Суть исследования отражает решение одной из ключевых задач, которая возникла в процессе машинного обучения.
В связи с высокими финансовыми затратами на освоение новых нефтегазовых месторождений, возникает необходимость разработки и внедрения новых эффективных технологий, снижающих себестоимость добычи. Удаленность месторождений, ввод в эксплуатацию новых объектов, а также суровые климатические условия осложняют управление нефтегазовыми активами. Одной из современных тенденций, способных облегчить процесс добычи, является переход на машинное обучение в создании «умного» месторождения. Ранее, у исследователей САЕ «Эконефть» совместно с ПАО «Татнефть», уже была реализована первая пробная фаза разработки, в рамках которой ученым удалось продемонстрировать перспективу использования нейросетей при оптимизации процессов нефтедобычи. Промышленный интернет вещей и связанные с ним возможности только усиливают необходимость в так называемом цифровом «переходе».
«Цифровизация строится на данных, которые мы получаем либо из математической модели, либо на основе реальных измерений в ходе натурных экспериментов. Однако, надо учитывать, что ни одна математическая модель не обеспечивает стопроцентного соответствия, ведь у каждой есть своя погрешность. В рамках работы был рассмотрен общий подход к использованию машинного обучения и искусственных нейронных сетей для решения задач диагностики неисправностей в аналого-цифровых интегральных схемах», – отметил директор Института математики и информационных технологий КФУ Сергей Мосин.
Особый интерес для современного производства представляет задача диагностики неисправностей. Современные микросхемы состоят из сотен миллионов, даже миллиарда компонентов. В условиях высокой степени интеграции решение задачи диагностики неисправностей связано с обработкой больших данных. Здесь не только дефект и, как следствие, неисправность, но и допуски на параметры внутренних компонентов формируют вариативность поведения устройства.
Ученым КФУ удалось найти способ минимизации входного обучающего набора и обеспечить различимость между влиянием различных неисправностей на выходные сигналы устройства. Для этого разработчики использовали теорию информации и оценку энтропии, которая обеспечила формирование удобных для обучения входных наборов. Формируемая в результате обучения нейронная сеть обеспечивает высокие показатели диагностики неисправностей. Результаты работы имеют большую актуальность для современных разработчиков микроэлектронных систем. Специалистам важно исключить использование неисправных микросхем при разработке микроэлектронной аппаратуры. Решение поставленной задачи непосредственно влияет на снижение себестоимости готовой продукции. Каждый производитель заинтересован, чтобы сумма производственных затрат понижалась, а процент выхода годных изделий приближался к полноценной сотне.
Источник: https://fgbnuac.ru/news/299.html
Если Вам нравятся наши материалы, подписывайтесь на канал. Выскажите своё отношение к статье оценкой или комментарием.