Модель машинного обучения для прогнозирования аварий на технологических объектах добычи газа

Авторы и правообладатели:

• Гарипов Е. Т. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
• Боровской И. Г. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
• Кручинин В. В. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)

• 1. Жахина Р.У. SCADA системы и основные их компоненты / Р.У. Жахина, К.А. Костылев // Актуальные научные исследования в современном мире. – 2020. – № 4-1 (60). – С. 62–65.
• 2. Нычик Т.Ю. Обоснование методики оценки риска аварий судоходного шлюза // Вестник гос. ун-та морского и речного флота им. адмирала С.О. Макарова. – 2013. – № 1. – С. 15–21.
• 3. Стась Г.В. Оценка риска возникновения аварий при добыче бурых углей / Г.В. Стась, Л.Э. Шейнкман, Е.В. Смирнова // Известия Тульского гос. ун-та. Науки о Земле. – 2015. – № 3. – С. 31–41.
• 4. Морозова Т.С. О применении экспертно-статистического метода при оценке вероятности аварий и отказов работы смесительно-зарядных машин // Горная промышленность. – 2020. – № 4. – С. 86–91.
• 5. Едаменко А.С. Анализ опасностей и оценка риска аварий на объектах хранения нефтепродуктов / А.С. Едаменко, А.В. Ястребинская // Технологии техносферной безопасности. – 2023. – № 3 (101). – С. 60–73.
• 6. Немцов В.С. Оценка риска возникновения аварии грузоподъемных сооружений при строительстве моста // Природные и техногенные риски (физико-математические и прикладные аспекты). – 2023. – № 1 (45). – С. 25–33.
• 7. Моделирование системы искусственного интеллекта для опережающего выявления аварийных ситуаций на жизненно важных объектах / И.Г. Боровской, Е.А. Шельмина, И.Г. Афанасьева, А.А. Матолыгин // Моделирование, оптимизация и информационные технологии. – 2022. – № 10 (3). – С. 1–16.
• 8. Суханов А.В. Параметрическая диагностика и оценка состояния газотурбинных энергетических установок c использованием SCADA-технологий и имитационного моделирования / А.В. Суханов, Д.А. Ахмедзянов // Вестник Уфим. гос. авиационного техн. ун-та. – 2021. – Т. 25, № 4(94). – С. 83–90.
• 9. Антонов О.В. Система предотвращения аварийных ситуаций производственных технологических объектов на основе ситуационной математической модели / О.В. Антонов, Е.Ф. Райкова, Р.Э. Муратов // Вестник Астрахан. гос. техн. ун-та. – Сер.: Управление, вычислительная техника и информатика. – 2022. – № 2. – С. 22–32.
• 10. Зубов Д.В. Диагностика отказов технологического оборудования химических производств с помощью искусственного интеллекта / Д.В. Зубов, Д.А. Лебедев // Программные системы и вычислительные методы. – 2024. – № 2. – С. 30–40.
• 11. Digital twin for leak detection and fault diagnostics in gas pipelines: A systematic review, model development, and case study / W.A. Al-Ammari, A.K. Sleiti, M.A. Rahman, S. Rezaei-Gomari, I. Hassan, R. Hassan // Alexandria Engineering Journal. – 2025. – Vol. 123. – P. 91–111.
• 12. Tornyeviadzi H.M. Leakage detection in water distribution networks via 1D CNN deep autoencoder for multivariate SCADA data / H.M. Tornyeviadzi, R. Seidu // Engineering Applications of Artificial Intelligence. – 2023. – Vol. 122. – Р. 106062.
• 13. Data-driven multi-fault detection in pipelines utilizing frequency response function and artificial neural networks / A.M.H. Hussein, B.A.R. Sharafiz, B.M. Faizal, S.K. Prajindra, A.B.A.J. Nawal // Journal of Pipeline Science and Engineering. – 2025. – Vol. 5, No. 1. – Р. 100223.
• 14. A Data Driven Model for Predicting Tool Health Condition in High Speed Milling of Titanium Plates Using RealTime SCADA / J. Bao, Y. Guangchao, X. Zheng, J. Zhang, X. Ji // Procedia CIRP. – 2017. – Vol. 61. – P. 317–322.
• 15. Phong B.D. Anomaly detection of wind turbines based on stationarity analysis of SCADA data / B.D. Phong, T. Barszcz, W.J. Staszewski // Renewable Energy. – 2024. – Vol. 232. – Р. 121076.
• 16. RandomForestClassifier – документация scikit-learn 1.7.1 [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html, свободный (дата обращения: 04.09.2025).
• 17. StandardScaler – документация scikit-learn 1.7.1 [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.preprocessing.Stan dardScaler.html, свободный (дата обращения: 04.09.2025).
• 18. accuracy_score – документация scikit-learn 1.7.1 [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html, свободный (дата обращения: 04.09.2025).