Алматы 2015 Almaty



Pdf көрінісі
бет15/130
Дата12.03.2017
өлшемі19,96 Mb.
#9035
1   ...   11   12   13   14   15   16   17   18   ...   130

Ключевые  слова:  статистическая  обработка,  математическая  модель,  параметрическая  идентификация, 

информационные технологии. 

 

В  последние  годы  в  нефтяной  промышленности  в  связи  с  широким  внедрением 



информационных  систем,  современных  технологий  исследования  скважин,  систем  регистрации 

разнообразной  информации  о  состоянии  разработки  скважин,  нефтяных  пластов  и  месторождений 

возрос интерес к задачам построения математических моделей процессов нефтегазодобычи [4, 5]. 

В  природе  все  объекты  динамические,  но  довольно  часто  необходимым  бывает  иметь  его 

статические  характеристики.  Класс  объекта  или  структура  математической  модели  известны  и  по 

измеренным  входным-выходным  данным  требуется  найти  параметры  модели.  В  этом  случае 

идентификация параметров математической модели заданной структуры осуществляется с помощью 

регрессионных методов [1]. 

Регрессионный  анализ  является  классическим  статистическим  методом.  Его  широкое 

применение  к  идентификации  многомерных  процессов  в  реальном  масштабе  времени  стало 

возможным  с  развитием  и  внедрением  быстродействующих  ЦВМ.  Методы  идентификации, 

основанные на регрессионных процедурах с использованием метода наименьших квадратов (МНК), 

применимы как к линейным, так и к нелинейным процессам. 

Регрессионные  методы  позволяют  осуществлять  идентификацию  в  реальном  времени  РВ 

(текущий регрессионный анализ РА), поскольку они основаны на измерениях входных и выходных 

сигналов, которые можно получить в процессе нормального функционирования системы. 

С помощью метода регрессионного анализа по измеренным входным и выходным переменным 

восстанавливаются оценка параметров модели вида: 

 

                                 (1) 



           (i

 

которая  представляет  собой  квадратичную,  статистическую  аппроксимацию  реальной 



зависимости  между  переменными  в  окрестности  точки  с  координатами {m

1

,...,m



n

},  где  m

i

  среднее 



значение i-ой входной переменной [1, 2]. 

Задача состоит в том, чтобы выбрать оценки коэффициентов 

1

, ..., 


m

 (при заданной структуре 

уравнения (1) таким  образом,  чтобы  сумма  квадратов  невязки  в  точках  измерений  выходных 

переменных была минимальна. Для любого выбора оценок коэффициентов 

i

 невязка равна разности 



измеренного значения выходной переменной в точке и полученной по модели: 

 

                                                                  (2) 



 

где 


 - значения выходной переменнойи модельные в k –ой точке;   – невязка в k–ой точке 

(k=

). 


107 

На  рис.1  введены  следующие  обозначения  блоков:  ОУ - объект  управления  (непрерывный 

технологический процесс); ММ - математическая модель; БНП - блок настройки параметров. 

 

 



Рисунок 1 - Укрупненная схема решения задачи параметрической идентификации 

 

Метод минимизации квадратичного критерия 



 

,                                   (3) 

 

где  a


i

    -  оценки  коэффициентов  a

(

),соответствует  широко  распространенному  методу 



наименьших  квадратов  (МНК).  Критерий  наименьших  квадратов  приводит  к  решению  системы 

линейных  алгебраических  уравнений,  и  поэтому  оптимальное  решение  может  быть  выражено  в  

явной аналитической форме и точно определено. В матричной форме оценки коэффициентов МНК: 

 

,                                                            (4) 



 

где  Х(N*m), Y(N*l) - матрицы  входных  и  выходных  переменных  соответствующих 

размерностей;  (m*1) - вектор оценок коэффициентов. 

Однако  критерий  наименьших  квадратов  необязательно  определяет  единственный  набор 

коэффициентов. Часто бывает, что матрица измеренных входных данных X близка к вырожденной; 

при  этом  число  обусловленности  может  рассматриваться  как  бесконечное,  что  говорит  о  линейной 

зависимости среди базисных функций. Поэтому важной задачей при МНК является обнаружение не 

единственности получаемого решения и принятия надлежащих мер. 

Наиболее  надежный  метод  для  вычисления  коэффициентов  при  МНК  основан  на  матричной 

факторизации,  называемой  сингулярным  разложением.Сингулярное  разложение  или SVD (singular 

value decomposition) позволяет  найти  сингулярные  числа  исходной  матрицы X, установить  факт 

единственности или не единственности получаемого решения и определить оценки коэффициентов в 

обоих случаях. 

Результатом  являются  полученные  оценки  коэффициентов,  оптимальные  в  смысле  критерия 

наименьших  квадратов,  если  существует  единственное  решение.  Либо,  если,  решение 

неединственное,  к  полученным  оценкам  коэффициентов  определяется  дополнительные 

коэффициенты,  называемые  нулевыми  коэффициентами,  которые  не  изменяют  сумму  квадратов 

невязок.  

В математической форме уравнение (1) записывается следующим образом: 

 

,                                                                (1



а

В качестве критерия оценки близости модели процессу часто берут квадрат невязки, т.е. 



 

                                                         (5) 

Скалярную сумму квадратических ошибок оценивания можно записать и в следующем виде 

 


108 

Наилучшая  (в  смысле  наименьших  квадратов  отклонений)  оценка  вектора  А  должна 



удовлетворять соотношению 

 

,                                                              (3



а

 



Откуда находится уравнение (4) оценки параметров  : 

 



оптимальные в смысле выбранного критерия, т.е. оптимальные в смысле наименьших квадратов 

отклонений. 

Отметим, что матрица (Х’Х)

-1

 существует только тогда, когда матрица измеренных переменных 

X  не  является  особенной,  т.е. det X ≠ 0.Кроме  того,  число  измерений  г  должно  быть  значительно 

больше числа идентифицируемых параметров r>>m. Если r=m, то в оценке Y шум не будет сглажен. 

Из  этого  условия  следует,  что  для  адекватности  идентификации  требуется  по  крайней  мере  (m+1

измерений, причем в течение этого периода система предполагается стационарной. 

До  получения  математической  модели  процесса  извлечения  газа  из  нефти  проведена 

статистическая обработка данныхпо категорям В и С1(здесь В и С1 - категории нефти месторождения 

Арыскум). 

Статистическая обработка данных проводится для следующих переменных: 

х

- площадь нефтеносности; 



х

- нефтеносыщенная толщина; 



х

- объём нефтенасыщенности; 



х

- плотность нефти; 



х

- геологические запасы нефти; 



х

-геологические запасы растворенного газа; 



х

-извлекаемые запасы растворенного газа. 



Расчет оценки математического ожидания 

 

    ,                                                                (6) 

 

где 


  - математическое ожидание; N - количество реализаций;

, m - количество переменных. 

Численные значения математическое ожидание для переменных: 

 

                   Категории В                                                                Категории С1: 



 

 

Расчет оценкидисперсии 

 

                                             (7) 



 

где 


 - дисперсияjпеременной; N - количество  реализаций;

, m - количество 

переменных. 

Численные значения дисперсия для переменных: 

 

 

 



109 

              Категории В                                                              Катерогии С1



 

 

 

Расчет среднеквадратического отклонения переменных  

 

,                                                                     (8) 



 

где 


 – 

среднеквадратическое отклонение x

j



, m - количество переменных. 



Численные значения среднеквадратического отклонения переменных  

       


           Категории В                                                                    Категории С1

 

 



Коэффициенты корреляции 

 

,                                                  (9) 



 

где 


 - среднеквадратические отклонения; j и k - номера переменных. 

Коэффициенты  корреляции  показывают  "тесноту"  зон  линейной  связи  между  переменными, 

x

j



Численные значения коэффициентов корреляции переменных  

 

    Категории В 



 

 

    Категории С1 



 

 

Решение задачи параметрической идентификации процесса извлечения газа из нефти 

Процесс отделения газа от нефти называется сепарацией; аппарат, в котором происходит отделение 

газа от продукции нефтяных скважин, является газосепаратором. В современных системах сбора нефти и 

газа  газосепараторами  оснащаются  все  блочные  автоматизированные  групповые  замерные  установки, 

дожимные насосные станции и центральные пункты сбора и подготовки нефти, газа и воды.Сепарация 

газа от нефти может происходить под влиянием гравитационных, инерционных сил и за счет селективной 

смачиваемости нефти. В зависимости от этого и различают гравитационную, инерционную и пленочную 

сепарации, а газосепараторы — гравитационные, гидроциклонные и  жалюзийные [3]. 



110 

Как  отмечалось  в  даннойработе  выше,  процесс  извлечения  газа  из  нефти,  т.е.  процесс  сепарации, 

является  природным.  При  этом  объем  извлекаемого  растворенного  газа  (х)  зависит  от  следующих 

переменных: 

-  площадь  нефтеносности  (тыс.  м

2

); 



-  нефтеносыщенная  толщина  (м); 

 - объём 

нефтенасыщенности (тыс. м

3

); 



 

- плотность нефти (млн. м

3

);   - геологические запасы нефти (тыс. т.). 



В  связи  с  тем,  что  реальные  значения  переменных  плохо  сопоставимы  (огромный  разброс),  то 

при 


построении 

математическая 

модель 

(ММ) 


перешли 

к 

стандартизированным  



(безразмерным) переменным. 

Получена следующая линейная (ММ) процесса сепарации для нефти категории В 

(х)= 0,5823

-0.2697

+0,3958


-0,0215

0,5780


Проведено  ранжирование  переменных,  т.е.  установлены  приоритеты  влияния  независимых 

переменных на  (х): 

(х): 








,

,  т.е.  наибольшее  влияние  на  объемизвлекаемого  растворенного  газа 

оказывают площадь нефтеносности, геологические запасы нефти, объем нефтенасыщенности. 

Однако  линейная  ММ  описывает  реальный  процесс  сепарации  с  большой  погрешностью. 

Поэтому далее построена нелинейная ММ. 

Проведенный  анализ  линейной  ММ  позволил  выбрать  структуру  нелинейной  ММ.Введены 

следующие нелинейности: 

х

1

х



3

: увеличение площадь нефтеностности даже если толщина уменьшается; 

x

1

x



5

: увеличениеплощади нефтенасыщенности и геологических запасов нефти; 

x

3

x



5

: уменьшение объема нефтенасыщенности и геологических запасов нефти. 



Получена  следующая  нелинейная  ММ  по  стандартизированным  переменным  для  нефти 

категории В 

(х)= -0.4440

-0,1970

+0,2193


-0,2891

+0,1344


+0,2540

+0,3762x


1

x

5



-0.1525x

3

x



5. 

Ранжирование переменных: 

(х): х

1

, x



4

, x


3

, x


2

, x


5

т.е. наиболее влияние на объемизвлекаемого растворенного газа оказывают 

площадь нефтеносности, геологические запасы нефти, объем нефтенасыщенности. 

Ниже  на  рис. 3 представлен  график  выходных  переменных  объекта  у(х)  и  математической 

модели (х). 

 

 



 

Рисунок 3 - График выходных переменных у(х) и  (х) 



Получена  следующая  линейная  математическая  модель  (ММ)  процесса  сепарации  для  нефти 

категории С 

(х)= -0,7400

-0,3495

+0,2291


-2,170

-2,3370


 

 

Ранжирование переменных: 



111 

(х):  х


5

,  х


4

,  х


1

,  х


2

,  х


3

,  т.е.  наибольшее  влияние  на  объемизвлекаемого  растворенного  газа 

оказывают  геологические  запасы  нефти,  геологические  запасы  растворенного  газа,  объем 

нефтенасыщенности. 

Проведенный  анализ  линейной  ММ  позволил  выбрать  структуру  нелинейной  ММ.Введены 

следующие нелинейности: 

х

1

х



3

: увеличение площадь нефтеностности даже если толщина уменьшается; 

x

3

x



4

: увеличение объема нефтинасыщенности и геологических запасов растворенного газа; 

x

3

x



5

: уменьшение объема нефтинасыщенности и геологических запасов нефти. 



Получена  следующая  нелинейная  ММ  по  стандартизированным  переменным  для  нефти 

категории С 

(х)= 2,7300

+0,3557

+0,4275


+0,3097

-0,5484


-0,3888

+0,9402x


3

x

4



-0,4345x

3

x



Ранжирование переменных: 

(х):  х

1

,x



5

, x


3

, x


2

, x


4

т.е.  наиболее  влияние  на  объем  извлекаемого  газа  оказывают  площадь 

нефтеносности, геологические запасы нефти, объем нефтинасыщенности. 

В  заключение  следует  отметить,что  полученная  адекватная  нелинейная  ММ  процесса 

извлечения растворенного газа из нефти (х) позволит в дальнейшем осуществлять прогнозирование 

объемов извлекаемых запасов растворенного газа на реальном месторождении Арыскум. 

 

ЛИТЕРАТУРА 



1.  Волобуева О.П. Идентификация объектов управления - учебное пособие- Алматы: КазНТУ, 1997. -123 с. 

2.  Эйкхофф П. Основы идентификации систем управления – М.: Мир, 1985. – 683с. 

3.  Нефтегазовый сектор,  месторождения: http://www.kmgep.kz/rus/about_kazakhstan/oil_and_gas_sector 

4.  Мирзаджанзаде  А.Х.,  Хасанов  М.М.,  Бахтизин  Р.Н.  Этюды  о  моделировании  сложных  систем 

нефтегазодобычи. Нелинейность, неравновесность, неоднородность. – Уфа: Гилем, 1999. – 462 с. 

5.  Костюченко С.В., Ямпольский В.З. Мониторинг и моделирование нефтяных месторождений. – Томск: 

НТЛ, 2000. – 246 с. 

 

REFERENCES 



1.  Volobuyeva O.P. Identifikaciyaobektovupravleniya - uchebnoeposobie - Almaty: KazNTU, 1997.-123 s. 

2.  Eykxoff P. Osnovyidentifikaciisistemupravleniya - M.: Mir, 1985.-683 s. 

3.  Neftegazovyisektor, mestorozhdeniya:  

http://www.kmgep.kz/rus/about_kazakhstan/oil_and_gas_sector 

4.  Mirzadzhanzade A.H., Hasanov M.M., Bahtizin R.N. Etiudy o modelirivaniislozhnyhsistemneftigazodobychi. 

Nelineinost, neravnomernost, neodnorodnost. - Ufa: Gilem, 1999.- 462 s. 

5.  Kostiuchenko S.V., Yampolskii V.Z. Monitoring imodelirovanieneftyanyhmestorozhdenii. - Tomsk: 

NTL,2000. - 246 s. 

 

Волобуева О.П., Əубəкірова Ж. Ə. 



Мұнайдан газды алу үдерісінің параметрлік бірдейлестіруінің мақсатының шешімі 

Түйіндеме.  Газдың  алу  үдерісінің  параметрикалық  бірдейлестіруінің  мақсатының  шешімі  мұнайдан  ең 

көкейкесті болып табылады, себебі газдың босалқы қорларларында ел үшін стратегиялық мағына болып келеді. 

Айтылмыш жұмыста ұсын: табиғи газдың болжамның қамбаларының; попуттік няфттік газдың утилизациясы; 

сепарации  үдерісі,ол  газдың  алуының  үдерісі  Арыскум  нақты  кен  орны  мұнайынан.  Зерттеген  үдерістің 

сызықсыз  адекваттық  бұдан  əрі  ез-  газдың  алдын - ала  болжамы  үшін  мұнайдан  айтылмыш  кен  орны  үшін 

пайдаланылуға болтын математикалық қалыбы келтірілген. 



Түйін сөздер: статистикалық өңдеу, параметрлік бірдейлестіру,ақпараттық технологиялар. 

 

 



Volobuyeva O. P., AubakirovaZh.А. 

Solvingthe parametric identification process of extracting gas from oil 

Summary.Solution to the problem of parametric identification process of extraction of gas from oil is very 

relevant, since gas reserves for the country of strategic importance. This paper presents: the forecast natural gas 

resources; utilization of associated gas nyaftyanogo; the separation process, i.e. the process of extracting gas from oil 

particular Aryskum. Shows a nonlinear mathematical model adequate investigated process that will be used for the 

prediction of receiving further dissolved gas from oil for this field. 

Key words: statistical processing, parametric identification, information technology. 

 

 



112 

УДК 004.9 



 

Галиева Н.Г.

1

 магистрант, Утепбергенов И.Т.

1

, Наралиев Н.А.

2

 магистрант, Баймуратов О.А.

1

Казахская академия транспорта и коммуникации имени М.Тынышпаева,  



2

Казахский национальный технический университет имени К.И.Сатпаева,

  

3

Университет имени Сулеймана Демиреля,  



г.Алматы, Республика Казахстан  

amaltu@mail.ru 

  

РАЗРАБОТКА ФУНКЦИОНАЛЬНОЙ СТРУКТУРЫ ОБЛАЧНЫХ РЕШЕНИЙ  

ДЛЯ СФЕРЫ ОБРАЗОВАНИЯ 

 

Аннотация.  В  статье  дано  определение  термина  «облачные  технологии».  Обозначены  преимущества 

применения облачных технологий для сферы образования в Казахстане. Подробно приведена функциональная 

структура системы. В разработанном облачном сервисе присутствуют 6 модулей, обеспечивающие мониторинг 

и функциональные потребности пользователей облачного сервиса. 



Ключевые  слова:  облачные  решения,  облачный  хостинг,  синхронизация, Dropbox,, модули  облачного 

сервиса, архитектура облачных сервисов, масштабируемость, виртуализация, Winows Azure 



 

Облачные технологии (англ. cloud computing) — технология распределенной обработки данных, 

в которой компьютерные ресурсы и мощности предоставляются пользователю как Интернет-сервис 

[1-4]. Суть концепции облачных технологий заключается в предоставлении конечным пользователям 

удаленного  динамического  доступа  к  услугам,  вычислительным  ресурсам  и  приложениям  (включая 

операционные системы и инфраструктуру) через интернет.  

На сегодняшний день облачные технологии являются одним из ведущих трендов мирового ИТ – 

рынка,  представляя  собой  инструментарии  для  создания  продуктов  и  сервисов [4]. Ведущие 

аналитики по облачным технологиям предсказывают существенный рост в потребности применения 

облачных  сервисов  в  различных  научно-технических  направлениях,  увеличение  доходов  для 

компаний, которые предоставляют облачные сервисы [4-6]. 

Разработка функциональной структуры системы  

Функциональная структура системы представлена на рисунке 1. 

 

 

 



Описание функциональной структуры системы 

 

Рисунок 1 - Функциональная структура системы 



синхронизация

Dropbox


 

113 

Подробное  приведение  основных  элементов  разработанной  модели  облачного  сервиса 

представлено на рисунке 2.  

 

Модули 



 

Ядро на Drupal 

 

 

Хранилище данных 

Преподаватель 

 

Облачное хранилище 



Azure 

 Googledrive 

Студент 

 

Администратор  



Dropbox 

Хранение данных 

 

Регистрация   Yandexdisk 



Тестирование  

 

 



Mail.ru 

Online Office 

 

 

 



Mega 

Backup Сайта  

 

 

 



MediaFire 

 

Рисунок 2 - Детальное представление элементов модели облачного сервиса 



 

Модуль  «Преподаватель»  взаимодействует  с  модулем  «Студент»  и  с  модулем  «Хранилище 

данных» через сервис (веб сайт), разработанный на основе Drupal. 

Модули  «Преподаватель», «Студент»,  «Хранилище  данных», «Оn line office», «Создание 

тестов» интегрированы на сайте в сервис с CMS Drupal. 

Процесс обмена данных в модуле «Хранилище Данных»  синхронизирован с Googledrive (можно 

также  применить Dropbox или Yandexdisk) происходит  через  открытие  файлам  и  папкам  общего 

доступа для участников или авторизованных пользователей системы. 

Администрирование Ядра Сайта на Drupal периодически производится Backup в Dropbox через 

модуль Backup Migrate каждые 3 дня. Backup сайта хранится в облачном хранилище Dropbox. 

Ядро  Сайта  расположен  в  облачном  хостинге Windows Azure. Установлен CMS Drupal с 

использованием базы данных MS SQL. 

С  учетом  представленной  функциональной  структуры  облачного  сервиса  (рисунок 1) и 

особенностей  основных  ее  элементов  (рисунок 2) разработана  модель  облачного  сервиса,  которая 

приведена на рисунке 3. 

 

 



 

 

 



 

 

 



 

 

 



 

Рисунок 3 - Модель облачного сервиса  

 

Модуль «Преподаватель» имеет следующие функции: 



1.  Добавление материалов, таких как лекции, лабораторные и практические работы, СРС, СРСП, 

экзаменационные вопросы, полезные статьи (дополнительный материал), тестовых вопросов. 

2.  Удаление  материалов,  таких  как  лекции,  лабораторные  и  практические  работы,  СРС,  СРСП, 

экзаменационные вопросы, полезные статьи (дополнительный материал), тестовых вопросов. 

3.  Редактирование  выложенных  материалов,  таких  как  лекции,  лабораторные  и  практические 

работы,  СРС,  СРСП,  экзаменационные  вопросы,  полезные  статьи  (дополнительный  материал), 

тестовых вопросов. 

4.

 

Мониторинг оценка знаний студентов. 

5.

 

Тестирование,  либо  каждый  преподаватель  может  сам  создавать  базу  вопросов  и  ответов, 

либо может создавать администратор, модератор сайта. 

Модуль «Студент» имеет следующие функции: 

1.  Добавление  материалов,  таких  как  выполнение  лабораторных  и  практических  работ,  СРС, 

СРСП, полезные статьи (дополнительный материал), свои публикации. 

Модули 


Ядро на Drupal 

Хранилище данных 

Облачное хранилище Azure 


114 

2.  Удаление  материалов,  таких  как  выполнение  лабораторных  и  практических  работ,  СРС, 

СРСП, полезные статьи (дополнительный материал), свои публикации. 

3.  Редактирование  выложенных  материалов,  таких  как  выполнение  лабораторных  и 

практических работ, СРС, СРСП, полезные статьи (дополнительный материал), свои публикации. 

4. Выполнение тестовых заданий, ответы на вопросы преподавателя по текущей теме, домашние 

задания.  

5. Редактирование профиля пользователя (персональные данные пользователя).  

Модуль «Хранилище данных» 

   Google drive имеет следующие возможности: 

1. 

создавать, добавлять и загружать файлы с помощью одной кнопки; 



2. 

легко находить и добавлять доступные вам файлы; 

3. 

выбирать файлы одним нажатием кнопки мыши, а двойным – открывать их; 



4. 

перетаскивать файлы и папки (это так же легко, как на рабочем столе); 

5. 

делиться файлами с другими пользователями и разрешать им просмотр, комментирование или 



редактирование этих файлов; 

6. 


работать с файлами даже без подключения к Интернету. 

Работа Dropbox  построена на синхронизации данных и имеет следующие возможности: 

- позволяет пользователям хранить свои данные на серверах в облаке и разделять их с другими 

пользователями в интернете; 

-  редактированные  файлы  не  копируются  полностью  на  сервер — осуществляется  передача 

только измененной части, предварительно сжатой; 




Достарыңызбен бөлісу:
1   ...   11   12   13   14   15   16   17   18   ...   130




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет