Аннотация.
В работе представлен обзор современных методов анализа больших данных и обработки изображений, а также технологий искусственного интеллекта применительно к задаче обеспечения безопасности при строительстве нефтяных и газовых скважин. Рассматриваются способы распознавания типовых аварийных ситуаций при бурении нефтяных и газовых скважин, методы принятия решений и выдача рекомендаций в процессе строительства скважин, технологии автоматизации контроля соблюдения техники безопасности и организации автоматического постоянного визуального контроля технологических процессов. Представлен обзор современных методов машинного обучения, используемых в процессе решения задач локализации, ориентации и распознавания ключевых структурных объектов на изображениях и видеопоследовательностях. Отдельное внимание уделено способам оптимизации с вычислительной точки зрения рассмотренных алгоритмов и организация периферийных (граничных) вычислений.
Ключевые слова:
нефтяные и газовые скважины, распознавание аварийных ситуаций, прихват колонн бурильных труб, методы принятия решений, автоматизированный контроль технологических процессов, распознавание образов, нейронные сети, периферийные вычисления.
Стр. 12-24.
DOI 10.14357/20718632200102 Литература
1. Самотой А.К. Предупреждение и ликвидация прихватов труб при бурении скважин. М.: Недра, 1979. 182 с. 2. Аветисов А.Г., Самотой А.К., Ахмадуллин. М.М. Прогнозирование, предупреждение и ликвидация прихватов с использованием статистических методов. Обзорная информация. Серия: Бурение. М.: ВНИИОЭНГ, 1978. 48 с. 3. Albaiyat I. Implementing artificial neural networks and support vector machines in stuck pipe prediction. 2012. 4. Chamkalani A. и др. Support vector machine model: a new methodology for stuck pipe prediction // SPE Unconventional Gas Conference and Exhibition. 2013. 5. Murillo A. и др. Pipe sticking prediction and avoidance using adaptive fuzzy logic modeling // SPE Production and Operations Symposium. 2009. 6. Alshaikh A. и др. Machine Learning for Detecting Stuck Pipe Incidents: Data Analytics and Models Evaluation // International Petroleum Technology Conference. 2019. 7. Naraghi M.E., Ezzatyar P., Jamshidi S. Prediction of drilling pipe sticking by active learning method (ALM) // J. Pet. Gas Eng. Academic Journals, 2013. Т. 4, № 7. С. 173–183. 8. Кодиров Ш.Ш., Шестаков А.Л. Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. Федеральное государственное бюджетное образовательное учреждение высшего~…, 2019. Т. 19, № 3. 9. Gurina E. и др. Application of machine learning to accidents detection at directional drilling // J. Pet. Sci. Eng. Elsevier, 2020. Т. 184. С. 106519. 10. Abu-Abed F. Development of Tools for the Analysis of Pre-Emergency Situations on the Drilling Rig Based on Neural Network Technologies // E3S Web Conf. 2018. 11. Абу-Абед Ф.Н. Надежность объектов нефтегазодобывающей промышленности // Газовая промышленность. Общество с ограниченной ответственностью Камелот Паблишинг, 2015. № S720. С. 107–111. 12. Абу-Абед Ф.Н. Автоматизированная система обнаружения предаварийных ситуаций на объектах нефтегазодобывающей промышленности // Каротажник. Международная Ассоциация научно-технического и делового сотрудничества по~…, 2015. № 5. С. 48–61. 13. Абу-Абед Ф.Н. Снижение риска при строительстве газовых скважин на базе нейросетевой модели // Газовая промышленность. Общество с ограниченной ответственностью Камелот Паблишинг, 2014. № S712. С. 100–102. 14. Абу-Абед Ф.Н. Обнаружение предаварийных ситуаций в процессе промышленного бурения нефтяных скважин. Тверь, 2011. 15. Допира Р.В., Абу-Абед Ф.Н. Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых // Программные продукты и системы. Закрытое акционерное общество Научно-исследовательский институт~…, 2010. № 3. 16. Абу-Абед Ф.Н. Разработка средств моделирования нейросетей // Вестник Тверского государственного технического университета. Федеральное государственное бюджетное образовательное учреждение высшего~…, 2005. № 7. С. 125–129. 17. Абу-Абед Ф.Н., Борисов Н.А. Проблемы и решения разработки средств автоматизации поддержки деятельности оператора буровой установки // Информатика, управление и системный анализ. 2016. С. 85–96. 18. Haering N., Venetianer P.L., Lipton A. The evolution of video surveillance: An overview // Mach. Vis. Appl. 2008. 19. Ben Mabrouk A., Zagrouba E. Abnormal behavior recognition for intelligent video surveillance systems: A review // Expert Systems with Applications. 2018. 20. Гвоздек М. Справочник по технике для видеонаблюдения. Планирование, проектирование, монтаж. Техносфера, 2010. 545 с. 21. Töreyin B.U. и др. Computer vision based method for realtime fire and flame detection // Pattern Recognit. Lett. 2006. 22. Muhammad K., Ahmad J., Baik S.W. Early fire detection using convolutional neural networks during surveillance for effective disaster management // Neurocomputing. 2018. 23. Zhong Z. и др. A convolutional neural network-based flame detection method in video sequence // Signal, Image Video Process. 2018. 24. Giannakeris P. и др. People and Vehicles in Danger - A Fire and Flood Detection System in Social Media // 2018 IEEE 13th Image, Video, and Multidimensional Signal Processing Workshop, IVMSP 2018 - Proceedings. 2018. 25. Jiang Y., Yin S., Kaynak O. Data-driven monitoring and safety control of industrial cyber-physical systems: Basics and beyond // IEEE Access. 2018. 26. Grau A. и др. Industrial robotics in factory automation: From the early stage to the Internet of Things // Proceedings IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society. 2017. 27. Clay A. An Overview of Smartrooms and Collaborative Work Environments. From Research Issues to User Acceptance in the Oil and Gas Industry. 2018. 28. Ehlers S.G., Tormoehlen R.L. Agricultural Security Monitoring and Safety Alert System: Implementation of Wireless Video on the Farmstead // J. Agric. Saf. Health. American Society of Agricultural and Biological Engineers, 2019. Т. 25, № 4. С. 155–168. 29. Wang B. и др. Prevention and control of major accidents (MAs) and particularly serious accidents (PSAs) in the industrial domain in China: Current status, recent efforts and future prospects // Process Safety and Environmental Protection. 2018. 30. Howard J., Murashov V., Branche C.M. Unmanned aerial vehicles in construction and worker safety // American Journal of Industrial Medicine. 2018. 31. Khalid A. и др. Security framework for industrial collaborative robotic cyber-physical systems // Comput. Ind. 2018. 32. Cheng G., Han J. A survey on object detection in optical remote sensing images // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. 33. Sirmacek B., Unsalan C. Urban-area and building detection using SIFT keypoints and graph theory // IEEE Trans. Geosci. Remote Sens. 2009. 34. Zhang J. и др. Semi-automatic road tracking by template matching and distance transformation in Urban areas // Int. J. Remote Sens. 2011. 35. Xiangguo L. и др. Semi-automatic road tracking by template matching and distance transform // 2009 Joint Urban Remote Sensing Event. 2009. 36. Baltsavias E.P. Object extraction and revision by image analysis using existing geodata and knowledge: Current status and steps towards operational systems // ISPRS J. Photogramm. Remote Sens. 2004. 37. Blaschke T., Lang S., Hay G.J. Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications // LibTuDelftNet. 2008. 38. Felzenszwalb P.F., Girshick R.B., McAllester D. Cascade object detection with deformable part models // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2010. 39. Sivic J., Zisserman A. Video google: A text retrieval approach to object matching in videos // Proceedings of the IEEE International Conference on Computer Vision. 2003. 40. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. 2012. 41. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. 2015. 42. Viola P., Jones M. Robust Real-time Object Detection // International Journal of Computer Vision. 2001. 43. LeCun Y. и др. Object recognition with gradient-based learning // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 1999. 44. Matalov D.P., Usilin S.A., Arlazarov V. V. Single-sample augmentation framework for training Viola-Jones classifiers. 2019. 45. Арлазаров В.В., Маталов Д.П., Усилин С.А. Локализация образа печати на документе, удостоверяющем личность, методом машинного обучения // Труды Ин- ститута системного анализа Российской академии наук (ИСА РАН). 2018. Т. Спецвыпуск. С. 158–166. 46. Krizhevsky A. Learning Multiple Layers of Features from Tiny Images // … Sci. Dep. Univ. Toronto, Tech. …. 2009. 47. Zeiler M.D., Fergus R. Visualizing and understanding convolutional networks // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2014. 48. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift // 32nd International Conference on Machine Learning, ICML 2015. 2015. 49. Szegedy C. и др. Inception-v4, inception-ResNet and the impact of residual connections on learning // 31st AAAI Conference on Artificial Intelligence, AAAI 2017. 2017. 50. Szegedy C. и др. Going deeper with convolutions // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2015. 51. Szegedy C. и др. Rethinking the Inception Architecture for Computer Vision // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2016. 52. He K. и др. Deep residual learning for image recognition // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2016. 53. Redmon J. и др. You only look once: Unified, real-time object detection // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2016. 54. Redmon J., Farhadi A. YOLO v.3 // Tech Rep. 2018. 55. Sheshkus A. и др. HoughNet: neural network architecture for vanishing points detection // arXiv Prepr. arXiv1909.03812. 2019. 56. Limonova E., Ilin D., Nikolaev D. Improving neural network performance on SIMD architectures // Eighth International Conference on Machine Vision (ICMV 2015). 2015. Т. 9875. С. 98750L. 57. Limonova E., Sheshkus A., Nikolaev D. Computational optimization of convolutional neural networks using separated filters architecture // Int. J. Appl. Eng. Res. 2016. Т. 11, № 11. С. 7491–7494. 58. Лимонова Е.Е. и др. Оптимизация быстродействия первых слоев глубоких сверточных нейронных сетей // Вестник Российского фонда фундаментальных исследований. Российский фонд фундаментальных исследований, 2016. № 4. С. 84–96. 59. Jaderberg M., Vedaldi A., Zisserman A. Speeding up convolutional neural networks with low rank expansions // BMVC 2014 - Proceedings of the British Machine Vision Conference 2014. 2014. 60. Denton E. и др. Exploiting linear structure within convolutional networks for efficient evaluation // Advances in Neural Information Processing Systems. 2014. 61. Sironi A. и др. Learning separable filters // IEEE Trans. Pattern Anal. Mach. Intell. 2015. 62. Jin J., Dundar A., Culurciello E. Flattened convolutional neural networks for feedforward acceleration // 3rd International Conference on Learning Representations, ICLR 2015 - Workshop Track Proceedings. 2015. 63. Figurnov M. и др. PerforatedCNNs: Acceleration through elimination of redundant convolutions // Advances in Neural Information Processing Systems. 2016. 64. Kang H.P., Lee C.R. Improving performance of convolutional neural networks by separable filters on GPU // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2015. 65. Zhang C., Prasanna V. Frequency domain acceleration of convolutional neural networks on CPU-FPGA shared memory system // FPGA 2017 - Proceedings of the 2017ACM/SIGDA International Symposium on Field-Programmable Gate Arrays. 2017. 66. Park J., Sung W. FPGA based implementation of deep neural networks using on-chip memory only // ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings. 2016. 67. Zhang C. и др. Optimizing FPGA-based accelerator design for deep convolutional neural networks // FPGA 2015 - 2015 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays. 2015. 68. Woźniak M., Graña M., Corchado E. A survey of multiple classifier systems as hybrid systems // Inf. Fusion. 2014. 69. Ko A.H.R., Sabourin R., Britto, A.S. From dynamic classifier selection to dynamic ensemble selection // Pattern Recognit. 2008. 70. Elmasry M.I. VLSI artificial neural networks engineering. Springer Science & Business Media, 2012. 71. Misra J., Saha I. Artificial neural networks in hardware: A survey of two decades of progress // Neurocomputing. 2010. 72. Adhikari S.P. и др. A circuit-based learning architecture for multilayer neural networks with memristor bridge synapses // IEEE Trans. Circuits Syst. I Regul. Pap. 2015. 73. Arce F. и др. Differential evolution training algorithm for dendrite morphological neural networks // Appl. Soft Comput. J. 2018. 74. Antelis J.M. и др. Dendrite morphological neural networks for motor task recognition from electroencephalographic signals // Biomed. Signal Process. Control. 2018. 75. Mondal R., Santra S., Chanda B. Dense morphological network: an universal function approximator // arXiv Prepr. arXiv1901.00109. 2019. 76. Limonova E. и др. Bipolar Morphological Neural Networks: Convolution Without Multiplication // arXiv Prepr.arXiv1911.01971. 2019.
|