Прогнозування видобутку нафти в Україні за допомогою адаптивних моделей

Abstract

У статтi розглянуто моделювання життєвого циклу видобутку нафти. Проаналiзовано сутнiсть, переваги й недолiки цих пiдходiв. Авторами розв’язано задачу апроксимацiї методами математичного моделювання: експоненцiйного вирiвнювання, Хольта та прогнозування на основi нейромережевих технологiй. У роботi надано класифiкацiю цих методiв, зазначено важливiсть їх застосування з метою знаходження ефективних шляхiв розв’язку проблем розвитку промислового комплексу та первинного сектору економiки України, базовою складовою якої є видобувна галузь. Розглянуте моделювання життєвих циклiв видобутку нафти дає можливiсть вiдобразити прогноз у виглядi трикутного нечiткого числа, тобто вказати можливi очiкуванi значення. Адаптивнi моделi прогнозування — це моделi, якi використовують дисконтування даних i можуть швидко пристосовуватись до змiни умов, змiнюючи свою структуру та параметри. Метод експоненцiйного вирiвнювання ґрунтується на тому, що при прогнозуваннi ряд динамiки показникiв вирiвнюється на основi зваженої ковзної середньої, де ваговi коефiцiєнти визначаються експоненцiйним законом розподiлу. Для прогнозування на основi нейромережевих технологiй використана нейронна мережа Feed-forward back propagation, що мiстить три прошарки нейронiв — вхiдний, промiжний та вихiдний. У роботi показано, що найменше прогнозоване значення одержується при застосуваннi методу експоненцiйного вирiвнювання, дещо бiльше при застосування методу Хольта i найбiльше при використаннi нейронних мереж.

The article deals with the modeling of the life cycle of oil production. The essence, advantages, and disadvantages of these approaches are analyzed. The authors solved the problem of approximation using mathematical modeling methods: exponential smoothing, Holt’s method, and forecasting based on neural network technologies. It is provided a classification of these methods and highlights their importance for finding effective solutions to problems in the development of the industrial complex and the primary sector of the economy of Ukraine, whose basic component is the extractive industry. The modeling of the life cycles of oil production enables the forecast to be reflected in the form of a triangular fuzzy number, that is, to indicate possible expected values. Adaptive forecasting models are models that use data discounting and can quickly adapt to changing conditions by changing their structure and parameters. The exponential smoothing method is based on the fact that in forecasting the dynamics of indicators, the series is smoothed based on a weighted moving average, where the weight coefficients are determined by an exponential distribution law. For forecasting based on neural network technologies, a feed-forward back-propagation neural network was used, which contains three layers of neurons - input, intermediate, and output. The paper shows that the smallest forecast value is obtained when using the exponential smoothing method, somewhat larger when using Holt’s method, and the largest when using neural networks.