Метод, позволяющий при помощи самообучающегося искусственного интеллекта проводить регулярный мониторинг потенциально опасных объектов нефтяной отрасли в Российской Арктике, разработали ученые Сибирского федерального университета, 11 октября сообщает пресс-служба СФУ.

Сопоставление реальных данных, полученных в ходе аварийной ситуации в 2020 году в Норильске, со сценарием, предоставленным разработанной красноярскими учеными нейросетью, доказало высокую эффективность предлагаемого метода.

Доцент кафедры экспериментальной физики и инновационных технологий Института инженерной физики и радиоэлектроники СФУ Александр Москалёв сообщил: «Существующие в настоящее время методики для оценки площади разлива нефтепродуктов в результате аварийной разгерметизации обладают рядом ограничений. Основу большинства методик составляют аналитические модели, не учитывающие физику процессов. Мы решили для моделирования аварийного разлива нефтепродуктов на потенциально опасном объекте, расположенном в арктическом регионе Красноярского края, применить нейронные сети».

За основу при программной реализации был выбран имитатор нейронной сети NeurоРго, разработанный в Институте вычислительного моделирования ФИЦ КНЦ СО РАН. Для обучения ИИ использовались ежедневные оперативные данные по 14 основным признакам, влияющим на скорость распространения разлива нефтепродуктов, уточнил Москалёв.

В СФУ напоминают, что быстрый рост количества объектов нефтепереработки в Арктике требует строительства стационарных топливных резервуаров, контроль состояния которых сложен из-за удаленности и сложных погодных условий. При этом каждая авария на таком объекте может нанести серьезный урон хрупкой северной экосистеме.