Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Система автоматического управления сбором продукции газоконденсатного месторождения на этапе падающей добычи

Диссертация: Система автоматического управления сбором продукции газоконденсатного месторождения на этапе падающей добычи
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Особенностью проблемы является то, что начиная с семидесятых годов прошлого столетия, работы по изучению газовой скважины как объекта автоматического регулирования и как объекта контроля практически прекратились. Была принята и официально закреплена в «Основных положениях по автоматизации процессов добычи газа» концепция, что скважина не является объектом автоматизации. На этапе падающей добычи… Читать ещё >

Содержание

  • 1. СОВРЕМЕННОЕ СОСТОЯНИЕ МЕТОДОВ И СРЕДСТВ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ЭКСПЛУАТАЦИОННЫХ ПОКАЗАТЕЛЕЙ ГАЗОКОНДЕНСАТНОГО МЕСТОРОЖДЕНИЯ
    • 1. 1. Общие представления об интеллектуальном анализе данных
    • 1. 2. Математические методы и алгоритмы интеллектуального анализа данных
    • 1. 3. Современное состояние хранилищ информации
    • 1. 4. Общие сведения о технологическом процессе разработки. газоносного пласта
    • 1. 5. Задачи исследования
  • 2. ПОСТРОЕНИЕ МОДЕЛИ СБОРА ГАЗА НА ГАЗОКОНДЕНСАТНОМ МЕСТОРОЖДЕНИИ
    • 2. 1. Формирование технологических объектов с использованием методов векторной оптимизации
    • 2. 2. Модель коллекторно-лучевой системы сбора газа
    • 2. 3. Определение внутренней характеристики системы
    • 2. 4. Решение задач прогноза функционирования системы
    • 2. 5. Формирование комплекса параметров эффекта для векторной оптимизации
    • 2. 6. Выводы по главе
  • 3. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ И МЕТОДИК ОБРАБОТКИ ИНФОРМАЦИИ
    • 3. 1. Проектирование информационного обеспечения системы КСС
    • 3. 2. Выбор методов системных исследований для оптимизации технологических объектов
    • 3. 3. Разработка программного обеспечения
    • 3. 4. Описание структуры базы данных
    • 3. 5. Методика обработки информации базы данных
    • 3. 6. Выводы по главе
  • 4. РЕЗУЛЬТАТЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ КСС
    • 4. 1. Построение базовых кривых
    • 4. 2. Определение фильтрационных коэффициентов
    • 4. 3. Имитационное моделирование КСС
    • 4. 4. Оптимизационное моделирование КСС
    • 4. 5. Выводы по главе
  • 5. РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ КСС
    • 5. 1. Оценка свойств автоматической системы управления КСС
    • 5. 2. Экономическое обоснование разработки
    • 5. 3. Выводы по главе

Система автоматического управления сбором продукции газоконденсатного месторождения на этапе падающей добычи (реферат, курсовая, диплом, контрольная)

Интенсивное развитие газодобывающей промышленности требует повышения эффективности процессов добычи природного газа, увеличения отдачи газоносных пластов, совершенствования систем разработки и способов эксплуатации газовых и газоконденсатных месторождений.

Актуальность работы. Опыт газодобывающей промышленности показывает, что основной проблемой является увеличение объемов добычи и полноты извлечения газа из продуктивных пластов. Эксплуатация газокон-денсатного месторождения на этапе падающей добычи, основанная на использовании коллекторно-лучевой системы сбора продукции со скважин месторождения (КСС), должна проводиться в оптимальных условиях.

Газоконденсатное месторождение представляет собой сложную систему, состоящую из большого числа устройств отбора газа: скважин, связанных трубопроводами в коллекторно-лучевые системы и взаимодействующих между собой и с продуктивным пластом. Как правило, это взаимодействие носит неопределенный характер.

Характерная особенность процесса разработки газоконденсатного месторождения — ограниченный объем сведений о свойствах системы. Это связано как с непрерывным изменением фонда действующих скважин, так и с ограниченностью имеющихся измерительных приборов и систем. В сочетании со сложностью объектов исследования (пластовая система, скважина и т. п.) это затрудняет использование существующих методов моделирования.

Несмотря на то, что разработаны различные варианты оптимизации технологического процесса разработки газоносного пласта, разработка газоконденсатных месторождений ведется недостаточно эффективно. Это связано не только с многомерностью задачи и большим объемом исходных данных, но и с тем, что эти данные, как правило, являются неполными. Существующие методы и алгоритмы не в состоянии оптимизировать данные системы. При этом некорректно установленные режимы эксплуатации скважин приводят к неэффективной разработке месторождения, возникновению зон пониженного пластового давления, «задавливанию» скважин (снижению их дебита ниже рентабельного) и преждевременному возникновению необходимости ввода в действие дожимных компрессорных станций (ДКС).

Особенностью проблемы является то, что начиная с семидесятых годов прошлого столетия, работы по изучению газовой скважины как объекта автоматического регулирования и как объекта контроля практически прекратились. Была принята и официально закреплена в «Основных положениях по автоматизации процессов добычи газа» концепция, что скважина не является объектом автоматизации.

Все это определяет актуальность задачи применения более эффективных подходов к оптимизации существующих систем сбора газа и разработки системы управления КСС.

Работа выполнена в рамках темы г/б НИР № 1 890 036 607 «Синтез, реализация и исследование эффективности оптимальных технических и организационных систем» ГОУ ВПО «Оренбургский государственный университет».

Объект исследования — система сбора газа.

Предмет исследования — разработка системы управления на основе имитационного и оптимизационного моделирования параметров КСС сбора газа.

Цель работы — увеличение объемов добычи газа и уменьшение затрат при разработке месторождения на основе оптимального управления.

Задачи исследования:

— сформировать функционально-структурное представление КСС;

— разработать методику интеллектуального анализа промысловой информации, позволяющую идентифицировать математическую модель движения газа в КСС и прогнозировать состояние КСС;

— исследовать свойства параметров КСС методом имитационного моделирования;

— произвести векторную оптимизацию КСС;

— разработать алгоритм управления КСС.

Методы исследования. Поставленные задачи решались с использованием методов системного анализа, математического моделирования, теории автоматического управления, методов векторной оптимизации, прикладных методик и моделей, используемых при расчете КСС.

Достоверность полученных результатов. Исследования проведены на базе фундаментальных закономерностей динамики газовых потоков. Статистическая обработка баз данных производилась стандартными программными средствами.

Научная новизна заключается в следующем:

— разработана модель краткосрочного прогнозирования эксплуатационных параметров скважин, КСС и групп КСС, подключенных к одной установке комплексной подготовки газа (УКПГ);

— проведена идентификация математической модели движения газа в КСС для условий Оренбургского газоконденсатного месторождения;

— применен метод векторной оптимизации КСС на дискретном множестве.

Практическая значимость:

— разработана база данных, эксплуатационных параметров скважин, защищенная свидетельством РОСПАТЕНТА № 2 006 620 003;

— разработан алгоритм управления дебитом системы КСС в условиях падающей добычи;

— разработано программное обеспечение для моделирования и оптимизации КСС, защищенное свидетельством РОСПАТЕНТА № 2 006 610 001.

Положения, выносимые на защиту:

— функционально-структурное представление КСС;

— свойства базовых кривых эксплуатационных параметров скважин и фильтрационных коэффициентов призабойной зоны;

— свойства КСС, характеризующие движение газа;

— комплекс параметров эффекта для проведения оптимизации КСС;

— структура подсистемы управления КСС, интегрированной в систему управления УКПГ.

Реализация результатов работы.

Результаты работы в 2006 году переданы для использования в Газопромысловое Управление ООО «Оренбурггазпром». Результаты исследований послужили основой создания учебно-методических материалов по интеллектуальному анализу данных, используемых в учебном процессе ГОУ ВПО «Оренбургский государственный университет» при подготовке студентов специальности 80 801 по дисциплине «Предметно-ориентированные информационные системы».

Апробация работы.

Основные положения и результаты работы докладывались и были одобрены международной научно-технической конференции «Проблемы автоматизации и управления в технических системах» (Пенза, 2004), и всероссийских научно-практических конференциях «Современные информационные технологии в науке, образовании и практике» (Оренбург, 2004, 2005,2006).

Публикации.

Основное содержание диссертации изложено в 10 публикациях, получены 2 свидетельства о регистрации программных средств.

Структура и объем диссертации

.

Диссертация состоит из введения, пяти глав, заключения, списка использованных источников (173 наименования) и приложений. Диссертация изложена на 166 страницах, содержит 36 рисунков и 14 таблиц.

ОБЩИЕ ВЫВОДЫ ПО РАБОТЕ.

1. КСС описывается математической моделью движения потоков газа в границах от газоносного пласта до блока входных нитей.

2. Для идентификации системы КСС достаточно БД эксплуатационных параметров скважин, защищенной свидетельством РОСПАТЕНТА № 2 006 620 003 и программного средства «Программа моделирования однофазных потоков в системе газоносный пласт — блок входных ниток», защищенного свидетельством РОСПАТЕНТА № 2 006 610 001.

3. На этапе падающей добычи в условиях Оренбургского газоконден-сатного месторождения кривые падения дебита газа, пластового, забойного, устьевого давлений описываются абонированным уравнением вида (3.1). При этом движение газа в призабойной зоне описывается фильтрационным коэффициентом, изменение которого в процессе эксплуатации определено уравнением (3.5).

4. Установлено, что наибольшее влияние на дебит газа КСС оказывают проходные диаметры трубопровода и место в системе скважины, обладающей наибольшей гидравлической мощностью. Повышение дебита КСС и увеличение давления на БВН конструктивно достигается увеличением проходного диаметра участка трубопровода, примыкающего к БВН.

5. Обеспечение максимального дебита КСС осуществляется регулированием положения задвижек на устьях скважин по разработанному алгоритму, который предотвращает «задавливание» скважин с малой гидравлической мощностью.

6. Оптимизация КСС обеспечивается удовлетворением требованиям комплекса параметров эффекта, заключающимся в выполнении ограничений по допустимой депрессии и минимальному рентабельному дебиту скважины, а также давлению газа на БВН при максимальном дебите газа и минимальном коэффициенте эффективности, который характеризует расходование энергии пласта на перемещение смеси по трубам КСС.

7. Предложенный алгоритм управления, основанный на регулировании гидравлических мощностей потоков газа, следует реализовать в подсистеме управления КСС, интегрированной в САУ УКПГ. Экономические расчеты подтвердили целесообразность его внедрения.

Показать весь текст

Список литературы

  1. Дкж, В. Data mining: учеб. курс / В. Дюк, А. Самойленко. -СПб.: Питер, 2001.-386 с.
  2. , В. А. Интеллектуальный анализ данных: методы и средства / В. А. Филиппов. М.: Эдиториал УРСС, 2001. — 52 с.
  3. Базы данных. Интеллектуальная обработка информации / В. В. Корнеев и др. М.: Молгачева С. В.: Нолидж, 2001. — 496 с.
  4. , М. И. Интеллектуальный анализ данных новое направление развития информационных технологий / М. И. Забежайло // НТИ. Сер. 2: Информационные процессы и системы. — 1998. — № 5. — С. 6.
  5. , Н. Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко. Новосибирск: Изд-во Ин-та математики СО РАН, 1999. -268 с.
  6. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян и др. СПб.: БХВ-Петербург, 2004. — 336 с.
  7. , Т. А. Статистические методы прогнозирования / Т. А. Дуброва. -М.: Юнити-Дана, 2003. 208 с.
  8. , А. М. Многомерные статистические методы / А. М. Дубров, В. С. Мхитарян, JI. И. Трошин. М.: Финансы и статистика, 1998. -352 с.
  9. , В. В. Искусственные нейронные сети. Теория и практика /В. В. Кругов, В. В. Борисов. М.: Горячая линия: Телеком, 2001. — 247 с.
  10. , В. В. Нечеткая логика и искусственные нейронные сети / В. В. Кругов, М. И. Дли, Р. Ю. Годунов. М.: Физматлит, 2001. — 156 с.
  11. , С. Нейронные сети для обработки информации / С. Осовский. М.: Финансы и статистика, 2002. — 240 с.
  12. , В. С. Нейронные сети. MATLAB 6. / В. С. Медведев, В. Г. Потемкин. М.: Диалог-МИФИ, 2000. — 294 с.
  13. , В. В. Гибридные нейронные сети / В. В. Круглов, В. В. Борисов. Смоленск: Русич, 2001. — 228 с.
  14. Дунин-Баковский, В. Л. Информационные процессы в нейронных структурах / В. Л. Дунин-Баковский. М.: Наука, 1978. — 163 с.
  15. , А. М. Нейроподобные сети и системы, основанные на знаниях / А. М. Касаткин, Л. М. Касаткина // Знания-диалог-решения. Киев: КНВВТ, 1990. — Ч. 1. — С. 92−116.
  16. , Э. М. Основные свойства нейроподобной сети с ассоциативно-проективной структурой / Э. М. Куссуль // Нейроподобные сети и нейрокомпьютеры: сб. науч. тр. Киев, 1991. — С. 4−11.
  17. , Е. К. Искусственные нейронные сети I. Основные определения и модели / Е. К. Гордиенко, А. А. Лукьяница // Техн. кибернетика. 1994. -№ 5. — С. 79−91.
  18. , Ф. Нейрокомпьютерная техника: теория и практика: пер. с англ. / Ф. Уоссермен. М.: Мир, 1992. — 240 с.
  19. Нейросетевые системы управления / В. А. Терехов и др. -СПб. :СПГУ, 1999.-265 с.
  20. , С. О. Нейроны и нейронные сети / С. О. Мкртчан. -М.: Энергия, 1971.-232 с.
  21. Нейросетевые системы управления / В. А. Терехов и др. -СПб.: Изд-во С.-Петербург, ун-та, 1999.-256 с.
  22. , А. И. Теория нейронных сетей / А. И. Галушкин. -М. :ИПРЖР, 2000.-415 с.
  23. , А. В. Анализ прогнозирующих свойств нейронных сетей прямого распространения по результатам экспериментальных исследований / А. В. Назаров, Г. И. Козырев, С. В. Шкляр // Нейрокомпьютеры: разработка и применение. 2002. — № 7. — С. 23−25.
  24. , Ф. Аналитические методы изучения нейронных сетей / Ф. Розенблатт // Нейрокомпьютер. 1997. — № 3−4. — С. 49−65.
  25. , А. Н. Нейросетевые системы обработки информации и их применение в космической технике / А. Н. Балухто. М.: СИП РИА, 2000.- 152 с.
  26. , В. В. Нейроподобные сети в бортовых информационно-управляющих комплексах летательных аппаратов. Решение оптимальных задач / В. В. Ефимов. СПб, 1996. — 113 с.
  27. , Ф. Нейрокомпьютерная техника / Ф. Уоссермен. -М.: Мир, 1992.-215 с.
  28. , Д. В. Автоматизированное приобретение знание с помощью нейронных сетей / Д. В. Гилмор // Техн. кибернетика. 1994. — № 5. — С. 93−96.
  29. , Э. М. Некоторые принципы организации нейроподоб-ных сетей для решения задач искусственного интеллекта / Э. М. Куссуль, Т. Н. Байдык // Нейрокомпьютер как основа мыслящих ЭВМ. -М.: наука, 1993. -168 с.
  30. , М. Введение в нейроматематику / М. Гаврилкевич // Обозрение прикладной и промышленной математики. М.: ТВП, 1994. -С. 3−8.
  31. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский и др. Харьков: Основа, 1997.-261 с.
  32. , Дж. Генетические алгоритмы / Дж. Холланд // В мире науки. 1992. — № 9. — С. 32−40.
  33. , В. М. Генетические алгоритмы. Обзор и состояние / В. М. Курейчик // Новости искусственного интеллекта. 1998. — № 3. — С. 38−40.
  34. , А. Н. Генетические алгоритмы / А. Н. Скурихин // Новости искусственного интеллекта. 1995. — № 4. — С. 6−46.
  35. Жуков-Бережников, Н. Теория генетической информации: тео-рет. и эксперим. очерк / Н. Жуков-Бережников. М.: Мир, 1966. — 320с.
  36. , JI. Г. Эволюция популяций. Дискретное математическое моделирование / JI. Г. Косолапова, Б. Г. Ковров. Новосибирск: Наука, 1988.-93 с.
  37. Genetic Training Option: справ, и рук. для пользователя. М.: Тора-Центр, 1995.-216 с.
  38. , Т. Р. Многокритериальное^ и выбор альтернативы в технике / Т. Р. Брахман. М.: Радио и связь, 1984. — 288 с.
  39. , Ю. А. Многокритериальные модели формирования и выбора вариантов систем / Ю. А. Дубов, С. И. Травкин, В. Н. Якимец. М.: Наука, 1986.-294 с.
  40. , С. Математические методы в теории игр, программировании и экономике / С. Карлин. М.: Мир, 1964. — 838 с.
  41. Геймейер, 10. Б. Введение в теорию исследования операций / Ю. Б. Геймейер. М.: Наука, 1971. — 384 с.
  42. , В. В. Оптимизация по последовательно применяемым критериям / В. В. Подиновский, В. М. Гаврилов. М.: Сов. радио, 1975. -192 с.
  43. , В. Д. Парето-оптимальные решения многокритериальных задач / В. Д. Ногин, В. В. Подиновский. М.: Наука, 1982. — 256 с.
  44. , Н. Е. Задачи векторной оптимизации в теории управления / Н. Е. Салуквадзе. Тбилиси: Мецниереба, 1975. — 201 с.
  45. , М. Введение в методы оптимизации : пер. с англ. / М. Ао-ки. М.: Наука, 1977.-343 с.
  46. , В. Г. Теоретические основы инженерного прогнозирования / В. Г. Гмошинский, Г. И. Флиорент. М.: Наука, 1973. — 304 с.
  47. , В. Д. Основы теории оптимизации : учеб. пособие / В. Д. Ногин, И. О. Протодьяконов, И. И. Евлампиев — под ред. И. О. Протодьяконо-ва. М.: Высш. шк., 1986. — 384 с.
  48. , В. Д. Принятие решений в многокритериальной среде: количественный подход / В. Д. Ногин. М.: ФИЗМАТЛИТ, 2002. — 176 с.
  49. , С. Я. Хранилища данных / С. Я. Архипенков, Д. В. Голубев, О. Б. Максименко. М.: Диалог-МИФИ, 2002. — 528 с.
  50. , Э. Корпоративные хранилища данных. Планирование, разработка и реализация / Эрик Спирли. Вильяме, 2001. — 400 с.
  51. Гектор Гарсиа-Молина. Системы баз данных. Полный курс / Гектор Гарсиа-Молина, Джеффри Ульман, Дженнифер Уидом. Вильяме, 2003.- 1088 с.
  52. Формирование технических объектов на основе системного анализа / В. Е. Руднев и др. М.: Машиностроение, 1991. — 320 с.
  53. Теория выбора принятия решений / И. М. Макаров и др. М.: Наука, 1982.-327 с.
  54. Проблемы принятия решения / под ред. П. К. Анохина, В. Ф. Ру-бахина. М.: Наука, 1976. — 319 с.
  55. , В. Г. Инженерное прогнозирование / В. Г. Гмошинский. М.: Энергоиздат, 1982. — 208 с.
  56. , Л. П. Системный синтез технологических объектов АПК / Л. П. Карташов, В. Ю. Полищук. Екатеринбург: УрО РАН, 1998. -185 с.
  57. Новые принципы и технологии разработки месторождений нефти и газа / С. Н. Закиров и др. М., 2004. — 520 с.
  58. Физика пласта, добыча и подземное хранение газа / О. М. Ермилов и др. М.: Наука, 1996. — 541 с.
  59. , Е. 3. Гидравлика / Е. 3. Рабинович. М.: Недра, 1978.-304 с.
  60. , Ю. П. Эксплуатация газовых месторождений / Ю. П. Коротаев. М.: Недра, 1975. — 415 с.
  61. , А. А. Компьютеризация процесса оценки эффективности геолого-технических мероприятий на нефтяных месторождениях / А. А. Колтун // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2004. — № 12. — С. 16−20.
  62. , П. С. Принципы построения моделей / П. С. Краснощеков, А. А. Петров. М.: Фазис, 1983. — 241с.
  63. Марко Кэнту. Delphi 7 для профессионалов / Марко Кэнту. -СПб.: Питер, 2004.- 1104 с.
  64. Г. В. Компоненты в Delphi 7. М.: Вильяме, 2004. — 624 с. 68. www.sis.slb.com
  65. Дюк, В. А. Осколки знаний / В. А. Дюк // Экспресс- электроника. 2002.-№ 6. — С. 60−65.
  66. Инструкция по комплексному исследованию газовых и газокон-денсатных пластов и скважин / под ред. Г. А. Зотова, 3. С. Алиева. М.: Недра, 1980.- 301 с.
  67. , Б. П. Основы вычислительной математики / Б. П. Демидович, И. А. Марон. М.: ГИФМЛ, 1960. — 659 с.
  68. , М. М. Оценка производительности скважин куста / М. М. Кашпаров, О. А. Конторщикова // Газовая промышленность. 2003. -№ 3. — С. 44−46.
  69. , Ю. В. Математическая модель добычи газа кустом скважин / Ю. В. Полищук // Перспектива. 2005. — № 7. — С. 32−34.
  70. Тер-Саркисов, Р. М. Разработка месторождений природных газов / Р. М. Тер-Саркисов. М.: Недра, 1999. — 659 с.
  71. , Ю. П. Теория и проектирование разработки газовых и газоконденсатных месторождений / 10. П. Коротаев, С. Н. Закиров. М.: Недра, 1981 .-294 с.
  72. , Р. И. Теория и опыт добычи газа / Р. И. Вяхирев, Ю. П. Коротаев, Н. И. Кабанов. М.: Недра, 1998. — 479 с.
  73. Освоение скважин / А. И. Булатов и др. М.: Недра, 1999.472 с.
  74. , Ю. П. Системное моделирование оптимальных режимов эксплуатации объектов добычи природного газа / Ю. П. Коротаев, В. Г. Таги-ев, Ш. К. Гергедава. М.: Недра, 1989. — 264 с.
  75. , В. Н. Техника и технология определения параметров скважин и пластов / В. Н. Васильевский, А. И. Петров. М.: Недра, 1989. -272 с.
  76. , Ю. Н. Автоматизированная система управления разработкой газовых месторождений / Ю. Н. Васильев. М.: Недра, 1987. — 141 с.
  77. Разработка газоконденсатных месторождений / А. X. Мирзаджан-заде и др. М.: Недра, 1967. — 326 с.
  78. , А. И. Разработка и эксплуатация газовых и газоконденсатных месторождений / А. И. Ширковский. М.: Недра, 1987. — 312 с.
  79. , И. С. Создание систем автоматизированного управления в добыче газа / И. С. Никоненко. М.: Недра-Бизнесцентр, 2001. — 191 с.
  80. , И. С. Газодобывающее предприятие как сложная система / И. С. Никоненко, Ю. Н. Васильев. М.: Недра, 1998. — 343 с.
  81. Регулирование разработки газовых месторождений Западной Сибири / А. И. Гриценко и др. М.: Недра, 1991. — 304 с.
  82. ОАО «Газпром»: Производство и технологи: Газпром и конверсия. -2000. Режим доступа: http://www.gazprorn.ru/rus/product/scienceconvers.php.
  83. , В. Н. Теория автоматического управления: учеб. для машиностроит. спец. вузов / В. Н. Брюханов, М. Г. Косов, С. П. Протопопов и др.- под ред. Ю. М. Соломенцева. 4-е изд., — М.: Высш.шк.- 2003. — 268 с.
  84. , А. А. Теория автоматического управления: учебник для вузов / A.A. Ерофеев. 2-е изд., — СПб.: Политехника, 2003. — 3002 с.
  85. , Е. И. Теория автоматического управления / Е.И. Юре-вич. JL, «Энергия», 1975. — 416 с.
  86. , К. В. Основы теории автоматического регулирования: учебное пособие для вузов / К. В. Егоров. 2-е изд., — M.: «Энергия», 1967. -648с.
  87. , М. А. Математическая модель газовой скважины как объекта автоматического регулирования устьевого давления: сборник трудов / М. А. Корженко, Б. Ф. Тараненко, П. Н. Францев, К., «Иф-альянс», 2004. -С. 79−95.
  88. Hand, D. Principles of Data Mining / David Hand, Heikki Mannila, Padhraic Smyth. New York: The AMT Press, 2001. — 546 p.
  89. Introduction to Data Mining and Knowledge Discovery. New York: Crows Corporation, 1999. — 344 p.
  90. Rud, 0. P. Data Mining Cookbook / Olivia Parr Rud. London: Whily Computing Publishing, 2001. — 456 p.
  91. Proceedings of KDD-98: 4th International Conf. on Knowledge Discovery and Data Mining / ed. R. Agrawal, P. Stolorz, G. Piatetsky-Shapiro. New York: AAAI Press, 1998.
  92. Advances in Knowledge Discovery in Databases / ed. U. Fayyad et al. New York: AAAI/MIT Press, 1996.
  93. Mini-symposium on KDD vs. Privacy // IEEE Expert. 1995. — April, (full text of a draft)
  94. Special issue of Intelligent Information Systems on Knowledge Discovery in Databases / ed. G. Piatetsky-Shapiro. New York: AAAI Press, 1995.
  95. KDD-93: Proceedings of AAAI-93 Workshop on KDD / ed. G. Piatetsky-Shapiro. New York: AAAI Press Report, 1993.
  96. Knowledge Discovery in Databases / ed. G. Piatetsky-Shapiro, W. Frawley. New York: AAAI/MIT Press, 1991.
  97. Knowledge Discovery in Real Databases // AI Magazine. 1991. -Vol. 11, N5.-P. 12−16.
  98. Matheus, C. Systems for Knowledge Discovery in Databases / C. Ma-theus, P. Chan, G. Piatetsky-Shapiro // IEEE Transactions on Data and Knowledge Engineering. 1993. — N 5−6 (dec.). — P. 22−24.
  99. Piatetsky-Shapiro, G. Knowledge Discovery in Personal Data vs. Privacy / G. Piatetsky-Shapiro // IEEE expert. 1995. — April.
  100. Improving Classification Accuracy by Automatic Generation of Derived Fields Using Genetic Programming / B. Masand, G. Piatetsky-Shapiro // Advances in Genetic Programming II. New York: MIT Press, 1996.
  101. Piatetsky-Shapiro, G. Expert Opinion: The data-mining industry coming of age / G. Piatetsky-Shapiro // IEEE Intelligent Systems. 1999. — Vol. 14, N 6 (November/December).
  102. UsamaFayyad. From Data Mining to Knowledge Discovery in Databases / Usama Fayyad, G. Piatetsky-Shapiro, Padhraic Smyth // AI Magazine. 1996. -N 17(3). — P. 37−54.
  103. Goldberg, D. E. Genetic algorithms in search, optimization and machine learning / D. E. Goldberg. Reading, MA, 1989.
  104. Muller, B. Neural Networks: an introduction, Springer-Verlag / B. Muller, J. Reinhart. Berlin: Heidelberg, 1990.
  105. Saertns, R .M. Aneural controller based on back propagation algorithm / R .M. Saertns, A. Soquet // Proc. of First IEEE Int. Conf. on Artificial Neural Networks. London, 1989. — P. 211−215.
  106. Haykin, S. Neural Networks: A Comprehensive Foundation / S. Haykin. London: Macmillan Publishing Company, 1994.
  107. Nielson, R. Hecht Neurocomputing Addison-Wesley / R. Nielson. -New York, 1990.
  108. Chong, E. An Introduction to Optimization / E. Chong, S. Zak. -London: Wiley, 1996.
  109. Lippmann, R. An Introduction to Computing with Neural Nets / R. Lippmann // IEEE/ASSP Magazine. 1987. — April. — S. 4−22.
  110. Bilski, J. Szybkie algorytmy uczenia sieci neuronowych / J. Bilski, Krakow: AGH, 1995. praca doktorska.
  111. Findeisen, W. Teoria i metody obliczeniowe optymalizacji / W. Findeisen, W. Szymanowski, A. Wierzbicki. Warszawa: PWN, 1977.
  112. Hertz, J. Wstep do teori obliczen neuronowych / J. Hertz, A. Krogh, R.G. Palmer. Warszawa: WNT, 1993.
  113. Kacprzak, T. Sieci neuronowe komorkowe / T. Kacprzak, K. Slot. -Warszawa-Lodz: PWN, 1994.
  114. Karayiannis, N. B. Artificial Neural Networks / N. B. Karayiannis, A. N. Venetsanopoulos. Kluwer Academic Publishers, 1993.
  115. Osowski, S. Sieci neuronowe w ujeciu algorytmicznym / S. Osows-ki. Warszawa: WNT, 1996.
  116. Rutkowski, L. Filtry adaptacyjne i adaptacyjne przetwarzanie syg-nalow / L. Rutkowski. Warszawa: WNT, 1994.
  117. Tadeusiewicz, R. Problemy biocybernetyki / R. Tadeusiewicz. Warszawa: PWN, 1991.
  118. Tadeusiewicz, R. Sieci neuronowe / R. Tadeusiewicz. Akademicka Oficyna Wydawnicza Warszawa, 1993.
  119. Jain, A. K. Artificial Neural Networks: A Tutorial / A. K. Jain, J. M. Mohiuddin // Computer March. 1996. — P. 31−44.
  120. Lawrence, J. Introduction in Neural Networks: Design, Theory and Applications / J. Lawrence. California: Scientific Software, 1994. — 423 p.
  121. Kohonen, T. Self-Organizing Maps / T. Kohonen. Springer, 1995.
  122. Kohonen, T. Self-Organizing Maps / T. Kohonen. 2 th. ed. -Springer, 1997.
  123. Hopfield, J. Neural networks and physical systems with emergent collective computational abilities / J. Hopfield // IN: Proc. Nat. Acad. Scio. USA. -1982.-Vol. 79.-P. 2554−2558.
  124. Hornick, S. Multilayer Feedforward Networks are Universal Approximators / S. Hornick // Neural Networks. 1989. — Vol. 2, N 5. — P. 54−58.
  125. Cybenko, S. Approximation by Superpositions of a Sigmoidal Function / S. Cybenko // Mathematical Control Signals Systems. 1989. — Vol. 2.
  126. Funahashi. On the Approximate Realization of Continuous Mappings by Neural Networks / Funahashi // Neural Networks. 1989. — Vol. 2, N 3.
  127. Leake, D. Case-Based Reasoning: Expriences, Lessons, & Future Directions / D. Leake. Menlo Park California: AAAI Press, 1996.
  128. Kolodner, J. Case-Based Reasoning. / J. Kolodner. San Francisco — California: Morgan Kaufmann, 1993.
  129. Riesbeck, C. Inside Case-Based Reasoning. Hillsdale / C. Riesbeck R. Schank. New York: Lawrence Erlbaum, 1989.
  130. Schank, R. Inside Case-Based Explanation. Hillsdale / R. Schank, C. Riesbeck, A. Kass. New York: Lawrence Erlbaum, 1994.
  131. Aamodt, A. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches / A. Aamodt, E. Plaza // AI Communications. 1994. — Vol. 7(1). — P. 39−52.
  132. Proceedings of the DARPA Case-Based Reasoning Workshop / J. Ko-lodner et al. San Francisco: Calif. Morgan Kaufmann, 1988.
  133. Proceedings of the DARPA Case-Based Reasoning Workshop / ed. K. Hammond. San Francisco — California: Morgan Kaufmann, 1989.
  134. Proceedings of the DARPA Case-Based Reasoning Workshop / ed. R. Bareiss. San Francisco — California: Morgan Kaufmann, 1991.
  135. Case-Based Reasoning: Papers from the 1993 AAAI Workshop. Technical Report WS-93−01. / ed. D. Leake. Menlo Park California: AAAI Press, 1993.
  136. Case-Based Reasoning: Papers from the 1994 AAAI Workshop. Technical Report WS-94−01 / ed. D. Aha. Menlo Park California: AAAI Press, 1994.
  137. Topics in Case-Based Reasoning / ed. S. Wess, K. Althoff, M. Richter. Berlin: Springer Verlag, 1994.
  138. Advances in Case-Based Reasoning: Second European Workshop / ed. J.-P. Haton, M. Keane, M. Manago. Berlin: Springer Verlag, 1995.
  139. Progress in Case-Based Reasoning: First United Kingdom Workshop / ed. I. Watson. Berlin: Springer Verlag, 1995.
  140. David Poole. Computational Intelligence: A Logical Approach / David Poole, Alan Mackworth, Randy Goebel. New York: Oxford University Press, 1998.
  141. Tom Mitchell. Machine Learning / Tom Mitchell. McGraw Hill, 1997.
  142. Wong, M. L. The genetic logic programming system / M. L. Wong, K. S. Leung // IEEE Expert. 1995. — Oct. — P. 68−76.
  143. Tajima, K. Genetic algorithms and ther practical application / K. Ta-jima // FUJITSU Sei. Tech. Joum. 1996. — Vol. 32, N 2. — P. 271−286.
  144. Reynolds, D. Stochastic modeling of genetic algorithms / D. Reynolds, J. Gomatam // Artificial Intelligence. 1996. — Vol. 82, N 1. — P. 303−330.
  145. Reynolds, D. Similarities and distinctions in sampling strategies for genetic algorithms / D. Reynolds, J. Gomatam // Ibid. 1996. — Vol. 86, N 2. -P. 375−390.
  146. Ackley, D. H. A connectionist machine for genetic hillclimbing / D. H. Ackley. Boston: Kluwer Academic Publishers, 1987.
  147. Brindle, M. Genetic Algorithms for Function Optimization, Ph. D. dissertetion / M. Brindle. University of Alberta, 1981.
  148. Chong, E. K. An Introduction to Optimization / E. K. Chong, S. H. Zak. London: Wiley, 1996.
  149. Cytowski, J. Algorytmy genetyczne. Podstawy i zastosowania, Aka-demicka Oficyna Wydawnicza / J. Cytowski. Warszawa: PLJ, 1996.
  150. Davis, L. Handbook of Genetic Algorithms, Van No strand Reinhold / L. Davis. New York, 1991.
  151. Koza, J. R. Genetic programming II. Automatic Discovery of Reusable Programs / J. R. Koza. New York: MIT Press, 1994.
  152. Michalewicz, Z. Genetic Algorithms + Data Structures = Evolution Programs / Z. Michalewicz. Springer-Verlag, 1992.
  153. Whitley, D. Genetic algorithms and neural networks: Optimizing connections and connectivity / D. Whitley, T. Starkweather, C. Bogart // Parallel Computing. 1990. -N 14. — P. 347−361.
  154. Balas, E. Optimized crossover-based genetic algorithms for the maximum cardinality and maximum weight clique problems / E. Balas, W. Niehaus // J. Heuristics. 1998. — Vol. 4, N4. — P. 107−122.
  155. Eremeev, A. V. A genetic algorithm with a non-binary representation for the set covering problem / A. V. Eremeev // Operations Research Proceedings 1998. Berlin: Springer Verlag, 1999. — P. 175−181.
  156. Holland, J. H. Adaptation in natural and artificial systems / J. H. Holland. Ann Arbor: University of Michigan Press, 1975.
  157. Johnson, D. S. The traveling salesman problem: a case study Local search in combinatorial optimization / D. S. Johnson. Chichester: Wiley, 1990.-P. 215−310.
  158. Kirkpatrick, S. Configuration space analysis of traveling salesman problems / S. Kirkpatrick, G. Toulouse // J. de Phys. 1985. — Vol. 46. — P. 12 771 292.
  159. Muhlenbein, H. Parallel genetic algorithm, population dynamics and combinatorial optimization / H. Muhlenbein // Proc. Third Inter: conf. Genetic Alg. San Mateo: Morgan Kaufman, 1989. — P. 416−421.
  160. Rechenberg, I. Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der Biologischen Information /1. Rechenberg. Freiburg: From-man, 1973.
  161. Schwefel, H. P. Numerical optimization of computer models / H. P. Schwefel. Chichester: Wiley, 1981.
  162. Inmon, W. H Building the Data Warehouse / W. H. Inmon. 2th. ed., NewYor: J. Wiley, 1998
  163. Inmon, W. H. Exploration Warehousing / W. H. Inmon. New Yor: J. Wiley, 2000.
  164. Inmon, W. H. The Corporate Information Factory / W. H. Inmon. -New Yor. 2th. ed. — New Yor: J. Wiley, 2000.
  165. Inmon, W. H. Building the Operational Data Store / W. H. Inmon. -New Yor. 2th. ed. — New Yor: J. Wiley, 1999.
  166. Bruins, R. Edelstein, Building, Using, and Managing the Data / R. Bruins, A. Herbert. Prentice Hall, 1997.
Заполнить форму текущей работой

Заказал и сдал!