СИСТЕМА ІНТЕЛЕКТУАЛЬНОЇ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ПРИ ВИБОРІ ОПТИМАЛЬНИХ РЕЖИМНИХ ПАРАМЕТРІВ БУРІННЯ НАФТОВИХ І ГАЗОВИХ СВЕРДЛОВИН

Краткое описание

ІВАНО-ФРАНКІВСЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ
УНІВЕРСИТЕТ НАФТИ І ГАЗУ

На правах рукопису

ДЕМЧИНА Микола Миколайович

УДК 681. 518:662.248:004.89

СИСТЕМА ІНТЕЛЕКТУАЛЬНОЇ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ПРИ ВИБОРІ ОПТИМАЛЬНИХ РЕЖИМНИХ ПАРАМЕТРІВ БУРІННЯ НАФТОВИХ І ГАЗОВИХ СВЕРДЛОВИН

05.13.07 – автоматизація процесів керування

дисертація на здобуття наукового ступеня
кандидата технічних наук

Науковий керівник:
ШЕКЕТА Василь Іванович
кандидат технічних наук, доцент

Івано-Франківськ - 2013

ЗМІСТ

Стор.
ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ, ОДИНИЦЬ, СКОРОЧЕНЬ ТА ТЕРМІНІВ 4
ВСТУП 5
РОЗДІЛ 1
ОСОБЛИВОСТІ ІНТЕЛЕКТУАЛІЗАЦІЇ ПРОЦЕДУР ПРИЙНЯТТЯ РІШЕНЬ ЩОДО ВИБОРУ ОПТИМАЛЬНОГО РЕЖИМУ БУРІННЯ 12
1.1. Характеристика об’єкта керування та аналіз режимних параметрів буріння нафтових і газових свердловин 12
1.2. Особливості застосування інтелектуальних систем в бурінні нафтових і газових свердловин і прийняття рішень на їх основі 24
1.3. Особливості оптимізації процесу буріння в реальному часі 33
1.4. Аналіз моделей прийняття рішень застосовних при виборі оптимальних значень режимних параметрів процесу буріння 42
1.5. Вибір та обґрунтування напрямку дослідження 49
РОЗДІЛ 2
ФОРМАЛІЗАЦІЯ ПРОЦЕСУ ВИДОБУВАННЯ ДАНИХ ТА ЗНАНЬ ДЛЯ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ПРИ ВИБОРІ РЕЖИМНИХ ПАРАМЕТРІВ БУРІННЯ 52
2.1. Структуризація процедур обробки та видобування даних про процес буріння 52
2.2. Побудова класифікації даних про процес буріння як основа керування механізмом прийняття рішень 60
2.3. Розширення базового способу класифікації режимів буріння на основі правил 67
2.4. Побудова абдуктивного фреймворку прийняття рішень при виборі значень режимних параметрів буріння 73
2.5. Застосування абдуктивного підходу виконання класифікації даних про режими буріння 81
Висновки до другого розділу 89

РОЗДІЛ 3
МОДЕЛЮВАННЯ ТА СТРУКТУРИЗАЦІЯ ПРОЦЕСІВ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ПРИ ВИБОРІ РЕЖИМНИХ ПАРАМЕТРІВ БУРІННЯ

91
3.1. Керування процесом підтримки прийняття рішень засобами інтелектуальної системи на основі нечіткої логіки 91
3.2. Реалізація формальних методів інтелектуального керування підтримкою прийняття рішень щодо вибору значень режимних параметрів на основі нечітких знань про процес буріння 96
3.3. Використання нечітких правил для подання знань в інтелектуальних системах підтримки прийняття рішень при бурінні нафтових і газових свердловин 107
3.4. Моделювання режимних параметрів на основі фреймово-продукційного підходу 114
3.5. Аналіз технологічних умов процесу буріння для створення модуля інтелектуальної підтримки прийняття рішень 120
Висновки до третього розділу 127
РОЗДІЛ 4
РОЗРОБКА СИСТЕМИ ІНТЕЛЕКТУАЛЬНОЇ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ПРИ ВИБОРІ ОПТИМАЛЬНИХ РЕЖИМНИХ ПАРАМЕТРІВ БУРІННЯ 129
4.1. Особливості застосування систем підтримки прийняття рішень в процесі буріння 129
4.2. Оцінка застосовності методів експертних систем при побудові інтелектуальної системи підтримки прийняття рішень в процесі буріння 136
4.3. Розробка методики прийняття оптимальних рішень в процесі буріння нафтових і газових свердловин на основі функцій доцільності 143
4.4. Оцінка функціональності проектованої моделі інтелектуальної системи підтримки прийняття рішень в процесі буріння 155
Висновки до четвертого розділу 167
ЗАГАЛЬНІ ВИСНОВКИ 169
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 172
ДОДАТКИ 188

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ, ОДИНИЦЬ, СКОРОЧЕНЬ ТА ТЕРМІНІВ
АСК – автоматизована система керування;
БЗ – база знань;
ЕС – експертна система;
ППР – підтримка прийняття рішень;
СІППР – система інтелектуальної підтримки прийняття рішень;
СППР – система підтримки прийняття рішень;
СУБД – система управління базами даних;
ТП – технологічний процес;
ACL – концепція абдуктивного навчання (для абдуктивних фреймворків);
CSP – проблема задоволення обмежень;
WITS – специфікація для передачі даних з бурової площадки;
WITSML – мова розмітки специфікації для передачі даних з бурової площадки;
– квантор загальності «для всіх», «для будь-яких»;
– квантор існування «існує»;
– “належить”, “не належить” відповідно;
– логічна операція «АБО», диз’юнкція;
– логічна операція «І», кон’юнкція;
– операція “об’єднання” множин;
– операція “перетину” множин;
– логічна імплікація, «слідування»;
– логічна еквівалентність, «еквіваленція»;
– підмножина, власна підмножина відповідно;
– надмножина, власна надмножина відповідно;
– декартів добуток;
– відношення наслідування.

ВСТУП
Актуальність теми. Автоматизовані системи керування технологічним процесом буріння нафтових і газових свердловин здійснюють реалізацію впливів на об’єкт керування в реальному часі. Однією з найбільш важливих складових даних систем є вироблення рішень з керування в умовах складності, невизначеності та нестаціонарності технологічного процесу буріння з точки зору забезпечення їх оптимальності та ефективності, що в свою чергу є визначальним фактором щодо часу та вартості буріння окремих свердловин, розробки родовищ та нафтогазоносних районів тощо. Основним завданням з точки зору прийняття ефективних та оптимальних рішень, опираючись на функціональність комплексних систем автоматизованого керування технологічним процесом буріння нафтових і газових свердловин з розвинутими програмно-апаратними функціями, є контроль основних показників технологічного процесу, в тому числі шляхом введення відповідних цільових функцій.
У даний час при бурінні в нафтогазопромислових районах України прийняття рішень в значній мірі здійснюється самими операторами-бурильниками в більшості випадків на інтуїтивному рівні, базуючись на власному досвіді та професійних навичках, що не завжди відповідає фактичному рівню складності, невизначеності та нечіткості, що характеризує процес буріння в цілому.
Враховуючи особливості процесу буріння нафтових і газових свердловин та необхідність прийняття ефективних і оптимальних технологічних рішень, побудова систем інтелектуальної підтримки прийняття керуючих рішень, орієнтованих на досягнення оптимальності та максимальної ефективності технологічного процесу, є актуальною науково-практичною задачею.
Зв'язок роботи з науковими програмами, планами, темами. Вибраний напрям досліджень є складовою частиною тематичного плану кафедри програмного забезпечення автоматизованих систем Івано-Франківського національного технічного університету нафти і газу (ІФНТУНГ). Тематика роботи є частиною планових науково-дослідних робіт із розвитку нафтогазового комплексу України та базується на результатах виконання науково-дослідних тем: «Розробка теоретичних та прикладних концепцій застосування сучасних інформаційних технологій в нафтогазовій галузі» 2008-2012 рр. (затв. Науковою радою ІФНТУНГ протокол № 3/48 від 08.09.2008р.); «Синтез комп’ютерних систем та розробка програмного забезпечення для об’єктів нафтогазового комплексу» (номер державної реєстрації 0111U005890).
У вищеназваних темах НДР автор був безпосереднім виконавцем робіт щодо розробки формальних моделей інтелектуальних методів системи підтримки прийняття ефективних та оптимальних рішень в процесі буріння нафтових і газових свердловин.
Мета і задачі дослідження. Метою даної роботи є розроблення методу та системи інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння нафтових і газових свердловин.
Досягнення вказаної мети забезпечується в дисертаційній роботі шляхом розв’язання таких взаємопов’язаних задач:
1) аналіз особливостей інтелектуалізації процедур прийняття оптимізаційних рішень в процесі буріння нафтових і газових свердловин, аналіз застосувань експертних систем в бурінні нафтових і газових свердловин, аналіз видів та способів вибору оптимальних режимних параметрів;
2) формалізація постановки задачі моделювання інтелектуальної підтримки прийняття рішень при виборі режимних параметрів буріння на основі побудови абдуктивного фреймворку з ваговими коефіцієнтами;
3) обґрунтування та дослідження технології інтелектуальної підтримки прийняття рішень при виборі режимних параметрів буріння в формі правил в умовах невизначеності;
4) побудова формальної структури функціонування системи підтримки прийняття рішень при виборі режимних параметрів буріння, шляхом виділення множин керованих, некерованих, збурюючих та вихідних технологічних параметрів;
5) розробка формального механізму прийняття оптимальних рішень в процесі буріння нафтових і газових свердловин на основі оперування з цільовими функціями обчислення доцільностей вихідних технологічних параметрів;
6) реалізація системи інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів в процесі буріння нафтових і газових свердловин;
7) розробка методики інтелектуальної підтримки прийняття рішень щодо вибору оптимальних режимних параметрів буріння на основі цільових функцій і промислова апробація результатів дослідження.
Об’єктом дослідження є нестаціонарний технологічний процес буріння нафтових і газових свердловин, який супроводжується необхідністю прийняття ефективних та оптимальних рішень в умовах невизначеності.
Предметом дослідження є системи інтелектуальної підтримки прийняття рішень при виборі режимних параметрів буріння нафтових і газових свердловин на основі цільових функцій обчислення доцільностей вихідних технологічних параметрів в умовах невизначеності.
Методи дослідження. Для вирішення поставлених задач у роботі проведені теоретичні дослідження з використанням методів порівняльного аналізу, систематизації й узагальнення (для аналізу автоматизованих систем керування процесом буріння, структури прийняття рішень); системного підходу (для визначення сутності ефективності та оптимальності рішень); формально-логічних досліджень із використанням базового апарату на основі предикатної логіки; методів теорії множин (для моделювання функціональності складових системи); методів нечітких множин і теорії ймовірності; методів математичної статистики (для оцінки характеристик рішень, що приймаються).
Наукова новизна одержаних результатів полягає в розвитку та поглибленні методологічних підходів щодо вибору оптимальних режимних параметрів буріння нафтових і газових свердловин шляхом введення цільових функцій обчислення доцільностей вихідних технологічних параметрів та визначається наступними науковими результатами:
вперше:
 представлено формальну модель процесу інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння нафтових і газових свердловин, в основу якої покладено абдуктивний фреймворк знань про режими буріння, в якому виражені в формі чітких, нечітких та ймовірнісних правил розподіли значень керованих змінних технологічного процесу;
 обґрунтовано технологію інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння на основі знань експертів технологічного процесу, які представлені в базах знань в формі чітких, нечітких та ймовірнісних правил, що дозволяє оперувати з множинами вихідних технологічних параметрів та їх доцільностями;
 побудовано формальну оптимізаційну модель, яка зводиться до оптимізації цільових функцій, що описують множини керованих та вихідних технологічних параметрів в процесі інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння шляхом оптимізації значень керованих параметрів;
 створено формальний механізм оперування з цільовими функціями обчислення доцільностей вихідних технологічних параметрів як основи інтелектуальної підтримки прийняття рішень при встановленні значень керованих параметрів процесу буріння при виборі оптимальних режимних параметрів, що дозволяє поєднувати невизначеності та доцільності в процесі побудови оптимального рішення з максимальною очікуваною доцільністю;
отримали подальший розвиток методи інтелектуалізації прийняття оптимізаційних рішень та систем інтелектуальної підтримки прийняття рішень в процесі буріння, підходи до побудови комплексних критеріїв оптимізації в процесі буріння, підходи до вибору оптимальних режимних параметрів процесу буріння на основі нових способів оцінки та контролю вихідних технологічних параметрів.
Практичне значення отриманих результатів дисертаційної роботи полягає в тому, що розроблені моделі, методи та методики, а також алгоритмічне та програмне забезпечення, побудоване на їх основі, дають змогу вирішувати задачі прийняття ефективних та оптимальних рішень в процесі буріння, що відповідно підтвердило свою ефективність під час тестування отриманої системи інтелектуальної підтримки прийняття рішень на фактичних даних Охтирського та Прикарпатського УБР ПАТ «Укрнафта» періоду
2008-2011 років.
Розроблена система та рекомендації з її використання, прийняті до впровадження відділом АСУ ТП підприємства «МІКРОЛ» як прототип модуля візуалізації процесу підтримки прийняття ефективних та оптимальних технологічних рішень на основі цільових функцій у SCADA-системах (акт від 15.02.2013 р.) і ПАТ «Укрнафта» (акт від 13.03.2013 р.). Результати досліджень упроваджені в навчальний процес кафедри програмного забезпечення автоматизованих систем ІФНТУНГ (акт від 15.03.2013 р.) для студентів напряму підготовки 6.050103 – Програмна інженерія в дисципліні «Методологічні основи наукових досліджень в нафтогазовій галузі» та спеціальності 8.05010301 – Програмне забезпечення систем у дисципліні «Математичні методи аналізу алгоритмів».
Особистий внесок здобувача. Основні положення та результати дисертаційної роботи, які виносяться на захист, одержані автором особисто. У роботах, написаних у співавторстві, дисертанту належать: у роботі [1] – спосіб інтелектуалізації процедур контролю знань; [2] – ідея інтерпретації даних та знань в формі документів в інтелектуальних системах; [3] – методологія інтерпретації даних та знань про нафтогазові об’єкти; [4] – представлення структури баз даних і баз знань в інтелектуальних системах; [5] – структура моделі нафтогазової предметної області на основі фреймово-продукційного підходу; [6] – структура та опис процесів інтелектуалізації керування на основі нечітких знань про нафтогазові об’єкти; [9] – методика представлення характеристик знань в формі баз знань; [10] – методологія застосування експертних систем в області контролю знань; [11] – інтерпретація механізму модифікації запитів до структури дистанційного навчання; [12] – опис особливостей фреймового підходу до побудови інтелектуальних методів контролю знань; [15] – методологія структуризації параметрів; [16] – методологія розподілу обмежень по фізичних параметрах технологічного процесу; [17] – визначення складових процесу інтелектуальної обробки даних про нафтогазові об’єкти та побудова їх релевантних описів; [18] – введення підходу класифікації нафтогазових об’єктів на основі шаблонів правил; [19] – представлення структури управління процесом інтерпретації нафтогазових об’єктів на основі нечітких моделей; [20] – визначення описів нечітких методів та моделей управління в інтелектуальних системах нафтогазової предметної області; [22] – опис структури інтелектуального програмного забезпечення контролю знань.
Апробація результатів дисертації. Основні результати дисертаційної роботи доповідались, обговорювались і отримали позитивну оцінку на:
XVI всеукраїнській науковій конференції «Сучасні проблеми прикладної математики та інформатики СППМІ-2009» (Львів, 2009 р.); IV міжнародній науково-технічній конференції «Комп’ютерні науки та інформаційні технології CSIT-2009» (Львів, 2009 р.); VI міжнародній конференції «Теоретичні та прикладні аспекти побудови програмних систем» (Київ, 2009 р.);
X міжнародній конференції «TCSET-2010» (Львів-Славське, 2010 р.);
I міжнародній науково-технічній конференції «Обчислювальний інтелект (результати, проблеми, перспективи) CI-2011» (Черкаси, 2011 р.); міжнародній науково-технічній конференції «Системний аналіз та інформаційні технології SAIT-2011» (Київ, 2011 р.); III науково-практичній конференції студентів і молодих учених «Методи та засоби неруйнівного контролю промислового обладнання» (Івано-Франківськ, 2011 р.); VI міжнародній науково-технічній конференції і виставці «Сучасні прилади, матеріали і технології для неруйнівного контролю і технічної діагностики машинобудівного і нафтогазопромислового обладнання» (Івано-Франківськ, 2011 р.);
I міжнародній науковій конференції «Інформація, комунікація, суспільство ICS-2012» (Лівів, 2012 р.); XII міжнародній науковій конференції ім. Т.А. Таран «Інтелектуальний аналіз інформації IAI-2012» (Київ, 2012 р.); XII міжнародній науково-практичній конференції «Математичне та імітаційне моделювання систем МОДС-2012» (Чернігів-Жукин, 2012 р.); XI міжнародній конференції «Контроль і управління в складних системах КУСС-2012» (Вінниця, 2012 р.);
X ювілейній міжнародній науково-практичній конференції «Математичне та програмне забезпечення інтелектуальних систем» (Дніпропетровськ, 2012 р.).
Публікації. Основні результати дисертації викладені у 22 публікаціях:
8 статтях (із них 2 одноосібні) у фахових виданнях та 14 публікаціях (із них
3 одноосібні) у збірниках праць Міжнародних та Всеукраїнських науково-технічних і науково-методичних конференцій.
Структура та обсяг дисертації. Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел і додатків. Повний обсяг дисертації складає 238 сторінок, із них 171 сторінка основного тексту, що включає 49 рисунків і 6 таблиць. Список використаних джерел налічує 163 найменування на 16 сторінках, 8 додатків на 51 сторінці.

Список литературы

ЗАГАЛЬНІ ВИСНОВКИ
У дисертації наведено теоретичне узагальнення та нове вирішення важливої науково-практичної задачі в галузі автоматизації процесів керування – розроблено метод і систему інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння нафтових і газових свердловин на основі цільових функцій обчислення доцільностей вихідних технологічних параметрів. В роботі отримано такі основні результати:
1. Проведено аналіз особливостей інтелектуалізації процедур прийняття оптимізаційних рішень в процесі буріння нафтових і газових свердловин, що дозволило виділити характеристики критеріїв оптимізації буріння нафтових і газових свердловин в термінах режимів буріння. Розглянуто особливості застосування інтелектуальних систем при бурінні і прийнятті рішень на їх основі, що визначило оцінки рівня застосовності інтелектуальних методів при вирішенні технологічних проблем буріння нафтових і газових свердловин. Проведений аналіз застосувань експертних систем в бурінні дозволив визначити параметри, що в них контролюються. Проаналізовано види та способи вибору оптимальних режимів буріння, що сталою основою обґрунтування способу оптимізації керованих параметрів шляхом оперування з цільовими функціями обчислення доцільностей вихідних технологічних параметрів.
2. Запропоновано формальний опис постановки задачі моделювання інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння шляхом побудови абдуктивного фреймворку з ваговими коефіцієнтами, що дало змогу розглядати виконання присвоєння вагових коефіцієнтів як вираження значень ймовірності, які представляються правилами для зміни розподілу значень керованих змінних технологічного процесу.
3. Уперше обґрунтовано та досліджено технологію інтелектуальної підтримки прийняття рішень на основі баз знань чітких, нечітких та імовірнісних правил, що дозволяють оперувати з множинами вихідних технологічних параметрів та їх доцільностями. Реалізовано формальні методи інтелектуального керування процесом підтримки прийняття рішень на основі нечітких знань про процес буріння, що дозволяє безпосередньо оперувати із заданою чіткою або нечіткою структурою та інформацією в формі баз даних та баз знань з можливими неструктурованими, слабо структурованими та лінгвістичними входженнями, а також входженнями з невизначеністю, що в свою чергу визначає найбільш повний спосіб подання знань експертів технологічного процесу буріння.
4. Побудовано формальну структуру функціонування системи підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння, шляхом виділення множин керованих, некерованих, збурюючих та вихідних технологічних параметрів, що дозволяє звести задачу підтримки прийняття рішень до оптимізації значень керованих параметрів. Це дає змогу розглядати результуючу формальну модель як оптимізаційну, оскільки у ній наявні цільові функції, що повинні бути оптимізовані, в тому числі в процесі задоволення обмежень, накладених на множини введених змінних, які описують процес буріння нафтових і газових свердловин.
5. Розроблено формальний механізм інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів в процесі буріння нафтових і газових свердловин шляхом оперування з цільовими функціями обчислення доцільностей вихідних технологічних параметрів, що забезпечує інтелектуальну підтримку прийняття рішень при встановленні значень керованих параметрів технологічного процесу. Основою розробленого формального механізму є деревоподібна модель, яка забезпечує високий рівень аналізу невизначеностей і доцільностей в процесі побудови найкращого оптимального рішення, шляхом обчислення максимальної очікуваної доцільності на множині можливих рішень.
6. Реалізовано систему інтелектуальної підтримки прийняття оптимізаційних рішень в процесі буріння нафтових і газових свердловин, що базується на методиці вибору оптимальних режимних параметрів буріння на основі функцій доцільності. Створена система на основі списку визначених цілей як результатів обчислення цільових функцій доцільності виконує пошук оптимального рішення у вигляді набору значень керованих змінних процесу буріння нафтових і газових свердловин, що, відповідно, задовольняє всі накладені на технологічні параметри обмеження.
7. Розроблено методику інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння на основі цільових функцій, яку впроваджено в ПАТ «Укрнафта»; отримані результати дослідження також прийняті до впровадження підприємством «Мікрол» і застосовуються у навчальному процесі Івано-Франківського національного технічного університету нафти і газу, що підтверджено відповідними актами впровадження.
Розроблена в дисертації система інтелектуальної підтримки прийняття рішень при виборі оптимальних режимних параметрів буріння нафтових і газових свердловин може застосовуватись також для пошуково-розвідувального й експлуатаційного буріння нафтових і газових свердловин у формі предметно-незалежної інтелектуальної оболонки.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
1. Сенменцов Г.Н. Автоматизація процесу буріння свердловин / Г.Н. Семенцов – Івано-Франківськ: ІФНТУНГ, 1998. – Ч. 1. – 300 с.
2. Горбійчук М.І. Оптимізація процесу буріння глибоких свердловин: монографія. / М.І. Горбійчук, Г.Н. Семенцов – Івано-Франківськ: ІФНТУНГ, 2003. – 493 с.
3. Булатов А.И. Техника и технология бурения нефтяных и газовых скважин: Бурение нефтяных и газовых скважин. / А.И. Булатов, Ю.М. Проселков, С.А. Шаманов – М.: Недра-Бизнесцентр, 2003. – Ч. 2. – 1007 с.
4. Семенцов Г.Н. Оптимальное управление процессом бурения нефтяных и газовых скважин: автореф. дис. д-р. тех. наук, спец. 05.13.07 – Автоматизация технологических процессов и производств (промышленность) / Г.Н. Семенцов. – М.: МИНИГ, 1990. – 44 с.
5. Горбійчук М.І. Адаптація оптимального режиму до зміни умов
буріння / М.І. Горбійчук // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2001. – №1(1). – С.40-49.
6. Мислюк М.А. Буріння свердловин. У 5 т. Т. 2. Промивання свердловин. Відробка доліт: довідник / М.А. Мислюк, І.Й. Рибчич, Р.С. Яремійчук – К.: Інтерпрес ЛТД, 2002. – 303 с.
7. Mitchell B. Advanced Oil well drilling engineering: Handbook & computer programs / B. Mitchell – 10 th Edition. – 1st Revision. – July 1995. – 626 p.
8. Jiawei Han. Data Mining: Concepts and Techniques / Jiawei Han and Micheline Kamber. – Morgan-Kaufman, 2000. – 28 p.
9. Hand D. Principles of Data Mining / D. Hand, H. Mannila, P. Smyth. – MIT: Press, 2001. – 546 p.
10. Fayyad U.M. From data mining to knowledge discovery: an overview. In Advances in Knowledge Discovery and Data Mining / U.M. Fayyad, G. Piatesky-Shapiro, and P. Smyth – The MITT Press, 1996. – P 1-34.
11. Pavel Berkhin. Survey of clustering data mining techniques. Technical report, Accrue Software. – San Jose, CA, 2002. – 56 p.
12. Rakesh Agrawal and Ramakrishnan Srikant. Fast algorithms for mining association rules / Rakesh Agrawal and Ramakrishnan Srikant; In Jorge B. Bocca, Matthias Jarke, and Carlo Zaniolo, editors, Proc. 20th Int. Conf. Very Large Data Bases, VLDB. – Morgan Kaufmann, 1994. – Р. 487– 499.
13. Кропивницька В.Б. Оптимальне керування процесом буріння нафтових і газових свердловин з дискретно-неперервною зміною керувальних дій: автореф. дис. канд. тех. наук, спец. 05.13.07 – Автоматизація технологічних процесів / В.Б. Кропивницька. – Івано-Франківськ: ІФНТУНГ, 2007. – 20 с.
14. Горбійчук М.І. Оптимальне відпрацювання шарошкових доліт за станом озброєння в неоднорідних породах / М.І. Горбійчук, Т.В. Гуменюк // Розвідка та розробка нафтових і газових родовищ. – 2006. – №4(21). – С 23-26.
15. The complete package of software for the man on the rig [Електронний ресурс] – Режим доступу: http: // www.drillingsoftware.com.
16. Gorte B.G.H. Decision-analytic interpretation of remotely sensed data / B. G. H. Gorte, L. C. van der Gaag, F. J. M. van der Wel // Proceedings of the 7th International Symposium on Spatial Data Handling / in M.J. Kraak & M. Molenaar (eds.). – Columbia: International Geographical Union, 1996. – Vol. 2. – P. 1-10.
17. Осипов П.Ф. Оптимизация режимов бурения гидромониторными шарошечными долотами / Осипов П.Ф., Скрябин Г.Ф. – Ярославль: Медиум-пресс, 2001. – 239 с.
18. Семенцов Г.Н. Основные принципы оптимизации режимов при бурении скважин роторным способом / Г.Н. Семенцов // Изв. вузов. Горный журнал. – 1984. – № 11. – С. 46-49.
19. Волобуєв А.І. Використання промислової інформації для оптимізації режиму буріння / А.І. Волобуєв, М.М. Слепко // Розвідка та розробка нафтових і газових родовищ. – 2007. – №2. – С. 127-130.
20. Семенцов Г.Н. Метод інтенсифікації параметрів математичної моделі за умов апріорної та поточної невизначеності процесу буріння / Г.Н. Семенцов, О.В. Фадеева // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2005. – №3(12). – С.165-168.
21. Кульгинов А.С. Алгоритмы оптимизации процесса бурения с учетом технико-технологических мероприятий по усовершенствованию узлов управления / А.С. Кульгинов С.М. Ахметов, А.С. Айтимов // Инновации в науке: материалы XII междунар. заочной науч.-практ. конф., 17 сентября
2012 г. – Новосибирск, 2012. – 106 с.
22. Добыча нефти и газа. Режим бурения [Електронний ресурс] – Режим доступу: http://www.neftedob.ru/index/rezhim_burenija/0-39.
23. Бревдо Г. Д. Проектирование режима бурения / Г. Д. Бревдо– М.: Недра, 1988. – 200 с.
24. Крижанівський Є.І. Підвищення ефективності буріння тришарошковими буровими долотами з відкритою опорою /
Є.І. Крижанівський, Р.С. Яким, Л.Є. Шмандровський, Ю.Д. Петрина // Розвідка та розробка нафтових і газових родовищ. – 2010. – №2(35). – С. 17-22.
25. Горбійчук М.І. Моделювання та ідентифікація процесу заглиблення свердловин / М.І. Горбійчук, В.Б. Кропивницька // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2004. – №1(7). – С. 9-13.
26. Maurer W.C. The «Perfect-Cleaning» Theory of Rotary Drilling / Maurer W.C. – Journal of Pet. Tech. – 1962. – November. – P. 1270-1274.
27. Galle E.M. Best Constant Weight and Rotary Speed for Rotary Rock Bits / Galle E.M and Woods A.B // Drill. And Prod. Prac., API. – 1963. – Р. 48-73.
28. Bourgoyne A. T. A Multiple Regression Approach to Optimal Drilling and Abnormal Pressure Detection / Bourgoyne A.T. Jr., Young F.S. – SPE 4238, 1974. –August – P. 371-384.
29. Ситников Н.Б. Зависимость механической скорости от времени чистого бурения / Н.Б. Ситников, В.А. Троп // Изв. вузов. Горный журнал. – 1994. – №8.– С.80-84.
30. Будников В.Ф. Проблемы механики бурения и заканчивания скважин / Будников В.Ф., Булатов А.И., Макаренко П.П. – М.: Недра, 1996. – 495 с.
31. Юнин Е.К. Динамика глубокого бурения. / Е. К. Юнин, В. К. Хегай. – М. : Недра, 2004. – 286 с.
32. Попов А.Н. Технология бурения нефтяных и газовых скважин / А.Н. Попов, А.И. Спивак, Т.О. Акбулатов [и др.]; под общей ред. А.И. Спивака. – М.: Недра-Бизнесцентр, 2003. – 509 с.
33. Сомов В.Ф. Оптимизация размещения и порядка бурения многоствольных скважин в процессе мониторинга разработки Кравцовского месторождения / В.Ф. Сомов, В.З. Минликаев, В.М. Десятков [и др.] // Нефтяное хозяйство. – 2006. – №5. – С. 92-97.
34. Чудик І.І. Оптимальна подача промивальної рідини на вибій при бурінні свердловини / І.І. Чудик, Р.Б. Бабій // Нафтогазова енергетика. – 2007. – №3(4). – С.71-75.
35. Макаренко П. П. Комплексное решение проблем развития газодобывающего региона / Макаренко П.П. – М.: Недра, 1996. – 320 с.
36. Шавранський М.В. Система контролю для запобігання прихоплень бурильної колони в процесі буріння: дис. канд. техн. наук: спец. 05.11.13 – Прилади і методи неруйнівного контролю та визначення складу речовин / М.В. Шавранський. – Івано-Франківськ: ІФНТУНГ, 2003. – 168 с.
37. Вовк. Р.Б. Система інтелектуальної підтримки прийняття рішень для запобігання нештатних ситуацій в процесі буріння свердловин: дис. канд. техн. наук: спец. 05.13.07 – Автоматизація процесів керування / Р.Б. Вовк. – Івано-Франківськ: ІФНТУНГ, 2012. – 265 с.
38. Семенцов Г.Н.. Автоматизація технологічних процесів у нафтовій та газовій промисловості / Г.Н. Семенцов, Я.Р. Когуч, Я.В. Куровець, М.М. Дранчук. – Івано-Франківськ: ІФНТУНГ Факел, 2009. – 300 с.
39. Про схвалення енергетичної стратегії України на період до 2030 року: розпорядження Кабінету Міністрів України від 15.03.2006 р. №145. [Електронний ресурс] – Режим доступу: http://zakon2.rada.gov.ua/laws/show/145-2006-р.
40. Лорьер Ж.Л. Системы искусственного интеллекта / Лорьер Ж.Л. – М.: Мир. – 1991. – 400 с.
41. Семенцов Г.Н. Інтелектуальні системи керування технологічними процесами / Г.Н. Семенцов – Івано-Франківськ: ІФНТУНГ, 2012. – 173 с.
42. Drilling Software [Електронний ресурс] – Режим доступу: http: // www.pvicom.com/drilling-software.html.
43. Круглов В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода /
В.В. Круглов, М.И. Дли. – М.: Физматлит, 2002. – 252 с.
44. Демчина М.М. Імплементація концепцій штучного інтелекту в технологічних процесах буріння нафтових і газових свердловин /
М.М. Демчина // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – Івано-Франківськ, 2012. – С. 98-111.
45. Семенцов Г.Н. Математичний аналіз критеріїв відпрацювання доліт /
Г. Семенцов, М. Горбійчук, І. Чигур // Нафтова і газова промисловість. – 2001. – №6. – С. 25-28.
46. Семенцов Г.Н. Визначення часу відпрацювання долота за оснащенням / Г.Н. Семенцов, М.І. Горбійчук, І.І. Чигур // Нафтова і газова промисловість. – 2001. – №5. – С. 20-25.
47. Крижанівський Є.І. Критерії підвищення довговічності тришарошкових бурових доліт з опорами типу ВУ / Є.І. Крижанівський, Р.С. Яким,
Л.Є. Шмандровський, Д.Ю. Петрина // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2011. – №1(27). –
С. 31-38.
48. Семенцов Г.Н. Моделювання функції мети для системи адаптивного оптимального керування процесом буріння нафтових і газових свердловин долотами нового покоління / Г.Н. Семенцов, О.В. Гутак // Вісник Хмельницького нац. ун-ту. – 2010. – №2. – С 133-140.
49. Дудля М.А. Алгоритм адаптивної стабілізації навантаження на долото / Дудля М.А., Карпенко В.М. // Науковий вісник: зб. наук. пр. Національної гірничої академії. – 2000. – №4. – С. 81-88.
50. Горбійчук М.І. Інформаційне забезпечення адаптивної системи керування процесом буріння // Методи та прилади контролю якості. – 2002. – №8. – С. 86-89.
51. Калинин А.Г. Практическое руководство по технологии бурения скважин на жидкие и газообразные полезные ископаемые / Калинин А.Г., Левицкий А.З., Мессер А.Г. [и др.]. – М.: Недра, 2001. – 450 с.
52. Горбійчук М.І. Аналіз алгоритмів ідентифікації процесу заглиблення свердловин / М.І. Горбійчук, В.Б. Кропивницька // Нафтова і газова промисловість. – 2005. – №2. – С. 24-26.
53. Акбулатов Т.О. Информационное обеспечение процесса бурения / Т.О. Акбулатов, Х.И. Акчурин, Л.М. Левинсон [и др.]. – Уфа: Изд-во УГНТУ, 2002. – 55 с.
54. Кропивницька В.Б. Комп'ютерна система оптимального керування процесом буріння нафтових і газових свердловин / Кропивницька В.Б. // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2008. – №1. – С. 105-108.
55. Герасимов Б.М. Системы поддержки принятия решений: проектирование, применение, оценка эффективности / Б.М. Герасимов,
М.М. Дивизнюк, И.Ю. Субач // Севастополь: Научно-исследовательский центр вооруженных сил Украины «Государственный океанариум», 2004. – 320 с.
56. Алексеев А.В. Интеллектуальные системы принятия проектных решений / Алексеев А.В., Борисов А.Н., Вилюмс Э.Р. – Рига: Зинатне, 1997. – 206 с.
57. Алтунин А.Е. Модели и алгоритмы принятия решений в нечетких условиях / А.Е. Алтунин, М.В. Семухин // Тюмень: Изд-во Тюменского государственного университета, 2000. – 352 с.
58. Ларичев О.И. Теория и методы принятия решений / Ларичев О.И. – М.: Логос, 2000. – 296 с.
59. Фролов Ю.В. Интеллектуальные системы и управленческие решения / Фролов Ю.В. – М., 2000. – 122 с.
60. Берштейн Л.С. Нечеткие модели принятия решений: дедукция, индукция, аналогия / Л.С. Берштейн, А.В. Боженюк // Таганрог : Изд-во ТРТУ, 2001. – 110 с.
61. Herrera F. A model of consensus in group decision making under linguistic assessments / F. Herrera, E. Herrera-Viedma, J.L. Verdegay // Fuzzy Sets and Systems, 1996. – V. 78. – P. 73-87.
62. Лотов А.В. Многокритериальные задачи принятия решения / А.В. Лотов, И.И. Поспелова. – М. : МАКС Пресс, 2008. – 197 с.
63. Недашківська Н.І. Багатокритеріальне прийняття рішень із використанням максимального синтезу в методі аналізу ієрархій (МАІ) /
Н.І. Недашківська // Системні дослідження та інформаційні технології. – 2010.– №3. – С. 7-16.
64. Ногин В.Д. Принятие решений в многокритериальной среде /
Ногин В.Д. – М.: Физматлит, 2002. – 162 с.
65. Гаврилова Т.А. Извлечение и структурирование знаний для экспертных систем / Т.А. Гаврилова, К.Р. Червинская. – М.: Радио и связь, 1992.– 200 с.
66. Michel R. Klein. Knowledge-Based Decision Support Systems: With Applications in Business / Michel R. Klein, Leif B. Methlie // 2nd John Wiley & Sons, Inc. – New York, NY, USA, 1995. – 674 pages.
67. Dubois D. Fuzzy rules in knowledgebased systems – Modelling gradedness, uncertainty and preference / D. Dubois, H. Prade // An introduction to Fuzzy Logic Applications in Intelligent Systems. – 1992. – Vol. 165. – P. 45-68.
68. Усков А.А. Интеллектуальные системы управления на основе методов нечеткой логики / А.А. Усков, В.В. Круглов. – Смоленск: Смоленская городская типография, 2003. – 177 с.
69. Демчина М.М. Представлення знань нафтогазової предметної області у вигляді структурованої фреймової системи / М.М. Демчина // Обчислювальний інтелект (результати, проблеми, перспективи): матеріали I міжн. наук.-тех. конф., 10-13 травня 2011 р. – Черкаси, 2011. – С. 91.
70. Демчина М.М. Структуризація знань нафтогазової предметної області у вигляді продукційної системи / М.М. Демчина // Системний аналіз та інформаційні технології : матеріали міжн. наук.-техн. конф., 23-28 травня
2011 р.– К., 2011. – С. 233.
71. Демчина М.М. Формальні методи інтерпретації даних та знань про нафтогазові об’єкти / М.М. Демчина, В.Р. Процюк, В.І. Шекета // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2011. – №1. – С. 100-108.
72. Демчина М.М. Технологія інтелектуального опрацювання інформації про нафтогазові об’єкти / М. Демчина, Л. Старчевська, Д. Цінявський // Інформація, комунікація, суспільство 2012: матеріали I міжн. наук. конф., 25-28 квітня 2012 р. – Львів, 2012. – С. 236-237.
73. William W. Cohen. Fast effective rule induction / William W. Cohen. – In ICML, 1995. – P. 115-123.
74. Jochen Hipp. Algorithms for association rule mining - a general survey and comparison / Jochen Hipp, Ulrich Guntzer, and Gholamreza Nakhaeizadeh // SIGKDD Explorations. – 2000. – V 2(l). – Р. 58-64.
75. Goethals B. Advances in frequent itemset mining implementations: Introduction to fimi'03 / B. Goethals and Mohammed J. Zaki // In Proceedings of the FIMI'03 Workshop on Frequent Itemset Mining Implementations., 2003. – Р. 26-29.
76. Шекета В.І. Класифікація об’єктів нафтогазової предметної області на основі шаблонів у формі правил / Шекета В.І., М.М. Демчина, Г.Я. Процюк // Інтелектуальний аналіз інформації: матеріали XII міжн. наук. конф.
ім. Т.А.Таран, 16-18 травня 2012 р. – К., 2012. – С. 233-239.
77. Weiss S.M. Computer Systems That Learn: Classification and Prediction Methods from Statistics, Neural Nets, Machine Learning and Expert Systems /
S.M. Weiss and C.A. Kulikowski . – Morgan Kaufmann, 1991. – 223 p.
78. Donald Michie. Machine Learning, Neural and Statistical Classification / Donald Michie, D.J. Spiegelhalter, and C.C. Taylor. – Ellis Horwood, 1994. – 289 p.
79. Ishibuchi H. Distributed representation of fuzzy rules and its application to pattern classification / H. Ishibuchi, K. Nozaki, H. Tanaka, Fuzzy Sets and Systems. – 1992. – 25 Nov. – Vol. 52. – Iss. 1. – P. 21-32.
80. Freitas Alex Alves. Understanding the crucial differences between classification and discovery of association rules - a position paper / Alex Alves Freitas // SIGKDD Explorations. – 2000. – V. 2 (1). – Р. 65–69.
81. Davy Janssens. Integrating classification and association rules by proposing adaptations to the cba algorithm / Davy Janssens, Geert Wets, Tom Brijs, and Koen Vanhoof // Recent Advances in Retailing and Services Science: 10th International Conference, 2003. – P. 235-241.
82. Wenmin Li. CMAR: Accurate and efficient classification based on multiple class-association rules / Wenmin Li, Jiawei Han, and Jian Pei. – In ICDM, 2001. –
Р. 369-376.
83. Семенцов Г.Н. Контроль технологічних параметрів і показників процесу буріння на базі системних технологій Data Mining DMPC /
Семенцов Г.Н. // Приладобудування - 2006 (стан і перспективи) : зб. наук. праць п'ятої наук.-тех. конф., 25-26 квітня 2006 р. – К., 2006. – С. 254-255.
84. Демчина М.М. Моделювання нафтогазової предметної області на основі фреймово-продукційного підходу / М.М. Демчина, В.Р. Процюк,
В.І. Шекета // Збірник наукових праць національного гірничого університету. – Дніпропетровськ, 2011. – №36. – Т. 1. – С. 98-105.
85. Bezdek J.C. Fuzzy models for pattern recognition. Methods that search for structures in data / J.C. Bezdek, S.K. Pal [Eds ]. – IEEE Press, 1992. – P. 2.
86. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем /
Заде Л.А. // Новости искусственного интеллекта. – 2001. – № 2-3. – C. 7-11.
87. Прикладные нечеткие системы: пер. с япон. / Асаи К., Ватада
Д., Иваи С. [и др.]; под ред. Т. Тэрано, К. Асаи, М. Сугено. – М.: Мир, 1993. –
368 с.
88. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети / Ротштейн А.П. – Винница : УНИВЕРСУМ, 1999. – 320 с.
89. Driankov D. Fuzzy logic with unless-rules / D. Driankov, H. Hellendoorn. – Fuzzy Systems. – 1992. – 8-12 Mar. – P. 255-262.
90. Zadeh L. A. Fuzzy sets as a basis for a theory of possibility / Zadeh L. A. – North-Holland, 1999. – V. 100. – Р. 9-34.
91. Arnold Kaufman. Introduction to Fuzzy Arithmetic / Arnold Kaufman, Madan M. Gupta. – New York: Van Nostrand Reinhold Company, 1991. – 384 p.
92. Zimmermann H. J. Fuzzy Set Theory-And Its Applications /
Zimmermann H. J. – Springer, 2001. – 514 p.
93. L.A. Zadeh. Fuzzy logic = computing with words / Fuzzy Systems, IEEE Transactions, 1996. – V. 4 (2). – Р. 103-111.
94. Murofushi T. Fuzzy measures and fuzzy integrals / T. Murofushi, M. Sugeno // Fuzzy Measures and Integrals (Theory and Applications). – Heidelberg: Physica Verlag, 2000. – P. 3-41.
95. Dubois D. Automated reasoning using possibilistic logic: Semantics, belief revision, and variable certainty weights / D. Dubois, J. Lang, H Prade. – Knowledge and Data Engineering. –1994. – Feb. – P. 64-71.
96. Benferhat S. Representing default rules in possibilistic logic / S. Benferhat, D. Dubois, H. Prade // Principles of Knowledge Representation and Reasoning: Proc. of the 3rd Inter. Conf. (KR'92), 25-29 Oct. 1992 year. – Cambridge, MA, 1992. – P. 673-684.
97. Fenton N., Neil M. The use of Bayes and causal modeling in decision making, uncertainty and risk / N. Fenton, M. Neil // The Journal of CEPIS (Council of European Professional Informatics Societies). – 2011. – V. 12(5). – P. 10-21.
98. Bayes Nets [Електронний ресурс] – Режим доступу: http: // http://www.bayesnets.com
99. Richard M. Karp A simple algorithm for finding frequent elements in streams and bags / Richard M. Karp, Scott Shenker, and Christos H. Papadimitriou // In Proceedings of the ACM PODS 2003; ACM, 2003. V. 28. – Р. 84-88
100. Hobbs J. Interpretation as abduction / Hobbs J., Stickel M.E., Appelt D. et al. // Artificial Intelligence, 1993. 63(1-2). – P. 69-142.
101. Kakas A.C Abductive logic programming / A.C. Kakas, R.A. Kowalski, and F. Toni // Journal of Logic and Computation, 1993. –V. 2(6). – Р. 719-770,
102. Вагин В.Н. Абдукция в задачах планирования работ в сложных объектах / В.Н. Вагин, К.Ю. Хотимчук // Искусственный интеллект и принятие решений. – М.: Ленанд, 2011. – Т.1. – С. 3-13.
103. Kakas A.C. The role of Abduction in Logic Programming / R.A. Kowalski and F. Toni // Handbook in Artificial Intelligence and Logic Programming. – 1998. – V. 5. – Р. 235-324.
104. Kakas A.C. Aclp: Abductive constraint logic programming / A.C. Kakas, A. Michael, and C. Mourlas // Journal of Logic Programming, 2000. – V. 44 (1-3). – Р. 129-177.
105. Kakas A.C. Abductive concept learning / Antonis C. Kakas, F. Riguzzi // New Generation Computing, 2000. – V. 18(3). – Р. 243-294.
106. Pat Langley. Elements of Machine Learning. – Morgan Kaufmann, 1995. – 419 p.
107. Quinlan J.R. Improved use of continuous attributes in C4.5 / Quinlan J.R. // Journal of Artificial Intelligence Research. – 1996. – V.4. – P. 77-90.
108. Michell T. Machine Learning / T. Michell. – McGraw Hill, 1997. – 414 p.
109. Dubois D. Fuzzy set modelling in case-based reasoning / Dubois D, Esteva F, [et al] // International Journal of Intelligent Systems. – 1998. – V. 13. – Р. 345-373.
110. Kowalczyk R. Fuzzy eNegotiation Agents / Kowalczyk R // Journal of Soft Computing, Special Issue on Fuzzy Logic and the Internet. – 2002. – V. 6(5). –
Р. 337-347.
111. Zadeh L.A. Computing with words (CW) and its application to decision support and systems analysis / Zadeh L.A. // Intelligent Signal Processing: IEEE International Symposium, 2003. – V. 1-2. – P. 1-2.
112. Dubois D. Fuzzy sets in approximate reasoning. Part 1: Inference with possibility distributions / D. Dubois, H. Prade // Fuzzy Sets and Systems – Special memorial volume on foundations of fuzzy reasoning. – 1991. – 5 March. – Vol. 40. Iss. 1. – P. 143-202.
113. Круглов В.В. Нечёткая логика и искусственные нейронные сети /
В.В. Круглов, М.И. Дли, Р.Ю. Голунов. – М.: Физматлит, 2001. – 221 с.
114. Didier Dubois. Possibility theory and formal concept analysis: Characterizing independent sub-contexts / Didier Dubois, Henri Prade. – Fuzzy Sets and Systems, 2012. V. 196. – P. 4-16.
115. Calvo T. On some solutions of the distributivity equation / Fuzzy Sets and Systems, 1999. – V. 104. – P. 85-96.
116. Dubois D. The three semantics of fuzzy sets / Dubois D., Prade H. // Fuzzy Sets and Systems, 1997. – V. 90. – P. 141-150.
117. Roychowdhury S. New triangular operator generators for fuzzy systems / IEEE Trans. Fuzzy Syst., 1997. – V. 5. – P. 189-198.
118. Yager R.R. Uninorms in fuzzy systems modeling / Fuzzy Sets and Systems, 2001. – V. 122. – P. 167-175.
119. Юрчишин В.М. Інформаційне моделювання нафтогазових об’єктів : монографія / В.М. Юрчишин, В.І. Шекета, О В. Юрчишин – Івано-Франківськ: Вид-во Івано-Франківського нац. техн. ун-ту нафти і газу, 2010 – 196 с.
120. Mamdani E. H. Fuzzy logic control - from owning the problem to finding a good solution / E. H. Mamdani // Fuzzy Systems «FUZZ '03»: the 12th IEEE International Conference, 25-28 May 2003 year. – 2003. – V. 1. – Р. 12-13.
121. Dubois D. Gradual inference rules in approximate reasoning / D. Dubois, H. Prade // Information Sciences. – 1992. – 1-2 May. – Vol. 61 Iss. – P. 103-122.
122. Batyrshin I. Generalized conjunction and disjunction operations for fuzzy control / Batyrshin I., Kaynak O., Rudas I. // in: Proceeding of 6th European Congress on Intelligent Techniques & Soft Computing, EUFIT'98, Aachen, Germany, 1998. – V. 1. – 52-57 p.
123. Berger M. A. New parametric family of fuzzy connectives and their application to fuzzy control / Berger M. A. // Fuzzy Sets Syst. – 1998. – V. 93. –
P. 1-16.
124. Семенцов Г.Н. Фазі-логіка в системах керування / Г.Н. Семенцов, І.І. Чигур, М.В. Шавранський, В.С. Борин. – Івано-Франківськ : ІФНТУНГ, 2002. – 84 с.
125. Zadeh L.A. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic / Fuzzy Sets and Systems, 1997. –
V. 90. – P. 111-127.
126. Шекета В.І. Управління процесом інтерпретації інформації про нафтогазові об’єкти на основі нечітких моделей / В.І. Шекета, М.М. Демчина, Л.М. Гобир // Математичне та імітаційне моделювання систем: матеріали XII міжн. наук.-практ. конф., 25-28 червня 2012 р. – Чернігів-Жукин, 2012. –
С. 43-46.
127. Горбійчук М.І. Оптимальне керування процесом механічного
буріння / М.І. Горбійчук, В.Б. Кропивницька // Нафтова і газова
промисловість. – 2005. – №3. – С.20-22.
128. Система привода и автоматизации буровых установок [Електронний ресурс] – Режим доступу: http://www.tscoffshore.com/ru/products/drilling/rig/
129. Демчина М.М. Використання нечітких правил для представлення знань в інтелектуальних системах нафтогазової предметної області / М.М. Демчина // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – Івано-Франківськ, 2012. – С. 132-141.
130. Демчина М.М. Нечіткі методи і моделі управління в інтелектуальних системах нафтогазової предметної області / М.М. Демчина, Г.Я. Процюк,
В.Р. Процюк // Контроль і управління в складних системах: матеріали XI міжн. конф., 9-11 жовтня 2012 р. – Вінниця, 2012. – С. 248.
131. Демчина М.М. Реалізація формальних методів інтелектуального керування на основі нечітких знань про нафтогазові об’єкти / М.М. Демчина, В.Р. Процюк, Г.Я Процюк // Нафтогазова енергетика. – 2011. – №3. – С. 96-107.
132. Демчина М.М. Розробка структури інтелектуальної системи підтримки прийняття рішень в процесі буріння / М.М. Демчина // Математичне та програмне забезпечення інтелектуальних систем : матеріали X ювілейної міжнар. наук.-практ. конф., 21-23 листопада 2012 р. – Дніпропетровськ, 2012.– С. 156
133. Harmon Р. The Size of the Commercial AI Market in the US. Intelligent Software Strategies. – V.10. – N.1. – 1994. – P. 1-16.
134. Эддоус М. Методы принятия решений: пер. с англ. / Эддоус М., Стенсфилд Р.; под ред. И.И. Елисеевой. – М.: Аудит, ЮНИТИ, 1997. – 590 с.
135. Pahl G. Engineering Design - A Systematic Approach / Pahl G, Beitz W. –New York: Springer, 1996. – 617 р.
136. Mistree F. Modeling design processes: a conceptual decision-based perspective / Mistree F, Bras B, Smith WF, Allen JK // Engineering Design & Automation. – 1995. – V. 1 (4). – Р. 209-321.
137. Turban E. Information Technology for Management. John Wiley & Sons / Turban E., McLean E., Wetherbe J. – New York. 2001. – 832 p.
138. Черноруцкий И.Г. Методы оптимизации и принятия решений / Черноруцкий И.Г. – СПб.: Лань, 2001. – 398 с.
139. Штойер Р. Многокритериальная оптимизация. Теория, вычисления и приложения / Штойер Р. – М.: Радио и связь, 1992. – 330 с.
140. Гуц А.К. Математическая логика и теория алгоритмов / А.К. Гуц. – Омськ: Наследие, 2003. – 108 с.
141. Jajodia S. A Logical Language for Expressing Authorizations. IEEE Computer Society Press / S. Jajodia, P. Samarati, V. Subrahmanian. – Los Alamitos, 1997. – P. 31-42.
142. Mohammed J. Zaki. Theoretical foundations of association rules / Mohammed J. Zaki and Mitsunori Ogihara; in Proceedings of 3 rd SIGMOD’98 Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD’98), Seattle, Washington, 1998. – P. 10-17.
143. Pang-Ning Tan. Selecting the right interestingness measure for association patterns. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining / Pang-Ning Tan, Vipin Kumar, and Jaideep Srivastava. – ACM Press, 2002. – Р. 32-41.
144. Bui, T. An agent-based framework for building Decision Support Systems / Bui, T. & Lee, J // Decision Support Systems. – 1999. – V. 25. – P. 225-237.
145. Вовк Р.Б. Система інтелектуальної підтримки прийняття рішень при контролі технологічних параметрів / Р.Б. Вовк, В.І. Шекета, В.Д. Мельник // Методи і прилади контролю якості. – 2012. – № 29. – С. 119-129.
146. Collins J. MAGNET: A Multi-Agent Contracting System for Plan Execution. Workshop on Artificial Intelligence and Manufacturing: State of the Art and State of Practice / Collins J, Tsvetovat M. [et al]. - Albuquerque, USA, AAAI Press, 1998.
147. Mancarella P. An abductive proof procedure handling active rules /
P. Mancarella and G. Terreni // AI*IA 2003: Advances in Artificial Intelligence / A.Cappelli and F.Turini, editors. – SV of LNAI, 2003.– Р. 105-117.
148. Нейлор К. Как построить свою экспертную систему / Нейлор К. – М.: Энергоатомиздат, 1991. – 154 с.
149. Lindley D.V. Making Decisions / Lindley D.V. – 2nd Edition // Publisher: Wiley. – 1991. – April 5. – 220 p.
150. Семенцов Г.Н. Інтелектуальний пристрій на нечіткій логіці для розпізнавання образів у бурінні / Г.Н. Семенцов, І.І. Чигур, М.І. Когутяк,
Л.Я. Чигур // Нафтогазова енергетика. – 2009. – №1(10). – С. 75-77.
151. Семенцов Г.Н. Інформаційна модель контролю питомих енерговитрат на поглиблення свердловини / Г.Н. Семенцов, Т.Я. Кузь // Науковий вісник Івано-Франківського національного технічного університету нафти і газу. – 2001. – №1(1). – С. 76-80.
152. Семенцов Г.Н. Нечіткі моделі технологічних процесів і їх ідентифікація / Г.Н. Семенцов, І.І. Чигур // Розвідка і розробка нафтових і газових родовищ. – Івано-Франківськ: ІФДТУНГ. – 1996. – Вип. 33(6). – С. 12-17. – (Серія: Технічна кібернетика та електрифікація об'єктів паливно-енергетичного комплексу).
153. Семенцов Г.Н. Автоматизація технологічних процесів на базі методів нечіткої логіки. // Г.Н. Семенцов, Ю.В. Матієвський / Наука і газ України – 2004 : матеріали VIII міжнар. конф., 29 вересня 2004 р. – Львів, 2004. –
С. 280-282.
154. Вовк Р.Б. Моделювання структури та функціональності технологічних проблем на основі обмежень / Вовк Р.Б. // Математичні машини та системи. – 2011. – № 2. – С. 153-161.
155. Овчинников В.П. Определение осевой нагрузки на долото при бурении скважин с горизонтальным окончанием / В.П. Овчинников, М.В. Двойников, С.В. Пролубщиков // Специализированный журнал «Бурение и нефть». – 2007. - №5. – С 18-20.
156. Kaufmann, San Mateo, CA, 1989. Yokoo M, Durfee EH et al. The distributed constraint satisfaction problem: formalization and algorithms / Yokoo M, Durfee EH [et al] // IEEE Transactions on Knowledge and Data Engineering. – 1998. – V. 10(5). – P. 673-685,
157. Kowalczyk R. On Constraint based Reasoning in eNegotiation Agents / Kowalczyk R, Bui V; in: F. Dignum and U. Cortes (Eds) // Agent Mediated Electronic Commerce III. – Springer-Verlag, 2003. – P. 31-46.
158. Didier Dubois. Possibility Theory, Probability Theory and Multiple-Valued Logics: A Clarification / Didier Dubois, Henri Prade // Annals of Mathematics and Artificial Intelligence archive. – 2001. – August. – V. 32. I. 1-4. – P. 35 – 66.
159. Xuan Thang Nguyen On Solving Distributed Fuzzy Constraint Satisfaction Problems with Agents / Xuan Thang Nguyen, Ryszard Kowalczyk // IAT '07 Proceedings of the 2007 IEEE/WIC/ACM International Conference on Intelligent Agent Technology. – P. 387-390.
160. Kowalczyk R. On negotiation as a distributed fuzzy constraint satisfaction problem / Kowalczyk R. // Proceedings of the Third International Symposium on Soft Computing for Industry of the World Automation Congres. – 2000. – P. 631-637
161. Luo X. A Fuzzy constraint based model for bilateral multi-issue negotiation in semi-competitive environments / Luo X, Jennings NR, [et al] // Artificial Intelligence. – 2003. – V. 148 (1-2). – Р. 53-102.
162. Luo X. Prioritised Fuzzy Constraint Satisfaction Problems: Axioms, Instantiation and Validation / Luo X, Lee JH, [et al] // Fuzzy Sets and Systems. – 2003. – V. 136 (2). – Р. 155-188.
163. Didier Dubois. Gradual elements in a fuzzy set / Didier Dubois, Henri Prade // Soft Computing, 2008. – V. 12(2). – Р. 165-175.