Застосування нейромережевого підходу для виділення рентабельних перспективних пластів у наявному фонді свердловин української нафтогазовидобувної компанії

Размещено на http://www.allbest.ru/

УДК338.984:330.4

Застосування нейромережевого підходу для виділення рентабельних перспективних пластів у наявному фонді свердловин української нафтогазовидобувної компанії

Доц. М.Т. Краснюк, канд. екон. наук -

Київський НЕУ ім. Вадима Гетьмана

Запропоновано моделі та технології їх застосування, що забезпечують літологічне розчленовування свердловини та виявлення нафто-газонасичених колекторів. нафтогазовидобувний нейронний мережа рентабельний

Для вирішення зазначеної вище задачі запропоновано технологію використання штучних нейронних мереж, що вирішить проблему підвищення надійності, об'єктивізації, та підвищення якості інтерпретації нагромаджених геолого-економічних даних та знань вітчизняних нафтогазовидобувних компаній.

Впровадження таких технологій та алгоритмів має істотне значення для швидкого та рентабельного нарощування ресурсної бази, а отже, і капіталізації українських нафто-газових компаній в умовах поточної кризи.

Ключові слова: геолого-економічна оцінка; рентабельність, штучна нейронна мережа, алгоритми навчання; геофізичні методи, нафтогазова свердловина, інтелектуальний аналіз даних, шаблон.

Предложены модели и технологии их применения, обеспечивающих литологичес-кое расчленение скважины и выявления нефте-газонасыщенных коллекторов.

Для решения вышеуказанной задачи предложена технология использования искус-ственных нейронных сетей, которая решит проблему повышения надежности, объективизации и повышения качества интерпретации накопленных геолого-экономических данных и знаний отечественных нефтегазодобывающих компаний. Внедрение таких технологий и алгоритмов имеет существенное значение для быстрого и рентабельного наращивание ресурсной базы, а следовательно, и капитализации украинских нефтегазовых компаний в условиях текущего кризиса.

Ключевые слова: геолого-экономическая оценка; рентабельность, искусственная нейронная сеть, алгоритмы учебы; геофизические методы, нефтегазовая скважина, ин-теллектуальный анализ данных, шаблон.

The model and the technologies for lithological division and oil and gas reservoirs detection is proposed. Artificial neuronetworks are suggested using in order to solve the problem mentioned. This will solve the problem of objectivity, quality and validity of stored data and knowledge bases of Ukrainian oil and gas production companies. The business process of interpretation of geological and geophysical data which are difficult to formalize and for geological and economic validity and significance of the results is studied. The implementation of proposed technologies and algorithms is essential for rapid and cost-effective growth of the resource base, and in the hence of recapitalization Ukrainian oil and gas production companies in current crisis conditions.

Key words: geological and economic evaluation, cost effectiveness, artificial neuronet-work, geophysical method, oil and gas well.

Відновлення і розвиток нафтогазової промисловості будь-якого регіону (країни) світу пов'язані насамперед з обсягами прогнозних ресурсів вуглеводнів, станом розвіданих запасів вуглеводнів і визначаються технологічними, економіч-ними, організаційними, політичними та іншими факторами. Не є виключенням і Україна - одна із найдавніших нафтогазовидобувних держав світу.

Перш ніж почати аналіз, необхідно визначити деякі терміни:

* доведені запаси вуглеводнів - це відомі об'єми вуглеводнів, які можна вилучити з прибутком, використовуючи наявну технологію;

* нерозвідані традиційні ресурси - ресурси нафти та газу, які опошуковують наф-тогазові компанії опрацьованими технологіями і які можна видобути з використанням наявної традиційної практики розробки вуглеводнів;

* нетрадиційні ресурси - ресурси нафти та газу, які існують за межами добре окон- турених пасток;

* ресурси, отримані завдяки зростанню родовищ - ресурси, які очікувано додадуться до розвіданих запасів родовища завдяки: фізичному розширенню меж родовища, розробки нових горизонтів, більш ретельному підрахунку та оцінки запасів родовища на основі досвіду видобутку та зміни відношення між ціною та витратами; застосуванню нових технологій і методів пошуку, розробки, видобутку вуглеводнів та оброблення відповідної інформації. Значною мірою перераховані фактори залежать від інновацій, які складно передбачити. Крім того, ці фактори є складними та взаємопов'язаними, і отже складно піддаються індивідуальному аналізу. Таким чином, оцінка можливого майбутнього приросту запасів повинна базуватися на емпіричній проекції минулих шаблонів, зокрема і на застосуванню нейронечітких алгоритмів пошуку шаблонів Data Mining. Економічний аналіз оцінює витрати з трансформації ресурсів у доведені запаси, які технологічно можливо та економічно вигідно вилучити, тобто відоб-ражає ціну за пошук, розробку та видобуток певної кількості оцінених ресурсів за поточною технологією та наявним науковим рівнем розуміння. Головною кін-цевою метою економічного аналізу геологічних ресурсів є краще розуміння еко-номічної ситуації вищим менеджментом індустрії та урядом.

Хоч наявні історичні дані недостатні, щоб поєднати витрати на приріст запасів завдяки інноваціям, зрозуміло, що в середньому ці витрати нижчі за вит-рати на розвідку, облаштування та розробку нових родовищ, але вищі за витра-ти на видобуток із розвіданих та доведених запасів.

Оцінки економічного аналізу в цій сфері базуються на геологічних даних, аналізі ймовірності та ранжуються різною мірою впевненості. Найбільш важливі результати таких оцінок не в абсолютних цифрах, а в тому, що робити з тренда-ми розвідки та видобутку та можливим розташуванням нерозвіданих ресурсів. Іншими словами, економічні моделі в розвідці нафти та газу застосовуються для визначення головних тенденцій, а не точних передбачень.

Мабуть, найважливішим висновком економічного аналізу є те, що з вра-хуванням тенденції зростання родовищ, щоб підтримувати видобуток у країнах із добре розвіданими надрами (Україна, США й ін.), необхідне використання всіх можливих інновацій у сфері управління розвідкою та видобутком, значне вдоско-налення технології розвідки та інтерпретації накопичених даних.

Під час огляду результатів економічного аналізу, чи їх використання для подальших цілей аналітики чи планування, необхідно враховувати часовий кон-текст, оскільки цей аналіз не залежить від функції часу. Він прогнозує витрати на конвертування (з поточним рівнем технології) нерозвіданих ресурсів у підтвер-джені запаси та видобуток. Звичайно, буріння свердловин для підтвердження за-пасів потребує часу, але тоді і технологія, і наукове розуміння продовжують ево-люціонувати. Наприклад, під час останніх двох десятиліть багато геологічних, технологічних та інформаційних проривів зроблені в бік значного підвищення ефективності розвідки та розробки нафти та газу.

Специфіка нафтогазовидобувної галузі та сучасні вітчизняні економіко- геологічні умови свідчать про переважання інтенсивного шляху збільшення кіль-кості видобутих в Україні вуглеводнів над екстенсивним. Досвід показує, що по-чаткові оцінки розміру щойно відкритих нафтогазових родовищ звичайно зани-жені і з роками збільшуються. Термін "ріст запасів" означає типове зростання оцінки максимальної можливої кількості запасів, які можуть бути видобуті з цих родовищ завдяки інноваціям, значну роль в яких сьогодні відіграють інновації у сфері інтелектуальних інформаційних систем і технологій.

За результатами аналізу можна виділити такі поправки в оцінках запасів через введення економічних обмежень: значне зниження частки та кількості нет-радиційних запасів, зниження кількості нерозвіданих запасів, та пов'язане з цим зростання частки розвіданих запасів, зростання і частки, і кількості запасів завдя-ки приросту запасів наявних родовищ. Ці тенденції свідчать про важливість при-росту запасів у розвіданих родовищах як важливого фактора економічної ста-більності нафтогазової галузі та всієї економіки. Можна підтвердити висновок, що поряд із традиційним збільшенням запасів завдяки розвідці нових родовищ (що потребує значних та довготермінових інвестицій), значну увагу варто приді-ляти зростанню запасів наявних родовищ завдяки впровадженню інновацій, зок-рема у сфері економіко-математичного моделювання та інтелектуального аналізу даних та знань.

Теоретичні засади економіко-математичного моделювання та інтелекту-ального аналізу даних та знань підприємств з урахуванням зазначених вище умов досліджено в роботах українських вчених: Є.В. Афанасьєва, О.О. Бордіна, В.В. Вітлінського, Г.І. Великоіваненко, М.Н. Жукова, М.І. Євдощука, А.Б. Ка- мінського, Коржнєва, А.В. Матвійчука, Л.М. Кучми, В.С. Міщенко, В.А. Ми-хайлова, С.І. Наконечного, В.Ф. Ситника, О.І. Черняка, О.Д. Шарапова та ін.

Статистика розвитку галузі та аналіз вітчизняних нафтогазових компаній показав, що впровадження інновацій сприяє зростанню обсягів виробництва (приросту запасів газу та конденсату, об'ємів їх видобутку, транспортування і пе-рероблення) та зниженню капітальних і експлуатаційних затрат на одиницю про-дукції, що обумовлює приріст прибутку та зростання продуктивності праці.

Отож, запропонована технологія застосування нейромережевого підходу для виділення рентабельних перспективних пластів у наявному фонді свердловин української нафтогазовидобувної компанії є актуальним завданням, особливо в умовах поточної макроекономічної та галузевої кризи.

На входи штучної нейромережі (ШНМ) подаються показання геофізичних методів у кожній точці свердловини. На виході фіксується одне із двох значень -1 (пласт є) і 0 (пласт відсутній). Параметри функції активації, вагові коефіцієнти мережі, число нейронів і число пластів приймемо за невідомі величини, які під-бираються у процесі навчання. Під час дослідження ефективності методу для навчання нейромережі були взяті геофізичні дані із трьох свердловин з відомими розшифруваннями границь пластів. Навчальна вибірка містила більше 2000 то-чок. Після навчання відсоток розпізнаних точок досяг 81.

Перевірка проводилася на інших свердловинах цієї площі. На рис. 1, зображено розчленовування розрізу на пласти за зазначеною методикою для двох свердловин. Спрогнозовані нейромережею (багатопластовий персептрон) пласти показані верхніми прямокутниками. Нижні прямокутники відповідають даним розшифрування каротажних діаграм для відповідних свердловин.

944 946 943 950 952 954 95Е 95В 9В0 S62 9S4 965 9Є8 970 972 974 976 978 930 9S2

Рис. 1. Розподіл пластів нейромережевим методом. Свердловина 1

Рис. 2. Розподіл пластів нейромережевим методом. Свердловина 2

Метод виділення пластів геофізичних свердловин на основі нейронної ме-режі із сигмоїдною функцією активації дав задовільні результати. Перевагою ме-тоду є висока швидкість оброблення нових свердловин і незалежність від умов вимірів. Більш високої якості розбивки з обліком того, що границі пластів-колек- торів є розмитими, можна добитися за допомогою кодування вихідних сигналів нейронної мережі.

У пласт вписується функція, задана параболою. Нехай колектор перебуває на глибині h1. h2 (h2 > h1). Тоді значення функції або виходу мережі на глибині h (у метрах) обчислюється за формулою: (h2 - h )2

Таким чином, у середині пласта-колектора вихідне значення мережі мак-симальне і дорівнює 1. На рис. 3 показана різниця між вихідними та кодованими сигналами для цього алгоритму.

Деталізуємо розв'язану вище задачу - виділення пластів - у виділення ко-лекторів за геофізичними даними. Для вирішення цієї задачі інтелектуального аналізу даних використовуються такі характерні ознаки колекторів:

* проникність. Для виділення колектора використовуються дані, які отримуються за допомогою методів ефективного опору та опору, що здається;

* низький зміст поверхнево активної пластичної твердої фази. Визначається методами опорів або комплексним аналізом останніх разом із нейронними, ультразвуковими та гамма-методами;

* висока пористість. Для виділення колекторів за цією ознакою використовуються методи ізотопів, потенціалів, магнітометрії та термометрії.

Рис. 3. Кодування вихідного сигналу нейронної мережі

Використовуючи отриману від експерта інформацію про виділені колек-тори з тестових свердловин, виявлено закономірності між показаннями карота- жів і наявністю або відсутністю колектора.

Для задачі виділення колектора за цим способом кодування розглянуто модель радіальної нейронної мережі (RBF). Як вхідні сигнали радіальної мережі взято результати вимірів із декількох свердловин, отриманих вісьмома методами: ВК (бічний каротаж), SP (власні потенціали), PZ (потенціал-зонд), GR (гамма-ме-тод), NGR (нейтронний гамма-метод), DT (ультразвуковий метод), DS (діаметр свердловини) і IK (індукційний каротаж). Половину отриманої вибірки (X Y) і = 1K, K = 2000 використано для навчання, іншу половину - для тестування.

Внаслідок численних експериментів було встановлено, що для успішного розв'язання задачі розпізнавання колекторів кількість центрів Н радіальної нейронної мережі або кількість базисних функцій не повинна перевищувати 4.

Для взятих свердловин найкращі результати мережа показала при Н = 3, забезпе-чивши, у середньому, розпізнавання колекторів з ймовірністю 86 %. На рис. 4 по-казаний результат апроксимації радіальною мережею частини вихідного сигналу, представленого в навчальній свердловині на глибині від 900 до 930 м.

Рис. 4. Результат роботи мережі RBF на свердловині під час виділення колекторів

Метод нейромережевого виділення пластів геофізичних свердловин дав задовільні результати. Перевагою методу є висока швидкість оброблення нових свердловин і незалежність від умов вимірів. Другим кроком досліджень було зас-тосування різних моделей штучних нейронних мереж для визначення коефіцієнтів пористості колекторів у задачі геофізичного дослідження свердловин. Представлені результати експериментів на свердловинах.

Визначення коефіцієнтів пористості й нафтонасичення є наступним ета-пом у геофізичному дослідженні нафтових свердловин після виділення пластів- колекторів. Під час виконання цієї роботи геофізик-інтерпретатор вбачає невиз-наченість і суперечливість у геофізичних даних, тому успішне вирішення задачі потребує від нього великого досвіду з розшифрування каротажних діаграм. Зас-тосування штучних нейронних мереж може значно полегшити працю геофізика та прискорити процес інтерпретації нових свердловин.

Для визначення коефіцієнта пористості використовують результати вимі-рів, отриманих методами опору, потенціалів власної поляризації, нейтронними, неуважного гамма-випромінювання та ультразвуковим. У більшості випадків по-ристість розраховують за методами опорів; нейтронні методи застосовують у тих випадках, коли пористий простір породи заповнений водою, нафтою або газом з відомим водневим еквівалентом.

Розглянуто можливість прогнозування коефіцієнта пористості виділеного пласта-колектора багатопластовим персептроном. На входи мережі подаються показання геофізичних методів виділених пластів-колекторів, вихідний сигнал відповідає значенню пористості для всього пласта. В експерименті брало участь 8 розвідницьких свердловин, до яких додавалися розшифрування геофізиків-ін- терпретаторів із вказівкою глибин свердловин, відповідних до колекторів, коефі-цієнта загальної пористості і типу насичення. Для нафтонасичених колекторів додатково вказувався коефіцієнт нафтонасичення. На вхід мережі подавалися по-казання 7 методів: ВК (бічний каротаж), SP (власні потенціали), PZ (потенціал- зонд), GR (гамма-метод), NGR (нейтронний гамма-метод), DT (ультразвуковий метод), IK (індукційний каротаж). Загальна кількість навчальних прикладів ста-новила 200, половина з яких використовувалася для навчання, інші - для тесту-вання нейронної мережі. Використовувалися такі параметри генетичного алго-ритму, призначеного для синтезу архітектури і навчання багатопластової нейронної мережі: кількість хромосом у популяції - 50; ймовірність кросовера - 0,90; мутації - 0,05. Застосовувалися стандартний двохточковий оператор схрещування і стратегія елітизму. Внаслідок після 200-300 епох алгоритму досягається мінімум функції помилки, у середньому дорівнює 0,0050 для обох множин - робочого та тестового. Кількість запропонованих генетичним алгоритмом внутрішніх шарів нейронної мережі - 1, нейронів у пласті - 5. На рис. 5 зображені графіки залежностей коефіцієнта, виданого нейронною мережею від еталонного коефіцієнта пористості для такого ж прикладу для навчальної і тестової вибірок. Видно, що описана вище модель багатопластового персептрона задовільно справляється із прогнозуванням пористості за даними комплексу геофізичних методів. Така ж методика може бути застосована для оцінки інших видів пористості, наприклад динамічної пористості колекторів.

Нечітка нейронна мережа TSK показує кращі результати на тестових функціях, порівняно з багатопластовим персептроном. Тому доцільно розглянути її застосування для прогнозування коефіцієнта пористості. Результати навчання мережі TSK і тестування представлені на рис. 6. З порівняння рис. 5 і 6 випливає, що задача визначення коефіцієнта пористості краще вирішується мережею TSK. Середньоквадратична помилка прогнозування на тестовій множині даних для ба- гатопластового персептрона а = 1, 9 %, для мережі - TSK а = 1, 6 %.

Рис. 5. Графік виходів нейронної мережі (багатопластовий персептрон), який визначає пористість: а) навчальна множина б) тестова множина

Рис. 6. Графік виходів нейронної мережі TSK, що визначає пористість: а) навчальна множина б) тестова множина

Розглянуто результати дослідження якості ідентифікації перспективних пластів, залежно від масштабу та повноти даних. Як вихідні дані для проведення обчислювального експерименту були взяті наявні оцифровані результати каро-тажних досліджень свердловин. Перед обробкою дані нормувалися. Залежно від експерименту кількість використовуваних кривих змінювалася.

В експерименті брало участь 400 інтерпретованих свердловин, які розді-лялися на навчальну (30 %) і тестову (70 %) множини. Оскільки наявні в розпо-рядженні висновки зі свердловин містили в собі лише дані щодо колекторів і ха-рактеру насичення, усі експерименти були спрямовані на пошук колекторів і ви-явлення типу флюїду.

Метою роботи була перевірка застосовності штучної нейронної мережі для літологічного розчленовування розрізу свердловини та оцінка якості інтерпретації.

Для одержання даних, використовуваних для навчання ШНМ, було обрано таку сукупність методів каротажу: бічний каротаж (ВК), діаметр свердловини (DS), акустичний каротаж (DT), гамма-каротаж (GR), нейтрон-гамма-каротаж (NGR). Це пояснюється тим, що ці методи представлені на всіх свердловинах у наявному наборі даних. При поділі вихідних даних за окремими методами для розпізнавання літологічного пласта будується ШНМ на кожний каротажний метод окремо.

Під час експерименту було побудовано та навчене по декілька ШНМ на кожний варіант формалізації задачі, а потім з отриманої множини було обрано одну, що найбільш точно будує задане відображення. Нейронні мережі, що вико-ристовуються для виділення колекторів, містять один нейрон у вихідному шарі. При визначенні типу насичення використовувався результуючий вектор ШНМ такого вигляду:

Ci = ( s}, sl, s3),

де: s} - ступінь водонасиченості пласта на відліку глибини і; s2 - ступінь нафто- насиченості пласта на відліку глибини і; s3 - ступінь нафто-водонасиченості пласта на відліку глибини i.

Розмірність вихідного пласта ШНМ у цьому випадку становить 3 нейро-ни. Застосування алгоритму без вікна даних за групою методів мається на увазі використання вхідного вектора даних такого вигляду:

Ui = и}, и2, uf, и4, и5,

де: u} - значення ВК на глибині i; и2 - значення DS на глибині i; и3 - значення DT на глибині i; и4 - значення GR на глибині i; и5 - значення NGR на глибині i.

Використання вікна даних дає змогу ШНМ аналізувати не тільки поточне значення каротажних методів, але й s характер поведінки кривої в околиці оці-нюваної глибини. Під час експерименту застосовувалися вікна розмірністю в 3 і 5 відліків глибини. Таким чином, вхідні вектори виглядають у такий спосіб:

Ui = и}_ь и], и}+ь и2_!, и2, и2+1, и3_}, и3, и3+1, и4_!, и4, ы4+1, и5_ъ и5, ы5+1,

Ui = (^..., и}+ъ u'i_2,..., и1ъ ..., ^І+Ь ui_2,..., иі+ь и5^..., иг5+2 ),

де: и} - значення ВК на глибині i; и2 - значення DS на глибині i; и3 - значення DT на глибині i; и4 - значення GR на глибині i; и5 - значення NGR на глибині i.

Результати експерименту за виділення пластів колекторів за допомогою ШНМ на трьох свердловинах представлені на рис. 7.

Середньоквадратичне відхилення і коефіцієнт взаємної кореляції по 10 свердловинах навчальної вибірки при розпізнаванні нафтонасичених, водона- сичених, нафто-водонасичених пластів наведені в табл. 2.

Результати експерименту з визначення характеру насичення на трьох свердловинах з вікном даних у 5 інтервалів наведені на рис. 10.

У цьому випадку, аналогічно розпізнаванню пластів колекторів видно, що чим більша розмірність використовуваного вікна даних, тим вища якість інтер-претації. Мережі, навчені по групі каротажних методів, дають досить достовірні оцінки наявності пластів-колекторів, нафто- і водонасичених пластів. Оцінки на-явності нафто-водонасичених пластів трохи гірші, порівняно з попередніми запасів родовища на основі досвіду видобутку та зміни відношення між ціною та витратами; застосування нових технологій і методів пошуку, розробки, видобут-ку вуглеводнів та оброблення відповідної інформації. Значною мірою перерахо-вані фактори залежать від інновацій, зокрема застосування нейронечітких алго-ритмів пошуку шаблонів Data Mining в накопичених геолого-економічних та ге- олого-геофізичних корпоративних даних.

Рис. 8. Результати навчання мережі з визначення характеру насичення без вікна даних на трьох свердловинах

Отже, запропоновано моделі та технології їх застосування, що забезпечу-ють літологічне розчленовування свердловини та виявлення нафто-газонасиче- них колекторів.

Для розв'язання зазначеної вище задачі запропоновано технологію вико-ристання штучних нейронних мереж, що вирішить проблему підвищення на-дійності, об'єктивізації, та підвищення якості інтерпретації накопичених геолого- економічних даних та знань вітчизняних нафтогазовидобувних компаній.

Рис. 9. Результати навчання мережі визначенню пластів-колекторів на трьох свердловинах з вікном даних у 5 інтервалів

Внаслідок аналізу застосовності ШНМ для розпізнавання літологічної структури свердловини доведено можливість застосування апарата ШНМ для якісної інтерпретації даних, що дає змогу автоматизувати якісну інтерпретацію безпосередньо на свердловині з досить високим ступенем надійності.

Розроблені правила формалізації вхідних і вихідних даних під час розв'язання задачі, за допомогою яких можливий аналіз як певної постійної групи методів, так і змінної, розмір якої може бути скорочений аж до одного методу.

Розроблені ефективні методики попередньої та постоброблення каротаж-них діаграм з метою підвищення точності мережі та апробовані методи оцінки якості розпізнавання.

Проведено комплексний експеримент із навчання ШНМ, що полягає у ви-діленні пластів-колекторів і нафтонасичених, водонасичених, нафто-водонасиче- них пластів. Отримано експериментальні залежності між правилами формалізації задачі та кінцевими результатами розпізнавання літологічної структури розрізу свердловини за допомогою апарата ШНМ.

Література

1. Євдощук М.І. Геолого-методичні принципи оцінювання запасів (ресурсів) вуглеводнів у надрах / М.І. Євдощук, С.П. Євдощук, О.Й. Пінчук, В.Я. Сініцин // Нафтова і газова промисловість. - 2001. - № 1. - С. 11-14.

2. Гафич О.І. Науково-методичні засади побудови системи динамічного аналізу невизначе- ностей і ризиків нафтогазовидобувних проектів і підтримки прийняття рішень з їх реалізації / О.І. Гафич // Бізнес інформ : науков. журнал. - 2013. - № 8 (427). - С. 166-173.

3. Карамишев О.С. Значення геолого-економічної оцінки геологорозвідувальних робіт в ринкових умовах надрокористування / О.С. Карамишев, В.А. Романюк // Нафтова і газова промисловість. - 1998. - № 6. - С. 3-5.

4. Краснюк М.Т. Нечіткі орієнтовані на знання засоби підтримки прийняття інвестиційних рішень нафтогазовидобувної компанії / М.Т. Краснюк // Економіка та підприємництво : зб. наук. праць молодих учених та аспірантів / відп. ред. С.І. Дем'яненко. - К. : Вид-во КНЕУ, 2002. - Вип. 9. - 200 с.

5. Краснюк М.Т. Технології штучного інтелекту та гібридний підхід в орієнтованих на знання СППР (на прикладі нафтогазовидобувної компанії) / М.Т. Краснюк // Моделювання та інформаційні системи в економіці : Міжвідом. наук. зб. / Відп. ред. М.Г. Твердохліб. - К. : Вид-во КНЕУ, 2002. - Вип. 68. - 190 с.

6. Краснюк М.Т. Особливості розвитку геолого-економічних інформаційних технологій у галузі розвідки і розробки нафтогазових родовищ на Україні / М.Т. Краснюк, О.І. Гафич // Моделювання та інформаційні системи в економіці. - К. : Вид-во КНЕУ. - 2006. - № 74. - С. 182-192.

7. Краснюк М.Т. Управління економічним ризиком інвестування у газовидобувну галузь / М.Т. Краснюк // Проблеми економічного ризику: аналіз та управління : зб. наук. праць за матер. Першої Всеукраїнської наук.-практ. конф. - К. : Вид-во КНЕУ. - 1998. - С. 36-37.

8. Краснюк М.Т. Розроблення ефективної методики геолого-економічного моделювання і оцінки ризиків нафтогазовидобувних проектів / М.Т. Краснюк, О.І. Гафич // Моделювання та інформаційні системи в економіці. - К. : Вид-во КНЕУ. - 2007. - № 75.

9. Краснюк М.Т. Систематизація, моделювання та оцінка галузевих ризиків при техніко- та геолого-економічному обгрунтуванні інвестиційних проектів нафтогазовидобутку / М.Т. Краснюк, О.І. Гафич // Моделювання та інформаційні системи в економіці. - К. : Вид-во КНЕУ. - 2007. - № 76. - С. 95-106.

10. Краснюк М.Т. Моделювання ризику участі компанії-інвестора в проектах пошуку і розвідки нафти і газу / М.Т. Краснюк, О.І. Гафич // Економічний вісник Національного гірничого університету : наук.-екон. журнал. - Дніпропетровськ : Вид-во НГУ. - 2010. - № 1. - С. 102-111.

11. Нафта і газ України / за ред. М.П. Ковалко та ін. - К. : Вид-во "Наук. думка", 1997. -

380 с.

12. Ротштейн А.П. Идентификация нелинейных объектов нечеткими базами знаний / А.П. Ротштейн, Д.И. Кательников // Кибернетика и системный анализ : Міжнар. наук.-теорет. журнал. - К. : Вид-во ІК ім. В.М. Глушкова НАН України. - 1998. - № 5. - С. 53-61.

13. Ротштейн А.П. Идентификация нелинейных зависимостей нейронными сетями / А.П. Ротштейн, Ю.И. Митюшкин // Проблемы бионики : всеукр. межведомств. науч.-техн. сборник, Харьков. - 1998. - № 49. - С. 168-174.

14. Ситник В.Ф. Проблеми підтримки прийняття ризикових рішень засобами СППР, орієнтованих на знання (на прикладі нафтогазовидобувної галузі України) / В.Ф. Ситник, М.Т. Краснюк // Ризикологія в економіці та підприємництві : зб. наук. праць за матер. Міжнар. наук.-практ. конф. - К. : Вид-во КНЕУ. - 2001. - С. 369-370.

15. Юрчишин В.М. Економіко-екологічні аспекти інформаційного моделювання нафтогазових об'єктів / В.М. Юрчишин // Нафтова і газова промисловість. - 2001. - № 4. - С. 54-56.

Размещено на Allbest.ru