Р.А. Баташов1

1 Российский экономический университет имени Г.В. Плеханова

1rusbatashov@gmail.com

Постановка проблемы. Нефтегазовая промышленность занимает особое место в экономике страны. Методы обработки больших данных в нефтегазовой сфере позволяют значительно повысить эффективность операций, снизить затраты и минимизировать риски. Интеграция новых технологий и подходов в традиционные процессы нефтегазовой отрасли открывает новые возможности для оптимизации и инноваций.

Цель. Исследовать модели машинного обучения в измерениях уровня нефтепродуктов емкостными уровнемерами для интеграции их математического аппарата вычислений в алгоритм обработки данных, полученных от информационно-измеритель­ной системы контроля уровня нефтепродуктов в резервуарах.

Результаты. Проведено исследование методов измерения уровня нефтепродуктов с применением алгоритмов машинного обучения. Рассмотрены три подхода с использованием дискретного, непрерывного и комбинированного (дискретно-непрерывного) методов измерений. Выделены основные технологические параметры работы емкостных уровнемеров при измерении уровня светлых нефтепродуктов. Рассмотрен комбинированный метод, сочетающий преимущества дискретного и непрерывного измерений, позволяющий минимизировать систематические ошибки. Сделан сравнительный анализ точности различных методов, основанный на моделировании случайного леса. Вычислены ключевые статистические показатели, такие как MSE, MAE и R², подтверждающие, что комбинированный метод значительно превосходит традиционные подходы по точности предсказаний. Сделаны технические выводы, подтверждающие эффективность применения машинного обучения в данной задаче.

Практическая значимость. Использование методов искусственного интеллекта позволяет оптимизировать контроль над измерениями, выявлять аномалии и снижать риски ошибок в расчетах. Это способствует повышению безопасности, надежности и эффективности операций в нефтегазовой отрасли и может быть рекомендовано для индустриального внедрения в автоматизированные системы учета топлива.

Баташов Р.А. Исследование моделей машинного обучения в измерениях уровня нефтепродуктов емкостными уровнемерами // Информационно-измерительные и управляющие системы. 2025. Т. 23. № 3. С. 27−36. DOI: https://doi.org/10.18127/ j20700814-202503-03

1. Баташов Р.А. Исследование модели искусственных нейронных сетей при обработке и анализе данных с измерительной техники // Информационно-измерительные и управляющие системы. 2025. Т. 23. № 1. С. 33−40. DOI: https://doi.org/10. 18127/j20700814-202550-04.
2. Miriam Esteve, Juan Aparicio, Jesus J. Rodriguez-Sala, Joe Zhu. Random Forests and the measurement of super-efficiency in the context of Free Disposal Hull // European Journal of Operational Research. 16 January 2023. V. 304, № 2. P. 729−744. DOI: https://doi.org/10.1016/j.ejor.2022.04.024.
3. Годнев А.Г. Широкодиапазонный дискретно-непрерывный датчик уровня // Системный анализ, управление и обработка информации в космической отрасли. 2015. № 3. С. 189−194.
4. Пат. 2239164 РФ, МПК 21В 47/00. Емкостной уровнемер со штангой / Годнев А.Г., Суслов В.М.; заявитель и патентообладатель Годнев А.Г.: опубл. в Б.И., 2002, № 30.
5. Гутников В.С. Интегральная электроника в измерительных устройствах: Учебник для вузов / Л.: Энергия. 1980. 240 с.
6. Грохольский А.Л., Горбов М.М., Струнский М.Г., Федотов В.К. Емкостные первичные измерительные преобразователи диаметра неизолированного микропровода // Измерения, контроль, автоматизация: Науч.-техн. сб. обзоров. ЦНИИ ТЭН приборостроения. М.: Академия, 1978. 256 с.
7. Чередов А.И. Преобразователи для электрического измерения параметров емкостных датчиков. Диссертация на соискание ученой степени кандидата технических наук / Л.: Энергия. 1984. 233 с.
8. Бухгольц В.П., Тисевич Э.Г. Емкостные преобразователи в системах автоматического контроля и управления. М.: Энергия. 1972. 80 с.
9. Князев А.Д., Кечнев Л.Н., Петров Б.В. Конструирование радиоэлектронной и электронно-вычислительной аппаратуры с учетом электромагнитной современности. М.: Радио и связь. 1989. 224 с.
10. Лео Брейман. Случайные леса // Машинное обучение. 2001. Т. 45. № 1. С. 5−32. doi:10.1023/A:1010933404324.
11. Варнке-Ванг М., Косли Д., Ридл Дж. Расскажите мне больше: действенная модель качества // Материалы 9‑го Междунар. симпозиума по открытому сотрудничеству (WikiSym '13). 2013. doi:10.1145/2491055.2491063.
12. Миркес Е.М. Логически прозрачные нейронные сети и производство явных знаний из данных // Нейроинформатика. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН. 1998. 296 с.