Содержание к диссертации
Введение
1. Методы искусственного интеллекта в задачах разработки нефтяных месторождений 11
1.1. Основные проблемы разработки нефтяных месторождений 11
1.1.1. Разработка нефтяных месторождений, находящихся на поздней стадии разработки 13
1.1.2. Планирование и проведение геолого-технических мероприятий на нефтяных месторождениях на поздних стадиях разработки 15
1.1.3. Проблема нечеткости в задачах разработки нефтяных месторождений и выбора методов воздействия на залежь 20
1.1.4. Анализ основных проблем, возникающих при планировании ГТМ. 23
1.2. Искусственный интеллект в задачах разработки нефтяных месторождений 24
1.2.1. Анализ применения методов искусственного интеллекта в задачах разработки нефтяных месторождений 24
1.2.2. Анализ использования методов искусственного интеллекта для решения задачи выработки рекомендаций о назначении ГТМ 28
1.3. Общая структура и методология построения экспертных систем 33
1.3.1. Структура экспертных систем 33
1.3.2. Этапы проектирования экспертных систем и их краткая характеристика 36
1.4. Выводы 38
2. Нечетко-продукционная модель представления экспертных знаний в задаче выработки рекомендаций о назначении ГТМ на нефтяных скважинах 40
2.1. Анализ моделей представления знаний в экспертных системах 40
2.2. Формализация нечетких знаний в экспертных системах 44
2.3. Нечетко-продукционная модель представления экспертных знаний 48
2.3.1. Анализ типов параметров, определяющих критерии применимости ГТМ 48
2.3.2. Формализация нечетко-продукционной модели представления экспертных знаний 50
2.3.3. Форматы четких и нечетких ограничений на параметры в экспертных правилах 53
2.3.4. Формализация критериальных весов 55
2.4. Выводы 56
3. Структура и функционирование машины логического вывода экспертной системы выработки рекомендаций о назначении ГТМ 58
3.1. Понятие-машины- логического вывода-. 58-
3.2. Базовые схемы и стратегии управления логическим выводом 61
3.3. Структура машины логического вывода ЭС 63
3.4. Функционирование машины логического вывода ЭС 65
3.4.1. Виды неопределенностей, обрабатываемых машиной логического вывода ЭС 65
3.4.2. Оценки, формируемые машиной логического вывода ЭС 66
3.4.3. Алгоритм работы машины логического вывода ЭС 71
3.4.4. Блок объяснения результатов логического вывода 73
3.5. Методы многокритериального принятия решений 74
3.5.1. Ранжирование альтернатив методом анализа иерархий Саати 74
3.5.2. Многокритериальное ранжирование критериев в ЭС 80
3.5.3. Многокритериальный выбор альтернатив в условиях нечеткости критериев 85
3.6. Выводы 89
4. Информационно-советующая система поддержки принятия решений о назначении ГТМ на добывающих нефтяных скважинах 91
4.1. Конструктор информационно-советующей системы выработки рекомендаций о назначении ГТМ 9Г
4.2. Формирование базы знаний экспертной системы ИСС «OilRule» 102
4.3. Модули импорта информации из внешних АРМ 109
4.4. Апробация экспертной системы ИСС «OilRute» на примере задачи выработки рекомендаций о назначении ГТМ для Феофановского месторождения 113
Заключение... 123
Список литературы 124
- Планирование и проведение геолого-технических мероприятий на нефтяных месторождениях на поздних стадиях разработки
- Анализ использования методов искусственного интеллекта для решения задачи выработки рекомендаций о назначении ГТМ
- Формализация нечетко-продукционной модели представления экспертных знаний
- Оценки, формируемые машиной логического вывода ЭС
Введение к работе
Интенсивное развитие информационных технологий приводит к большой необходимости автоматизации процессов обработки информации в различных проблемных областях человеческой деятельности. При этом во многих из них в настоящее время наблюдается тенденция к повышению интеллектуальности систем обработки информации, организации эффективного человеко-машинного взаимодействия, что обуславливается следующими причинами:
резким увеличением объемов обрабатываемой информации, переходом от концепции «баз данных» к «горам данных» (data warehouse);
разнотипностью обрабатываемой информации, ее нечеткостью и качественностью, субъективным характером;
неполнотой и неточностью обрабатываемой информации;
отсутствием формальных подходов к решению задач в отдельных предметных областях, эвристичностью приемов, используемых при этом для обработки информации;
необходимостью решать задачи, свойственные до настоящего времени только человеку;
многокритериальностью решаемых задач при нечеткости критериев.
К таким предметным областям относится медицина, геология, экономика и др.
В таких предметных областях большую актуальность имеет создание интеллектуальных человеко-машинных систем обработки информации, способных решать требуемые задачи в представленных условиях. Большое внимание при этом отводится таким направлениям искусственного интеллекта, как экспертные системы (ЭС), нечеткая логика, нейронные сети, Data Mining и другие.
Нефтяная отрасль является одной из областей, решение многих задач в которой необходимо производить в представленных условиях. Исследованию проблем построения интеллектуальных человеко-машинных систем в этом направлении посвящены работы следующих ученых: Н.А. Еремина, А.Е. Ал-
тунина, Л.И. Григорьева, А.Б. Золотухина, Е.Д. Подымова, А.Г. Авербуха, MB. Семухина, И.Н. Глухих, Г.И. Соломатина, В.И. Гловы, И.В. Аникина и др.
Однако, ряд задач нефтедобычи, решение которых требует автоматизации процессов обработки информации в рамках интеллектуальных человеко-машинных систем, недостаточно исследован в настоящее время. К одной из них относится задача эффективного планирования геолого-технических мероприятий (ГТМ) на нефтяных месторождениях, которая предполагает выбор перечня и последовательности проведения технологий ГТМ. Ее решение специалистами по планированию ГТМ в значительной степени осложняется следующими обстоятельствами.
Многокритериальностью решаемой задачи.
Субъективностью критериев отбора технологий ГТМ, большой ролью многолетнего личного опыта специалистов-экспертов при выработке. данных критериев.
Нечеткостью и качественностью критериев, определяющих условия выбора ГТМ.
Большим перечнем известных технологий ГТМ, разработанных к настоящему времени, а также постоянно появляющимися новыми технологиями.
Недостаточной информированностью специалистов о новых технологиях ГТМ, критериям их применимости, результатами применения данных технологий на других скважинах и месторождениях.
Схожестью критериев выбора технологий ГТМ внутри группы, направленной на достижение поставленной цели (водоограничение, стимуляция и т.д.)
Неполнотой, нерегулярностью поступления, неточностью доступной геолого-промысловой информации, хранимой в базах данных нефтегазодобывающих управлений (НГДУ).
Наличие данных сложностей во многом актуализирует проблему разработки математических моделей и реализующих их интеллектуальных систем поддержки принятия решений для специалиста по отбору ГТМ, позволяющих
7 помочь ему в принятии обоснованного, наиболее адекватного для текущих условий решения о выборе технологии ГТМ для проведения на нефтяной залежи. Решению данной проблемы посвящена настоящая диссертация.
Целью работы является повышение эффективности поддержки принятия решений в условиях нечеткости и многокритериальности выбора на основе моделей и алгоритмов представления и обработки информации в задаче планирования геолого-технических мероприятий для проведения на нефтяных месторождениях.
Достижение поставленной цели требует решения следующих задач:
анализа эффективности методов искусственного интеллекта для решения задачи планирования ГТМ;
разработки модели представления экспертных знаний для задачи планирования ГТМ в условиях их субъективности, нечеткости, качественности;
разработки моделей и алгоритмов многокритериального выбора альтернатив в условиях их нечеткости, в условиях неполноты, нерегулярности поступления, неточности доступной геолого-технической информации;
разработки основных модулей человеко-машинной системы поддержки принятия решений для автоматизации решения задачи планирования ГТМ.
Методы исследования: методы теории нечетких множеств, искусственного интеллекта и многокритериального принятия решений в условиях нечеткости и неполноты информации.
Научная новизна работы заключается в следующем.
Предложена нечетко-продукционная модель для представления экспертных знаний в задаче выработки рекомендаций о назначении ГТМ.
Предложен алгоритм многокритериального ранжирования ограничений в условиях нечетко-продукционной модели представления экспертных знаний.
Предложены способы и алгоритмы оценки соответствия геолого-физических параметров нечетко-продукционной модели.
4. Предложены алгоритмы работы машины логического вывода экспертной системы выработки рекомендаций о назначении ГТМ в случае одного и нескольких нечетких критериев.
Практическая ценность работы заключается в разработке модулей человеко-машинной информационно-советующей системы поддержки принятия решений для задачи планирования ГТМ на нефтяных месторождениях. Комплекс предложен для использования в качестве автоматизированного рабочего места (АРМ) специалиста по планированию ГТМ.
На защиту выносятся следующие результаты:
нечетко-продукционная модель представления экспертных знаний для задачи выработки рекомендаций о назначении ГТМ;
алгоритм многокритериального ранжирования ограничений в условиях нечетко-продукционной модели представления экспертных знаний;
алгоритмы оценки соответствия геолого-физических параметров ограничениям нечетко-продукционной модели;
алгоритмы работы машины логического вывода экспертной системы выработки рекомендаций о назначении ГТМ в случае одного и нескольких нечетких критериев;
модули человеко-машинной информационно-советующей системы поддержки принятия решений для задачи планирования ГТМ на нефтяных месторождениях.
Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:
республиканской научно-практической конференции «Интеллектуальные системы и информационные технологии» (Казань, 2001);
восьмой национальной конференции по искусственному интеллекту с международным участием «КИИ-2002» (Коломна, 2002);
всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика-2004» (Зеленоград, 2004).
В первой главе исследуется проблема эффективной разработки нефтяных месторождений на поздней стадии, а также основные задачи, возникающие при ее решении. Показано, что задача эффективного планирования геолого-технических мероприятий на месторождениях является одной из наиболее актуальных. Актуализирована необходимость разработки информационно-советующей системы поддержки принятия решений для задачи планирования ГТМ на месторождениях, а также необходимость ее решения с привлечением технологий разработки экспертных систем.
Во второй главе проведен анализ основных моделей представления знаний в ЭС и обоснован выбор нечетких продукций для формализации экспертных знаний в задаче выработки рекомендаций о назначении ГТМ. Разработана нечетко-продукционная модель представления экспертных знаний для задачи выработки рекомендаций о назначении ГТМ, основанная на нечетком обобщении МГ-продукционных правил, введена типизация параметров множества П, входящих в данную модель, и произведена их математическая формализация, определены форматы ограничений на параметры различных типов.
В третьей главе проведен анализ базовых схем и стратегий управления логическим выводом в ЭС. Разработана структура машины логического вывода для ЭС выработки рекомендаций о назначении ГТМ. Для управления отбором экспертных правил в ЭС был предложен обратный поиск в глубину. Исследуются виды неопределенностей, обрабатываемых машиной логического вывода. Разработаны алгоритмы оценки соответствия геолого-физических параметров ограничениям 2J нечетко-продукционной модели (2.2). Предлагается алгоритм многокритериального ранжирования ограничений в правилах Rj. Предлагаются
модели и реализующие их алгоритмы работы машины логического вывода ЭС выработки рекомендаций о назначении ГТМ в случае одного и нескольких нечетких критериев назначения технологий.
В четвертой главе предложена практическая реализация теоретических положений, рассмотренных в главах 1, 2, 3, в виде разработанных автором программных модулей информационно-советующей системы поддержки принятия
10 решений для задачи выработки рекомендаций о назначении ГТМ на добывающих скважинах «OilRule». Базовым модулем данной системы является ЭС выработки рекомендаций о назначении ГТМ.
В заключении сформулированы научные результаты, полученные в ходе выполнения диссертационной работы.
По проблеме диссертации опубликовано 7 печатных работ, перечень которых приведен в списке литературы диссертации. Диссертация выполнения в КГТУ им. А.Н. Туполева (КАИ).
Автор выражает искреннюю благодарность своему научному руководителю - доктору технических наук, профессору Виктору Ивановичу Глова за постоянное внимание и ценные советы, кандидату технических наук, доценту Игорю Вячеславовичу Аникину за консультации при написании диссертации.
Планирование и проведение геолого-технических мероприятий на нефтяных месторождениях на поздних стадиях разработки
Основополагающими направлениями ГТМ на поздних стадиях разработки месторождения являются реконструкция и совершенствование системы поддержания пластового давления, применение методов увеличения нефтеотдачи (МУН) пластов, водоизоляционных работ (ВИР), стимуляция добывающих скважин, проведение капитального ремонта скважин (КРС). Для эффективной разработки эти мероприятия должны проводиться в срок и в соответствие с предъявляемыми требованиями.
Среди перечисленных методов ГТМ особое место занимают методы увеличения нефтеотдачи пластов (МУН), предназначенные для воздействия на залежь с целью повышения ее производительности и повышения нефтеотдачи. Эффективное их использование позволяет более полно извлекать остаточные запасы нефти, достичь более высокой производительности, повысить нефтеотдачу нефтяных пластов. В настоящее время в геологии научно-исследовательскими институтами и организациями большое внимание уделяется разработке новых МУН, а также разработке технологий по эффективному использованию существующих [56, 57,59,71, 75, 78].
В настоящее время известно очень большое количество методов увеличения нефтеотдачи пластов, применение которых преследует различные задачи (с общей целью — наиболее полно извлечь остаточные запасы нефти с наибольшим экономическим эффектом).
Выделяют следующие группы задач, для решения которых применяются МУН пластов [10,40, 56]. 1. Интенсификация (стимуляция) работы скважин (увеличение дебита добывающих скважин и приемистости нагнетательных). 2. Повышение нефтеотдачи пластов. ГТМ, не относящиеся к МУН можно условно разделить на две группы [56]. 1. Методы, обеспечивающие восполнение энергии пласта и вытеснение нефти за счет закачиваемого рабочего агента (поддержание пластового давле ния). 2. Методы, улучшающие фильтрацию нефти в призабойной зоне. Первую группу методов условно делят на два типа. Первый тип - методы объемного воздействия на пласт с целью приращения извлекаемых запасов путем увеличения коэффициентов вытеснения и охвата залежи заводнением. Наблюдаемым результатом от воздействия методов данного типа (как правило, с запаздыванием) является довольно продолжительное увеличение отборов нефти и жидкости по реагирующим скважинам, снижение обводненности их продукции. Второй тип - технологии локального воздействия на призабойную зону пласта с целью увеличения текущего дебита нефти, снижения обводненности продукции. В данном случае, эффект проявляется непосредственно после проведения технологии. Вторую группу методов можно условно разделить на две подгруппы: методы, улучшающие условия фильтрации нефти в призабойной зоне за счет совершенствования первичного и вторичного вскрытия пласта, и методы, улучшающие фильтрацию путем обработки призабойной зоны (ОПЗ) пласта. Решение задачи планирования ГТМ на нефтяных месторождениях является очень сложным процессом в силу ее многокритериальности, неоднозначности решения. Эффективное решение данной задачи во многом сдерживается и чисто человеческим фактором. При планировании проведения ГТМ на нефтяных месторождениях необходимо учитывать множество различных условий, критериев, часто противоречивых. На этапе планирования приходится обрабатывать большой объем первичной информации в условиях ее неполноты и неточности. Суть планирования ГТМ заключается в выборе из общего количества технологий ГТМ перечня необходимых ГТМ и последовательности их проведения на месторождении. При осуществлении планирования ГТМ в рамках человеко-машинной информационно-советующей системы (ИСС), одной из задач ИСС является выработка рекомендаций человеку-пользователю о назначении некоторого ГТМ, при этом окончательное решение остается за пользователем. Неформально, задача выработки рекомендаций о назначении ГТМ на нефтяных месторождениях может быть поставлена следующим образом. Пусть Т = frk}t.u - множество технологий ГТМ, из которых осуществляется выбор целесообразных для проведения; П = { }„, множество геолого-физических параметров, определяющих условия эксплуатации нефтяной скважины и объекта разработки нефтяного месторождения; С = {С, },= г - множество критериев, согласно которым должен осуществляться выбор технологий ГТМ. Необходимо осуществить выбор технологии Тк є Т, наиболее целесообразной для назначения на скважине и объекте разработки, руководствуясь текущими условиями их эксплуатации, определяемых значениями р, параметров Р, є П, и оценками соответствия технологий критериям выбора С, еС. При решении задачи планирования ГТМ специалисты, обычно, руководствуются следующими группами критериев. Экономическими, связанными со стоимостными затратами на проведение мероприятия. Критериями, определяющими возможный технологический (и связанный с ним экономический) эффект от проведения мероприятия. Факторами риска, связанными с проведением мероприятия. Геолого-физическими свойствами и условиями разработки месторождения, определяющими необходимость проведения мероприятия. Критериями, ограничивающими либо сдерживающими применение тех или иных мероприятий. Экологическими критериями, определяющими влияние результатов проведения мероприятия на экологию региона. Проблему эффективного планирования ГТМ можно сформулировать следующим образом: какое наиболее существенно повышающее извлекаемые запасы и уровень добычи нефти, при благоприятных экономических показателях и отсутствии воздействия на экологию окружающей среды, мероприятие необходимо выбрать для конкретного нефтяного месторождения (залежи) с определенными геолого-физическими свойствами и условиями разработки? [56]. Эффективность планирования ГТМ определяется путем сравнения фактических (планируемых) результатов от применения метода с вариантом базового метода разработки объекта до применения ГТМ [56].
Анализ использования методов искусственного интеллекта для решения задачи выработки рекомендаций о назначении ГТМ
Считается, что выбор метода воздействия на скважину для разрабатываемого нефтяного месторождения — самый сложный и ответственный этап разработки залежи. Подавляющее большинство методов воздействия — это дорогостоящие и технологически более сложные процессы по сравнению с естественным режимом разработки пласта, либо с заводнением. Обоснованный же выбор метода воздействия позволяет в значительной мере снизить степень технологического и экономического риска при разработке нефтяного месторождения.
Любые воздействия на продуктивный нефтенасыщенный пласт сводятся, по существу, к сохранению или повышению подвижности нефти [34]. Сохранение подвижности нефти осуществляется с помощью нагнетания рабочего агента в продуктивный пласт, при котором поддерживаются начальные термодинамические условия пласта — пластовое давление и температура. Повышение подвижности нефти может осуществляться с помощью: - снижения вязкости нефти; - увеличения проницаемости пористой среды продуктивного пласта; - увеличения вытесняющей способности рабочего агента и вымывающей способности нагнетаемого агента (воды и др.). Выбору метода воздействия на нефтяную залежь предшествует этап подробного изучения геологического строения продуктивного пласта, петрографо-минерального состава, структуры и петрофизических свойств пород, слагающих пласт, геохимических условий и характеристик насыщающих пласт жидкостей; построения геологической модели залежи. Отдельные методы направлены на достижение вполне определенных целей и могут применяться только при определенных ограничениях на условия разработки месторождения. Основные трудности при назначении ГТМ на нефтяных месторождениях были представлены в п. 1.1.4. При решении задачи выбора метода воздействия на залежь в настоящее время применяются как методы, основанные на привлечении нейронных сетей [27], так и экспертные системы [29]. Решение задачи отбора методов воздействия на залежь с помощью технологии нейронных сетей осуществлялось в работах [42, 43]. В данных работах исследователями «ТатНРШИнефть» решалась задача обучения нейронной сети на базе пакета «NeuroShell», адаптированной к условиям разработки нефтяных месторождений, разрабатываемых ОАО «Татнефть», и способной синтезировать рекомендации по выбору технологий на основе обучения на примерах успешного опыта реализации ГТМ на аналогичных объектах. Обучающая выборка, используемая при этом, включала 2200 примеров, отражающих корректные условия реализации воздействия 60 технологиями (реализуемых как через нагнетательные, так и через добывающие скважины). В качестве входов нейронной сети использовались 4 группы параметров, отражающих реальные условия применения некоторой технологии (данные о коллекторе, пластовых жидкостях, системе заводнения, системе отбора), в качестве выхода нейронной сети - технология, назначаемая в данных условиях. Хотя обученная нейросетевая модель и показала хорошие результаты отбора технологий для условий пашийско-кыновского горизонта, на поверхности остался ряд проблем, возникающих при использовании нейросетевых моделей для решения задачи выработки рекомендаций о назначении ГТМ. 1. Открытым остался вопрос относительно трактовки понятия «успешности» применения технологии. Вопрос об успешности либо не успешности применения технологии здесь должен решаться субъективно. 2. Для корректного обучения нейронной сети необходимо экспертным путем отфильтровать набранную статистику, отражающую условия применения технологий, и сформировать обучающую выборку, оставив в ней только успешные результаты применения технологии. В этом случае, большая нагрузка ложится на эксперта, «фильтрующего» технологии. Если же формировать обучающую выборку без предварительной экспертной фильтрации, то в нее войдут технологии, назначаемые в некоторых условиях, но не показавшие эффекта. 3. Нейронная сеть формирует решение задачи в виде модели «черного ящика» и не способна обосновать свой выбор в пользу того или иного выбора. 4. Достаточную сложность представляет задача формирования обучающей выборки. Нейронная сеть, обученная на статистике применения мероприя 31 тий на одном месторождении, как правило, не может быть использована для отбора технологий на другом месторождении. 5. Не все из используемых критериев применимости технологий (по значениям геолого-физических параметров), имеют значение для каждой технологии. Выбор технологий из различных групп, зачастую, обосновывается анализом различных параметров. Нейронная же сеть при своем обучении рассматривает все параметры. 6. Геолого-физические параметры, отражающие критерии применимости технологий, имеют различную важность для отбора различных технологий. При этом, значимость, формируемая в результате обучения нейронной сети, зачастую, не совпадает со значимостью, устанавливаемой специалистом-геологом. Данные недостатки во многом сдерживают применение нейронных сетей при решении задачи отбора ГТМ на нефтяных месторождениях. Большую продуктивность при решении данной задачи показали экспертные системы. Вопросы использования экспертных систем для отбора методов ГТМ на нефтяных месторождениях исследовались в [34, 44, 60, 88]. В данном случае специалистом-экспертом формируется база знаний, включающая в себя критерии применимости различных технологий на нефтяных месторождениях. Преимуществами использования экспертных систем при решении задачи отбора методов воздействия на нефтяную залежь являются следующие. 1. Экспертные правила, описывающие условия применимости методов воздействия, записываются в удобной и понятной форме. База знаний экспертной системы легко модифицируется и пополняется при необходимости. 2. Знания, включаемые в базу знаний, как правило, являются универсальными в предметной области (выбор метода воздействия) и не привязываются к конкретным частным условиям функционирования системы (например, к конкретной нефтяной залежи).
Формализация нечетко-продукционной модели представления экспертных знаний
Одним из важнейших критериев выбора технологий ГТМ является геолого-физический критерий, рассматривающий условия ограничительного характера на значения геолого-физических параметров Р, є П, отражающих условия эксплуатации нефтяной скважины, месторождения. Для выбора ГТМ по данному критерию необходим анализ соответствия значений этих параметров нечетким ограничениям, накладываемым на них. Совокупность данных ограничений на параметры множества П, определяющих целесообразность назначения технологии ГТМ, можно рассматривать как продукционное правило. Ограничения на параметры будут являться условиями, входящими в антецедент продукционного правила.
Анализ ограничений на возможность применения ГТМ на объектах разработки нефтяного месторождения [8, 11, 20, 30, 56 58], авторских руководящих документов по особенностям проведения ГТМ и особенностей решения задачи планирования ГТМ, позволил выделить следующие типы параметров, которые могут входить в антецеденты продукционных правил. Типизация проведена по характеру ограничений, которые могут на них накладываться в условиях антецедентов правил [7].
. Список значений, значениями которых могут являться только вполне определенные элементы из заданного конечного множества. Параметр /єП данного типа можно определить в виде пары элементов {Р„ SPi ), где Sj = {SPi, SFi,..., SPa } - множество возможных значений параметра Р,. Примером такого параметра является параметр «ТИП СКВАЖИНЫ», принимающий одно из возможных значений {«Нагнетательная», «Добывающая», «Простаивающая»}. Список возможных значений может уточняться при возникающей необходимости у эксперта. Например, значение «Нагнетательная» может быть детализировано во множестве возможных значений Smtl„ «eaaraNW данного параметра на два более мелких - «Нагнетающая газ» и «Нагнетающая воду». 2. Числовой без градаций, ограничения на которые задаются в числовом виде. Параметр Р, є П данного типа можно определить в виде пары элементов [p„UP)t где UPiaR - числовой отрезок [a,b], a,beR - нижняя и верхняя границы возможных значений Р, (при заранее оговоренной единице измерения парамет ра). Примером такого параметра может являться параметр «ВЯЗКОСТЬ ПЛАСТОВОЙ НЕФТИ». Для него /,,=[0,01; 1500] (для единицы измерения мПа-с) [30]. 3. Список градаций, ограничения на которые могут быть заданы как в числовой форме, так и в виде конечного множества лингвистических категорий, каждая из которых ограничивает значение параметра в числовой форме. Параметр Р, є П данного типа можно определить в виде тройки элементов [Р,,UP,Lp J, где UpcR имеет ранее введенную интерпретацию, Lp ={Lp,LPi,...,LPt} -множество лингвистических категорий, ограничивающих значение параметра Plt LP =[a9 bv],j = Ukt где аірЬн є я - нижняя и верхняя границы, определяющие ограничение на параметр, вводимое лингвистической категорией LP . Данные параметры отличаются от параметров типа «Числовой без градаций» дополнительным введением лингвистических категорий, с помощью которых эксперт может ограничивать их значения в условии правила. Этот тип был введен для удобства формирования экспертами продукционных правил. Количество необходимых градаций и их формализация осуществляется экспертами. Каждый из параметров типа «Список градаций» может быть приведен к типу «Числовой без градаций» (при этом теряется информация о введенных градациях). Любой параметр типа «Числовой без градаций» может быть переведен к типу «Список градаций» путем назначения ему множества необходимых градаций. Примером такого параметра может являться параметр «ДЕБИТ НЕФТИ» с UP=[0; 1000] (единица измерения тонн/сутки) и следующим перечнем лингвистических категорий {«Малый дебит» = [0;1], «Средний дебит» = [1;10], «Высокий дебит» = [ 10; 1000]}. Пусть Я = {д,).Иг - множество продукционных экспертных правил, каждое из которых определяет целесообразность выбора некоторой технологии Тк є Т, указанной в консеквенте правила Яу є R. Выбор технологий ГТМ, целесообразных для проведения на нефтяном месторождении по геолого-физическому критерию, характеризуется следующими особенностями, которые необходимо учесть при формализации модели представления экспертных знаний. 1. Схожесть ограничений, определяющих условия применения отдельных технологий ГТМ. Данный факт обусловлен, с одной стороны, существованием множества так называемых «дублирующих» технологий, с другой стороны, схожестью условий применения технологий, направленных на решение одних и тех же задач (например, технологий водоограничения). 2. Выбор технологии ГТМ обуславливается анализом ограничений, накладываемых не на все параметры множества П - Как правило, для принятия решения о возможности применения некоторого метода воздействия нет необходимости исследовать значения всех геолого-физических параметров и условий разработки нефтяного месторождения. Обычно, условия применимости некоторой технологии устанавливают ограничения только на часть параметров, являющихся значимыми. Значения же остальных параметров не имеют значения для принятия решения. Таким образом, с каждым продукционным правилом Л, є Д, определяющим условия выбора некоторой технологии Тк є Т, связано множество геолого-физических параметров PJ = {/у}сП» значения которых имеет смысл анализировать при выборе технологии Тк. Этому множеству параметров соответствует множество ограничений AJ = [А/ ] - условий антецедента правила, которые определяют условия выбора технологии Tt. 3. Различные ограничения Af є AJ на параметры Р/ в правиле Л;єй имеют различную важность для эксперта при принятии им решения о целесообразности назначения технологии. С каждым ограничением Af связан весовой коэффициент wf, определяющий его важность для эксперта, а с каждым правилом R} связан весовой вектор w = \w(,...,wi J, определяющий веса условий Af. 4. Нечеткость большинства условий в антецеденте правила Rj, связанная с нечеткостью граничных условий, накладываемых на параметры множества PJ при выборе ГТМ. Ограничения Af на параметры Р/ в правиле R} часто необходимо представлять в виде нечетких переменных 2/. Множество нечетких ограничений правила Rj обозначим через 2і.
Оценки, формируемые машиной логического вывода ЭС
Одна из основных задач, выполняемых МЛВ - анализ правил базы знаний, сопоставление их с фактами, находящимися в рабочей памяти и запуск на выполнение данных правил по результатам этого сопоставления. Порядок анализа правил базы знаний во многом зависит от выбранной стратегии поиска решения. При разработке стратегии управления выводом выделяют два вопроса [4, 18].
Какую точку в пространстве состояний ЭС принять в качестве исходной - цель или исходные данные? От выбора этой точки зависит и метод осуществления поиска решения — в прямом или обратном направлении.
Какими методами можно ускорить поиск решения? Данный метод определяет выбранную стратегию перебора правил — в глубину, в ширину, по подзадачам или иначе.
Прямая схема логического вывода подразумевает поиск решения от фактов к заключениям. Найденное заключение вносится в рабочую память. Прямой вывод часто называют выводом, управляемым данными, или выводом, управляемым антецедентами [18,35,29]. Обратная схема логического вывода подразумевает поиск решения от заключений к фактам. Вначале выдвигается некоторая гипотеза, а затем МЛВ, переходя от заключений к фактам, производит поиск тех, которые подтверждают гипотезу. Далее выбирается следующая гипотеза, детализирующая первую и являющаяся по отношению к ней подцелью, после чего отыскиваются факты, подтверждающие истинность подчиненной гипотезы. Вывод данного типа также называют выводом, управляемым целями, или управляемым консеквентами. Обратный поиск применяется в тех случаях, когда цели известны и их сравнительно немного [18,35,29]. Существуют ЭС, в которых вывод основывается на сочетании упомянутых выше методов — обратного и ограниченного прямого. Такой комбинированный метод получил название циклического [18]. В ЭС, база знаний которых насчитывает сотни правил, желательным является использование стратегии управления выводом, позволяющей уменьшить время поиска решения и тем самым повысить эффективность вывода. К наиболее известным из таких стратегий относятся следующие [35,42, 73, 74]. Поиск в глубину Поиск в ширину Разбиение на подзадачи Альфа-бета алгоритм При поиске в глубину в качестве очередной подцели выбирается та, которая соответствует следующему, более детальному уровню описания задач. Например, диагностирующая система, сделав на основе известных симптомов предположение о наличии определенного заболевания, будет продолжать запрашивать уточняющие признаки и симптомы этой болезни до тех пор, пока полностью не опровергнет выдвинутую гипотезу. При поиске в ширину, напротив, система вначале проанализирует все симптомы, находящиеся на одном уровне пространства состояний, даже если они относятся к разным заболеваниям, и лишь затем перейдет к симптомам следующего уровня детальности.
Разбиение на подзадачи подразумевает выделение подзадач, решение которых рассматривается как достижение промежуточных целей на пути к конечной цели.
Альфа-бета алгоритм позволяет уменьшить пространство состояний ЭС путем удаления ветвей, неперспективных для успешного поиска [18]. Здесь просматриваются только те вершины, в которые можно попасть в результате следующего шага, после чего неперспективные направления исключаются.
Задача МЛВ ЭС выработки рекомендаций о назначении ГТМ (далее ЭС) - формирование перечня ГТМ, целесообразных для проведения на нефтяном месторождении при заданных условиях его разработки и геолого-физических свойствах пласта и жидкостей, руководствуясь экспертными знаниями о критериях применения ГТМ, формализованных в виде нечетких продукций Ду вида (2.2) в БЗ ЭС.
При этом в процессе логического вывода должны учитываться следующие особенности. 1. Возможная неполнота задания исходных данных — ряда геолого-физических свойств и условий разработки месторождения в силу отсутствия знания о них. Особенностью функционирования ЭС, является то, что компонент вывода ЭС должен функционировать даже в условиях недостатка информации, например, в случае отсутствия знания о значении необходимого параметра множества П в базе данных геолого-физических параметров. Решение, формируемое МЛВ, в этом случае, может не быть полностью достоверным, однако не должен возникнуть отказ от принятия решения из-за отсутствия части информации, необходимой для его осуществления. В случае занижения достоверности вывода, пользователь ЭС должен быть об этом проинформирован. 2. Необходимость учета особенностей формирования нечетких продукционных правил, заданных в виде модели (2.2). 3. Необходимость сохранения информации о процессе логического вывода для объяснения его пользователю ЭС с целью более обоснованного принятия им окончательного решения, либо его обучения, консультирования.
