МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ
УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ
«ТЮМЕНСКИЙ ИНДУСТРИАЛЬНЫЙ УНИВЕРСИТЕТ»
ТОБОЛЬСКИЙ ИНДУСТРИАЛЬНЫЙ ИНСТИТУТ (ФИЛИАЛ)
Кафедра естественнонаучных и гуманитарных дисциплин
Контрольная работа
по дисциплине «Информационные технологии в проектной деятельности»
Вариант №16
Выполнил:
обучающийся группы ХТОбз-17
И.И. Иванов /______________
Проверил:
канд. пед. наук, доцент кафедры ЕНГД Е.С. Чижикова/ _____________
Тобольск
2021
ОГЛАВЛЕНИЕ
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3
СРАВНЕНИЕ БАЗОВЫХ И ФАКТИЧЕСКИХ ПОКАЗАТЕЛЕЙ ПРОЕКТА. ВИЗУАЛИЗАЦИЯ РЕЗУЛЬТАТОВ. ПРИМЕРЫ. 8
ПРИЛОЖЕНИЕ 1 11
СПИСОК ЛИТЕРАТУРЫ 14
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Интеллектуальные технологии – один из последних этапов развития аналитических технологий. Аналитическими технологиями называют методики, которые на основе каких-либо моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров. Простейший пример аналитической технологии - теорема Пифагора, которая позволяет по длинам сторон прямоугольного треугольника определить длину его третьей стороны. Другим примером являются способы, с помощью которых обрабатывает информацию человеческий мозг.
Аналитические технологии нужны в первую очередь людям, принимающим важные решения - руководителям, аналитикам, экспертам, консультантам. Доход компании в большой степени определяется качеством этих решений – точностью прогнозов, оптимальностью выбранных стратегий. Наиболее распространены аналитические технологии, используемые для решения следующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и т.д.
Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) — ИИ (AI) обычно означает свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.
Искусственный интеллект (ИИ) – научная дисциплина, занимающаяся моделированием мышления человека при решении трудноформализуемых задач. В теории искусственного интеллекта основными моделями знаний являются: продукционные системы, семантические сети, сети фреймов, логика предикатов, системы онтологий, нейронные сети и т.д. Изучением таких моделей занимается инженерия знаний - специальный раздел теории искусственного интеллекта. Помимо традиционных моделей представления знаний, для автоматизации структурно-параметрического синтеза представляют особый интерес интегративные модели, являющиеся наиболее полными моделями знаний о классе объектов.
Для реализации систем искусственного интеллекта часто используются алгоритмические языки, отличные от языков, применяемых в «традиционном» программировании. Наиболее распространенными языками программирования, применяемыми для создания экспертных систем и систем искусственного интеллекта являются Prolog и Lisp, а также, в последнее время, еще и CLIPS. Также весьма популярными являются всевозможные среды разработки и библиотеки программ.
Можно сформулировать основные цели и задачи искусственного интеллекта. Объектом изучения искусственного интеллекта являются метапроцедуры, используемые при решении человеком задач, традиционно называемых интеллектуальными, или творческими. Но если психология мышления изучает эти метапроцедуры применительно к человеку, то искусственный интеллект создает программные (а сейчас уже и программно-аппаратные) модели таких метапроцедур.
Цель исследований в области искусственного интеллекта — создание арсенала метапроцедур, достаточного для того, чтобы ЭВМ (или другие технические системы, например роботы) могли находить по постановкам задач их решения. Иными словами, стали автономными программистами, способными выполнять работу профессиональных программистов-прикладников (создающих программы для решения задач в определенной предметной области). Разумеется, сформулированная цель не исчерпывает всех задач, которые ставит перед собой искусственный интеллект. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в области мышления человека, которые лежат вне сферы рационального и выразимого словесно (вербально) мышления. В поиске решения многих задач, особенно сильно отличающихся от ранее решенных, большую роль играет та сфера мышления, которую называют подсознательной, бессознательной или интуитивной.
Основными методами, используемыми в искусственном интеллекте, являются разного рода программные модели и средства, эксперименты на ЭВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяют специалистов по искусственному интеллекту. Их конструкция не имеет ничего общего с тем, как устроен человеческий мозг. Поэтому идет интенсивный поиск новых технических структур, которые будут способны лучше решать задачи, связанные с интеллектуальными процессами. Сюда относятся исследования по нейроподобным искусственным сетям, попытки построить молекулярные машины, работы в области голографических систем и многое другое.
Известно, что при обучении людей существуют различные уровни предметной обученности: воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание).
Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высокой квалификации.
Применение ИИ позволяет:
строить интеллектуальный (дружественный) интерфейс в информационных системах;
решать задачи, которые не могут быть решены обычными методами;
значительно увеличить скорость и качество решения задач;
решать задачи в условиях неполноты данных;
анализировать большие объемы информации;
понимать речь, ручное письмо и т.д.2
Основные методы вычислительного ИИ:
Нейронные сети: коннекционистские модели нервной системы, демонстрирующие, в частности, высокие способности к распознаванию образов.
Нечеткие системы: методики для рассуждения в условиях неопределенности.
Эволюционные вычисления: модели, использующие понятие естественного отбора, обеспечивающего отсеивание наименее оптимальных согласно заданному критерию решений. В этой группе методов выделяют генетические алгоритмы и т.н. муравьиный алгоритм.3
Нейронная сеть (НС) – это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Она представляет собой действующую модель нервной системы и сходна с мозгом с двух точек зрения:
Знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения.
Для накопления знаний применяются связи между нейронами, называемые синаптическими весами.4
Использование нейронных сетей обеспечивает следующие полезные свойства систем: нелинейность, адаптивность, контекстная информация, отказоустойчивость.
Нейросетевые алгоритмы успешно применяются для решения сложных практических задач. Конечно, искусственный интеллект делает основной упор на решение задач, обладающих одной или несколькими следующими особенностями: алгоритм решения неизвестен или не может быть использован из-за ограниченности ресурсов компьютера; задача не может быть определена в числовой форме; цели задачи не могут быть выражены в терминах точно определенной целевой функции-критерия.
Однако, поскольку "знания - это формализованная информация, которую используют в процессе логического вывода", то можно сказать, что нейросеть берёт факты (фактические знания о мире) и в процессе обучения формирует правила - знания, описывающие алгоритм решения данной задачи. Эти правила принятия решения можно затем извлечь из нейронной сети и записать в одном из традиционных для классических экспертных систем формализмов представления знаний (например, в виде набора продукционных правил логического вывода). Но можно просто пользоваться исходным нейросетевым представлением алгоритма принятия решения, если содержательная интерпретация его менее важна по сравнению с возможностью получения способа решения задачи.
Возможность быстрого обучения и дообучения нейросетевых экспертных систем позволяет им отражать особенности быстро меняющегося внешнего мира и оперировать актуальным знанием, тогда как традиционный путь формализации знаний людей-экспертов более длителен и трудозатратен.
СРАВНЕНИЕ БАЗОВЫХ И ФАКТИЧЕСКИХ ПОКАЗАТЕЛЕЙ ПРОЕКТА. ВИЗУАЛИЗАЦИЯ РЕЗУЛЬТАТОВ. ПРИМЕРЫ.
Важная часть анализа процесса разработки - сопоставление фактических показателей разработки с базовыми данными проекта. Оно проводится с целью выявления взаимосвязи и влияния основных факторов, выяснения причин изменения каждого показателя, а также выявления причин отклонения от проектных разработок и последующего проведения ряда мероприятий, сближающих проектные и фактические показатели.5
Фактические показатели ниже проектных, это связано с фондом добывающих скважин. На протяжении рассматриваемого периода фонд скважин меньше на 7-9 единиц. Обводненость продукции фактическая выше проектной на протяжении всего рассматриваемого периода.
Стоит так же отметить, что проектные накопленные показатели по нефти и жидкости выше чем фактические на 7-12%.6
Сопоставление проектных и фактических показателей разработки приведено в Приложении 1 и на рисунке 1 на основании «Проекта пробной эксплуатации» от 2011года.7
Сравнение технологических показателей (период 2011-2015 г.г.) показало, что годовые фактические показатели по добыче нефти по пластам Т1-Т2 превышаются на 0,3 - 1,2 раза проектные показатели, что связано с большими отборами жидкости и закачки воды. На фоне форсированных отборов проведен большой объем геолого-технических мероприятий, направленных на увеличение производительности добывающих скважин и поддержание оптимальной работы скважин.
В 2011 год наблюдается уменьшение проектных показателей по добыче нефти от фактических уровней (от 65,7тыс.т планируемых до 60,2 тыс.т фактических). Отборы жидкости в этот период времени, превышают проектные уровни (508,7 тыс.т против 496,9 тыс.т проектных).
В 2012 год наблюдается уменьшение проектных показателей по добыче нефти от фактических уровней (от 67,3тыс.т планируемых до 54,3 тыс.т фактических). Отборы жидкости в этот период времени, превышают проектные уровни (500,5 тыс.т против 483,2 тыс.т проектных).
Поддержание относительно стабильной добычи нефти (период 2011-2012 г.г.) на уровне 67,3 тыс.т преимущественно связано с оптимизацией работы. На фоне условно-постоянной добычи нефти произошело снижение обводненности продукции на 1,1% с 87,1 до 86,6 % . В этот период годовая закачка была снижена с 481,8 до 417,8 тыс.м3.
В 2013 год уменьшение проектных показателей по добыче нефти от фактических уровней (от 67,3тыс.т планируемых до 51,2 тыс.т фактических). Отборы жидкости в этот период времени, превышают проектные уровни (500,4 тыс.т против 490,8 тыс.т проектных).
В 2014 уменьшение проектных показателей по добыче нефти от фактических уровней (от 67,2тыс.т планируемых до 46,4тыс.т фактических). Отборы жидкости в этот период времени, превышают проектные уровни (500,4 тыс.т против 488,1 тыс.т проектных).
В 2015 уменьшение проектных показателей по добыче нефти от фактических уровней (от 66,0 тыс.т планируемых до 43,0 тыс.т фактических). Отборы жидкости в этот период времени, превышают проектные уровни (500,4 тыс.т против 486,5 тыс.т проектных).7
Рисунок 1. Анализ фактических и проектных показателей разработки по добыче нефти
ПРИЛОЖЕНИЕ 1
Таблица 1 Сопоставление проектных и фактических показателей
Показатели
|
2011
|
2012
|
2013
|
2014
|
2015
|
|
|
|
|
|
проект
|
факт
|
проект
|
факт
|
проект
|
факт
|
проект
|
факт
|
проект
|
факт
|
|
Добыча нефти всего тыс,т/год
|
65,6801
|
60,2330
|
67,3072
|
54,3980
|
67350,2
|
51256,0
|
67290,8
|
46489,0
|
66068,3
|
43092,0
|
Накопленная добыча нефти, тыс.т
|
2114,450
|
2063,525
|
2181,757
|
2117,923
|
2249,107
|
2169,179
|
2316,398
|
2215,668
|
2382,466
|
2258,760
|
Темп отбора от начальных извлекаемых запасов,%
|
0,6
|
0,5
|
0,6
|
0,5
|
0,6
|
0,4
|
0,6
|
0,4
|
0,6
|
0,4
|
Обводненность среднегодовая по (массе),%
|
87,1
|
87,9
|
86,6
|
88,7
|
86,5
|
89,6
|
86,6
|
90,5
|
86,8
|
91,1
|
Добыча жидкости всего, тыс. т.год
|
508,714
|
496,927
|
500,522
|
483,200
|
500,471
|
490,834
|
500,467
|
488,129
|
500,468
|
486,500
|
Накопленная добыча жидкости, тыс. т
|
9068,801
|
8966,305
|
9569,324
|
9449,505
|
10069,795
|
9940,339
|
10570,262
|
10428,468
|
11070,730
|
10914,968
|
Фонд добывающих скважин на конец года, шт.
|
22,0
|
15,0
|
22,0
|
14,0
|
22,0
|
13,0
|
22,0
|
14,0
|
22,0
|
14,0
|
Фонд нагнетательных скважин на конец года, шт.
|
6,0
|
4,0
|
6,0
|
4,0
|
6,0
|
4,0
|
6,0
|
4,0
|
6,0
|
4,0
|
Среднесуточный дебит одной добыв. скв.
|
|
|
|
|
|
|
|
|
|
|
по нефти, т/сут
|
8179,3
|
11001,5
|
8382,0
|
10645,4
|
8387,3
|
10802,1
|
8379,9
|
9097,7
|
8227,7
|
8432,9
|
по жидкости, т/сут
|
63351,7
|
90762,9
|
62331,6
|
94559,7
|
62325,2
|
103442,4
|
62324,7
|
95524,3
|
62324,9
|
95205,5
|
Закачка рабочего агента накопленная, м3
|
13044140,0
|
12740048,0
|
13525940,0
|
13170938,0
|
14007740,0
|
13629148,0
|
14489540,0
|
14102048,0
|
14971340,0
|
14561278,0
|
годовая, .м3/год
|
481800,0
|
417885,0
|
481800,0
|
430890,0
|
481800,0
|
458210,0
|
481800,0
|
472900,0
|
481800,0
|
459230,0
|
Продолжение (Окончание) таблицы 1
|
Компенсация отборов жидкости в пл.условиях:
|
|
|
|
|
|
|
|
|
|
|
текущая,%
|
94,7
|
84,1
|
96,3
|
89,2
|
96,3
|
93,4
|
96,3
|
96,9
|
96,3
|
94,4
|
накопленная,%
|
616,9
|
617,4
|
620,0
|
621,9
|
622,8
|
628,3
|
625,5
|
636,5
|
628,4
|
644,7
|
СПИСОК ЛИТЕРАТУРЫ
1. Андрейчиков А. В., Андрейчикова О. Н. Системный анализ и синтез стратегических решений в инноватике. Математические, эвристические и интеллектуальные методы системного анализа и синтеза инноваций. Учебное пособие; Ленанд - М., 2015. - 306 c.
2. Беллман Р., Дрейфус С. Прикладные задачи динамического программирования; Главная редакция физико-математической литературы издательства "Наука" - М., 2016. - 458 c.
3. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Искусственный интеллект и интеллектуальные системы управления; Наука - М., 2012. - 336 c.
4. Потапова Р. К. Новые информационные технологии и лингвистика. Учебное пособие; Ленанд - М., 2016. - 368 c.
5. Тарасов В.Б. (Ред.) Новости искусственного интеллекта, №2, 2004; Российская ассоциация искусственного интеллекта - М., 2014. - 132 c.
6. Флах Петер Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Учебник; ДМК Пресс - М., 2015. - 400 c.
7. Проект пробной эксплуатации от 2011года, протокол центральной комиссии по разработке. |
Скачать 44.02 Kb.