АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ КОНЦЕНТРАЦИИ НЕФТЕПРОДУКТОВ В ГРУНТЕ

Список сокращений
6
Введение
7
1 Анализ методов прогнозирования состояния сложных систем в условиях ограниченного объема данных
9
1.1 Аналитическое прогнозирование 9
1.2 Вероятностное прогнозирование
11
1.3 Методы статистической классификации
12
1.4 Понятие малой выборки и идеи, лежащие в основе ее обработки
14
1.5 Перекрестная проверка 15
1.6 Выводы по первой главе 16
2 Обзор современных подходов к прогнозированию и принятию решений в отношении разливов нефти 17
3 Математическая модель прогнозирования последствий аварийного пролива нефтепродуктов 20
4 Применение нейросетевого подхода в задаче прогнозирования с использованием среды Рython 35
4.1 Описание структуры и возможности метода нейронной сети 35
4.2 Получение исходных данных 43
4.3 Применение многослойного персептрона в Python с использованием NumPy в задаче прогнозирования концентрации нефтепродуктов в грунте 45
4.4 Реализация нейросетевого подхода в Рython с использованием Кeras в задаче прогнозирования концентрации нефтепродуктов в грунте 48
4.5. Построение прогнозной модели с использованием рекуррентных нейронных сетей в Рython с использованием Кeras
Заключение
52
Список использованных источников
53
ПРИЛОЖЕНИЕ А
Результаты исследования (исходные данные) 57
ПРИЛОЖЕНИЕ Б
Нейросетевая модель в тестовом режиме (с использованием NumPy) 61
ПРИЛОЖЕНИЕ В
Нейросетевая модель в тестовом режиме (с использованием Кeras) 63
ПРИЛОЖЕНИЕ Г
Усредненная тестовая выборка 66

Весь текст будет доступен после покупки

На сегодняшний день нефть и нефтепродукты признаны одним из главных загрязнителей окружающей среды. Загрязнение нефтеподобными соединениями является мощным техногенным фактором, негативно влияющим на многие естественные процессы и взаимосвязи.
В 20-40-х годах прошлого столетия в результате острой необходимости развития и совершенствования механизмов доставки и распределения нефтепродуктов в соответствии с меняющимися приоритетными решениями стратегических и тактических задач нефтепродуктообеспечения на территории Енисейской губернии было создано более 850 нефтебаз
В результате урбанизации, нефтебазы оказались в черте городов, и после прекращения деятельности стали объектами для жилой и промышленной застройки.
Длительная производственная деятельность, оказала сильное антропогенное влияние на занимаемую территорию.
Попадание углеводородов в почву меняет структуру грунта, его физико-химические свойства, снижается водопроницаемость, увеличивается соотношение между азотом и углеродом, нефть обволакивает частицы почвы, способствует их слипанию, что со временем приводит к образованию асфальтоподобной массы с полностью угнетенным биоценозом.
В данной работе представлены результаты прогнозирования содержания концентрации нефтепродуктов в грунте на территории объекта, длительная производственная деятельность, которого связанна с их перевалкой и хранением, с применением математических и интеллектуальных моделей.
Построение формальных математических моделей – это один из распространённых подходов, применяемый при анализе измеренных данных [1]. Недостаток априорных сведений об изучаемом процессе приводит к тому, что применение общепринятых параметрических моделей затруднен по причине невозможности рационального выбора параметрической структуры. Следовательно, возникает потребность применения подходов выработанных, в рамках современных технологий анализа данных и машинного обучения, работающих в условиях ограниченной информации.
Актуальность работы: Большинство существующих на данный момент подходов направленны на прогнозирование распространения нефтепродуктов в водной среде, что существенно отличается от геологического подхода. Таким образом, возникает необходимость разработки новых более эффективных инструментов анализа и прогноза изменения концентрации нефтепродуктов в грунте, в том числе с применением современных подходов к построению прогнозных моделей в рамках машинного обучения, работающих в условиях ограниченной информации.

Весь текст будет доступен после покупки

1 АНАЛИЗ МЕТОДОВ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ СЛОЖНЫХ СИСТЕМ В УСЛОВИЯХ ОГРАНИЧЕННОГО ОБЪЕМА ДАННЫХ

1.1 Аналитическое прогнозирование

Прогнозирование важнейший процесс практически любой деятельности. Прогнозирование базируется на опыте, системе представлений об объекте прогнозирования, чаще, его модели. Процесс прогнозирования обязательно следует за процедурой мониторинга, т.е. наблюдения, получения данных измерений основных параметров, с учетом особенностей, закономерностей и предварительных выводов. Можно отметить следующие основополагающие принципы прогнозирования:
- альтернативность (вариантность) требует проведения многовариантных прогнозных разработок, исходя из вариантов прогнозного фона;
- системность в прогнозировании означает требование взаимоувязанности и соподчиненности объекта, фона и элементов прогнозирования;
- согласованность означает необходимость согласования поисковых и нормативных прогнозов различной природы (признаков) и различного срока упреждения;
- непрерывность и гибкость заставляют производить корректировку прогноза по мере поступления новой информации об объекте прогнозирования и увязывать различные по времени прогнозы между собой;
- верифицируемость означает потребность в достоверности, точности и обоснованности прогноза, т.е. стремление к улучшению качественных характеристик предсказания;
- комплексность предполагает рассмотрение всех сторон объекта исследования в его связи и зависимости с другими процессами и явлениями;
- адекватность – используемые в процессе прогнозирования экономико-математические методы и модели должны быть адекватными, т.е. отражать реальные процессы.
Основные факторы, влияющие на принцип прогнозирования – совокупность имеющихся параметров, целевая направленность поставленной задачи и рабочий алгоритм. Процесс прогнозирования преследует различные цели, позволяя определить протекание процесса на протяжении будущего отрезка времени в конкретной размерности; ожидаемую вероятность того, что исследуемый процесс не выйдет за установленные допусковые границы; принадлежность исследуемого процесса к некоторому классу. В зависимости от постановки задачи можно выделить следующее группы методов: аналитическое прогнозирование, вероятностное прогнозирование, методы статистической классификации [3, 4].

Весь текст будет доступен после покупки

1. Вьюгин, В. В. Математические основы машинного обучения и прогнозирования / В. В. Вьюгин. – Изд.: МЦНМО, 2013. – 304 с.
2. Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах; Учебник. Изд.: ДМК Пресс, 2015. – 400 с.
3. Гаскаров, Д. В. Прогнозирование технического состояния и надежности РЭА / Д. В. Гаскаров, Т. А. Голинкевич, А. В. Мозгалевский Под ред. Т. А. Голинкевича. – М.: Сов. радио, 1974. – 224 с.
4. Горошко, А. В. Обратные задачи обеспечения заданного уровня качества сложных технических систем / А.В. Горошко, В.П. Ройзман // Машиностроение и инженерное образование. – 2015. – № 3. – С. 31-44.
5. Двойрис, Л. И. Прогнозирование временных рядов на основе анализа главных компонент (метод «гусеницы») / Л. И. Двойрис // Радиотехника.–2007. –№ 2.
6. Снитюк, В. Е. Прогнозирование. Модели, методы, алгоритмы: учебное пособие / В. Е. Снитюк. – Киев: Маклаут, 2008. – 364 с.
7. Вентцель, Е.С. Теория вероятностей / Е. С. Вентцель. – М.: Высшая школа, 1998. – 576 с.
8. Абраменкова, И. В. Особенности и предельные возможности нейросетевых методов прогнозирования временных рядов / И. В. Абраменкова, В. В. Круглов // Программные продукты и системы.– 2006. – № 3. – С. 24 – 26.
9. Горбунова, Е. Б. Метод статистической обработки малых выборок данных в задачах прогнозирования и контроля состояния сложных систем: дис. канд. техн. наук: 05.13.01 / Е. Б. Горбунова; науч. рук. В. Т. Лобач; ТРТУ. – Таганрог, 2018. – 178 с.

Весь текст будет доступен после покупки