ПОДХОДЫ К СИНТЕЗУ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ УПРАВЛЕНИЯ ПРОЦЕССАМИ ПЕРВИЧНОЙ ПЕРЕРАБОТКИ НЕФТИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
DOI:
https://doi.org/10.52167/1609-1817-2023-128-5-277-287Ключевые слова:
математические модели, процессы первичной переработки нефти, нечеткая информация, нефтепродукты, принимающее решениеАннотация
Исследуются проблемы разработки моделей и управления процессом первичной переработки нефти в условиях неопределенности из-за дефицита и нечеткости исходной информации и предлагается подходы к их решению. В результате систематизации выделены и описаны три подходы к разработке моделей сложных объектов в условиях дефицита и нечеткости исходной информации. Путем комбинации и модификации различных принципов оптимальности к нечеткости формулируется математическая постановка задачи принятия решений для управления режимами работы установки первичной переработки нефти и предложен подход к ее решению. Преимуществом предложенного подхода к управлению режимами работы объекта исследования на основе его моделей является возможность максимального использования исходной нечеткой информации, представляющего собой знания, опыт, интуицию лица, принимающего решения, экспертов. Это позволяет получить более адекватные решения реальных производственных задач, характеризуемые нечеткостью исходной информации.
Библиографические ссылки
[1] Ахметов С.А., Баязитов М.И., Кузеев И.Р., Сериков Т.П. Технология и оборудование процессов переработки нефти и газа. Недра.-Санкт-Петербург, 2006, -868 с.
[2] Orazbayev B., Zhumadillayeva, A., Orazbayeva K., Iskakova S., Utenova, B., Gazizov F., Ilyashenko S., Afanaseva O. The System of Models and Optimization of Operating Modes of a Catalytic Reforming Unit Using Initial Fuzzy Information // Energies 2022, Vol. 15, Issue 4, 1573. -P. 1-26. https://doi.org/10.3390/en15041573
[3] Сериков Т.П. Современные технологии и процессы переработки нефти и газа. -Алматы: Гылым. 2018 г. -357 с.
[4] Алиев Р.А., Церковный А.Э., Мамедова Г.А. Управление производством при нечеткой исходной информации. –М.: Энергоатомиздат, 1991. - 307 с.
[5] Zhao Zhi-Wen, Wang De-Hui. Statistical inference for generalized random coefficient autoregressive model. Mathematical and Computer Modelling. 2012. V.56. 152166.
[6] Карманов Ф.И., Острейковский В.А. Статистические методы обработки экспериментальных данных с использованием пакета MathCad. - Москва: Инфра-М, 2017. - 287 с.
[7] Weiwei Zhuang, Yadong Li, Guoxin Qiu) Statistical inference for a relaxation index of stochastic dominance under density ratio model Journal of Applied Statistics. 2022, 49(15). 3804–3822. DOI: 10.1080/02664763.2021.1965966
[8] Anwar, M.Z.; Al-Kenani, A.N.; Bashir, S.; Shabir, M. Pessimistic Multigranulation Rough Set of Intuitionistic Fuzzy Sets Based on Soft Relations. Mathematics 2022, 10, 685. https://doi.org/10.3390/ math10050685
[9] Zimmermann H.-J. Fuzzy Set Theory – and Its Applications. Springer Science+Business Media, LLC. Fifth Edition 2018; p.525. DOI: 10.1007/978-94-010-0646-0
[10] Рыжов А.П. Элементы теории нечетких множеств и ее приложений. -М.: МГУ, 2017. 258 с.
[11] Гуцыкова С. Методы экспертных оценок. Теория и практика. -М.: Когито-Центр. 2017. - 144 с.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 Батырбай Оразбаев, Жадра Кужуханова, Арайлым Жиенбек, Кульман Оразбаева, Алтынай Кишубаева

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.