Разработка архитектуры прототипа системы поддержки принятия решений. Разработка математической модели для установления закономерностей в многопараметрической модели с учетом зашумленности данных. Исследование методов отбора значимых признаков для оценки дебета скважины. Тестирование и отладка ПО. Исследование параллельного генетического алгоритма отбора значимых признаков на качество принимаемых решений. Тестирование параллельного генетического алгоритма отбора значимых признаков для принятия решений

Объем отчета содержит 84 страниц, 54 рисунка, 16 таблиц, 14 источников. Ключевые слова: Интеллектуальная скважина, параллельный генетический алгоритм, отбор значимых признаков, регрессионных анализ, нейронная сеть, система поддержки принятия решений, цифровой двойник, имитационное моделирование Целью этапа является разработка прототипа интеллектуальной системы поддержки принятия решений для формирования мероприятий при эксплуатации скважины на основе многопараметрического анализа. НИОКР направлен на решение проблемы выявления значимых признаков из многопараметрического набора данных о скважине и формирование мероприятий на основе методов машинного обучения. В результате работы разработана архитектура прототипа системы поддержки принятия решений. Разработана математическая модель для установления закономерностей в многопараметрической модели с учетом зашумленности данных. Проведено исследование методов отбора значимых признаков для оценки дебета скважины. Проведено тестирование и отладка программного обеспечения. Проведено исследование параллельного генетического алгоритма отбора значимых признаков на качество принимаемых решений. Проведено тестирование параллельного генетического алгоритма отбора значимых признаков для принятия решений. Разрабатываемый научно-технический продукт позволяет представлять ключевые показатели на главном экране со временем обновления данных. формировать стандартные отчеты о картелирующихся данных и сравнение их с эталонными значениями; Создание сводных отчетов с возможностью самостоятельного выбора параметров и периода для отображения; Создание графики с возможностью самостоятельного выбора параметров для отображения; Прогнозирование результативных показателей эффективности; Отбор значимых признаков осуществляется с заданной дисперсией от 5-25%; Ошибка обучения не превышает 25%; Генетический алгоритм отбора значимых признаков имеет возможность изменений вероятности мутации от 0,01% до 20%. Система поддержки принятия решений на основе многопараметрического анализа и методов машинного обучения представляет собой клиент-серверную архитектуру с возможностью подключения к СУБД в виде программного обеспечения. Полученные результаты отражают в полном объеме решение поставленных задач.