. Жуковский, В. И. Оценка рисков и многошаговые позиционные конфликты: учеб. пособие для вузов / В. И. Жуковский, М. Е. Салуквадзе. - 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. - 305 с.

39. Касьяненко, Т. Г. Анализ и оценка рисков в бизнесе: учебник и практикум для СПО / Т. Г. Касьяненко, Г. А. Маховикова. - 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. - 381 с.

40. Касьяненко, Т. Г. Анализ и оценка рисков в бизнесе: учебник и практикум для академического бакалавриата / Т. Г. Касьяненко, Г. А. Маховикова. - 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. - 381 с.

41. Гэлаи, Д. Основы риск-менеджмента / Д. Гэлаи, М. Кроуи, В. Б. Минасян, Р. Марк. - М.: Издательство Юрайт, 2019. - 390 с.

42. Пименов, Н. А. Управление финансовыми рисками в системе экономической безопасности: учебник и практикум для академического бакалавриата / Н. А. Пименов. - 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. - 326 с.

43. Рягин, Ю. И. Рискология в 2 ч. Часть 1: учебник для вузов / Ю. И. Рягин. - М.: Издательство Юрайт, 2019. - 255 с.

44. Рягин, Ю. И. Рискология в 2 ч. Часть 2: учебник для вузов / Ю. И. Рягин. - М.: Издательство Юрайт, 2019. - 275 с.

45. Северцев, Н. А. Введение в безопасность: учеб. пособие для академического бакалавриата / Н. А. Северцев, А. В. Бецков. - 2-е изд., перераб. и доп. - М. : Издательство Юрайт, 2019. - 177 с.

46. Страхование. Практикум: учеб. пособие для академического бакалавриата / Л. А. Орланюк-Малицкая [и др.]; отв. ред. Л. А. Орланюк-Малицкая, С. Ю. Янова. - М.: Издательство Юрайт, 2019. - 575 с.

47. Страхование и управление рисками: учебник для бакалавров / Г. В. Чернова [и др.]; под ред. Г. В. Черновой. - 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. - 767 с.

48. Управление инвестиционными проектами в условиях риска и неопределенности: учеб. пособие для бакалавриата и магистратуры / Л. Г.

Матвеева, А. Ю. Никитаева, О. А. Чернова, Е. Ф. Щипанов. - М.: Издательство Юрайт, 2019. - 298 с.

49. Земенков, Ю.Д. Эксплуатация линейной части нефтегазопроводов: Учебное пособие. Под общей редакцией Ю.Д. Земенкова. - Тюмень: Издательство «Вектор Бук», 2013 - 294 с.

50. Важенина, Л. В. Организация производства на предприятиях трубопроводного транспорта / Л.В. Важенина - Тюмень: ТюмГНГУ. - 2010. -304 с.

51. Управление финансовыми рисками: учебник и практикум для бакалавриата и магистратуры / И. П. Хоминич [и др.]; под ред. И. П. Хоминич, И. В. Пещанской. - М.: Издательство Юрайт, 2019. - 345 с.

52. Финансы организаций: управление финансовыми рисками: учебник и практикум для СПО / И. П. Хоминич [и др.]; под ред. И. П. Хоминич, И. В. Пещанской. - М.: Издательство Юрайт, 2019. - 345 с.

53. Хайкин, С. Нейронные сети: Полный курс: Пер. с анг. / С. Хайкин. -М.: Вильямс, 2006. - 1104 с.

54. Рутковская, Д Нейронные сети, генетические алгоритмы нечеткие системы: Пер. с польского / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия Телеком, 2006. - 452 с.

55. Лисицына, Л.С. Основы теории нечетких множеств: учеб. пособие / Л.С. Лисицына //СПб.: Университет ИТМО, 2020. -74с.

56. Бураков, М. В. Нейронные сети и нейроконтроллеры: учеб. пособие/ М. В. Бураков. - СПб.: ГУАП, 2013. - 284 с.

57. Джулли, А. Библиотека Keras - инструмент глубокого обучения. Реализация Нейронных сетей с помощью библиотек: Theano и TensorFlow: Пер. с анг. /А. Джулли, С. Пал// М.: ДМК Пресс, 2018. - 294 с.

58. Тарик, Р. Создаем нейронную сеть: Пер. с анг. / Р. Тарик // СПб.:ООО «Альфа-книга», 2017. - 272 с

Статьи

59. Nehrest, A.A Development of Optimization Model of Budget Allocation for Promotion of Unmanned Aerial Vehicles / A.A. Nehrest, A.A. Burdina, M.N. Kaloshina, E.T. Manaenkova, T.M. Rogulenko // International Journal of Engineering & Technology - Vol.7. Iss.4.38 - 2019- P. 91-95.

60. Nekhrest, A.A Stationary Time Series in Pricing International / A.A. Burdina, A.A. Nekhrest, Y.N. Frolov, Y.T. Manayenkova // Journal of Innovative Technology and Exploring Engineering (IJITEE) - Vol.8 Iss.10 - 2019 - P. 2268-2272

61. Нехрест-Бобкова, А.А. Совершенствование процедуры контроллинга финансового результата с помощью нейросетевого моделирования / А.А. Нехрест-Бобкова, А.А. Бурдина, Н.Н. Геращенко // Экономика и предпринимательство - № 6 - 2019. - С. 703-709.

62. Nekhrest-Bobkova, A.A Accident Damage Prevention Technology, Sciences Publication / A.A. Burdina, A.A. Nekhrest-Bobkova, B.A.Gorelov, S.S.Burdin// International Journal of Recent Technology and Engineering (IJRTE) -Vol.8 Iss.6 - 2020 - P. 4260-4263.

63. Нехрест-Бобкова, А.А. Механизм оценки эффективности инновационных проектов на основе нейросетевых технологий / А.А. Нехрест-Бобкова, А.А. Бурдина // РИСК: Ресурсы, Информация, Снабжение, Конкуренция- №2/2020. - 2020. - С. 44-50.

64. Нехрест-Бобкова, А.А. Применение нейросетевых технологий для оценки вероятности аварийной ситуации на магистральной части газо -нефтепровода // РИСК: Ресурсы, Информация, Снабжение, Конкуренция-№3/2020. - 2020. - С. 130-135

65. Нехрест-Бобкова, А.А Экономический механизм мониторинга и прогнозирования комплексного риска аварийной ситуации участка нефтепровода, Экономика и предпринимательство. - № 12 (125). - 2020. - С. 579-582

66. Нехрест-Бобкова, А.А Механизм прогнозирования величины возможного ущерба на аварийно-опасных участках газо- и нефтепроводов / А.А. Нехрест-Бобкова, А.А. Бурдина // СТИН

67. Нехрест-Бобкова, А.А. Исследование методов прогнозирования спроса на БПЛА на основе нейросетевого моделирования / А.А. Нехрест-Бобкова // Сборник тезисов докладов «Гагаринские чтения - 2019: XLV Международная молодёжная научная конференция». М.: Московский авиационный институт (национальный исследовательский университет). - 2019. - С. 1109.

68. Nekhrest-Bobkova, A.A., Neural network technologies in digitalization of the aviation industry / А.А. Nekhrest-Bobkova, E.S. Burdina // Сборник тезисов докладов 18-ой Международной конференции «Авиация и космонавтика - 2019» М.: Московский авиационный институт (национальный исследовательский университет). - 2019. - С. 578.

69. Нехрест-Бобкова, А.А. Прогнозирование муниципальных доходов с помощью нейронных сетей / А.А. Нехрест-Бобкова, А.А. Бурдина// Сборник тезисов докладов научно-практической конференции «Актуальные вопросы государственного управления и экономики: проблемы, технологии, инновации» М.: Московский авиационный институт (национальный исследовательский университет). - 2019. - С. 172-127

70. Нехрест-Бобкова, А.А. Механизм определения величины возможного ущерба от аварийной ситуации на основе нейронных сетей / А.А. Нехрест-Бобкова, А.А. Бурдина // Сборник тезисов докладов 19-ой Международной конференции «Авиация и космонавтика - 2020» М.: Московский авиационный институт (национальный исследовательский университет). - 2020. - С. 536.

71. Острейковский, В.А. Моделирование техногенного риска сложных динамических систем с использованием распределения Парето / В.А. Острейковский, А.С. Павлов, Е.Н. Шевченко // Вестник кибернетики. - № 1. -2016. - С. 39-44

72. Острейковский, В.А. Математические модели оценки техногенного риска сложных систем на основе распределения Эрланга, надежность и качество

сложных систем / В.А. Острейковский, А.С. Павлов // Надежность и качество сложных систем - №1 (13) - 2016. - С. 99-106

73. Куприн, И.Л Проблемы экономико-математического моделирования перспектив развития модульных ракетных комплексов / И.Л. Куприн, А.Д. Давыдов, С.М. Виноградов // Вестник Московского авиационного института -№ 4 - 2010 - С. 192-201.

74. Куприн, И.Л Модульная стратегия развития - системоэкономическая концепция интенсификации развития высокотехнологичных комплексов / И.Л. Куприн, А.Д. Давыдов, С.Н. Селиванов // Вестник Московского государственного областного университета. Серия Экономика. - № 1. - 2012. - С. 78-85.

75. Жукова, И.В. Сущность и содержание организационно-экономического механизма управления горнодобывающей промышленностью // Власть и управление на востоке России. - 2010. - № 4. - С. 43-49

76. Куприн, И.Л Опорные тенденции в развитии трансформируемых высокотехнологичных комплексов / И.Л. Куприн, А.Д. Давыдов, Ю.А.Теплов// Национальные интересы: приоритеты и безопасность. № 46. - 2013 - С. 20-30.

77. Давыдов, А.Д. Способ выбора приоритетных направлений фундаментальных и поисковых исследований / А.Д. Давыдов, Е.В. Дианова, В.В. Хмелевой // Вестник Московского авиационного института - № 4(23) - 2016 - С. 195-203

78. Измалков, С. Теория экономических механизмов / С. Измалков, К. Сонин, М. Юдкевич // Вопросы экономики. - 2008. - № 1. - С. 4-26

79. Давыдов, А.Д. Модель формирования номенклатурных портфелей логистической системы распределения авиационных изделий. / А.Д. Давыдов, Е.В. Дианова, В.В. Хмелевой // Стин - №10 - 2017. - С. 24-27.

80. Горелов, Б.А Модели управления развитием распределенных технических систем. / Б.А Горелов, А.Д. Давыдов, А.В. Силаев, А.В. Тихонов // Известия вузов. Машиностроение. - №3. - 2018. - С. 92-103.

81. Горелов, Б.А К вопросу оценки конкурентоспособности распределенных технических систем на ранних этапах их создания. / Б.А Горелов,

А.Д. Давыдов // Системы управления полным жизненным циклом высокотехнологичной продукции в машиностроении: новые источники роста. Материалы Всероссийской научно-практической конференции. Изд-во МГТУ им. Н.Э. Баумана. - 2018. - С. 75-78

82. Горелов, Б.А Методы и модели оценки эффективности распределенных систем авиационной техники по критерию "стоимость-эффективность-время" / Б.А Горелов, А.Д. Давыдов, А.В. Тихонов, Е.З. Тужиков // Стратегическая стабильность - Т. 86, №1. - 2019. - С.20-25.

83. Kulikova, N.N. Planning of technological development of new products and its impact on the economic performance of the enterprise/ N.N. Kulikova, V.M. Smolentsev, A.I. Tikhonov, V.S. Kireev, V.A. Dikareva // International Journal of Economics and Financial Issues. - 6 (8S). - 2016. - P. 213-219.

84. Konovalov, V.B. Marketing planning in industrial enterprises in the context of import substitution strategy / V.B. Konovalo, A.I. Tikhonov, V.A. Fursov, O.V. Sogachev., N.V. Pyanova // International Journal of Applied Business and Economic Research. 15 (12) - 2017. - P. 171-182.

85. Fedotova, M.A. Estimating the Effectiveness of Personnel Management at Aviation Enterprises / M.A. Fedotova, A. I. Tikhonov, S.V. Novikov // Russian Engineering Research. 38 (6) - 2018. - P. 466-468.

86. Tikhonov, A.I. The use of networking in staff recruitment: recommendations and referral programs. Amazonia Investiga. 8 (19). - 2019. -P. 521 528.

87. Tikhonov, A.I Applying of employer branding system in the IT-companies' human resource management. Espacios. 40 (38) - 2019. - P. 23-27

88. Щипачев, А.М. Искусственные нейронные сети для оценки остаточного ресурса газонефрепроводов / А.М. Щипачев, И.Р. Лапига // Журнал Neftegaz.RU номер 12/2019. - 2019. - 46с.

89. Радионова, С.Г. Показатели опасности аварий на российских магистральных трубопроводах / С.Г. Радионова, С.А. Жулина, Т.А. Кузнецова, А.С. Печеркин, И.А. Кручинина, А.И. Гражданкин // Безопасность труда в

промышленности. №11 - 2015. - с.62-69.

90. Большаков, А.М. Идентификация опасностей эксплуатации газопроводов при низких температурах / А.М. Большаков, М.И. Захарова //Вестник машиностроения - №10. - 2015. - С.53-56

91. Tikhonov, A.I. Modem Organization Effective Functioning Evaluation / A.I. Tikhonov, S.V. Novikov/ Quality-Access to Success - № 178. - 2020 - P. 3-6.

92. Волков, А.Т Современное состояние нефтегазовой отрасли -источника спроса инноваций / А.Т. Волков, Р.Е Шепелев // Вестник университета. - № 6. - 2019. - С. 68-76

93. Волков, А. Т. Патентная активность в нефтегазовом комплексе / А.Т. Волков, Р.Е Шепелев // Вестник университета. - № 9. - 2015.- С. 11-17

94. Кирпотин, С.Н. Динамика площадей термокарстовых озер в сплошной и прерывистой криолитозонах Западной Сибири в условиях глобального потепления / С.Н. Кирпотин, Ю.М. Полищук, Н.А. Брыксина Н.А.//- Вестник Томского государственного университета. - №311. - 2008. - С.185-190

95. Лебедев, Л.К. Технология анализа и распознавания информационных угроз на изображениях / Л.К. Лебедев // Межрегиональная научно-практическая конференция "медиабезопасность и профилактика правонарушений молодежи в социальных сетях": Сборник тезисов докладов: Уфа. - 2015. - С. 101-104

96. Байсалямова, О.А. Пространственное распределение малых термокарстовых озер Западной Сибири по снимкам kh-7 и GeoEye-1 / О.А. Байсалямова, А.Н.Богданов, И.Н. Муратов, Ю.М. Полищук, М.С. Снигирева // Вестник Югорского государственного университета. №3 (38). - 2015. - С.69-73

97. Савонин, С.В. Анализ основных причин аварий, произошедших на магистральных газопроводах / С.В. Савонин, А.В. Москаленко, А.В. Тюндер, С.Е. Князев, З.А. Арсентьева // Нефть и Газ Сибири. - №4 (21). - 2015. - С. 52-57

98. Погодаева, Т.В. Энергоэффективные технологии как приоритет инновационного развития нефтегазового комплекса / Т.В. Погодаева, Д.В. Кичикова // Актуальные проблемы экономики и права. -№3 (27). - 2013. - С.138-144

Диссертации

99. Науменко, Е.Е. Управление устойчивым развитием предприятия // дис. ... канд. эконом. наук: 08.00.05 / Науменко Егор Евгеньевич; [Место защиты: С.-Петерб. гос. ун-т экономики и финансов]. - Санкт-Петербург, 2009. - 165 с.

100. Брыксина, Н.А. Научно-методические основы применения данных дистанционного зондирования при исследовании термокарстовых озерных ландшафтов Западно-Сибирской равнины // дис. ... канд. геогр. Наук: 25.00.23 / Брыксина Наталья Анатольевна; [Место защиты: Югорский гос. университет]. -Ханты-Мансийск, 2011. - 192с.

101. Родионова, Т.В. Исследование динамики термокарстовых озер в различных районах криолитозоны России по космическим снимкам // дисс. ... канд. геогр. наук: 25.00.33 / Родионова Татьяна Васильевна; [Место защиты: МГУ им. Ломоносова]. - Москва, 2014. - 319с.

102. Ильин, Е.С. Интеллектуальная система анализа данных на основе нейронных сетей // дисс. ... канд. техн. наук 05.13.01 / Ильин Евгений Сергеевич [Место защиты: Сиб. аэрокосм. акад. им. акад. М.Ф. Решетнева]. - Красноярск, 2004. - 174с.

103. Гилев, С.Е. Обучение нейронных сетей : Методы, алгоритмы, тестовые испытания // дисс. ... канд. физ. мат. наук 05.13.16 / Гилев Сергей Евгеньевич [Место защиты: Калининградский государственный технический университет]. - Калининград, 1997. - 187с.

104. Карпова, В.В Методический аппарат оценки экологического риска при авариях на нефтепроводах // дисс. ... канд. техн. наук 05.26.03 / Карпова Вильяна Васильевна [Место защиты: РГУ нефти и газа им. Губкина]. - Москва, 2007. - 237с.

105. Косариков, Ю.А. Реструктуризация системы управления активами организации нефтегазового комплекса в условиях интеграционных процессов в

отрасли // дис. ... канд. эконом. наук: 08.00.05 / Косариков Юрий Александрович [Место защиты: Ярослав. гос. ун-т им. П.Г. Демидова]. - Ярославль, 2006. - 173а

Электронные ресурсы

106. Официальный сайт Министерства финансов Российской Федерации. Ежеквартальная информация об исполнении федерального бюджета (данные с 1 января 2011 г.) [Электронный ресурс] - Режим доступа: https://www.mLnfin.ru/ru/statistics/fedbud/execute/##ixzz55mUZyICg

107. Финансово-экономическая энциклопедия [Электронный ресурс] -Режим доступа: https://discovered.com.ua/risk/ekologicheskij-risk/.

108. Официальный сайт Министерства экономического развития Российской Федерации. Методические указания по разработке (актуализации) программ инновационного развития акционерных обществ с государственным участием, государственных корпораций и федеральных государственных унитарных предприятий. [Электронный ресурс] - Режим доступа: http://economy.gov.ru/minec/about/structure/depino/201507035473

109. Официальный сайт ПАО «Газпром» [Электронный ресурс] - Режим доступа: http://www.gazprom.ru

110. Официальный сайт ПАО «Роснефть» [Электронный ресурс] - Режим доступа: https://www.rosneft.ru

111. Официальный сайт АО «Зарубежнефть» Паспорт Программы инновационного развития АО «Зарубежнефть» на период 2016-2020 гг. (с перспективой до 2030 г.) [Электронный ресурс] - Режим доступа: https://www.nestro.ru/ru/deyatelnost/ nauka-i-innovacii/

112. Официальный сайт ПАО «Транснефть». Паспорт Программы инновационного развития ПАО «Транснефть» на период 2017-2021 годы. [Электронный ресурс] - Режим доступа:

https: //www.transneft.m/u/section_file/30501/pasport_programmi_innovacionnogo_raz vitiya_ pao_transneft_na_period_2017-2021_godi.pdf

113. Официальный сайт Российского Совета по Международным делам [Электронный ресурс] - Режим доступа: https://russiancouncil.ru/arctic-petroleum-transport/?fbclid=IwAR3fs-

QOAyxNoqXqPeiEq6xNx7qXcZXqbY4FriaPp4mvmAqjkj_xP 1 nqssE# !/tab/79191892-114. Официальный сайт журнала «Трубопроводный транспорт. Теория и практика» [Электронный ресурс] - Режим доступа:

http : //vniist.ru/j ournal/archive.htm

115. Информационный портал Neftegaz.ru [Электронный ресурс] - Режим доступа: https://neftegaz.ru/news/gosreg/196239-chya-truba-rosneft-predlozhila-peredat-nefteprovody-v-sobstvennost-neftyanykh-kompaniy

116. Информационный портал «Сделано у нас» [Электронный ресурс] -Режим доступа: https://sdelanounas.ru/

117. Официальный сайт Федеральной службы государственной статистики [Электронный ресурс] - Режим доступа: https://rosstat.gov.ru/

118. Официальный сайт компании «Созвонд» [Электронный ресурс] -Режим доступа: https://sovzond.ru

119. Smirnova I., Rusanova A. Application of ALOS and Other Satellite Data to Study Landscape Changes Related to Petroleum Fields and Their Exploration and Exploitation. [Электронный ресурс] - Режим доступа: http://www.eorc.jaxa.jp/AL0S/en/conf/Proc_PIsymp2007/contents/proceedings/Geolog y_and_Geography/GLG02.pdf

120. Власова, Л.В. Оценка влияния природных воздействий в задачах обеспечения надежной и безопасной эксплуатации газотранспортной системы ПАО «Газпром». // Вести газовой науки 2017. [Электронный ресурс] - Режим доступа: http://vesti-gas.ru/sites/default/files/attachments/vgn-1-29-2017-049-056.pdf

121. Холодкова К.С. Анализ подходов к определению сущности организационно-экономического механизма управления // Современные научные

исследования и инновации. 2016. № 5 [Электронный ресурс] - Режим доступа: http://web.snauka.ru/issues/2016/05/66404

122. Воронцов, К.В. Математические методы обучения по прецедентам (теория обучения машин). [Электронный ресурс] - Режим доступа: http: //www.ccas.ru/voron

Значения входных параметров НС определения допустимости АС

Таблица А1 - Описание входных данных НС определения допустимости аварийной ситуации

Параметры Значения для Уса-Ухта Значения для Ухта-Ярославль Параметры Значения для Уса-Ухта Значения для Ухта-Ярославль

Количество опасных дефектов 1 (определяется в ходе диагностических работ) 2 Среднегодовые объемы перекачиваемого продукта 17051 т/год 24300 т/год

Обобщенный показатель прочности опасных дефектов; 0.23 (определяется в ходе диагностических работ) 0.4 Данные о рабочем давлении 6.1 МПа 6.3М Па

Количество обнаруженных неопасных дефектов; 0 0 Несущая способность грунта 3.5 кг/см2 4.5 кг/см2

Обобщенный показатель долговечности неопасных дефектов 0 0 Модуль упругости и плотность продукта 0.87 г/см3 : 1.3- 109 Па 0.87 г/см3 : 1.3- 109 Па

Протяженность участка, км; 2 2 Наличие системы сглаживания ударной волны 0 0

Категория участка: I, II, III, IV; 2 1 Коррозийная активность грунта 20 Ом- м 10 Ом- м

Наружный диаметр трубопровода, мм; 3000 1000 Материал наружного изоляционного покрытия 1 2

Фактическая толщина стенок трубы, мм; 90 90 Продолжительность эксплуатации трубопровода без замены изоляции 632 дня 245 дня

Продолжение таблицы А. 1

Значения для Уса-Ухта Значения для Значения для Уса-Ухта Значения для

Параметры Ухта-Ярославль Параметры Ухта-Ярославль

2 (сеть обучена на

Марка стали труб, ее механические характеристики марках стали 10Г2, 09Г2С, 15ХМ, 15Х5М, 12Х1МФ, 15ГС, 17ГС, 12ГСБ) 15Х5М Коррозийная активность перекачиваемого продукта 0,07 мм/год 0,07 мм/год

Глубина заложения подземной части трубопровода в грунт, м; 2 0,8 Расход нефти в нефтепроводе в поврежденном состоянии ($') 1,825м3/ч 2,014м3/ч

Расход нефти в нефтепроводе

Паспортная производительность 30 000 т/год 30 000 т/год при работающих насосных станциях в исправном состоянии Ш 2,432 м3/ч 2,432 м3/ч

Геодезическая отметка конца 44 м 14 м Геодезическая отметка начала 6 м 14 м

участка трубопровода (72) участка трубопровода (7Х)

Давление в начале участка трубопровода в поврежденном состоянии (Р') 6,1 Па 6,2 Па Протяженность участка нефтепровода, заключенного между двумя насосными станциями (/) 106 км 176 км

Давление в конце участка трубопровода в поврежденном состоянии (Р'') 4,8 Па 5,1 Па Элементарные промежутки времени (т^) 1 мин 1 мин

Плотность нефти (р) 0,87 г/см3 0,87 г/см3 Коэффициент расхода нефти через место повреждения (д) 0,31 0,618

Продолжение таблицы А.1

Ускорение силы тяжести (д) 9,8 м/с2 9,8 м/с2 Площадь дефектного отверстия 0,0025 0, 027

Гидравлический уклон при перекачке по исправному нефтепроводу (¿0) 0,00499 0,15 Геодезическая отметка места повреждения (7М) 17 м 10 м

Протяженность участка нефтепровода от насосной станции до места повреждения (х*) 4231 м 15856м Глубина заложения нефтепровода (йг) 3 м 1

Показатель режима движения по трубопроводу в исправном его состоянии (ш0) Площадь или объем территории, загрязненной в результате аварии (^) 0,5 2373,3 м2 0,65 773,3 м2 Напор, создаваемый атмосферным давлением (йи) Стоимостная оценка загрязнения единицы площади или объема окружающей среды, определяется на основании действующих законов или иных документов (СЛ) 1,5 м 1100 руб/м2 1,5 м 2500 руб/м2

Вероятность загрязнения окружающей среды в результате аварии (г;) 1 1 Количество объектов загрязнения (1) 10 71

Коэффициент надежности материала (СНиП2.05.06.82) 1,34 1,34 Возможность неравномерной осадки грунта 0,41 0

Количество дней с момента ввода участка в эксплуатацию 1305 2443 Возможность размыва в связи с изменением русла рек 0 0

Категория участка по сложности производства работ: I, II, III; 2 1 Возможность деформации грунта 0,64 0

Наличие дополнительных защитных покрытий; 0 1 Продолжительность истечения нефти или газа из поврежденного трубопровода при работающих насосных станциях (т), ч 7 5

Источник: составлено автором по данным [13]

ПРИЛОЖЕНИЕ Б Параметры нейронной сети оценки экологического риска

Таблица Б1 - Описание входных данных НС определения экологического риска

Параметры Значения для Уса-Ухта Значения для Уса-Ярославль

Внешние антропогенные воздействия Наличие системы мониторинга 1 1

Случаи несанкционированных врезок 0 1

Пересечение с подземными коммуникациями 0 1

Близость к населенному пункту 1500 0

Квалификация оперативного персонала 0,87 0,95

Качество строительно-монтажных работ Толщина слоя засыпки грунта над трубопроводом,м 0.3 2

Количество сварных соединений 129 231

Материал соединения 4 4

Размер соединения, м 0,125 0,125

Количество соединений разнотолщинных труб 37 23

Количество подварок изнутри корня шва разностенных труб 6 3

Уровень квалификации сварщика 4 6

Количество угловых сварных швов 0 0

Качество производства труб Сопротивление растяжению (сжатию) металла труб 1.21 1

Сопротивление растяжению (сжатию) сварных соединений 0.64 1

Категория участка: I, II, III, IV; 2 1

Наружный диаметр трубопровода, мм; 3000 1000

Фактическая толщина стенок трубы, мм; 90 90

Марка стали труб, ее механические характеристики; 2 15Х5М

Продолжение таблицы Б. 1

Значения для Уса-Ухта Значения

Параметры для Уса-Ярославль

б у СР н оа вв т тв с ст Коэффициент надежности материала (СНиП2.05.06.82) 1.34 1.34

Ка озв и о р п Коэффициент устойчивости трубы к коррозии 0.8 0,6

2 и Применение новых технологий при прочистке трубы 0,6 1

£ в вк К о _ теы и ^ ср Наличие дополнительных защитных покрытий; 0 1

^ к о айн НОЙ Усталостная прочность 1,825м3/ч 2,825м3/ч

о ^ 03 К О А од « й 0) Предел выносливости материала 1,54 1,8

Качество поверхностного слоя 0,8 0,95

н Уровень шероховатости поверхности 0,94 0,003

Средняя температура воздуха -15 -8

Средняя температура почвы -20 -10

<и а и Л и к н ^ У Среднее давление воздуха 744 760

О ре к ^ рз С « Средняя относительная влажность воздуха 47 58

Продолжительность сезона дождей 54 3

Тип местности 3 1

Линейные несовершенства 0 0

и <и -©ф Нелинейные несовершенства 0 0

Наличие шлифовок 0 0

Продолжение таблицы Б. 1

Значения для Уса-Ухта Значения

Параметры для Уса-Ярославль

Среднегодовые объемы перекачиваемого продукта 17051 т/год 24300 т/год

Данные о рабочем давлении 6.1 Па 6.3М Па

Несущая способность грунта 3.5 кг/см2 4.5 кг/см2

Модуль упругости и плотность продукта 0.87 г/см3 1.3-109 Па 0.87 г/см3 : 1.3- 109 Па

Л р о Наличие системы сглаживания 0 0

ударной волны

оЗ -©ф е Коррозийная активность грунта 20 Ом- м 10 Ом- м

Л н к о к £ ^ л и Материал наружного изоляционного покрытия 1 2

Продолжительность эксплуатации без замены изоляционного покрытия 632 дня 2443 дня

о и п Коррозийная активность перекачиваемого продукта 0,07 мм/год 0,07 мм/год

Возможность неравномерной осадки грунта 0,41 0

Возможность размыва из-за изменения русла рек 0 0

Предусмотренные штрафы 2 0

Прохождение по территории другого государства 0 5

Источник: составлено автором по данным [7, 120]

Параметры нейронной сети оценки социально-экономического риска

Таблица В - Описание входных данных НС определения

социально-экономического риска

Значения Значения для

Параметры для Уса-Ухта Уса-Ярославль

Вероятная площадь аварии 1200 773,3 м2

Переходы через водные 0 1

преграды

Переходы через болота 0 1

Переходы через ж/д и 0 1

автодороги

По поливным и орошаемым 0 0

землям

По территории вечномерзлых 1 0

грунтов

Расстояние до ближайшего 2100 0

объекта инфраструктуры

Количество промышленных предприятий вблизи трубопровода 1 13

Прохождение вблизи мостов 0 1

Расстояние до ближайшего 18 км 0 км

населенного пункта

Кабели междугородней связи 0 1

Силовые электрокабели 1 1

Вероятность разгерметизации Ъ Ъ

Прохождение на территории 0 0

иностранного государства

Возможность ведения 0 0

экономических санкций

Источник: составлено автором по данным [50,51,52]

Аналитическое решение задачи классификации состояния нефтепровода

Задача 1. Пусть существует множество объектов X и конечное множество имен классов Y. Множество пар X X У является вероятностным пространством с известной плотностью распределения р(х, у) = Р(х)р(х|у). Вероятности появления объектов каждого из классов Ру = Р(у) известны и называются априорными вероятностями классов. Плотности распределения классов ру(х) = р(х|у) также известны и называются функциями правдоподобия классов. Требуется алгоритм а(х), минимизирующий вероятность ошибочной классификации.

Задача 2. Имеется множество прецедентов Х£ = (х^,у^)1=1, выбранных случайно и независимо из неизвестного распределения р(х, у) = Руру(х). Требуется построить эмпирические оценки априорных вероятностей Ру и функции правдоподобия ру(х) для каждого из классов у £ У, которые аппроксимировали бы вероятности Ру и функции ру(х) на всем множестве X соответственно.

Решение первой задачи существует, и притом единственное [122]. Вторая задача не имеет единственного решения, поскольку многие распределения р(х,у) могли бы дать одну и ту же выборку X1. Для обеспечения единственности вводятся дополнительные предположения о плотностях классов. Сделать это можно по-разному, что и приводит к большому разнообразию байесовских алгоритмов.

Решение задачи классификации строится на основе оптимизации функционала среднего риска

Р(П|у) = | ру(х)йх, Пс! п

Искомый алгоритм а:Х^У разбивает множество Х[3] на непересекающиеся области Ау = {х Е X, \а(х) = у], у Е У.

Вероятность появления объекта класса у, который будет отнесён алгоритмом а к классу s, равна РуР(А5\у). Если у = б, то это вероятность правильной классификации. Если у ^ б, то это вероятность ошибочной классификации. В зависимости от конкретной задачи, потери от ошибок разного рода могут быть различны. Каждой паре (у, б) Е У хУ поставим в соответствие величину потери Луз при отнесении объекта класса у к классу s. Обычно полагают Луу = 0, и Луз > 0 при у ^ б. Искомый классификатор а(х) можно выразить согласно оптимальному байесовскому решающему правилу: Если известны априорные вероятности Ру и функции правдоподобия ру(х), и, кроме того, Луу = 0, и Луз = Лу для всех у, б Е У, то минимум функционала среднего риска достигается алгоритмом

а(х) = ащшахЛу Руру(х).

Запишем байесовское решающее правило, выразив плотность каждой компоненты pУj(x) через взвешенное евклидово расстояние от объекта х до центра компоненты вектора математического ожидания При этом

используется гипотеза о нормальности распределения компоненты:

а( ^ "

4 ' " уе 7 ' '

]=1

где:

:(х) = аг%тахЛу Ру ^ шу]Му]е т-Ру^уЯ

= (2п)~(&у]1... оу^п)~1 —нормировочные множители, 01 — диагональные элементы ковариационной матрицы 2,

— весовые коэффициенты, такие что £ = 1, р?(х,х') = £1й=1 — %'й\2 —взвешенная евклидовая метрика,

Х = (*1, X' = (? 1, ?2-?п).

п

Чем меньше расстояние Ру(х, ц), тем выше значение плотности в точке х. Поэтому плотность рДх) можно рассматривать как функцию расстояния вектора х к фиксированному центру Цу. Функции /(х), зависящие только от расстояния между х и фиксированной точкой пространства X, принято называть радиальными функциями. Построенный алгоритм а(х) имеет вид суперпозиции, состоящей из трёх уровней или слоёв (рисунок Г1). [122]

Рисунок Г1 - Схема алгоритма вероятностной классификации на основе

радиальных функций. [122] Первый слой образован функциями Гаусса руу(х),у £ Y. На входе они принимают описание объекта х, на выходе выдают оценки близости объекта х к центрам цуу, равные значениям плотностей компонент в точке х.

Второй слой состоит из М сумматоров, вычисляющих взвешенные средние этих оценок с весами ^уу. На выходе второго слоя появляются оценки принадлежности объекта х каждому из классов, равные значениям плотностей классов руу(х).

Третий слой образуется единственным блоком а^тах, принимающим окончательное решение об отнесении объекта х к одному из классов. При классификации объекта х оценивается его близость к каждому из центров цуу по

метрике ру(х, Цу). Объект относится к тому классу, к чьим центрам он располагается ближе. Описанный алгоритм классификации называется сетью с радиальными базисными функциями. [122].

Свойства надежности

Таблица Д.1 -Свойства надежности

Единичное свойство надежности Определение

Безотказность Свойство объекта сохранять работоспособность в течение некоторой наработки без вынужденных перерывов

Долговечность Свойство объекта сохранять работоспособное состояние при установленной системе технического обслуживания и ремонта

Ремонтопригодность Приспособленность объекта к поддержанию и восстановлению работоспособного состояния

Сохраняемость Свойство объекта сохранять в заданных пределах значения параметров, характеризующих способность объекта выполнять требуемые функции, в течение и после хранения и (или) транспортирования

Источник: составлено автором по данным [33, 35]

ПРИЛОЖЕНИЕ Е Программа построения нейронных сетей на языке Python

from keras.models import Sequential from keras.layers import Dense, Conv2D, Flatten from keras.models import Sequential from keras.models import Dense

// Полносверточная нейронная сеть N

E = 125

(x_train, y_train), (x_test, y_test) = load_from_dir("./dataSet") x_train = x_train.reshape(60000,28,28,1) x_test = x_test.reshape(10000,28,28,1)

model = Sequential() model = keras.Sequential([

Conv2D(32, (3,3), padding='same', activation='relu', input_shape=(640, 480, 1)),

MaxPooling2D((2, 2), strides=2),

Conv2D(32, (3,3), padding='same', activation='relu'),

MaxPooling2D((2, 2), strides=2),

Conv2D(64, (3,3), padding='same', activation='relu'),

MaxPooling2D((2, 2), strides=2),

Flatten(),

Dense(128, activation='relu'), Dense(100, activation-relu'), Dense(128, activation='relu'), Dense(100, activation='relu'), Dense(128, activation='relu'), Dense(100, activation='relu'), Dense(128, activation='relu'), Dense(100, activation='relu'), Dense(128, activation='relu'), Dense(100, activation='sigmoid'), Flatten(),

Conv2D(64, (3,3), padding='same', activation='relu'), UpSampling(32, padding='same', activation='relu' ), Conv2D(64, (3,3), padding='same', activation='relu'), UpSampling(32, padding='same', activation='relu' ), Conv2D(64, (3,3), padding='same', activation='relu'), UpSampling(32, padding='same', activation='relu' )

])

model.compile(optimizer='adam',

loss='categorical_crossentropy', metrics=['accuracy']) his = model.fit(x_train, y_train, batch_size=32, epochs=E, validation_split=0.2)

result = model.Predict(test_x)

//Нейронная сеть прямого распространения N2

from keras.models import Sequential from keras.models import Dense

E = 50

(train_x1,train_y1)=load_from_file("traindata1.csv") (x_test1, y_test1) = load_from_file("valdata1.csv") Model1 = Sequential()

Model1.add(layers.Dense(5, activation = "relu", input_shape=(6, ))) Model1.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model1.add(layers.Dense(3, activation = "sigmoid")) Model 1.summary()

Model1.compile(optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model1.fit(train_x1, train_y1, epochs= E, batch_size = 500, validation_data = (x_test1, y_test1))

(train_x2,train_y2)=load_from_file("traindata2.csv") (x_test2, y_test2) = load_from_file("valdata2.csv") Model2 = Sequential()

Model2.add(layers.Dense(2, activation = "relu", input_shape=(3, ))) Model2.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model2.add(layers.Dense(2, activation = "sigmoid")) Model2.summary()

Model2.compile(optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model2.fit(train_x2, train_y2, epochs= E, batch_size = 500, validation_data = (x_test2, y_test2))

(train_x3,train_y3)=load_from_file("traindata3.csv") (x_test3, y_test3) = load_from_file("valdata3.csv") Model3 = Sequential()

Model3.add(layers.Dense(2, activation = "relu", input_shape=(4, ))) Model3.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model3.add(layers.Dense(2, activation = "sigmoid")) Model3.summary()

Model3.compile(optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model3.fit (train_x3, train_y3, epochs= E, batch_size = 500, validation_data = (x_test3, y_test3))

(train_x4,train_y4)=load_from_file("traindata4.csv") (x_test4, y_test4) = load_from_file("valdata4.csv") Model4 = Sequential()

Model4.add(layers.Dense(3, activation = "relu", input_shape=(4, ))) Model4.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model4.add(layers.Dense(2, activation = "sigmoid")) Model4.summary()

Model4.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model4.fit(train_x4, train_y4, epochs= E, batch_size = 500, validation_data = (x_test4, y_test4))

(train_x5,train_y5)=load_from_file("traindata5.csv") (x_test5, y_test5) = load_from_file("valdata5.csv") Model5 = Sequential()

Model5.add(layers.Dense(3, activation = "relu", input_shape=(5, ))) Model5.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model5.add(layers.Dense(2, activation = "sigmoid")) Model5.summary()

Model5.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"])

Model5.fit(train_x5, train_y5, epochs= E, batch_size = 500, validation_data = (x_test5, y_test5))

(train_x6,train_y6)=load_from_file("traindata6.csv")

(x_test6, y_test6) = load_from_file("valdata6.csv")

Model6 = Sequential()

Model6.add(layers.Dense(2, activation = "relu", input_shape=(3, ))) Model6.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model6.add(layers.Dense(2, activation = "sigmoid"))

Model6.summary()

Model6.compile(optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model6.fit(train_x6, train_y6, epochs= E, batch_size = 500, validation_data = (x_test6, y_test6))

(train_x7, train_y7) =load_from_file("traindata7.csv") (x_test7, y_test7) = load_from_file("valdata7.csv") train_x7= []

train_x7.add(Model 1.predict(train_x1)) train_x7.add(Model2.predict(train_x2)) train_x7.add(Model3.predict(train_x3)) train_x7.add(Model4.predict(train_x4)) train_x7.add(Model5.predict(train_x5)) train_x7.add(Model6.predict(train_x6)) Model7 = Sequential()

Model7.add(layers.Dense(24, activation = "relu", input_shape=(13, ))) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(20, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(16, activation ="relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(16, activation ="relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(16, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(16, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(14, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(14, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(12, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(4, activation = "relu")) Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(2, activation - 'sigmoid")) Model7.summary()

Model7.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model7.fit(train_x7, train_y7, epochs= E, batch_size = 500, validation_data = (x_test7, y_test7))

data = load_data("data_to_predict.txt") print(model.predict(data))

//Нейронная сеть прямого распространения N3

from keras.models import Sequential from keras.models import Dense

E = 25

(train_x1,train_y1)=load_from_file("traindata1.csv") (x_test1, y_test1) = load_from_file("valdata1.csv") Modell = Sequential()

Model1.add(layers.Dense(5, activation = "relu", input_shape=(7, ))) Model1.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model1.add(layers.Dense(3, activation = "sigmoid")) Model 1.summary()

Model1.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model1.fit(train_x1, train_y1, epochs= E, batch_size = 500, validation_data = (x_test1, y_test1))

(train_x2,train_y2)=load_from_file("traindata2.csv") (x_test2, y_test2) = load_from_file("valdata2.csv") Model2 = Sequential()

Model2.add(layers.Dense(4, activation = "relu", input_shape=(7, ))) Model2.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model2.add(layers.Dense(3, activation = "sigmoid")) Model2.summary()

Model2.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model2.fit(train_x2, train_y2, epochs= E, batch_size = 500, validation_data = (x_test2, y_test2))

(train_x3,train_y3)=load_from_file("traindata3.csv") (x_test3, y_test3) = load_from_file("valdata3.csv") Model3 = Sequential()

Model3.add(layers.Dense(2, activation = "relu", input_shape=(3, ))) Model3.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model3.add(layers.Dense(2, activation = "sigmoid"))

Model3.summary()

Model3.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model3.fit(train_x3, train_y3, epochs= E, batch_size = 500, validation_data = (x_test3, y_test3))

(train_x4,train_y4)=load_from_file("traindata4.csv") (x_test4, y_test4) = load_from_file("valdata4.csv") Model4 = Sequential()

Model4.add(layers.Dense(3, activation = "relu", input_shape=(6, ))) Model4.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model4.add(layers.Dense(2, activation = "sigmoid")) Model4.summary()

Model4.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model4.fit(train_x4, train_y4, epochs= E, batch_size = 500, validation_data = (x_test4, y_test4))

(train_x5,train_y5)=load_from_file("traindata5.csv") (x_test5, y_test5) = load_from_file("valdata5.csv") Model5 = Sequential()

Model5.add(layers.Dense(2, activation = "relu", input_shape=(4, ))) Model5.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model5.add(layers.Dense(2, activation = "sigmoid")) Model5.summary()

Model5.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model5.fit(train_x5, train_y5, epochs= E, batch_size = 500, validation_data = (x_test5, y_test5))

(train_x6,train_y6)=load_from_file("traindata6.csv") (x_test6, y_test6) = load_from_file("valdata6.csv") Model6 = Sequential()

Model6.add(layers.Dense(3, activation = "relu", input_shape=(4, ))) Model6.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model6.add(layers.Dense(2, activation = "sigmoid")) Model6.summary()

Model6.compile(optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model6.fit(train_x6, train_y6, epochs= E, batch_size = 500, validation_data = (x_test6, y_test6))

(train_x7,train_y7)=load_from_file("traindata7.csv") (x_test7, y_test7) = load_from_file("valdata7.csv") Model7 = Sequential()

Model7.add(layers.Dense(4, activation = "relu", input_shape=(5, )))

Model7.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model7.add(layers.Dense(2, activation = "sigmoid")) Model7.summary()

Model7.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model7.fit(train_x7, train_y7, epochs= E, batch_size = 500, validation_data = (x_test7, y_test7))

(train_x8,train_y8)=load_from_file("traindata8.csv") (x_test8, y_test8) = load_from_file("valdata8.csv") Model8 = Sequential()

Model8.add(layers.Dense(2, activation = "relu", input_shape=(3, ))) Model8.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model8.add(layers.Dense(2, activation = "sigmoid")) Model8.summary()

Model8.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model8.fit(train_x8, train_y8, epochs= E, batch_size = 500, validation_data = (x_test8, y_test8))

(train_x9,train_y9)=load_from_file("traindata9.csv") (x_test9, y_test9) = load_from_file("valdata9.csv") train_x9= []

train_x9.add(Model 1.predict(train_x1)) train_x9.add(Model2.predict(train_x2)) train_x9.add(Model3.predict(train_x3)) train_x9.add(Model4.predict(train_x4)) train_x9.add(Model5.predict(train_x5)) train_x9.add(Model6.predict(train_x6)) train_x9.add(Model7.predict(train_x7)) train_x9.add(Model8.predict(train_x8)) Model9 = Sequential()

Model9.add(layers.Dense(10, activation = "relu", input_shape=(18, ))) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation ="relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation ="relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu"))

Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(24, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(10, activation ="relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(5, activation = "relu")) Model9.add(layers.Dropout(0.3, noise_shape=None, seed=None)) Model9.add(layers.Dense(1, activation = "sigmoid")) Model9.summary()

Model9.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"]) Model9.fit(train_x9, train_y9, epochs= E, batch_size = 500, validation_data = (x_test9, y_test9))

data = load_data("data_to_predict.txt")

print(model.predict(data))

//Нейронная сеть прямого распространения

from keras.models import Sequential from keras.models import Dense

(train_x,train_y)=load_from_file("traindata.csv") (x_test, y_test) = load_from_file("valdata.csv")

model = Sequential()

model.add(layers.Dense(8, activation = "relu", input_shape=(8, ))) model.add(layers.Dropout(0.3, noise_shape=None, seed=None)) model.add(layers.Dense(10, activation = "relu")

model.add(layers.Dropout(0.2, noise_shape=None, seed=None)) model.add(layers.Dense(10, activation = "relu")) model.add(layers.Dropout(0.3, noise_shape=None, seed=None)) model.add(layers.Dense(8, activation = "relu")) model.add(layers.Dense(1, activation = "sigmoid"))

model .summary()

model.compile( optimizer = "adam", loss = "binary_crossentropy", metrics = ["accuracy"])

results = model.fit(train_x, train_y, epochs= 25, batch_size = 500, validation_data = (x_test, y_test)) data = load_data("data_to_predict.txt")

print(model.predict(data))

ПРИЛОЖЕНИЕ Ж Алгоритм определения прямого ущерба от АС УН

Таблица Ж.1 Алгоритм определения прямого ущерба от АС УН

Показатель Расчетная модель

Ущерб от проявления прямого риска Э1 = У11 + У12 + У13—^]М/ - страховые выплаты по договорам и контрактам юридическим и физическим лицам, определяемые в соответствии с законодательством

Ущерб от повреждения линейной части нефтепровода У1 л = С1ь1к1 £1 - стоимость поврежденных или разрушенных конструкций, зданий, оборудования, технологических коммуникаций и др.; Ц - коэффициент ожидаемого ущерба (табличное значение); К1 - допустимость возникновения аварии;

Ущерб от утечки нефти У-2 _ У2= Шц+У12 + У*)К £1 — оптовая цена продукции; Уц — объем продукции, вышедшей из нефтепровода с момента возникновения аварии до момента остановки перекачки; У& — объема нефти, вышедшей после отключения насосных станций; — объем продукта, вышедшего после закрытия задвижек до прекращения самопроизвольной утечки через место повреждения.

Объем утерянной нефти, с момента возникновения аварии до момента остановки перекачки 1 ( 7 7 мр' — Р" . *(С'\2-то\1-то

ТС0у1 — х* 10 1 С',Со—расход нефти в нефтепроводе в поврежденном и исправном состоянии, м3/ч; Ъ2 — геодезические отметки начала и конца участка нефтепровода, м; Р', Р" — давление в начале и конце участка нефтепровода в поврежденном состоянии, Па; р — плотность нефти, кг/м3; д — ускорение силы тяжести, м/с2 ; ¿0 — гидравлический уклон при перекачке по исправному нефтепроводу; х* — протяженность участка нефтепровода от насосной станции до места повреждения, м; т0 - показатель режима движения нефтепроводу в исправном его состоянии; 1 - протяженность участка нефтепровода, заключенного между двумя насосными станциями, м.

Продолжение таблицы Ж. 1

Показатель Расчетная модель