Заляев финат: Финат Заляев | Последние новости энергетики России. Информационный портал энергетика

Содержание

Муравленковские нефтяники прошли проверку

Вслух.ru

Новости

ТЭК

ТЭК

Вслух.ру

28 июня 2017, 11:55

На одной из скважин Западно-Суторминского месторождения, по легенде плановых тактико-специальных учений, произошла авария. В результате на кустовой площадке якобы образовался открытый газонефтяной фонтан и произошел разлив нефтесодержащей жидкости.

Цель учений — отработка действий всех служб при наступлении нештатной ситуации. Учения проводились при взаимодействии «Газпромнефть-Муравленко» с профильными государственными структурами, в том числе с ГУ МЧС России по ЯНАО и Западно-Сибирской противофонтанной военизированной частью.

Для ликвидации учебной аварии был создан оперативный штаб, на место происшествия доставлена техника, необходимая для устранения последствий ЧП. Кроме того, был отработан механизм организации связи между различными управлениями в полевых условиях, оценены достаточность сил и средств, эффективность спланированных мероприятий по ликвидации аварийного разлива нефти. Проведены работы по локализации и устранению открытого газонефтяного фонтана, произведена замена аварийного оборудования.

»Такие учения проводятся ежегодно. Они позволяют оценить способность работников предприятия и подрядных организаций своевременно и четко реагировать на нештатные ситуации. Учения показали высокую готовность всех ответственных служб», — прокомментировал главный инженер «Газпромнефть-Муравленко» Финат Заляев.

»Успешное решение поставленных задач позволило убедиться в сплоченности действий команды учений, а также дополнительно отработать алгоритм взаимодействия с профильными государственными структурами», — рассказал начальник отдела пожарной безопасности «Газпромнефть-Муравленко» Виктор Бакушин.

Неудобно на сайте? Читайте самое интересное в Telegram и самое полезное в Vk.

Последние новости

Вслух.ру

4 декабря, 14:42

Двое тюменцев представят область на конкурсе «Мисс и Мистер студенчество России»

В этом году в числе участников 56 победителей региональных этапов.

#конкурсы

#студенты

#вуз

#новости Тюмени

Вслух.ру

4 декабря, 13:42

В Каскаре завершается строительство поликлиники

Она будет обслуживать больше 22 тыс. человек.


#медицина

#врачи

#здоровье

#здравоохранение

#поликлиника

#строительство

#новости Тюмени

Вслух.ру

4 декабря, 12:07

Традиционный фестиваль «Декабристские вечера» пройдет в Ялуторовске

13 декабря в музее «Торговые ряды» состоится презентация выставки «Декабристы. Точки на карте».

#история

#память

#музей

#новости Тюмени

Вслух.ру

4 декабря, 12:06

VR-экскурсию по музею «Молодой Гвардии» в Краснодоне записали тюменские волонтеры

В дальнейшем зрителями VR-экскурсии станут школьники и студенты Тюмени.

#музей

#Великая Отечественная война

#Краснодон

#Донбасс

#история

#память

#технологии

#новости Тюмени

Вслух. ру

4 декабря, 11:40

Два проекта Тюменской области претендуют на победу в международной премии #Мывместе

В прошлом году четыре из шести проектов тюменцев получили высокую оценку и стали призерами.

#форум

#премия

#гранты

#новости Тюмени

Одетая в гранит

Улица Дзержинского: пять домов с уникальной историей

азат заляев, 56 лет, нефтекамск

азат заляев, 56 лет, нефтекамск — (50) друзей профиль в одноклассниках

56 лет, Россия, нефтекамск

Заходил 12 октября 2016, 18:06

Фотографии пользователя азат заляев в одноклассниках

Друзья 50

Светлана Якупова

Наил Марданов

Андрей Шиповский

Гульнара Г

Фанзат Гималтдинов

Рафис Закиев

Камиль Камалов

Елена Кочетова

Марат Закиров

Ильнур Муртазин

Нил Хисматуллин

Асия Муртазина

Ришат Разтдинов

Динарис Миннегалиев

Финат Шафиев

Таня Абдуллина

Илдус Киямов

Алия Минебаева

Ильдар Зайниев

Ирина Рождественская

Гульнара Чужинова

Гузель Бочарова

Надежда Сафина

Фадис Биков

Валерий Солнцев

Альфир Яруллин

Андрей Котельников

Разида Разида

Загрузить еще

Родина — Россия

50 друзей в Одноклассниках

Проживает в городе нефтекамск

Знак зодиака — Козерог

День рождения 09 января

Пожалуйста, сообщите нам причину, по которой страница https://okigo. ru/user/okid301597740308 должна быть проверена

Выберите причину жалобы: *

— Выберите причину — ПорнографияРассылка спамаОскорбительное поведениеРекламная страницаДругое

E-mail: *

Комментарий: *

Дата: *

Изображение: *

E-mail: *

Комментарий: *

‹›×Посмотреть друзей

Методы анализа вариаций геомагнитного поля и данных космических лучей | Земля, планеты и космос

Разложение временного ряда на составляющие на основе вейвлет-преобразования

Наличие значения дискретной функции f j
(т. е. значения функции на сетке с разрешением 2 j ), в качестве пространства дискретизации можно рассматривать следующее подпространство:

Vj=closL2Rϕ2jt−n,n∈Z,

(1)

где В j
порождается смещением и расширением масштабной функции ϕ (Добеши [1992]; Чуи [1992]; Маллат [1999]), а L 2 ( R ) является пространством Лебега.

Путем выполнения проекции f j
в пробелы В Дж −1 и Вт Дж −1 , получаем (Daubechies [1992]; Chui [1992]; Mallat [1999])

Vj=Vj−1⊕Wj−1,

(2)

, где ⊕ обозначает ортогональную сумму. Набор функций (вейвлеты) ψ J , N = 2 J /2 ψ (2 J T N ), 6669 T N ), 6669 T N ), T N ), T N ), . Z образуют основу пространства W j
.

Считаем f j
как временной ряд. На основе уравнения 2 временной ряд может быть представлен в виде:

fjt=fj−1t+gj−1t.

(3)

Каждая компонента ряда fj−1t=∑ncnj−1Ψj−1,nt и gj−1t=∑ndnj−1Ψj−1,nt в уравнении 3 однозначно определяется последовательностью коэффициентов c¯ j=cj,nn∈Z∈Vj и d¯j=dj,nn∈Z∈Wj: c j , n  = 〈 f , ϕ j , N ás, D J , N = ϩ F , ψ J , N 〉.

Описанная вычислительная процедура известна как алгоритм вейвлет-разложения, который может быть применен к любому разрешению (масштабу) j сигнала (Daubechies [1992]; Chui [1992]; Mallat [1999]).

Если эта процедура декомпозиции выполняется для временного ряда f и
( t ) m раз, получим следующий вид разложения пространства V j
:

Vj=Wj-1⊕Wj-2⊕…⊕Wj-m⊕Vj-m.

(4)

В результате получается временной ряд f j
( t ) можно представить в виде суммы компонентов, перечисленных ниже: nΨk,nt+∑ncj−m,nϕj−m,nt.

(5)

Компонент г j
известен как детальный (высокочастотный) компонент временного ряда; компонент f j m известен как сглаженный компонент временного ряда.

В теории вейвлет-преобразования разложение формы в уравнении 5 известно как вейвлет-разложение с множественным разрешением до уровня m (Чуи [1992]; Маллат [19].99]).

Если мы применим эту процедуру пространственной декомпозиции к пространству W j
, получаем разбиение высокочастотных составляющих, что позволяет идентифицировать разные типы частотно-временных структур. В теории вейвлет-преобразования разложение f j
на основе рекурсивного разделения пробелов V j
и Вт Дж
известен как разложение вейвлет-пакета . Графическое представление вейвлет-пакетной декомпозиции временного ряда f j
показан на Рис. 1.

Рис. 1

Графическое представление вейвлет-пакетной декомпозиции до уровня
м
временного ряда
ф
и
.

Увеличенное изображение

Описание вариаций геомагнитного поля на основе вейвлетов

As f j
( t ), можно было бы рассмотреть изменение во времени горизонтальной компоненты геомагнитного поля. Без ограничения общности считаем, что j = 0, т. е. пространство начальных данных есть V0=closL2Rϕ20t−n. На основе вейвлет-пакетного разложения получаем следующее представление f 0 ( t ): j∉I∑ndj,nΨj,nt=ftrendt+fdistt+et,

(6)

, где I — набор индексов.

В наших предыдущих исследованиях (Мандрикова и др. [2013]; Мандрикова, Соловьев [2013]) мы показали, что для Камчатского и Якутского регионов компонента ftrendt=∑nc−6,nϕ−6,nt описывает невозмущенную уровень горизонтальной составляющей магнитного поля Земли, а составляющая fdistt=∑j∈Igjt, где gjt=∑ndj,nΨj,nt, описывает возмущения, возникающие в периоды повышения геомагнитной активности. Компонента et=∑j∉I∑ndj,nΨj,nt является шумом. Мы ввели переменную Aj=maxndj,n как меру магнитной возмущенности компоненты г j
( t ) по шкале j (Мандрикова и др. [2013]; Мандрикова, Соловьев [2013]). Для определения множества индексов I использовались следующие критерии (Мандрикова и др. [2013]): среднее, v – индекс вариации возмущенного поля, k – индекс вариации спокойного поля, ε 9=x1−α2σ2,k, где x1−α2 — квантиль 1−α2 стандартного нормального распределения.

Оценка набора индексов I , в частности для станции Паратунка (Камчатский край), выполнена по геомагнитным данным за 2002, 2005 и 2008 гг. , содержащих 63 возмущенные вариации поля и 64 вариации спокойного поля.

На рис. 2 представлены результаты обработки геомагнитных данных станций Паратунка (Камчатский край), Якутск (Якутск) и Новосибирск (Новосибирск) за время магнитной бури, происходившей с 24 по 25 июня 2009 г.. Возмущенная составляющая геомагнитного поля, выделенная на основе предложенной модели, описывает мощность возмущения поля и позволяет регистрировать моменты повышения геомагнитной активности накануне и во время бурь. Анализ рисунка 2 показал усиление геомагнитной активности с 4:18 до 4:54 UT на всех анализируемых станциях, что свидетельствует о начале магнитной бури. Моменты усиления геомагнитной активности на рис. 2D,E,F обозначены стрелками. Максимальные значения амплитуды возмущенной компоненты регистрировались примерно с 06:08 до 06:27 UT.

Рисунок 2

Результаты обработки данных геомагнитного поля за период с 22 по 25 июня 2009 г. (А) H-компонента геомагнитного поля Земли (Паратунка), ( B) H- компонента геомагнитного поля Земли (Якутск), (C) H-компонента геомагнитного поля Земли (Новосибирск), (D) возмущенная компонента вариаций геомагнитного поля (Паратунка), (E ) возмущенная компонента вариаций геомагнитного поля (г. Якутск) и (F) возмущенная компонента вариаций геомагнитного поля (Новосибирск). Местное время отмечено на горизонтальной оси. На верхнем графике показаны значения K-индексов.

Увеличить

Рассмотрим три возможных состояния геомагнитного поля: состояние ч 0 : спокойное поле; состояние ч 1 : слабовозмущенное поле; состояние ч 2 : возмущенное поле. В соответствии с предложенными состояниями поля введем следующие состояния коэффициентов d j , n на шкале j :

h j
0 : коэффициент затишья

h j
1 : слабовозмущенный коэффициент

h j
2 : возмущенный коэффициент.

Так как является мерой магнитного возмущения коэффициента, то логично определить его амплитуду. Тогда в соответствии с введенными состояниями коэффициентов из уравнения 6 получаем следующее представление вариаций геомагнитного поля:

ft=ftrendt+∑j,nF0dj,nΨj,nt+∑j,nF1dj,nΨj,nt+∑j,nF2dj,nΨj,nt+et,

(8)

F0x=x,ifx≤Tj,10,ifx >Tj,1,F1x=0,ifx≤Tj,1ifx>Tj,2x,ifTj,1Tj,2,

(9)

где компонента g1t=∑j,nF1dj,nΨj,nt описывает слабые геомагнитные возмущения, где коэффициенты g 1 ( t ) находятся в слабовозмущенном состоянии; компонента g2t=∑j,nF2dj,nΨj,nt описывает сильные геомагнитные возмущения, где коэффициенты при г 2 ( t ) и T j ,1  >  T j

находятся в возмущенном состоянии; и коэффициенты d j , n , где | d j , n | ≤  T j ,1 считается тихим.

Пороговые функции F 0 ( x ), F 1 ( x ) и F 2 ( x ) в уравнении 9 определяют правила для принятия решения о состоянии коэффициента.

Порог T J , 1 и T J , 2 Разделите пространство коэффициентов x на три неочех. и X 2 . Затем правило принятия решения устанавливает соответствие между решениями состояния коэффициентов и регионов.

Из-за случайного характера исследуемого объекта использование любого правила неизбежно было связано с возможностью принятия неправильных решений. Используя определенные правила выбора решения для данного состояния h j
i , среднее значение потерь можно определить как (Левин, 1963)

, если функция потерь, Px∈Xl/hjdist,i — условная вероятность попадания выборки в область X l
, если реальное состояние h j
и , я  ≠  л я. l — состояние индексов, где знак «/» означает условную вероятность.

Путем усреднения функции условного риска по всем состояниям h j
I , I = 0, 1, 2, мы получаем средний риск (Levin [1963]):

j = ∑i = 02pijji,

(11)

, где P 7

(11)

. я
— априорная вероятность состояния h j
и .

Наилучшее правило — это то, для которого средний риск наименьший (Levin [1963]).

Так как мы не знали априорного распределения состояний р и
, мы использовали апостериорный риск для выбора наилучшего решающего правила (Levin [1963]). Апостериорные вероятности P { h j
i / x },  i  = 0, 1, 2, представляют наиболее полную характеристику состояний h j
i с доступными априорными данными.

Для простой функции потерь:

Πil=1,i≠l,0,i=l,.

(12)

Апостериорный риск J l
( x ) равно

Jlx=∑i≠lPhji/x∈Xl

(13)

В данном случае критерием качества принятия решения является критерий наименьшей частоты ошибок.

Пороги T j ,1 и T j ,2 определяются по наилучшему решающему правилу принятия решений, обеспечивающему наименьшее значение апостериорного риска Дж л
( х ).

Путем минимизации апостериорного риска J l
( x ), мы определяем пороговые значения T J , 1 и T J , 2 , J I для регионов Kamchatka и Yakutsk (Mandrikova at Al. [2013]; Мандрикова, Соловьев [2013]). Критерием оценки коэффициентов является К-индекс (Бартельс и др. [1939]). Были рассмотрены следующие оценки:

  1. 1)

    Коэффициент принадлежит области X 0 (т.е. находятся в состоянии покоя), если текущее значение К-индекса равно 0 или 1;

  2. 2)

    Коэффициент принадлежит области X 1 (т.е. находятся в слабовозмущенном состоянии), если текущее значение К-индекса равно 2, 3 или 4;

  3. 3)

    Коэффициент принадлежит области X 2 (т.е. находятся в возмущенном состоянии), если текущее значение К-индекса больше 4.

Введенные состояния коэффициентов описывают состояния геомагнитного поля и их оценку на основе полученного правила принятия решений, что позволяет регистрировать моменты возрастания геомагнитной активности. В нашей предыдущей статье (Мандрикова и др. [2013]) мы разработали автоматический алгоритм для построения Sq-кривой и расчета K-индекса на основе этого представления вариаций геомагнитного поля (показанного в уравнении 8), и показано, что ее применение для станций Паратунка и Якутск значительно снижает погрешность расчета К-индекса в автоматическом режиме по сравнению с методикой, используемой на станциях сети Интермагнит. В настоящей работе (подраздел «Оценка изменений энергетических характеристик поля и выделение периодов повышенной геомагнитной активности») с помощью этого подхода предложены расчетные решения для оценки изменений энергетических характеристик поля и выделения периоды повышенной геомагнитной активности. Для получения более подробной информации о состоянии геомагнитного поля использовалось непрерывное вейвлет-преобразование.

Оценка изменений энергетических характеристик поля и выделение периодов повышенной геомагнитной активности

Для каждого основного вейвлета непрерывное вейвлет-преобразование определяется формулой (Daubechies [1992]; Chui [1992])

WΨfb ,a:=a−1/2∫−∞∞ftΨt−badt,f∈L2R,a,b∈R,a≠0.

(14)

Поскольку вейвлет Ψ имеет нулевое среднее, коэффициенты ( W Ψ
ж ) ( б , a ) описывают свойства функции f в окрестности b при стремлении масштаба a к нулю. Это свойство непрерывного вейвлет-преобразования позволяет получить подробную информацию о локальных свойствах функции f .

Используя эквивалентность дискретных и непрерывных вейвлет-преобразований (Mallat [1999]; Chui [1992]), можно ввести метод расчета интенсивности геомагнитных возмущений в момент времени t  =  b по шкале a . Эту интенсивность можно записать в виде:

eb,a=WΨfb,a

(15)

Тогда, применяя пороговую функцию к значению состояния коэффициентов и выделить частотно-временные интервалы, содержащие слабые и сильные геомагнитные возмущения в анализируемом масштабе a :

PTa,1eb,a=0,ifeb,a

(16)

где порог T a ,1 позволяет выделить слабые и сильные возмущения, а порог T a ,2 указывает на сильные возмущения ,2.

На основании (15) интенсивность возмущений поля в момент времени t  =  b равна

Eb=∑aeb,a

(17)

На рисунке 3 представлены результаты оценки интенсивности геомагнитных возмущений и выделение периодов повышенной геомагнитной активности во время магнитной бури 24-25 июня 2009 г.. Пороги T a ,1 и T a ,2 оценивались путем минимизации апостериорного риска в соответствии с правилом принятия решений, изложенным в «Описании вариаций геомагнитного поля на основе подраздел вейвлетов. Критерием оценки состояния коэффициентов служил К-индекс , где использовались данные станций Паратунка, Якутск и Новосибирск. Анализ рисунка 3 показывает сложный многомасштабный характер процесса. Результаты обработки данных позволяют выделить его общие черты. До начала грозы, примерно с 09С 00:00 до 10:40 UT и с 21:30 до 23:30 UT 23 июня и с 02:00 до 03:30 UT 24 июня на всех анализируемых слабой геомагнитной активности. Одновременное возникновение возмущений на разных станциях исключает влияние шумового фактора и подтверждает их солнечную природу. Наиболее сильные возмущения поля, наблюдаемые с 4:57 до 06:43 UT, совпадают с моментами главной фазы бури.

Рисунок 3

Результаты обработки данных геомагнитного поля за период с 22 по 25 июня 2009 г. (А) H-компонента геомагнитного поля Земли (Паратунка), (B) H- компонента геомагнитного поля Земли (Якустк), (С) H-компонента геомагнитного поля Земли (Новосибирск), (D) оценка интенсивности геомагнитных возмущений (Паратунка), (E ) оценка интенсивности геомагнитных возмущений (г. Якутск), (Ф) оценка интенсивности геомагнитных возмущений (Новосибирск), (Г) выделение периодов сильных и слабых возмущений (Паратунка), (Н) выделение периодов сильных и слабых возмущений (Якутск ), (I) выделение периодов сильных и слабых возмущений (Новосибирск), (J) выделение периодов сильных возмущений (Паратунка), (K) выделение периодов сильных возмущений (Якутск ) и (L) выделение периодов сильных возмущений (Новосибирск). Местное время отмечено на горизонтальной оси. В верхней части графиков находятся значения К-индексов.

Изображение в натуральную величину

Метод аппроксимации хода космических лучей во времени и выделение аномальных изменений его динамики на основе комбинации вейвлетных разложений разного разрешения и нейронных сетей

Ход космических лучей во времени рассматриваем как f и
( т ). Предположим, что исходное пространство данных равно V0=closL2Rϕ20t−n (т. е. j = 0).

Выполняя вейвлет-разложение функции f 0 ( t ) до уровня m , получаем ее представление в следующем виде (см. уравнение 5):

f0t=g−1t+ g−2t+…+g−mt+f−mt=∑j=−1−m∑ndj,nΨj,nt+∑nc−m,nϕ−m,nt.

(18)

Для гладкой компоненты f−mt=∑nc−m,nϕ−m.nt выполняем операцию вейвлет-реконструкции:

f0−mt=∑nc0,n−mϕ0,nt,

(19)

где верхний индекс (− m ) соответствует разрешению компонента до операции вейвлет-реконструкции.

Далее на основе нейронной сети для реконструированных компонентов построено следующее отображение:

y:f0−m→f0*−m

(20)

сеть с переменной структурой, представляющая собой сеть, в которой структура определяется путем минимизации ошибки на обучающей выборке. Обучающая выборка формируется из данных, зарегистрированных в периоды затишья. При этом обученная нейронная сеть воспроизводила закономерные вариации аппроксимируемых данных, что характерно для спокойных условий. Обучение сети проводилось на основе алгоритма обратного распространения ошибки (Хайкин [190*−m — его приближение, которое воспроизводит нейронная сеть. Преимуществом нейросетевого представления аппроксимируемой функции является большая гибкость базовых функций и их способность к адаптации (Хайкин [1999]). Когда на вход обученной сети поступают значения функции из интервала [ t n
 −  Q +1, t n
], сеть способна вычислить вытеснение его значения в интервале времени [ т п
+1, т н
 +  I ], где t n
— текущее дискретное время, а I — длина интервала вытеснения.

Ошибка сети (ошибка аппроксимации) в момент времени t n
определяется как разница между искомыми 90,i*−mtn,

(21)

, где i — шаг сети прямой связи данных, а квадратные скобки обозначают дискретное время.

Алгоритм построения сети и выбора уровня вейвлет-разложения, основанный на минимизации ошибки аппроксимации, приведен ниже.

Если во временных вариациях данных возникают аномальные вариации, абсолютное значение ошибки сети будет увеличиваться. Поэтому выделение аномальных изменений в динамике временного ряда могло быть основано, например, на проверке условия:

Em,U=1U∑n=1Uemtn>T,

(22)

, где U — длина окна наблюдения, а T — заданный порог.

Алгоритм построения нейронной сети и выбора уровня вейвлет-разложения

Шаг 1. Получаем представление сглаженной составляющей ряда в виде f0−mt=∑nc0,n−mϕ0,nt, где m = 1

Шаг 2. Массив данных { c 0, n ( — M ) } N = 1 N , где N — длина массива и делится на блоки { C 0, N ( — M ) } N = 1 Q , { C 0, N ( — M ) } N = 2 9 9 9 9 9 9 9 9 9 9 9 9 9 9 ) Q Q 9 ) Q ) . +1 , …, { c 0, n (− м ) } n = N Q +1 N . Длина блока Q = 6.

Шаг 3. Из этих блоков данных формируем обучающую матрицу размерностью сети, а V — количество обучающих векторов.

Шаг 4. Строим сеть с переменной структурой.

Шаг 5. Используя тестовые данные c0,l−ml=l0L, оцениваем ошибку сети:

Em=∑l=1L∑i=1Iεi−ml,

(23)

где ɛ i
( — M ) [ L ] = ĉ 0, L I , ( — M ) C 0, L

1111114 — C 0,0005 L

1111114 — C 0,0005 L

111114 — C 0,0005 L

11114 — C 0,0005 L 1114 — C 0,0005 L ) i ,(− m ) ошибка сети в дискретный момент времени l в i шагов вытеснения, где c 0, л i ,(− м ) желательно; ĉ 0, l i ,(− m ) – фактическое значение выхода сети в дискретный момент времени l в шагах i 9000; I — длина выходной векторной сети; L — длина массива тестовых данных.

Шаг 6. Оцениваем разницу: Δ  =  Е м
 −  E м −1 . Если Δ  < = 0, то переходим к шагу 7. Если Δ >0, то требуемый уровень разложения m * =  m −1, и шаг 7 не выполняем.

Шаг 7. Если м  ≤ log 2 N , где максимально допустимый уровень разложения M определяется длиной массива данных N : м ≤ log 2 N , мы увеличиваем на 1 уровне разложения ( M = M +1) и выполняем шаги с 2 до 5. Если M > Log 2 N , то м * =  м — желаемый уровень разложения.

Выбор вейвлета

В настоящем исследовании вейвлет-разложение функции f 0 ( t ) (уравнение (18)) с несколькими разрешениями было выполнено с использованием вейвлета из семейства койфлетов. Койфлеты — это ортогональные функции, поддерживающие наименьший размер с достаточным количеством нулевых моментов в масштабирующей функции ϕ (Добеши [1992]):

∫−∞+∞trϕtdt=0withr=1,p_____.

(24)

Это свойство обеспечивает наилучшее приближение сглаженных компонентов вейвлет-разложений с разным разрешением (Daubechies [1992]). Если функция f принадлежит C r , то есть пространству r раз непрерывно дифференцируемых функций, в окрестности 2 m

4 n с0006  ≤  p , тогда:

2−m/2〈f,ϕ−m,n〉≈f2−mn+O2−mr+1.

(25)

Однако порядок аппроксимации увеличивается с ростом p , что приводит к койфлетам, поддерживающим размер 3 p −1.

Аппроксимация данных космических лучей с наименьшей ошибкой получена с помощью койфлетов с p = 3.

На основе предложенного метода построены нейронные сети для станций Новосибирск, Афины, Апатиты и мыс Шмидта, аппроксимирует временные вариации сглаженной компоненты космических лучей и использует данные нейтронного монитора. Для обучения сетей использовались минутные данные за период с 2005 по 2013 годы. На вариации космических лучей влияют электромагнитные условия в Солнечной системе; поэтому мы использовали данные геомагнитного поля как индикатор аномального поведения этих условий. Так, обучающая выборка нейронных сетей была сформирована из данных, зарегистрированных в периоды спокойного геомагнитного поля (Акасофу и Чепмен [19].72]; Бишоп [1995]; Рыбак и др. [2001]).

Для учета изменений уровня солнечной активности обучение нейронных сетей проводится отдельно для каждого года (Kóta and Somogyi [1969]; Kudela et al. [1999]; Rybàk et al. [2001]). Уровень модельного временного ряда зависит от обучающей выборки. Увеличение абсолютной величины ошибки обученной нейронной сети свидетельствует об изменении внутренней структуры временного ряда и появлении аномалий в космических лучах.

Созданные нейронные сети имеют трехслойную структуру и выполняют следующее преобразование данных:

CJ, N+1T = αχ3∑φждул βn
1 – вес нейрона β входного слоя сети, ω φβ
2 — вес нейрона φ скрытого слоя сети, ω χφ
3 — вес нейрона х выходного слоя сети, а αβ1z=αφ2z=2(1+exp−2z)−1,αχ3z=a×z+b,j=−5.

На рис. 4 представлены результаты нейронных сетей, построенных для станций Новосибирск и Афины для периода сильных магнитных бурь, зарегистрированных с 1 по 31 марта 2012 г. Первая буря произошла с 7 по 10 марта. С этой бурей, возникшей 8 марта, был связан эффект Форбуша, который выражался в сильном снижении уровня космических лучей (до 10%) на обеих станциях. Во время эффекта Форбуша абсолютные значения сетевых ошибок значительно увеличиваются (до 10 раз), что позволило выделить эти периоды времени. Сравнение геомагнитных данных показывает, что наиболее сильные геомагнитные возмущения наблюдались в периоды аномального поведения динамики космических лучей. Во время второй магнитной бури (15—17 марта) моменты сильных усилений интенсивности геомагнитных возмущений совпадали с локальным понижением уровня космических лучей и имели более яркое проявление на ст. Новосибирск. Восстановление уровня космических лучей произошло после окончания бури.

Рис. 4

Результаты моделирования данных космических лучей за период с 1 по 31 марта 2012 г. (ст. Афины): (А) временной ряд космических лучей, лучевой временной ряд (черный) и его аппроксимация нейронной сетью, ошибка нейронной сети (В) и оценка интенсивности геомагнитных возмущений (Г) по геомагнитным данным со станции Неа-Макри (Греция). Новосибирский вокзал: (E) временной ряд космических лучей, (F) сглаженный компонент временного ряда космических лучей (черный) и его аппроксимация нейронной сетью, (G) ошибка нейронной сети и (H) оценка геомагнитной интенсивность возмущений по геомагнитным данным станции Новосибирск (Россия).

Изображение полного размера

Модель комбинированного прогноза долговременного ионосферного foF2 на основе метода энтропийного веса

1. Wang J., Bai H., Huang X., Cao Y., Chen Q., Ma J. Simplified Региональная модель прогнозирования долгосрочного тренда критической частоты ионосферного региона F2 над Восточной Азией. заявл. науч. 2019;9:3219. doi: 10.3390/app9163219. [CrossRef] [Google Scholar]

2. Wang J., Ma J., Huang X., Bai H., Chen Q., Cheng H. Моделирование ионосферной критической частоты слоя F2 над Азией на основе модифицированных временных -пространственная реконструкция. Радио науч. 2019; 54: 680–691. [Google Scholar]

3. Вичайпанич Н., Ходзуми К., Супнити П., Цугава Т. Сравнение прогнозов foF2 на основе нейронных сетей с моделью IRI-2012 в сопряженных точках в Юго-Восточной Азии. Доп. Космический Рез. 2017;59: 2934–2950. doi: 10.1016/j.asr.2017.03.023. [CrossRef] [Google Scholar]

4. Бай Х., Фу Х., Ван Дж., Ма К., Ву Т., Ма Дж. Модель прогнозирования ионосферного foF2 на основе машины экстремального обучения. Радио науч. 2018;53:1292–1301. doi: 10.1029/2018RS006622. [CrossRef] [Google Scholar]

5. Wintoft P., Cander L.R. Суточные прогнозы foF2 с использованием нейронных сетей с временной задержкой. Радио науч. 2000; 35: 395–408. [Google Scholar]

6. Rawer K., Lincoln J.V., Conkright R.O. Международный эталон ионосферы — IRI 79. Мировой центр данных А по солнечно-земной физике; Боулдер, Колорадо, США: 1981 г. Отчет UAG-82. [Google Scholar]

7. Билица Д. Международный справочник по ионосфере: IRI-90. Национальный центр данных космической науки; Гринбелт, Мэриленд, США: 1990. стр. 52–65. [Google Scholar]

8. Билица Д. Международный справочник по ионосфере 2000. Radio Sci. 2001; 36: 261–275. doi: 10.1029/2000RS002432. [CrossRef] [Google Scholar]

9. Билица Д., Райниш Б.В. Международный эталон ионосферы 2007: Усовершенствования и новые параметры. Доп. Космический Рез. 2008;42:599–609. doi: 10.1016/j.asr.2007.07.048. [CrossRef] [Google Scholar]

10. Bilitza D., Altadill D., Zhang Y., Mertens C., Truhlik V., Richards P., McKinnell L.-A., Reinisch B. The International Reference Ionosphere 2012 — Модель международного сотрудничества. J. Space Weather Spac. 2014;4:A07. doi: 10.1051/swsc/2014004. [CrossRef] [Google Scholar]

11. Билица Д., Альтадилл Д., Трухлик В., Шубин В., Галкин И., Райниш Б., Хуанг Х. Международный справочник по ионосфере 2016: от ионосферного климата к реальному времени предсказания погоды. Космическая погода. 2017;15:418–429. дои: 10.1002/2016SW001593. [CrossRef] [Google Scholar]

12. Билица Д. IRI Международный стандарт ионосферы. Доп. Радио науч. 2018; 16:1–11. doi: 10.5194/ars-16-1-2018. [CrossRef] [Google Scholar]

13. Williscroft L.A., Poole A.W.V. Нейронные сети, foF2, количество солнечных пятен и магнитная активность. Геофиз. Рез. лат. 1996; 23:3659–3662. doi: 10.1029/96GL03472. [CrossRef] [Google Scholar]

14. Пул А.В.В., Маккиннелл Л.А. О предсказуемости foF2 с использованием нейронных сетей. Радио науч. 2000; 35: 225–234. дои: 10.1029/1999RS5. [CrossRef] [Google Scholar]

15. Oyeyemi E.O., Poole A.W.V. На пути к разработке новой глобальной эмпирической модели foF2 с использованием нейронных сетей. Доп. Космический Рез. 2004; 34:1966–1972. doi: 10. 1016/j.asr.2004.06.010. [CrossRef] [Google Scholar]

16. Oyeyemi E.O., Poole A.W.V., Mckinnell L.A. О глобальной модели foF2 с использованием нейронных сетей. Радио науч. 2005; 40:1–15. doi: 10.1029/2004RS003223. [CrossRef] [Google Scholar]

17. Oyeyemi E.O., Mckinnell L.A., Poole A.W.V. Прогнозы foF2 почти в реальном времени с использованием нейронных сетей. Дж. Атмос. Соль.-Терр. физ. 2006; 68: 1807–1818. doi: 10.1016/j.jastp.2006.07.002. [Перекрестная ссылка] [Академия Google]

18. Oyeyemi E.O., Mckinnell L.A. Новая глобальная модель пиковой электронной плотности F2 для Международного эталонного ионосферного (IRI) Adv. Космический Рез. 2008; 42: 645–658. doi: 10.1016/j.asr.2007.10.031. [CrossRef] [Google Scholar]

19. Атиено Р., Джаячандран П.Т., Теменс Д.Р. Модель foF2 на основе нейронной сети для одной станции в полярной шапке. Радио науч. 2017; 52: 784–796. doi: 10.1002/2016RS006192. [CrossRef] [Google Scholar]

20. Бан П.П., Сунь С.Дж., Чен С. , Чжао З.В. Прогнозирование ионосферного foF2 во время бури в низких широтах с использованием метода опорных векторов. Радио науч. 2011; 46:1–9. doi: 10.1029/2010RS004633. [CrossRef] [Google Scholar]

21. Chen C., Wu Z.S., Sun S.J., Ban P.P., Ding Z.H., Xu Z.W. Прогнозирование ионосферного параметра foF2 на один час вперед с использованием метода опорных векторов. Дж. Атмос. Соль.-Терр. физ. 2010;72:1341–1347. doi: 10.1016/j.jastp.2010.09.022. [CrossRef] [Google Scholar]

22. CCIR . Международный консультативный комитет по радиосвязи. Международный союз электросвязи; Женева, Швейцария: 1996 г. Отчеты 340-1 и 340-6. [Академия Google]

23. Раш К., Фокс М., Билица Д., Дэвис К., Макнамара Л., Стюарт Ф., Покемпнер М. Картирование ионосферы — обновление коэффициентов foF2. Телекоммун. Дж. 1989; 56: 179–182. [Google Scholar]

24. Билица Д., Маккиннелл Л.А., Райниш Б., Фуллер-Роуэлл Т. Международный эталон ионосферы сегодня и в будущем. Дж. Геод. 2011; 85: 909–920. doi: 10.1007/s00190-010-0427-x. [CrossRef] [Google Scholar]

25. Мандрикова О.В., Фетисова Н.В., Полозов Ю.А., Соловьев И.С., Куприянов М.С. Метод моделирования составляющих вариаций ионосферных параметров во времени и обнаружения аномалий в ионосфере. Земля Планеты Космос. 2015;67:131. doi: 10.1186/s40623-015-0301-4. [Перекрестная ссылка] [Академия Google]

26. Мандрикова О., Полозов Ю., Фетисова Н., Заляев Т. Анализ динамики параметров ионосферы в периоды повышенной солнечной активности и магнитных бурь. Дж. Атмос. Соль.-Терр. физ. 2018; 181:116–126. doi: 10.1016/j.jastp.2018.10.019. [CrossRef] [Google Scholar]

27. Гордиенко Г.И., Яковец А.Ф. Сравнение параметров пиков F-области среднеширотной ионосферы и профилей Ne сверху по модели IRI-2012 с наземными ионозондовыми наблюдениями и наблюдениями Alouette II. Доп. Космический Рез. 2017;60:461–474. doi: 10.1016/j.asr.2017.01.006. [Перекрестная ссылка] [Академия Google]

28. Вичайпанич Н., Супнити П., Исии М. , Маруяма Т. Ионосферные вариации на станции экваториальных широт Таиланда: сравнение наблюдений и предсказаний модели IRI-2001. Доп. Космический Рез. 2010; 45: 284–293. doi: 10.1016/j.asr.2009.08.002. [CrossRef] [Google Scholar]

29. Захаренкова И.Е., Кранковский А., Билица Д., Черняк И.В., Шагимуратов И.И., Серацкий Р. Сравнительное исследование измерений fof2 с предсказаниями модели IRI-2007 во время продолжительного солнечного минимума. Доп. Космический Рез. 2013;51:620–629. doi: 10.1016/j.asr.2011.11.015. [CrossRef] [Google Scholar]

30. Чжан М.Л., Ши Дж.К., Ван С., Шан С.П., Ву С.З. Ионосферное поведение параметров пика F2 foF2 и hmF2 на Хайнане и сравнение с предсказаниями модели IRI. Доп. Космический Рез. 2007; 39: 661–667. doi: 10.1016/j.asr.2006.03.047. [CrossRef] [Google Scholar]

31. Чжан М.Л., Ши Дж.К., Ван С., Ву С.З., Чжан С.Р. Сравнительное исследование характеристических параметров ионосферы, полученных дигизондом ДПС-4 с ИРИ-2000 для низкоширотной станции в Китае. Доп. Космос. Рез. 2004;33:869–873. doi: 10.1016/j.asr.2003.07.013. [CrossRef] [Google Scholar]

32. Bai H., Feng F., Wang J., Wu T. Исследование нелинейной зависимости критической частоты F2-слоя ионосферы от индексов солнечной активности с использованием метода взаимной информации. Доп. Космический Рез. 2019;64:1085–1092. doi: 10.1016/j.asr.2019.06.013. [CrossRef] [Google Scholar]

33. Хуан С., Мин Б., Хуанг К., Ленг Г., Хоу Б. Пример комбинированной модели прогнозирования NDVI на основе метода энтропийного веса. Водный ресурс. Управление 2017; 31:3667–3681. дои: 10.1007/s11269-017-1692-8. [CrossRef] [Google Scholar]

34. Cheng L., Zhang Y., Suo L., Shen S., Fang F., Jin L. Краткосрочное прогнозирование холодильной, отопительной и электрической нагрузки в бизнес-парках на основе улучшенных энтропийный метод; Материалы 36-й Китайской конференции по контролю; Далянь, Китай. 26–28 июля 2017 г. [Google Scholar]

35. Zhang Q.Y., Zhu X.M., Xu K. Комбинированное прогнозирование надежности программного обеспечения на основе энтропийного веса; Материалы Международной конференции по электронному и машиностроению и информационным технологиям, EMEIT 2011; Харбин, Китай. 12–14 августа 2011 г. [Google Scholar]

36. Шеннон К.Э. Математическая теория коммуникации. Белл Сист. Тех. Дж. 1948; 27: 379–423. doi: 10.1002/j.1538-7305.1948.tb01338.x. [CrossRef] [Google Scholar]

37. Li Y., Wang D.F., Han P. Избирательный ансамбль, использующий алгоритм дискретной дифференциальной эволюции для краткосрочного прогнозирования нагрузки; Материалы Международной конференции IEEE 2009 по машинному обучению и кибернетике; Баодин, Китай. 12–15 июля 2009 г. [Google Scholar]

38. Чен Ю., Ли Ю. Комбинированное предсказание серых временных рядов на основе энтропии и его применение; Материалы 12-й Международной конференции по интеллектуальным вычислительным технологиям и автоматизации; Сянтань, Китай. 10–11 октября 2009 г.. [Google Scholar]

39. Хуанг С., Чанг Дж., Ленг Г., Хуанг К. Интегрированный индекс для оценки засухи на основе теории переменных нечетких множеств: тематическое исследование в бассейне реки Хуанхэ, Китай. Дж. Гидрол. 2015; 527: 608–618.


Опубликовано

в

от

Метки:

Комментарии

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *