Журнал «Информационные технологии и вычислительные системы» - А. В. Белинский, Д. В. Горлов, И. А. Пятышев, А. Е. Титов "Применение нейронных операторов в задачах газодинамического моделирования трубопроводных систем энергетики"

Просматривается номер 2025 / 03

В статье рассматривается новый подход к моделированию нестационарных режимов работы структурно сложных трубопроводных (газотранспортных) систем с использованием нейронного оператора Фурье. Предложена вычислительная процедура расчета трубопроводной системы произвольной конфигурации. Особенность процедуры состоит в увязке прогнозов нескольких нейронных операторов в узлах расчетного графа сети с помощью дифференцирования нейронного оператора и применения градиентных методов оптимизации. Предложенный метод расчета обладает вычислительной производительностью, на несколько порядков превышающей традиционные численные методы, при этом не накладывает ограничений на топологию и характеристики моделируемых систем.

Ключевые слова:

трубопроводная система, газодинамика, численные методы, нейронные операторы, нестационарное моделирование.

DOI 10.14357/20718632250305

Литература

1. Емельянов С.В., Олейник А.Г., Попков Ю.С., Путилов В.А. Информационные технологии регионального управления. М.: Едиториал УРСС, 2004. 400 с.

2. Геловани В.А., Юрченко В.В. Проблемы компьютерного моделирования. М.: МНИИПУ, 1990. 238 с.

3. Геловани В.А., Бритков В.Б., Дубовский С.В. СССР и Россия в глобальной системе (1985–2030): Результаты глобального моделирования. М.: URSS, 2025. 320 с.

4. Макаров В.Л., Окрепилов В.В., Бахтизин А.Р. Научные решения сложных экономических и социальных задач с помощью суперкомпьютеров. М.: ЛЕНАНД, 2023. 416 с.

5. Буч Г. Объектно-ориентированное проектирование с примерами применения. М.: Конкорд, 1992. 519 с.

6. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / под ред. В.М. Курейчика. 2-е изд. М.: Физматлит, 2006. 320 с.

7. Еремеев А.П., Куриленко И.Е. Темпоральные модели на основе логики ветвящегося времени в интеллектуальных системах // Искусственный интеллект и принятие решений. 2011. № 1. С. 14-26.

8. Поспелов Д.А. Многоагентные системы – настоящее и будущее // Информационные технологии и вычислительные системы. 1998. № 1. С. 14-21.

9. Городецкий В.И., Скобелев П.О. Многоагентные технологии для индустриальных приложений: реальность и перспектива // Труды СПИИРАН. 2017. № 6(55). С. 11-45.

10. Смирнов А.В., Шереметов Л.Б. Модели формирования коалиций кооперативных агентов: состояние и перспективы исследований // Искусственный интеллект и принятие решений. 2011. № 1. С. 36-48.

11. Сохова З.Б., Редько В.Г. Моделирование поиска инвестиционных решений автономными агентами в прозрачной конкурентной экономике // Искусственный интеллект и принятие решений. 2019. № 2. С. 98-108.

12. Novikov D., Bakhtadze N., Elpashev D., Suleykin A. Integrated resource management in the digital ecosystem of the enterprise based on intelligent consorts. IFAC-PapersOnLine. 2022; 55(10): 2330–2335. doi:10.1016/j.ifacol.2022.10.056.

13. Кисленко Н.А., Белинский А.В., Казак А.С., Белинская О.И. Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России // Автоматизация и информатизация ТЭК. 2022. № 5(586). С. 6-17.

14. Li Z., et al. Fourier neural operator for parametric partial differential equations // arXiv preprint. 2020. Available from: https://arxiv.org/abs/2010.08895 [Accessed 1 April 2025].

15. Белинский А.В., Горлов Д.В., Пятышев И.А., Титов А.Е. О новом методе цифрового моделирования нестационарных режимов течения газа в магистральных газопроводах с применением нейронных операторов // Газовая промышленность. 2024. № 5(865). С. 54-66.

16. Ченцов А. Г., Ченцов П. А. Маршрутизация в условиях ограничений: задача о посещении мегаполисов // Автоматика и телемеханика. 2016. № 11. С. 96-117.

17. Малинецкий Г. Г. Математические основы синергетики: хаос, структуры, вычислительный эксперимент. 6-е изд. М.: URSS, 2017. 312 с.

18. Журавлев Ю. И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов. I, II, III // Избранные научные труды. М.: Магистр, 1998. С. 324-377.

19. Ройзензон Г. В. Синергетический эффект в принятии решений // Системные исследования. Методологические проблемы. Ежегодник / под ред. Ю. С. Попкова, В. Н. Садовского, В. И. Тищенко. 2011–2012. № 36. М.: URSS, 2012. С. 248-272.

20. Коршунов С. А., Чионов А. М., Казак К. А. Метод расчета неустановившихся режимов транспортировки газа по ЛЧМГ при возникновении утечки // Газовая промышленность. 2012. № 4(675). С. 44-47.

21. Ермолаева Н. Н. Нестационарные модели теплообмена и транспортировки газа по морским газопроводам // Труды Карельского научного центра РАН. 2016. № 8. С. 3-10.

22. Базаров А. А., Данилушкин А. И. Моделирование тепловых и гидравлических процессов в магистральном газопроводе // Известия Томского политехнического университета. Инжиниринг георесурсов. 2017. Т. 328. № 6. С. 81-90.

23. Ali A. H., Hassan S. Z., Mezaal H. A. A comparison of finite difference and finite volume methods with numerical simulations: Burgers equation model. Complexity. 2022;2022(1): 9367638. doi:10.1155/2022/9367638.

24. Evstigneev N. M. Analysis of block Stokes-algebraic multigrid preconditioners on GPU implementations. Communications in Computer and Information Science. 2022;1618(1): 116-130. doi:10.1007/978-3-031-11623-0_9

25. Alpar S., et al. Applications of symmetry-enhanced physics-informed neural networks in high-pressure gas flow simulations in pipelines. Symmetry. 2024;16(5): 538. doi:10.3390/sym16050538.

26. Zhou W, Miwa S, Okamoto K. Advancing fluid dynamics simulations: A comprehensive approach to optimizing physics-informed neural networks. Physics of Fluids. 2024;36(1): 013615. doi:10.1063/5.0180770.

27. Белинский А. В. Дифференцируемая физика – основа цифровых двойников в нефтегазовом комплексе // Автоматизация и информатизация ТЭК. 2024. Т. 617. №12. С. 38-50.

28. Sergeyev Y. D., Nasso M. C., Lera D. Numerical methods using two different approximations of space-filling curves for black-box global optimization. Journal of Global Optimization. 2024; 88(3): 707-722. doi:10.1007/s10898-023-01394-w.

29. Аверкин А. Н. Объяснительный искусственный интеллект в больших речевых моделях // Речевые технологии. 2024. № 1. С. 3-13.

30. Черешкин Д. С., Ройзензон Г. В., Бритков В. Б. Применение методов искусственного интеллекта для анализа риска в социально-экономических системах // Информационное общество. 2020. № 3. С. 14-24.

31. Yi K., Lin Z., Zhang H., et al. FourierGNN: Rethinking multivariate time series forecasting from a pure graph perspective. Advances in Neural Information Processing Systems. 2023;36: 69638–69660.

32. Xu M., Ge S., Lin Y., et al. Equivariant graph neural operator for modeling 3D dynamics. arXiv preprint. 2024. Available from: https://arxiv.org/pdf/2401.11037 [Accessed 1 April 2025].

33. Ларичев О. И. Вербальный анализ решений. М.: Наука, 2006. 181 с.