Обнаружение предаварийных ситуаций в процессе промышленного бурения нефтяных скважин тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Абу-Абед Фарес Надимович

• Абу-Абед Фарес Надимович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Абу-Абед Фарес Надимович

ВВЕДЕНИЕ.

Глава 1. Анализ предметной области исследования и постановка научной задачи.

1.1. Анализ буровой установки как объекта исследования.

1.2. Анализ функционирования станции геолого-технологических исследований.

1.3. Классификация осложнений при бурении скважин.

1.4. Состояние вопроса идентификации предаварийных и аварийных состояний на промышленных объектах.

1.5. Постановка научной задачи исследования.

ВЫВОДЫ ПО ГЛАВЕ

Глава 2 Определение набора признаков для распознавания предаварийных ситуаций.

2.1. Структура системы распознавания.

2.2. Задача распознавания.

2.3. Отбор информативных признаков.

2.3.1. Полный перебор.

2.3.2. Последовательное добавление признаков.

2.3.3. Поочерёдное добавление и удаление признаков.

2.3.4. Поиск в глубину: метод ветвей и границ.

2.3.5. Поиск в ширину: многорядный итерационный алгоритм МГУА.

2.4. Определение набора признаков для распознавания ПАС.

2.4.1. Определение взаимосвязи между признаками.

2.4.2. Выбор признаков для ПАС буровой установки с использованием метода ветвей и границ.

ВЫВОДЫ ПО ГЛАВЕ 2.

Глава 3. Построение нейросетевого классификатора для анализа ситуаций на буровой

3.1. Выбор математического аппарата решения задачи распознавания.

3.1.1. Методы классификации.

3.1.2. Основные критерии кластеризации.

3.1.3. Виды алгоритмов кластерного анализа.

3.1.4. Разработка классификатора на основе искусственной нейросети.

3.1.5. Выбор архитектуры нейросети.

3.2. Задача обучения нейросети.

3.2.1. Математическая постановка задачи обучения.

3.2.2. Обучение нейросети методом обратного распространения ошибки.

3.3. Анализ существующих модификаций стандартного алгоритма обучения.

3.4. Реализованные в работе модификации алгоритма обучения.

3.5. Декомпозиция задачи построения классификатора.

3.6. Выбор структуры классификатора.

3.7. Метод распознавания ПАС в процессе бурения.

ВЫВОДЫ ПО ГЛАВЕ 3.

Глава 4, Исследование эффективности предложенного метода распознавания предаварийных ситуаций.

4.1. Исследование разработанного алгоритмического и программного обеспечения.

4.1.1. Исследование влияния параметров алгоритма на точность распознавания предаварийных ситуаций.

4.1.2. Исследование влияния скорости обучения для выбранных предаварийных ситуаций.

4.1.3. Исследование влияния структуры классификатора на результаты распознавания.

4.2. Исследование работы алгоритма обучения.

4.3. Распознавание штатных режимов бурения.

4.4. Распознавание основных видов предаварийных ситуаций.

4.5. Использование результатов распознавания ПАС для организации снабжения буровой запчастями.

4.5.1. Оценка влияния предаварийных ситуаций на ресурс комплектующих буровой установки.

4.5.2. Типы используемых на буровых запасов элементов.

4.5.3. Разработка имитационной модели.

4.5.4. Разработка иерархии классов имитационной модели.

4.5.5. Исследование имитационной модели системы снабжения ЗИП.

4.6. Система мониторинга состояния буровых и снабжения ЗИП.

ВЫВОДЫ ПО ГЛАВЕ 4.

Введение диссертации (часть автореферата) на тему «Обнаружение предаварийных ситуаций в процессе промышленного бурения нефтяных скважин»

Нефтегазодобывающая промышленность играет ключевую роль в российской экономике. На сегодняшний день Россия является одним из крупнейших мировых производителей нефти и газа. В год в нашей стране добывается около 490 миллионов тонн нефти и около 580 миллиардов кубометров "голубого топлива".

Стратегическими задачами развития отрасли остаются обеспечение необходимой структуры запасов, плавное и постепенное наращивание добычи со стабилизацией ее уровня на долгосрочную перспективу.

Обеспечение намечаемых уровней добычи и повышение эффективности нефтегазодобычи будут основываться на научно-техническом прогрессе в отрасли, совершенствовании методов бурения, воздействия на пласт, увеличении глубины извлечения запасов и внедрении других прогрессивных технологий добычи нефти и газа, которые позволят сделать экономически оправданным использование трудноизвлекаемых запасов нефти и газа.

Основными направлениями научно-технического прогресса в добыче нефти и газа являются:

• создание и освоение технологий и оборудования, обеспечивающих высокоэффективную разработку различных типов месторождений нефти и газа;

• разработка и освоение технологических комплексов по бурению и добыче на шельфе арктических, дальневосточных и южных морей;

• совершенствование и освоение технологий сооружения и эксплуатации нефтегазопромысловых объектов в сложных природно-климатических условиях;

• развитие технологий компьютерного проектирования и моделирования процесса разработки месторождений.

Долгосрочная государственная политика в сфере добычи нефти и газа направлена на создание стабильных условий, обеспечивающих устойчивое развитие отрасли.

Одним из критериев, характеризующих полноту использования ресурсов промышленного объекта, является его безаварийность.

Это связано с тем, что с безаварийностью косвенно связаны такие экономические показатели, как длительность простоев оборудования, размер расходов на поиск и устранение причин предаварийных и аварийных ситуаций, размер штрафов за нарушения экологической безопасности и др.

Рост эффективности при увеличении безаварийности использования оборудования обусловлен следующими факторами:

• Уменьшением общей длительности простоев производства или отдельных его участков, что обеспечивает предприятию получение дополнительного дохода;

• Общим увеличением фактического физического ресурса оборудования;

• Снижением общего ущерба, обусловленного нарушениями течения производства [1].

Вместе с тем, в России начиная с 2004 г. возрастает доля оборудования, эксплуатируемого свыше сроков, предусмотренных при его разработке [38]. Большая степень износа такого оборудования требует при его эксплуатации принимать во внимание различную информацию, связанную с обеспечением безаварийности производства. Все это в полной мере относится и к объектам нефтегазодобывающей промышленности.

В настоящее время системы обеспечения -безопасности производств опираются, как правило, на контроль параметров состояния процесса в допустимом диапазоне. Данный подход не позволяет учитывать предаварийные ситуации, определяемые сочетаниями допустимых значений нескольких параметров. Вследствие этого, эксплуатация промышленного объекта характеризуется недостаточной безаварийностью и связана с нарушениями экологической безопасности. Поэтому для сложных промышленных объектов необходимо распознавание предаварийных ситуаций (ПАС), позволяющее прогнозировать возникновение аварийного режима, а затем предотвращать остановку процесса или снизить потери от возникновения аварии.

Вопросы идентификации и управления сложными производственно-техническими системами, непосредственно связанные с обеспечением безаварийности на промышленных объектах, рассматривались в работах таких ученых, как Кафаров В.В., Дорохов И.Н., Поспелов Д.А., Палюх Б.В., Егоров А.Ф., Обновленский П.А., Химмельблау Д. и других [52, 45, 77, 75, 98 и др.]. Вопросы, связанные с организацией процесса бурения и возникновением аварийных ситуаций при проходке нефтегазовых скважин, освещены в работах Э.Е. Лукьянова и В.В. Стрельченко [29, 31, 63-65, 85 и др.].

Существующие методы, используемые в современной промышленности, не обеспечивают возможности достаточной информационной поддержки распознавания ПАС, поэтому идентификация последних осуществляется с обязательным участием персонала установок. Однако эффективность распознавания ПАС оператором также зависит от его квалификации, сложности установки, характеристик оборудования и может оказаться недостаточной, что приводит к возникновению аварий на промышленном объекте.

Отсутствие эффективных методов распознавания ПАС обуславливает недостаточную безаварийность промышленных объектов. Так как убытки, связанные с остановками по причине предаварийных ситуаций на промышленных объектах, достаточно велики, то создание подобного метода позволит получить значительную экономическую выгоду за счет сокращения длительности простоев оборудования и увеличения физического ресурса его эксплуатации.

Таким образом, создание эффективного метода и системы распознавания предаварийных ситуаций промышленного объекта, позволяющее повысить его безаварийность, является актуальной научной и практической задачей.

Областью настоящего исследования являются методы и алгоритмы решения задач обработки информации для систем распознавания состояния промышленных объектов.

Предметом исследования является процесс промышленного бурения нефтяных и газовых скважин.

Целью диссертационной работы является повышение эффективности функционирования буровых установок за счёт сокращения времени простоя путем разработки новых алгоритмических и программных средств обнаружения предаварийных ситуаций с' использованием методов распознавания образов.

Научной задачей, решаемой в диссертационной работе, является разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

Для достижения цели диссертационной работы и решения научной задачи необходимо решение следующих частных задач:

1. Анализ объекта исследования, определение набора признаков, доступных для измерения существующими средствами обработки геолого-технологической информации (ГТИ), и классификация состояний объекта с целью определения совокупности предаварийных ситуаций.

2. Выбор математического аппарата для решения задачи распознавания текущего состояния объекта исследования по заданному набору признаков.

3. Разработка алгоритма определения рабочего словаря признаков.

4. Разработка структуры классификатора ПАС и алгоритма его обучения.

5. Разработка метода распознавания предаварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин.

6. Разработка алгоритмического и программного обеспечения для распознавания ПАС и оценка эффективности предложенных решений.

Методы исследований. Для решения поставленных задач использованы методы системного анализа, нейроинформатики, распознавания образов, имитационного моделирования, объектно-ориентированного программирования.

Научная новизна работы состоит в следующем:

1. Предложен новый метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов.

2. Разработан новый алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ.

3. Разработан новый алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.

Обоснованность научных результатов подтверждается корректным использованием математического аппарата, а также экспериментальной проверкой предложенных методов и алгоритмов на реальных данных ГТИ.

Практическая значимость работы вытекает из ее направленности на разработку средств обеспечения своевременного распознавания ПАС на буровых установках и практической ее реализации в виде программного комплекса. Разработанный программный комплекс может применяться при обеспечении функционирования буровой, а также осуществлении мониторинга состояния буровой и её снабжения ЗИП.

На защиту выносятся:

1. Метод распознавания предаварийных ситуаций при промышленном бурении нефтяных и газовых скважин на основе теории распознавания образов;

2. Алгоритм формирования рабочего словаря признаков для распознавания ПАС на основе метода ветвей и границ;

3. Алгоритм обучения классификатора ПАС на основе метода обратного распространения ошибки, дополненного процедурой поиска глобального экстремума целевой функции.

Апробация работы. Научные положения и практические рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на международных научно-технических конференциях «Математические методы и информационные технологии в экономике, социологии и образовании» (г. Пенза 2005 - 2008 г.г.), «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (г. Пенза 2008 г.), а также на кафедре ЭВМ ТГТУ (2009 - 2010 гг.).

Внедрение результатов. Результаты диссертационной работы были внедрены в ООО "Научно-производственное предприятие "Геосфера", г.Тверь.

Публикация результатов работы. По теме диссертационной работы опубликовано 15 статей, в том числе две статьи в изданиях, рекомендованных ВАК. Получено Свидетельство о регистрации программы для ЭВМ (№ 2009615089).

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 165 страницах, списка литературы, включающего 100 наименований, 3 приложений.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Абу-Абед Фарес Надимович

ВЫВОДЫ ПО ГЛАВЕ 4

1. Проведены экспериментальные исследования влияния параметров нейросети на эффективность обучения распознаванию предаварийных ситуаций. В качестве оценок эффективности модернизированного алгоритма обучения использовались точность распознавания предаварийных ситуаций и количество итераций, необходимых для сходимости алгоритм.

2. Проведены экспериментальные исследования влияния параметров модифицированного алгоритма обучения нейросети распознаванию предаварийных ситуаций на эффективность его работы.

3. Показана возможность использования результатов распознавания ПАС для повышения эффективности системы снабжения ЗИП буровых установок за счет оценки остаточного ресурса комплектующих при возникновении ПАС.

4. Для оценки возможности использования нейросетевого классификатора при организации системы снабжения буровых запчастями разработана имитационная модель, представляющая собой замкнутую сеть массового обслуживания. Результаты моделирования показали, что среднее время ожидания начала ремонта уменьшилось на 12%, суммарный приведенный экономический эффект увеличился на 11% по сравнению с существующими стратегиями эксплуатации оборудования.

5. Предложена структура системы мониторинга состояния буровых и снабжения ЗИП, позволяющая обеспечить в оперативном режиме мониторинг состояния буровых установок и улучшить экономические показатели работы комплекса буровых в целом.

6. Получено свидетельство о регистрации разработанного программного средства для ЭВМ {№ 2009615089).

ЗАКЛЮЧЕНИЕ

Основными результатами работы являются:

1. Проведен анализ объекта исследования с целью выявления параметров, определяющих его состояния с точки зрения распознавания ПАС.

2. 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.

3. Разработан алгоритм определения рабочего словаря признаков на основе модифицированного метода ветвей и границ. Определены рабочие словари признаков для распознавания выделенных предаварийных ситуаций.

4. Разработана структура классификатора ПАС в виде набора специализированных классификаторов для раздельного распознавания каждой ПАС.

5. 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.

6. Полученные результаты сведены в обобщенный метод распознавания ПАС в процессе промышленного бурения нефтяных и газовых скважин.

7. Проведены исследования влияния структуры классификатора и параметров алгоритма его обучения на результаты классификации ПАС, позволившие оценить эффективность разработанных алгоритмов путём сравнения результатов распознавания с реальными данными ГТИ. Точность распознавания ПАС составила 95%.

8. Для оценки возможности использования нейросетевого классификатора при организации системы снабжения буровых запчастями разработана имитационная модель, представляющая собой замкнутую сеть массового обслуживания. Результаты моделирования показали, что среднее время ожидания начала ремонта уменьшилось на 12%, суммарный приведенный экономический эффект увеличился на 11% по сравнению с существующими стратегиями эксплуатации оборудования.

9. Предложена структура системы мониторинга состояния буровых и снабжения ЗИП, позволяющая обеспечить в оперативном режиме мониторинг состояния буровых установок и улучшить экономические показатели работы комплекса буровых в целом.

10.Научные положения и практические рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на международных научно-технических конференциях. «Математические методы и информационные технологии в экономике, социологии и образовании» (г.Пенза 2005-2008 г.г.), «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (г.Пенза 2008 г.), а также на кафедре ЭВМ ТГТУ (2009-2010 гг.).

1 1.Результаты диссертационной работы в виде комплекса алгоритмических и программных средств были внедрены в ООО "Научно-производственное предприятие "Геосфера", г.Тверь.

Список литературы диссертационного исследования кандидат технических наук Абу-Абед Фарес Надимович, 2011 год

1. 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.

2. Абу-Абед Ф.Н. Метод потенциальных функций в распознании образов. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006. - С. 108-110.

3. Абу-Абед Ф.Н. Разработка средств моделирования нейросетей // Вестник ТГТУ, Выпуск 7: Тверь, 2005. - С. 125-129.

4. Абу-Абед Ф.Н., Аль-Ахрасс А.Х., Хабаров А.Р. Нейросетевые информационные модели сложных инженерных систем // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006.-С. 46-48.

5. Абу-Абед Ф.Н., Борисов H.A., Хабаров А.Р. Разработка нейросетевых анализаторов // Проблемы информатики в образовании, управлении, и технике: Сборник статей V Всероссийской НТК. Пенза, 2005. - С. 1316.

6. Абу-Абед Ф.Н., Глухов Д.Ю. Нейросетевые методы обработки информации // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVII Межд. НТК. Пенза 2006. - С. 216-218.

7. 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 0236-235Х. Тверь, 2010. - С. 136-139.

8. Абу-Абед Ф.Н., Матвеев Ю.Н., Хабаров А.Р. Системы распознавания образов (идентификации) // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006. - С. 110-113.

9. Абу-Абед Ф.Н., Наумович Т.В. Погрешности в нейронных сетях // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XVIII Межд. НТК. Пенза 2006.-С. 160-163.

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

11. 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.

12. Аварии и катастрофы. Предупреждение и ликвидация последствий. Книга 1 / под ред. К.Е. Кочеткова, В.А. Котляревского, A.B. Забегаева М.: Изд-во АСВ, 1995. 320 с.

13. Аверилл М. Jloy, В. Дэвид Кельтон. Имитационное моделирование. -СПб.: Питер, Издательская группа BHV. 2004. 848 стр.

14. Айзерман, М.А. Методы потенциальных функций в теории обучения машин. М.А.Айзерман, Э.М.Браверман, Л.И.Розонойер М.:Наука, 1970 г. 384 с.21 .Алиев Т.М. Измерительная техника/Т.М.Алиев, Высш.шк., 1991.-384 с.

15. Алиев, P.A. Производственные системы с искусственным интеллектом. /Р.А.Алиев, Н.М.Абдикеев, М.М.Шахназаров. М.: Радио и связь, 1990. 264 с.

16. Антонов A.B. Проектирование систем. Обнинск: ИАТЭ, 1996. - 157 с.

17. Базанов, А.Г. Основы пожаровзрывобезопасности в химической, нефтехимической и нефтеперерабатывающей отраслях промышленности и пути ее повышения/А.Г.Базанов, Г.М.Ласкин, Г.М.Арбузов, П.Н.Мудряков//Химическая промышленность 2003. Т.80, №9. 40-55.

18. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. Препринт ИФ СО АН СССР, Красноярск, 1986, №59Б, 20 с.

19. Басарыгин Ю.М., Будников В.Ф., Булатов А.И. Теория и практика предупреждения осложнений и ремонта скважин при их строительстве и эксплуатации М.: ООО «Недра-Бизнесцентр», 2000. - 510 с.

20. Басарыгин Ю.М., Булатов А.И., Проселков Ю.М. Осложнения и аварии при бурении нефтяных и газовых скважин М.: ООО «Недра-Бизнесцентр», 2000. - 679 с.

21. Блинов, A.B. Интеллектуализация системы диагностики и прогнозирования //Датчики и системы 2005. №9. 65-70.

22. Булатов А.И., Аветисов А.Г. Справочник инженера по бурению. Т. 4. -М.: 1996.-468 с.

23. Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. М.: Наука, 1974.

24. ГВииниченко В.М., Гончаров А.Е., Максименко H.H. Предупреждение и ликвидация осложнений и аварий при бурении разведочных скважин. -М.: Недра, 1991.-278 с.

25. Вишневский В.М. Состояние и перспективы развития информационно-вычислительных сетей в России // Электросвязь. 1998. - № 7. 20-23.

26. Вишневский В.М. Теоретические основы проектирования компьютерных сетей // М.: Техносфера, 2003. — 512 с.

27. Владимиров, А.И. Установки каталитического риформинга / А.И.Владимиро в М.: Нефть и газ, 1993. 60 с.

28. Волкова В.Н., Козлова В.Н. Системный анализ и принятие решений. Учебное пособие для вузов. М.: Высшая школа, 2004. 616 с.

29. Горбань А.Н. Обучение нейронных сетей. М.: изд-во СССР-США СП "ParaGraph", 1990. 160 с.

30. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб. Пособие. -2-е изд., перераб. И доп. М.: Высш. Шк, 1984. - 208 е., ил.

31. Грайфер В.И., Фаворский A.A., Шумилов В.А. Некоторые вопросы создания и функционирования отраслевого банка нефтегазовых технологий // Нефтяное хозяйство. 2003. № 10. - 28-29.

32. Гриб, В.В. Диагностика технического состояния нефтегазохимических J производств/ В.В. Гриб М.:ЦНИИТЭнефтехим, 2002 268 с.

33. Громов, Ю.Ю. Системный анализ в информационных технологиях / Ю.Ю.Громов, О.Г.Иванова, Н.А.Земской, А.В.Лагутин, В.М.Тютюнпик Тамбов: изд-во Тамб. гос. техн. ун-та, 2004. 176 с.

34. Д.А. Поспелов. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник. М.: Радио и связь, 1990,- 304 с.

35. Дорохов, И.Н. Системный анализ процессов химической технологии. Экспертные системы для совершенствования промышленных процессов гетерогенного катализа/И.Н.Дорохов, В.Вяч.Кафаров. под ред В.В.Кафарова М.: Наука, 1985 376 с.

36. Дуда Р. И Харт П. Распознавание образов и анализ сцен. Перю с англ. Г.Г. Вайнштейна. Под ред. В.Л.Стефашока. М., "Мир", 1976. 512с.

37. Иванов В.Б., Куликов Г.Г., Речкалов Я. А. Автоматизированное управление запасами предприятия. Уфимск. гос. авиац. техн. ун-т. -Уфа, 2002. 6,4 п.л.

38. Игревский В.И., Мангушев К.И. Предупреждение и ликвидация нефтяных и газовых фонтанов. М.: Недра, 1974. 312 с.

39. Кафаров, В.В. Обеспечение и методы оптимизации надежности химических и нефтеперерабатывающих производств/В.В.Кафаров, В.П.Мешалкин, Г.Грун, технологии/ В. Нойман-М.:Химия, 1987. 272 с.

40. Кафаров, В.В. Системный анализ процессов химической технологии. Основы стратегии/В.В.Кафаров, И.Н.Дорохов М.: Наука, 1976 500 с.

41. Кафаров, В.В. Системный анализ процессов химической технологии. Применение метода нечетких множеств/В.В.Кафаров, И.Н.Дорохов, Е.П.Марков М.: Наука, 1976-359 с.

42. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979.-432с.

43. Конев Н., Котума А.И. Информационно-аналитическая система сбора, отображения, хранения, передачи, обработки и анализа данных о процессе строительства скважин «ГЕОТЕК» // НТВ. «Каротажник». Тверь: Изд-во АИС, 2005. № 5-6. - 66-74.

44. Корнеева, А.И. Программно-технические комплексы, контроллеры и SCADA системы / А.И.Корнеева, В.Г.Матвейкин, В.Фролов М.:ЦНИИТЭХИМ, 1996. 219 с.

45. Крылов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.- М.: Горячая Линия.- Телеком, 2001.- 382с.

46. Лафоре Р. Объектно-ориентированное программирование в С++. -СПб.: Питер, 2003. 928 с.

47. Лебедев, В.Г. Система поддержки принятия решений оператором сложного аппаратно-программного комплекса/В.Г. Лебедев//Датчики и системы 2004 №8, -С.53-55.

48. Лорьер, Ж.-Л. Системы искусственного интеллекта/Ж.-Л.Лорьер М.:Мир, 1991.3 5 6 с.

49. Лукьянов Э.Е., Стрельченко В.В. Геолого-технологические исследования в процессе бурения М.: Нефть и газ, 1997, 688с.

50. Лукьянов Э.Е. Геолого-технологические исследования в процессе бурения: Дисс. На соиск. Учен. Степени д-ра техн. Наук. М., 1990.

51. Лукьянов Э.Е. Исследования скважин в процессе бурения. Москва.: Недра, 1979, 248с.

52. Маклаков СВ. Создание информационных систем с AllFusion Modelling Suite. М.: Диалог - МИФИ, 2003.

53. Мандель И.Д. Кластерный анализ. М., Финансы и статистика, 1988, -176 с.

54. Махонькин, Б.Н. Мониторинг состояния оборудования технология XXI ресурсосберегающей эксплуатации нефтеперерабатывающихпроизводств века / Б.Н.Махонькин, В.Мухин / /Нефтепереработка и нефтехимия 2003 №8, 59-64.

55. Миркес Е.М. Обучение сетей с пороговыми нейронами. Тезисы докладов III Всеросийского семинара "Нейроинформатика и ее приложения", Красноярск: Изд-во КГТУ, с. 72.

56. Моисеев H.H. Математические задачи системного анализа. М.: Наука, 1981.-488 с.71 .Надежность в технике. Основные понятия. Термины и определения ГОСТ-27.00289/ М.:Изд-во стандартов, 1990, 38 с.

57. Обухов Ю.Г., Иванов В.М., Лукьянов Э.Е. Плотнометрия промывочной жидкости в процессе бурения как метод ГИС. Пути повышения эффективности геофизических исследований поисковых и разведочных скважин Главтюменгеологии. Тюмень, 1986. С. 18-19.

58. Палюх Б.В. Надежность систем управления химическими производствами. 1987 г., 176 с.

59. Позин И.В. Моделирование нейронных структур. М.: Наука, 1970.

60. Поспелов, Д.А. Ситуационное управление: теория и практика/Д.А. Поспелов М.:Наука, 1986.-288 с.

61. Пратт Т., Зелковиц М. Языки программирования: разработка и реализация. СПб.: Питер, 2002. - 688 с.

62. Распознавание образов: состояние и перспективы: Пер. с англ./ К. Верхаген, Р.Дёйн, Ф.Грун. и др.; Под ред. И.Б. Гуревича. М.: "Радио и связь", 1985.- 104с.

63. Распознавание. Классификация. Прогноз. В.2 Под. Ред. Журавлева Ю.И. М.: Наука. 1989.

64. Растригин JT.A., Эренштеин Р.Х. Метод коллективного распознавания. М.: Энергоиздат 1981.-79с.

65. Речкалов Я.А. Проблемы повышения эффективности систем управления снабжением на крупных машиностроительных предприятиях // Управление в сложных системах: Межвуз. Науч. Сб. Уфа: УГАТУ, 2002. 0,15 п.л.

66. Рыжиков Ю.И. Имитационное моделирование. Теория и технология. -СПб.: КОРОНА принт, 2004. 384 с.

67. Рыжиков Ю.И. Теория очередей и управление запасами. СПб.: Питер, 2001.-384 с.

68. Самотой А.К. Прихваты колонн при бурении скважин. М.: Недра, 1984, - 320 с.

69. Северцев, H.A. Надежность сложных систем в эксплуатации и отработке / H.A. М.:Высш.шк.,1989. 432 с.

70. Сенашова М.Ю. Погрешности в нейронных сетях / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.

71. Скважинные геофизические информационно-измерительные системы // М.: Недра, 1996.-317 с.

72. Ту Дж., Гонсалес Р. Принципы распознавания образов. Изд. Мир, М.,1978.-411с.

73. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

74. Федеральный Закон РФ «О промышленной безопасности опасных производственных объектов» №116-ФЗ Введ. 21.07.1997//Гражданская защита 1997 1 1 -С.68-75.

75. Федотов Н.Г. Методы стохастической геометрии в распознавании образов. М.: Радио и связь, 1990.- 144 с.

76. Филоненко, A.B. Идентификация предаварийных ситуаций установки получения серы методом Клауса: дисс. канд. техн. наук: 3.06.2005 г.: утв.24.12.2005 /A.B. Филоненко Астрахань, 2005 г. 156 с.

77. Флейшман, Б.С. Основы системологии / Б.С.Флейшман М.:Радио и связь, 1982. 368 с.

78. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989.-272 с.

79. Фу К. Структурные методы в распознавании образов.- М.: Мир, 1977.320 с.

80. Химмельблау Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах. — Л.: Химия, 1983. — 352с.

81. Чачко, А.Г. Подготовка операторов энергоблоков: Алгоритмический А.Г. Чачко М.:Энергоатомиздат, 1986. 232 с.

82. Эйкхофф, П. Основы идентификации систем управления. Оценивание параметров и состояния. Пер. с англ./П. Эйкхофф. Под ред.Н.С.Райбмана М.:Мир, 1975-685с.