PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Wykorzystanie możliwości sieci neuronowych w prognozowaniu i sterowaniu pracą podziemnego magazynu gazu (PMG)

Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
EN
Forecasting and controling of underground gas storage by means of artificial neural networks
Konferencja
Nauka, technika i technologia w rozwoju poszukiwań i wydobycia węglowodorów w warunkach lądowych i morskich : międzynarodowa konferencja naukowo-techniczna Geopetrol 2008 : Zakopane, 15--18.09.2008
Języki publikacji
PL
Abstrakty
PL
W niniejszej pracy zaprezentowano możliwości wykorzystania sieci neuronowych do prognozowania średniego ciśnienia w magazynie jak i ciśnienia dennego w poszczególnych odwiertach. Dokonano skrótowego omówienia sztucznych sieci neuronowych (SSN) a w szczególności: podstaw biologicznych, modelu sztucznego neuronu, wybranych rodzajów sieci neuronowych (liniowe, perceptron wielowarstwowy MLP, sieci o radialnych funkcjach bazowych RBF, sieci realizujące uogólnioną regresję GRNN, zespoły sieci), metod uczenia sieci (uczenie pod nadzorem, uczenie z krytykiem, uczenie samoorganizujące się) — omówiono podstawowe algorytmy uczenia (metoda wstecznej propagacji błędów, gradientów sprzężonych, Newtona, metoda Levenberga-Marquardta, algorytm k-średnich), oraz ich zastosowania. Zaprezentowano niezbędny zestaw danych (wraz z pre- i postprocessingiem obejmującym między innymi skalowanie zmiennych) na wejściu sieci neuronowych w celu przeprowadzenia procesu uczenia a później prognozowania ciśnień w całym magazynie i poszczególnych odwiertach w kolejnych cyklach pracy magazynu. Na podstawie nauczonych sieci neuronowych wykonano prognozy ciśnienia w magazynie w poszczególnych odwiertach.
EN
This paper presents the method as well as procedure to forecast the pressure of Underground Gas Storage Reservoir (UGS) by means of Artificial Neural Networks (ANN). The paper deals with the following tasks of the presented problem: (1) methods of ANN "learning" process (supervised-learning, critic-learning, self-organized learning); (2) optimal algorithm of ANN "learning" process, (back-error propagation, Newton method, Levenberg-Marquardt method, k-means algorithm); (3) an adequate input/output data set (including pre/post-processing calculation). A dozen different architecture of artificial neural networks has been tested and satisfactory results has been obtained.
Rocznik
Strony
1107--1112
Opis fizyczny
Bibliogr. 6 poz., tab., wykr.
Twórcy
  • Instytut Nafty i Gazu
autor
  • Instytut Nafty i Gazu
autor
  • Instytut Nafty i Gazu
Bibliografia
  • [1] Tadeusiewicz R. — Sieci Neuronowe. Akademicka Oficyna Wydawnicza, Warszawa, 1993
  • [2] Korbisz J., Obuchowicza A., Uciński D. — Sztuczne Sieci Neuronowe Podstawy i Zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994
  • [3] Żurada J., Barski M., Jędruch W. — Sztuczne Sieci Neuronowe. Wydawnictwo Naukowe PWN, Warszawa, 1996
  • [4] Masters T. — Sieci Neuronowe w Praktyce. Wydawnictwo Naukowo-Techniczne, Warszawa, 1993
  • [5] Statistica Neural Network PL. StatSoft Polska, Kraków, 2001
  • [6] Hertz J., Krough A., Palmer R.G. — Wstęp do teorii obliczeń neuronowych. Wydawnictwo Naukowo-Techniczne, Warszawa, 1993
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-2b9cc676-49e9-44a1-8d9b-0a4972d5169e
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.