Λεπτομέρειες βιβλιογραφικής εγγραφής
| Τίτλος: |
Modeling of artificial intelligence system for early detection of emergency situations at vital facilities |
| Πηγή: |
МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 10:1-2 |
| Στοιχεία εκδότη: |
Voronezh Institute of High Technologies, 2022. |
| Έτος έκδοσης: |
2022 |
| Θεματικοί όροι: |
искусственный интеллект, direct propagation neural networks, emergency, neural network architecture, сверточные нейросети, artificial intelligence, 7. Clean energy, рекуррентные нейронные сети, чрезвычайная ситуация, нейронные сети прямого распространения, архитектура нейросетей, convolutional neural networks, recurrent neural networks, искусственная нейронная сеть, time series, artificial neural network, временной ряд |
| Περιγραφή: |
В статье приводятся результаты моделирования системы искусственного интеллекта для опережающего выявления нежелательных ситуаций различного характера на объектах, представляющих важнейшее народнохозяйственное значение. В качестве такого объекта можно указать трубопроводный транспорт или любую другую производственную систему, в которой проводится непрерывный мониторинг параметров работоспособности ответственных узлов и механизмов. Данная модель может быть применена в работе различных нефтегазодобывающих компаний. Результаты моделирования и последующей разработки информационной системы предоставят базу для промышленной реализации высокоэффективных систем обнаружения и предотвращения аварийных ситуаций на основе нейросетевого анализа непрерывно получаемых потоковых данных. В рамках проводимого исследования проанализирована возможность применения для рассматриваемой задачи современных архитектур нейросетей, а именно: сверточных нейросетей – TCN, нейронных сетей прямого распространения – MLP, рекуррентных нейронных сетей – LSTM. Предложено для LSTM отказаться от функции активации, что крайне важно для данной задачи, потому что позволяет обеспечить нейросеть «долговременной памятью» о хранимых значениях. Кроме того, выполнено перекрестное сравнение скорости снижения ошибок при обучении сетей для обнаружения архитектуры, способной к «самообучению». Все модели были протестированы с использованием обучающих данных со скважин «Восточный купол». Для всех моделей было получено приемлемое совпадение тестовых и экстраполяционных данных. The article presents the results of modeling an artificial intelligence system for early detection of undesirable situations of various types at objects of particular national economic importance. Pipeline transport or any other production system, in which continuous monitoring of operability parameters of critical components and mechanisms is carried out, can be specified as such object. This model can be applied by various oil and gas production companies. The results of modeling and subsequent development of the information system will provide the basis for industrial implementation of highly effective systems of accident detection and prevention in reliance on neural network analysis of continuously received streaming data. As a part of this research, the possibility of using modern neural network architectures for the problem under consideration is examined, namely, convolutional neural networks – TCN, direct propagation neural networks – MLP, recurrent neural networks – LSTM. It was proposed to abandon the activation function for LSTM which helps to provide the neural network with "long-term memory" of stored values, which is crucial to this problem. In addition, a cross-comparison of the error reduction rate during network training was performed to detect an architecture capable of "self-learning". All models were tested with the aid of the training data from the "Vostochny kupol" wells. Acceptable coincidence of test and extrapolation data was obtained for all models. |
| Τύπος εγγράφου: |
Article |
| Γλώσσα: |
Russian |
| ISSN: |
2310-6018 |
| DOI: |
10.26102/2310-6018/2022.38.3.001 |
| Αριθμός Καταχώρησης: |
edsair.doi...........b3b9c1dc1cc57ff96d36197a8b0aceb5 |
| Βάση Δεδομένων: |
OpenAIRE |