Wykorzystanie możliwości sieci neuronowych w prognozowaniu i sterowaniu pracą podziemnego magazynu gazu (PMG)

W niniejszej pracy zaprezentowano możliwości wykorzystania sieci neuronowych do prognozowania średniego ciśnienia w magazynie jak i ciśnienia dennego w poszczególnych odwiertach. Dokonano skrótowego omówienia sztucznych sieci neuronowych (SSN) a w szczególności: podstaw biologicznych, modelu sztucznego neuronu, wybranych rodzajów sieci neuronowych (liniowe, perceptron wielowarstwowy MLP, sieci o radialnych funkcjach bazowych RBF, sieci realizujące uogólnioną regresję GRNN, zespoły sieci), metod uczenia sieci (uczenie pod nadzorem, uczenie z krytykiem, uczenie samoorganizujące się) — omówiono podstawowe algorytmy uczenia (metoda wstecznej propagacji błędów, gradientów sprzężonych, Newtona, metoda Levenberga-Marquardta, algorytm k-średnich), oraz ich zastosowania. Zaprezentowano niezbędny zestaw danych (wraz z pre- i postprocessingiem obejmującym między innymi skalowanie zmiennych) na wejściu sieci neuronowych w celu przeprowadzenia procesu uczenia a później prognozowania ciśnień w całym magazynie i poszczególnych odwiertach w kolejnych cyklach pracy magazynu. Na podstawie nauczonych sieci neuronowych wykonano prognozy ciśnienia w magazynie w poszczególnych odwiertach.

---

This paper presents the method as well as procedure to forecast the pressure of Underground Gas Storage Reservoir (UGS) by means of Artificial Neural Networks (ANN). The paper deals with the following tasks of the presented problem: (1) methods of ANN "learning" process (supervised-learning, critic-learning, self-organized learning); (2) optimal algorithm of ANN "learning" process, (back-error propagation, Newton method, Levenberg-Marquardt method, k-means algorithm); (3) an adequate input/output data set (including pre/post-processing calculation). A dozen different architecture of artificial neural networks has been tested and satisfactory results has been obtained.