Автор

Николаева А.Н.

Аннотация

В геологии актуализировались ГИС, внедряются экспертные системы, технологии эволюционного роста. Разрабатываются сложные программные комплексы для работы с разнообразной информацией. В работе проведен системный анализ задачи разработки экспертных систем, баз знаний геологической направленности. Предложена процедура вывода знаний.

Ключевые слова

Нефтегазовая отрасль, геологоразведка, самоорганизация, знания, вывод, база.

Статья

УДК 553.04

 

САМООРГАНИЗАЦИЯ БАЗЫ ГЕОЛОГИЧЕСКИХ ЗНАНИЙ

 

Николаева А.Н.

 

Национальный исследовательский Томский политехнический университет

 

В геологии актуализировались ГИС,​​ внедряются​​ экспертные системы,​​ технологии эволюционного​​ роста.​​ Разрабатываются сложные программные комплексы для работы с разнообразной информацией. В работе проведен системный анализ задачи разработки экспертных систем, баз знаний геологической направленности. Предложена процедура вывода знаний.​​ 

 

Ключевые слова:​​ нефтегазовая отрасль, геологоразведка,​​ самоорганизация, знания, вывод, база.

 

Плохо формализуемые (структурируемые)​​ системы, как правило, сложны не только с точки зрения системного анализа [1], но​​ и​​ с точки зрения выбора релевантного инструментария аналитика,​​ их применения при​​ исследовании. Одним из таких инструментов являются, например, нечёткие множества и логика, эволюционное моделирование и генетические алгоритмы, нейро-системы и сети.

Повысить эффективность и качество решений, геологоразведки можно актуализацией IT-ориентированных интегрированных систем принятия решений (ИСППР), позволяющих оперативно добывать информацию. Например, DataMining, системы ERP (в динамическом производственном процессе) или Enterprise-Wide Risk Management (в комплексном риск-менеджменте предприятия).

Используются не только геологические БД, но и БЗ (Базы Знаний), в частности, с 1998 года «БЗ: гидрогеология, инженерная геология, геоэкология» модульной структуры (Библиотека, Калькулятор, Карты и др.). Это ядро АРМ инженера-геолога.

Основными препятствиями к использованию этих и других инструментов​​ стали:

субъективизм, неопределённость, неполнота используемых экспертных данных,​​ отсутствие релевантных​​ эвристических процедур;

сложность идентификации (параметризации) функций принадлежности;

отсутствие (сложность) адаптационных, самоорганизационных механизмов баз знаний (правил вывода​​ из них).

Постановка, формализация проблемы.​​ Требуется идентифицировать по статистическим данным функцию:

 

y=fx1,x2, , xnfx,  x=x1,x2, , xn 

 

используя систему продукции​​ (правил вывода)​​ P={pi:i=1,2,,m},​​ 

 

pi:  if(j=1m(xi=aij)) then (y=bi)

где​​ aij, bi​​ –​​ элементы​​ нечетких​​ множеств,​​ A=aij:i=1,2,,m;j=1,2,,,n,  B=bj:j=1,2,..,m, соответственно,​​ с функциями принадлежности [2] ​​ ​​​​ γijxj, µ(y).

Правило​​ Pi​​ означает:​​ «если все​​ xi близки к​​ aij, то y​​ –​​ также близок к​​ bi».​​ Вид, количество m​​ правил вывода (продукций) должны быть определены исходя из условий обеспечения критерия адекватности прогнозных (теоретических)​​ YT(xk)и статистических​​ (экспериментальных)​​ y(k)​​ значений:

 

Fa=1Nk=1N( yTxk, a-yk)2min ,

 

где​​ a​​ ​​ вектор идентифицируемых параметров функций​​ принадлежности, N​​ –количество​​ экспериментальных данных.

Для самоорганизации базы продукций (правил вывода) можно использовать процедуру, аналогичную [3].​​ 

Считаем, вид функции принадлежности параметрически определен, например, функцией типа Гаусса:

 

(x-c)22δ2

 

где с,​​ δ –​​ параметры центра и размах относительно неё​​ (см. рис.1).

 

C:\Users\admin\Pictures\f22n8.png

Рис.1.​​ Аппроксимация дискретного ряда (точки)т непрерывной Гауссовой функцией принадлежности (пунктирная линия)

 

Процедура состоит из этапов.

  • Предварительный анализ статистических данных​​ –​​ выбраковка грубых данных, нахождение основных статистических значений​​ xjmin,  xjmax, xjopt, x~j​​ – минимальных, максимальных, оптимальных и шкалированных (нормированных) переменных, где

 

x~j=xj-xjoptxjmax-xjmin .

 

  • Выбираем первую обучающую выборку:​​ k1.

  • Формируем вектор​​ <x(1),y(1)>​​ для начальной базы правил​​ P​​ из одного правила​​ P1, у которых функции принадлежности​​ γ1jx~j и  µ1y~имеют центры​​ x~j(1), y~(1)​​ и отклонения​​ δо(1)=δy=0.5 , j=1,2,,n

  • Выбираем первую продукцию:​​ m1.

  • Пока​​ kN​​ выполняем нижеследующие пункты:

  • Предъявляем обучающую выборку​​ <x(k),y(k)>.

  • Находим оценку (согласно правилам P)​​ y~kxk.

  • Если​​ y~k-y(k)>ε, где​​ ε-задаваемая точность (критериальная мера) обученности,​​ kk+1​​ то​​ mm+1.

  • Вводим новое правило​​ Pi​​ с центрами​​ x~j(k)и ​​ y~(k), отклонениями​​ ​​ ,​​ это гарантирует​​ (см.​​ [4])​​ сходимость​​ f~xfx​​ при​​ N.

  • Переходим к следующей обучающей выборке:​​ k=k+1.

Приведённая процедура не связана с ограничениями по объему выборки ​​ y(k), она достаточно просто реализуема при имитационном моделировании.​​ В качестве практического механизма нечеткого вывода можно взять процедуру Мамдани [5].

При моделировании приходится разрабатывать сложные, большие программные комплексы вывода знаний. Они должны удовлетворять следующим требованиям:

  • уметь работать с разнообразной информацией;

  • иметь несложный, комфортный интерфейс, близкий к обычно используемому на предприятиях;

  • учитывать промышленные и отраслевые нормы и ограничения;

  • защищать от несанкционированного доступа к данным.

 

Заключение

 

Самоорганизация базы продукционных правил нечетко-ориентированных СНН или СППР, а так же систем ситуационного (имитационного) моделирования – необходимые условия релевантного,​​ содержательного принятия решений, выводов о причинно-следственных связях факторов и отклика​​ геологической​​ системы. Важно иметь вычислительно гибкие,​​ с компактной системой продукций, процедуры самоорганизации, базирующиеся на релевантных функциях принадлежности, прозрачной (даже​​ «интуитивно понятной») лингвистической интерпретацией​​ типа «очень малый», «очень точный» и др.​​ 

 

Список литературы

 

  • Казиев В.М.​​ Введение в анализ, синтез и моделирование систем – М.: Бином. Лаборатория знаний. Интуит.ру.​​ -2007.​​ -244с.

  • Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. –М.: Изд-во Тюменского госуниверситета, 2000. –352с.

  • Круглов В.В., Усков А.А. Два подхода к самоорганизации базы правил системы нечетного логического вывода // Информационные технологии, №2, 2006, с.14-18.

  • Катковник​​ В.Я. Непараметрическая идентификация и сглаживание данных: метод локальной аппроксимации. –М.: Наука.-1985.​​ -249с.

  • Леоненков В.В Нечеткое моделирование в среде MatLab и fuzzyTECH. –СПб.:​​ БХВ-Петербург.​​ -2003.​​ -736с.

©​​ А.Н.Николаева, 2019

 

Скачать PDF

Выходные данные

Николаева А.Н. Самоорганизация базы геологических знаний [Электронный ресурс] // Вестник современных исследований. — Электрон. журн. — 2019. — № 8. — Режим доступа: https://orcacenter.ru

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *