Математическое моделирование в естественных науках
..pdfF = 2A (1+ α) |
|
|
τ |
|
|
|
τ |
|
|
D |
= 2Sуд (1+ α) |
D |
, |
||||
|
π |
|
π |
|||||
W |
|
|
|
|
где A – поверхность зерна сорбента (см2), W – объем сорбента (см3), Sуд – удельная поверхность сорбента (см2/см3), α – параметр, задаваемый условиями проведения сорбции,
α= Vр-ра ,
ГW
где Vр-ра – объем раствора (см3), Г – константа Генри (см3/см3), эмпирическое значение которой составляет 1,60 · 104 и 8,45 · 103
для композиционных сорбентов с гидроксидной и сульфидной фазой соответственно.
Начальные участки зависимостей F = f ( τ), построен-
ных по опытным данным, с высокой достоверностью описываются уравнениями прямых (рис. 2), которые в общем виде могут быть представлены:
|
|
|
|
|
τ |
|
F = F + 2S |
уд |
(1+ α) |
D |
. |
||
|
|
|||||
0 |
|
|
π |
|||
|
|
|
|
Среднее значение коэффициента диффузии D меди в сорбентах, вычисленное по тангенсу угла наклона прямых K (с–0,5) (рис. 2),
|
|
|
K 2 |
π |
|
|
D = |
, |
|||||
|
|
4Sуд2 (1+ α)2
составляет 4 · 10–10 см2/с.
Таким образом, методами математического моделирования установлено и экспериментально проверено, что в динамических
условиях коэффициенты внутренней диффузии D для компози-
181
Рис. 2. Зависимость F = f ( τ) при α = 0,012 и температуре
опыта 303 K; интенсивность перемешивания:
1 – 100 об/мин; 2 – 200 об/мин
ционных сорбентов находятся в пределах 10–6–10–8 см2/с, следовательно, сорбенты проявляют кинетические свойства, близкие
синтетическим органическим ионитам. Коэффициенты D в динамике на три порядка больше, чем в статике, поэтому ведение сорбции в динамических условиях занимает меньше времени, что предпочтительнее.
Список литературы
1. Композиционные сорбентына основе катионита КУ-2×8 с наноструктурированной гидроксидной или сульфидной активной компонентой / А.Е. Бобылев, Е.В. Иканина, В.Ф. Марков, Л.Н. Маскаева // Конденсированные среды и межфазные границы. − 2013. −
Т. 15, № 3. − С. 238–246.
2.Кокотов Ю.А., Пасечник В.А. Равновесие и кинетика ионного обмена. − Л.: Химия, 1970. − 336 с.
3.Reichenberg D. Properties of ion-exchange resins in relation
to their structure. III. Kinetics of exchange // J. Am. Chem. Soc. − 1953. − Vol. 75. − P. 589–597.
182
4. Ho Y.S., Ng J.C.Y., McKay G. Kinetics of pollutant sorption by biosorbents: review // Separation and Purification Methods. − 2000. − Vol. 29 (2). − P. 189–232.
АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ ПРОГНОЗИРОВАНИИ ОСЛОЖНЕНИЙ В БУРЕНИИ
А.Р. Кабирова
(Институт нефтехимии и катализа РАН,
Уфа, Россия, arish-07@mail.ru)
Предлагается методика прогнозирования возможных осложнений при бурении новых скважин на основе информации о скважинном фонде месторождения с использованием современного инструмента интеллектуального анализа данных – искусственных нейронных сетей. Проведена структурная и параметрическая идентификация нейронной сети, эффективно решающей формализованную постановку задачи прогнозирования осложнений – задачу аппроксимации функции. Результаты вычислительного эксперимента на реальных данных нескольких месторождений свидетельствуют об эффективности разработанного инструментария.
Ключевые слова: искусственные нейронные сети, осложнения в бурении, прогнозирование.
Одна из важнейших составляющих нефтегазовой отрасли – бурение скважин – требует не только денежных вложений, но и временных затрат. Нарушение технологического процесса строительства новых скважин может привести к увеличению затрат времени и средств.
Наиболее распространенными осложнениями при бурении скважин являются: поглощения буровых растворов, осыпи и обвалы стенок скважины, пластовые флюидопроявления. Для месторождений на территории республики Башкортостан наиболее характерным видом осложнений являются поглощения
183
буровых растворов [1]. При циркуляции часть бурового раствора поглощается в пласт, вследствие чего могут возникнуть обвалы стенок скважины и прихваты бурового инструмента.
Решение данной проблемы возможно на основе определения состава раствора по его технологическим параметрам, которые, в свою очередь, определяются свойствами проходимых пластов. Поэтому важной задачей является прогнозирование наличия и параметров осложнений (в частности, поглощений буровых растворов) по имеющейся информации о ранее пробуренных скважинах месторождения. Для решения этой задачи предлагается использование современного математического аппарата, позволяющего дать довольно точный ответ на основании «зашумленных» или частично искаженных данных, – искусственных нейронных сетей.
Рассматриваемая в данной работе задача прогнозирования осложнений математически представляет собой задачу аппроксимации функции. Аппроксимация, или приближение – научный метод, состоящий в замене одних объектов другими, в том или ином смысле близкими к исходным, но более простыми [2]. Основной проблемой при аппроксимации данных является выбор вида функции, приближающей исходные данные.
Для решения этой задачи обычно применяют многослойный персептрон или сеть радиально-базисных функций. Поэтому в данной статье проведем анализ именно этих нейронных сетей и сделаем вывод о возможности их применения для определения наличия и интенсивности поглощений буровых растворов.
Многослойным персептроном называют нейронную сеть прямого распространения. Входной сигнал в такой сети распространяется в прямом направлении, от слоя к слою. Каждый слой состоит из определенного числа формальных нейронов, входными данными для которых являются выходы нейронов
184
предыдущего слоя. В качестве функции активации выходного слоя выбрана линейная функция F (x) = x. Функция активации промежуточных слоев представляет собой сигмоиду:
F(x) = 1+1 − x , e
которая часто применяется для многослойных персептронов и других сетей с непрерывными сигналами. Гладкость и непрерывность функции являются её важными положительными качествами. Непрерывность первой производной позволяет обучать сеть градиентными методами (например, метод обратного распространения ошибки).
Сети радиально базисных функций (РБФ) – один из видов нейронных сетей прямого распространения. Сигнал распространяется от входа к выходу сети через слой скрытых нейронов в соответствии с синаптическими весами связей нейронов. В качестве функции активации промежуточного слоя используют радиально-базисные функции. Нами выбрана функция Гаусса:
x−c2
F (x) = e 2σ 2 ,
где с – центр нейрона; σ – ширина окна нейрона.
При аппроксимации при помощи центральных функций независимо от числа образов обучающей последовательности выбирается число центров или скрытых нейронов [3]. Для этого, в частности, можно использовать соответствующее подмножество образов обучающей последовательности или другие опорные точки, предварительно определенные с помощью алгоритма k-средних (k-means).
Скорость функционирования и обучения сети напрямую зависит от количества нейронов в скрытом слое. Поэтому жела-
185
тельно, чтобы количество нейронов было минимальным. С другой стороны, чем меньше нейронов – тем меньше точность аппроксимации. Поэтому необходимо решать вопрос о выборе количества нейронов осторожно.
Для выбора количества нейронов и определения их центров нами используется алгоритм k-средних, который разбивает исходное множество данных на кластеры (размер скрытого слоя сети выбирается равным количеству кластеров в разбиении исходного множества данных), и используем центры масс кластеров в качестве центров нейронов.
Описанные нейронные сети тестировались на модельном примере, который представляет собой таблично заданную функцию двух переменных. В качестве аргументов функции выступают условные координаты скважин, а в качестве значений – интенсивности поглощения. Для наглядности отображения область определения функции было решено разбить на 9 промежутков и рисовать с помощью линий уровня.
Результатытестовнейронныхсетейпредставленынарисунке.
Многослойный |
Многослойный |
РБФ сеть: |
РБФ сеть: |
персептрон: |
персептрон: |
20 нейронов, |
20 нейронов, |
1 слой, |
1 слой, |
ширина окна 0,4 |
ширина окна 0,8 |
60 нейронов |
80 нейронов |
|
|
Рис. Результаты тестов для различных нейронных сетей
Сети радиально базисных функций и многослойный персептрон имеют примерно одинаковую точность аппроксимации,
186
но при этом РБФ сети обучаются намного быстрее. Среднее время обучения РБФ сети равно 1 секунде, в то время как для многослойного персептрона оно составляет 10–20 минут. Однако у сети РБФ есть и недостаток: для каждого нейрона необходимо определить ширину окна.
Применение РБФ сетей позволяет за разумное время и с приемлемой точностью спрогнозировать наличие и интенсивность поглощений бурового раствора на основе промысловых данных по ранее пробуренным скважинам. Описанный метод может быть применен для прогнозирования остальных видов осложнений в бурении.
Таким образом, исследованы возможности нейронных сетей для решения задачи аппроксимации функции на примере двух наиболее распространенных видов: многослойный персептрон и сеть радиально-базисных функций. Наилучший результат с точки зрения соотношения скорости обучения и точности прогнозирования показала РБФ сеть. Использование сети радиально-базисных функций при прогнозировании позволяет повысить эффективность предупреждения осложнений в бурении.
Список литературы
1.Геологическое строение и разработка нефтяных и газовых месторождений Башкортостана / К.С. Баймухаметов, П.Ф. Викторов, К.Х. Гайнуллин, А.Ш. Сыртланов. – Уфа: Изд-во АНК «Башнефть», 1997. – 424 с.
2.Бердышев В.И., Петрак Л.В. Аппроксимация функций, сжатие численной информации, приложения. – Екатеринбург: Изд-во УрО РАН, 1999. – 296 с.
3.Хайкин С. Нейронные сети: полный курс. – М.: Виль-
ямс, 2006. – 1104 с.
187
ПОСТРОЕНИЕ КАРТЫ МЕХАНИЗМОВ СВЕРХПЛАСТИЧЕСКОЙ ДЕФОРМАЦИИ
А.В. Казанцева1, Т.В. Останина2
(1Пермский государственный национальный исследовательский университет,
Пермь, Россия, belenkay96@mail.ru,
2Пермский национальный исследовательский политехнический университет,
Пермь, Россия, tv-ostanina@yandex.ru)
Рассматривается процесс сверхпластической деформации поликристаллических металлов. Строятся карты механизмов деформирования при различных температурно-скоростных условиях.
Ключевые слова: сверхпластическая деформация, поликристаллические материалы, механизмы деформации.
Эффект сверхпластичности используется в современных прогрессивных технологиях обработки материалов, поэтому весьма актуальна задача экспериментального и теоретического исследования данного процесса. На основе подходов многоуровневого моделирования, позволяющего одновременно анализировать процессы деформирования на различных масштабных уровнях*, исследуется процесс сверхпластической деформации поликристаллических металлов.
На основе экспериментальных данных строится карта механизмов сверхпластической деформации материалов при различных температурно-скоростных условиях. В качестве механизмов деформации рассматриваются внутризеренное дислокационное скольжение, зернограничное скольжение, фрагментация и дробление кристаллитов. Формулируются гипотезы о преобладающей роли того или иного механизма деформации на различных стадиях деформирования поликристаллов. Полученные результаты пред-
* Многоуровневые модели неупругого деформирования материалов и их применение для описания эволюции внутренней структуры / П.В. Трусов, А.И. Швейкин, Е.С. Нечаева, П.С. Волегов // Физическая мезомеханика. – 2012. – Т. 15, № 1. –
С. 33–56.
188
полагается использовать в трехуровневой модели сверхпластической деформации для формулировки системы критериев перехода деформированияполикристалла в режим сверхпластичности.
Работа выполнена в Пермском национальном исследовательском политехническом университете при поддержке Правительства РФ (Постановление № 220 от 9 апреля 2010 г., договор № 14.В25.310006 от 24 июня 2013 года), Российского фонда фундаментальных исследований (проект 15-08-06866-а).
КОЛЕБАНИЯ ЦИЛИНДРИЧЕСКОГО ПУЗЫРЬКА ПОД ДЕЙСТВИЕМ ПРОДОЛЬНЫХ ИЛИ ПОПЕРЕЧНЫХ ВИБРАЦИЙ
М.И. Кайсина
(Пермский государственный национальный исследовательский университет,
Пермь, Россия, alabuzhev@mail.ru)
Рассматриваются собственные и вынужденные колебания цилиндрического газового пузырька, окруженного несжимаемой жидкостью конечного объёма в цилиндрическом сосуде. Пузырек ограничен в осевом направлении двумя параллельными твердыми плоскостями. На систему действуют либо продольные, либо поперечные вибрации. Динамика контактной линии учитывается с помощью эффективного граничного условия: скорость движения контактной линии предполагалась пропорциональной отклонению краевого угла от равновесного значения. Равновесный краевой угол прямой. Изучены осесимметричная и трансляционная моды собственных колебаний, исследована зависимость частот и декрементов затухания от параметров задачи. При исследовании вынужденных колебанийобнаруженыхорошозаметныерезонансныеэффекты.
Ключевые слова: цилиндрический газовый пузырек, динамика контактной линии, собственные колебания, вынужденные колебания.
При исследовании движения жидкости по твердой подложке важным является моделирование динамики линии контакта трех сред [1, 2]. Одно из наиболее часто используемых эффективных граничных условий, описывающих динамику кон-
189
тактной линии, было впервые применено в [3]. В этой работе изучалось затухание стоячих волн между двумя вертикальными стенками. Указанное условие предполагает линейную связь между скоростью движения контактной линии и отклонением краевого угла от равновесного значения (в случае прямого равновесного краевого угла):
∂ζ* = Λk ζ* , ∂t
где ζ* – отклонение поверхности от равновесного положения,
Λ* – феноменологическая постоянная (постоянная Хокинга), k – вектор нормали к твердой поверхности. При этом условия фиксированной контактной линии и постоянного краевого угла
являются |
частными |
случаями этого граничного условия: |
∂ζ* ∂t = 0 |
и k ζ* |
= 0 соответственно. Подобное условие ис- |
пользовалось при исследовании собственных осесимметричных колебаний жидкой зоны в условиях невесомости в работе [4], собственных и вынужденных колебания полусферического пузырька на твердой подложке в [5], собственных и вынужденных колебаний полусферической капли несжимаемой жидкости на подложке [6, 7] и цилиндрической капли в [8–10]. В работах [11–14] рассматривались колебания цилиндрического газового пузырька, окруженного жидкостью конечного объема со свободной боковой поверхностью.
В данной работе рассматриваются собственные колебания газового пузырька, который в состоянии равновесия пузырек имеет форму цилиндра круглого сечения. Краевой угол между боковой поверхностью пузырька и твердыми плоскостями в равновесии прямой. Газ в пузырьке считаем невесомым. Состояние газа описывается политропным процессом. Пузырек помещен в сосуд цилиндрической формы и окружен несжимаемой жидкостью. Скорость движения линии контакта пропорциональна отклонению контактного угла от равновесного значения [3].
190