Р.А. Баташов1

1 Российский экономический университет им. Г.В. Плеханова (Москва, Россия)
1 rusbatashov@gmail.com

Постановка проблемы. В работе рассматривается задача прогнозирования дебаланса нефтепродуктов в системах резервуарного учета с использованием нейросетевого модуля, встроенного в контур информационно-измерительной системы. Актуальность исследования обусловлена тем, что при приеме, хранении и отпуске нефтепродуктов расхождение между фактической и документально-учетной массой формируется под влиянием погрешностей измерения уровня, температуры, плотности, объема и массы, а также накопительных ошибок учетного процесса. В качестве интеллектуального блока предложено использовать многослойный персептрон, позволяющий прогнозировать абсолютный дебаланс на основе технологических и учетных признаков.

Цель. Разработать и провести численную апробацию MLP-модели прогнозирования абсолютного дебаланса нефтепродуктов на основе данных измерительного и учетного контура.

Результаты. Показано, что для численной апробации использован объединенный корпус данных, сформированный на основе эксплуатационных таблиц резервуарного учета, автоматизированных измерений, интерполированных и полусинтетических наблюдений. В качестве целевой переменной выбран абсолютный дебаланс, выраженный в килограммах. Рассмотрены два корпуса данных – автоматизированный и объединенный; для каждого корпуса исследованы сокращенный и расширенный варианты признакового пространства. Отмечено, что на вход MLP-модели подавались уровень нефтепродукта, температура, плотность, масса, объем и производные признаки, характеризующие изменение состояния измерительного контура.

Практическая значимость. Полученные результаты показывают, что нейросетевой модуль может использоваться как прогностический элемент ИИУС для последующего выбора корректирующего воздействия и снижения дебаланса в пределах нормативной погрешности.

Баташов Р.А. MLP-модель прогнозирования дебаланса нефтепродуктов как основа адаптивной коррекции в системах учета // Нелинейный мир. 2026. Т. 24. № 3. С. 71–83. DOI: https://doi.org/10.18127/ j20700970-202603-08

1. ГОСТ Р 8.595–2004. Государственная система обеспечения единства измерений. Масса нефти и нефтепродуктов. Общие требования к методикам выполнения измерений. М.: Стандартинформ, 2004.
2. Годнев А.Г., Зоря Е.И. Теория и практика измерений и учета количества при обороте нефтепродуктов: монография. М.: МАКС Пресс. 2020. 272 с. DOI: 10.29003/m1393.978-5-317-06428-0.
3. Системный подход к минимизации дебаланса нефтепродуктов в резервуарных парках // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 37–51. DOI: 10.18127/j20700814-202305-02.
4. 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: 10.18127/j20700814-202501-04.
5. 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.
6. Баташов Р.А. Байесовский подход к алгоритмам коррекции дебаланса в информационно-измерительных системах учета нефтепродуктов // Информационно-измерительные и управляющие системы. 2026. Т. 1. № 3. С. 10–19.
7. Bishop C.M. Pattern Recognition and Machine Learning. New York: Springer, 2006. 738 p.
8. James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning: with Applications in R. 2nd ed. New York: Springer. 2021. 607 p.
9. Годнев А.Г., Зоря Е.И., Несговоров Д.А., Давыдов Н.В. Коммерческий учет товарных потоков нефтепродуктов автоматизированными системами. М.: МАКС Пресс. 2008. 426 с.
10. Зоря Е.И., Клейнер Г.Б., Скрипников А.В., Цагарели Д.В. Нефть–Топливо–Экономика. Ситуация, проблемы, перспективы. М.: ИЦ «Математика». 1996. 231 с.
11. Зоря Е.И., Короленок А.М., Лощенкова О.В., Киташов Ю.Н. Основы ресурсосбережения при обороте углеводородов. М.: МАКС Пресс. 2018. 640 с.
12. Зоря Е.И., Зенин В.И., Никитин О.В., Прохоров А.Д. Ресурсосберегающий сервис нефтепродуктообеспечения. М.: ФГУП Изд-во «Нефть и газ» РГУ нефти и газа им. И.М. Губкина. 2004. 448 с.
13. Ханов Н.И., Фатхутдинов А.Ш., Слепян М.А., Золотухин Е.А., Фатхутдинов Т.А., Коловертнов Г.Ю. Измерения количества и качества нефти и нефтепродуктов при сборе, транспортировке, переработке и коммерческом учете. СПб.: Изд-во СПбУЭФ. 2000. 270 с.
14. Зоря Е.И., Годнев А.Г., Никулин А.Е. Прием нефтепродуктов от поставщиков по количеству и качеству. Практическое пособие. М.: ЗАО «Бизнес Проект». 2006. 340 с.
15. Годнев А.Г. Широкодиапазонный дискретно-непрерывный датчик уровня // Системный анализ, управление и обработка информации в космической отрасли. 2015. № 3. С. 189–194.
16. He X., Zhao K., Chu X. AutoML: A Survey of the State-of-the-Art // Knowledge-Based Systems. 2021. V. 212. Art. 106622. DOI: 10.1016/j.knosys.2020.106622.
17. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning: Methods, Systems, Challenges. Cham: Springer. 2019. 219 p. DOI: 10.1007/978-3-030-05318-5.
18. Feurer M., Hutter F. Hyperparameter Optimization // Automated Machine Learning: Methods, Systems, Challenges. Cham: Springer. 2019. P. 3–33.
19. Gelman A., Carlin J.B., Stern H.S., Dunson D.B., Vehtari A., Rubin D.B. Bayesian Data Analysis. 3rd ed. Boca Raton: Chapman and Hall/CRC. 2013. 675 p.
20. Kalman R.E. A New Approach to Linear Filtering and Prediction Problems // Journal of Basic Engineering. 1960. V. 82. № 1. P. 35–45.