Жандалдаев И.К., Каюмов К.Г.
ТЕХНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ПРОЦЕССАМИ ПОДГОТОВКИ СЫРОЙ НЕФТИ НА ОСНОВЕ ИНТЕРНЕТ ВЕЩЕЙ *
Аннотация:
интеграция Интернета вещей с современными методами управления — такими как модельно-ориентированное регулирование и генетические алгоритмы — открывает новые горизонты для оптимизации промышленных процессов. В данном исследовании была реализована IoT-система интеллектуального управления с использованием оборудования МЕТРАН и Овен в технологическом процессе подготовки сырой нефти.Комбинируя сетевые возможности IoT с алгоритмами оптимизации, удалось повысить качество подготовки нефти с 95% до 99% всего за два месяца эксплуатации. Это подтверждает высокую эффективность подхода в реальных условиях.Результаты демонстрируют, что подобная интеграция способна значительно улучшить производственные показатели в нефтегазовом секторе.
Ключевые слова:
технологический процесс, автоматизация, моделирование, подготовка нефти, интеллектуальные системы, интернет вещей
В последние годы интеграция Интернета вещей (IoT) с интеллектуальными системами управления процессами привлекает всё больше внимания благодаря стремительному развитию цифровых технологий и растущему спросу на автоматизацию. Особенно активно развивается Промышленный Интернет вещей (IIoT), который играет ключевую роль в концепциях этапах промышленной революции, ориентированных на технологические инновации и ценностно-ориентированное производство. IIoT позволяет подключать производственное оборудование, датчики и программные платформы в единую цифровую экосистему, обеспечивая оперативный сбор, анализ и обмен данными в реальном времени.В условиях стремительного роста цифровизации и перехода к адаптивному и устойчивому производству, интеграция Интернета вещей (IoT) с интеллектуальными системами управления процессами выходит на передний план как один из ключевых факторов повышения конкурентоспособности промышленных предприятий. Особенно актуален IoT он обеспечивает соединение промышленного оборудования, сенсоров и программных решений в единую цифровую платформу, что позволяет в режиме реального времени собирать, анализировать и использовать данные для принятия решений, минимизации простоев и повышения общей эффективности производства.Цель данного исследования — выявить и оценить потенциальные выгоды интеграции на примере использования современных IoT-устройств и платформ, таких как МЕТРАН и программного обеспечения FactoryTalk, с акцентом на повышение производительности, снижение затрат и устойчивость процессов переработки сырья в условиях динамично меняющейся промышленной среды.В условиях стремительной цифровизации и развития промышленного Интернета вещей (IIoT) всё более актуальным становится использование передовых методов управления, основанных на искусственном интеллекте (ИИ) и машинном обучении. Одним из перспективных направлений является интеллектуальная настройка ПИД-регуляторов с помощью генетических алгоритмов, позволяющая существенно повысить адаптивность и точность управления сложными технологическими процессами.Кроме того, за счёт интеграции с системами сбора и анализа данных, формируется обширный и разнообразный обучающий набор, на основе которого создаются более точные и адаптивные модели прогнозирования. Искусственный интеллект, обученный на таких данных, способен в реальном времени предсказывать поведение системы и формировать управляющие воздействия, обеспечивая проактивное, а не реактивное управление.На начальном этапе добычи нефть представляет собой сложную многофазную смесь, содержащую воду, соли, газы и различные механические примеси. Приведение этого сырья к транспортному и коммерческому стандарту требует глубокой предварительной обработки — процесса, известного как промысловая подготовка нефти.Целью подготовки является удаление нежелательных компонентов, прежде всего — обезвоживание и обессоливание, обеспечивающие соответствие нефти требованиям к дальнейшей транспортировке и переработке. В зависимости от состава сырья и геологических условий используются различные технологические комплексы: термохимические установки (ТХУ), электрические обессоливатели (ЭЛОУ) и установки комплексной подготовки нефти (УКПН).Внедрение автоматизированных систем управления (АСУ ТП), цифровых двойников и IoT-устройств формирует новое поколение промысловой инфраструктуры — более гибкой, энергоэффективной и адаптивной к внешним условиям. Таким образом, автоматизация УКПН перестаёт быть опцией и становится необходимым условием устойчивого развития нефтедобывающих предприятий.Анализ практик подготовки нефти на объектах ТХУ, ЭЛОУ и УКПН в нефтегазодобывающих регионах Казахстана показывает устойчивую тенденцию к использованию широкого и функционально разнообразного технологического оборудования. В рамках типовых технологических схем ключевыми узлами выступают: резервуары, насосные агрегаты, теплообменные устройства, сепараторы, отстойники, печи, подогреватели, электродегидраторы, холодильники-конденсаторы, а также ректификационные колонны.С точки зрения автоматизации, каждый технологический модуль представляет собой самостоятельный объект управления со своей типовой структурой параметров: уровней, давлений, температур, расхода и концентраций. Это определяет состав используемых средств измерения и контроля — датчиков, исполнительных механизмов, преобразователей сигналов, блоков питания и локальных вычислительных узлов.Сигналы, поступающие с датчиков оборудования, структурируются и маршрутизируются на уровне ПЛК-контроллеров по разным логикам: по типу измеряемых величин, технологическому назначению, критичности, принадлежности к определённым стадиям процесса или конкретным единицам оборудования.Такая архитектура требует гибких решений в проектировании автоматизированных систем управления: с возможностью масштабирования, интеллектуальной обработки сигналов и контекстной визуализации данных. Развитие цифровых платформ и внедрение промышленных IoT-технологий открывает возможности для повышения уровня диагностируемости и управляемости технологических процессов подготовки нефти в условиях казахстанской нефтегазовой отрасли.Установки комплексной подготовки нефти (УКПН) с производительностью от 1 до 4 млн тонн в год представляют собой сложные, многокомпонентные производственные объекты, выходящие далеко за рамки базовых технологических блоков. Каждый из этих функциональных компонентов является объектом автоматизации и подключается к системе управления либо через локальные контроллеры, размещённые непосредственно на объекте, либо через централизованные контроллеры, расположенные в операторной. Сигналы с датчиков, измеряющих технологические параметры (давление, уровни, температура, расход), поступают в автоматизированную систему управления технологическим процессом (АСУ ТП), обеспечивая как мониторинг, так и управление.Современные АСУ ТП реализуют не только сбор и визуализацию данных, но и поддерживают два ключевых режима управления:Дистанционное управление: оператор через человеко-машинный интерфейс (например, SCADA-систему) вручную подаёт команды на исполнительные устройства — насосы, вентиляторы, краны и т.д.- проектирование и реализация алгоритмов регулирования в таких системах требуют учёта целого ряда факторов:- межконтурной взаимосвязи — изменения одного параметра могут вызвать отклонения других (например, рост давления при закрытии задвижки),- нелинейного поведения управляемых объектов, что требует применения адаптивных или каскадных регуляторов,- оптимального выбора шага дискретизации при оцифровке сигналов, особенно в условиях быстро меняющихся процессов.Автоматизация установок комплексной подготовки нефти (УКПН) в современных условиях трансформируется из набора стандартных управляющих функций в интеллектуальную высоко адаптивную систему, способную в реальном времени реагировать на динамичные изменения технологических и внешних параметров. Это требует не просто контроля и управления, а активного участия системы в процессе принятия решений и поддержания оптимальных рабочих режимов.Для разработки эффективных алгоритмов управления и оценки поведения сложных технологических процессов всё чаще применяются методы математического моделирования и полунатурных испытаний. Эти подходы позволяют предварительно отработать сценарии функционирования системы, выявить потенциальные узкие места и повысить надёжность конечных решений.Предлагаемая система управления.В данном исследовании была предложена система управления для установки подготовки сырой нефти, включающая несколько ключевых элементов:Математическая модель процесса подготовки сырой нефти — была разработана в рамках подхода управления на основе моделей. Она использовалась для оптимизации настроек ПИД-регуляторов с применением генетических алгоритмов, что позволило повысить эффективность системы управления.МЕТРАН устройства — использовались как датчики Интернета вещей (IoT), устанавливаемые в критических точках технологического процесса. Эти устройства обеспечивали сбор данных о ключевых процессных переменных, таких как температура, давление и расход.Платформа Овен — применялась для мониторинга технологического процесса в реальном времени и настройки ПИД-регуляторов. При этом использовался подход машинного обучения, который анализировал данные прошлых операций с ПИД-параметрами, установленных экспертами вручную.Генетические алгоритмы — использовались для поиска оптимальных значений ПИД-параметров.Программное обеспечение для статистического анализа — применялось для детального анализа собранных данных о технологических параметрах, а также для оценки качества процесса подготовки сырой нефти и общей эффективности системы сбора данных.В данном исследовании была предлагается инновационная система управления для установки подготовки сырой нефти, основанная на интеграции технологий Интернета вещей и искусственного интеллекта. Основной идеей системы является сбор данных с помощью датчиков МЕТРАН.Процесс управления осуществляется через платформу программного обеспечение FactoryTalk, которая в реальном времени контролирует технологические параметры и позволяет автоматически настраивать ПИД-регуляторы. В отличие от традиционных методов, настройки ПИД-регуляторов здесь выполняются с использованием алгоритмов машинного обучения, которые анализируют исторические данные и предлагают оптимальные параметры регулирования.Особенность предлагаемой системы заключается в применении генетических алгоритмов для поиска наилучших значений ПИД-параметров. Это позволяет не только повысить стабильность процесса, но и улучшить его эффективность, минимизируя вероятность ошибок и отклонений. Программное обеспечение для статистического анализа служит для оценки влияния предложенных методов на качество работы системы и стабильность технологического процесса.Для повышения точности и надежности управления была разработана модель искусственного интеллекта, использующая нейронные сети глубокого обучения. Эта модель прогнозирует оптимальные параметры для системы управления на основе данных, получаемых через Интернет вещей, что решает проблему дефицита данных для обучения.Реализация системы управленияНа рисунке 1 представлена структура предлагаемой системы. В рамках этого исследования был реализован практический проект, направленный на внедрение интеллектуального управления процессами, интегрируя технологии Интернета вещей, модельное управление и генетические алгоритмы.В качестве пилотной установки был выбран процесс разделения сырой нефти. Мы выбрали именно эту задачу, поскольку она предоставила нам возможность глубже понять влияние передовых методов управления на реальные производственные процессы в условиях контролируемой лаборатории.Интеллектуальное управление с использованием Интернета вещей и машинного обучения.Для реализации системы интеллектуального управления в процессе подготовки сырой нефти мы интегрировали устройства МЕТРАН в роли датчиков Интернета вещей, а также использовали платформу Овен для обработки данных.Рисунок 1. Структура системы управления.Устройства МЕТРАН были размещены на критически важных участках технологического процесса, чтобы собирать информацию о таких параметрах, как температура, давление и расход. Эти данные передавались на платформу Овен, которая обеспечивала мониторинг в реальном времени и настройку ПИД-регуляторов, используя методы машинного обучения. При этом ПИД-параметры первоначально задавались экспертами, а затем корректировались на основе анализа исторических данных.Дополнительно в систему управления был внедрён подход, основанный на моделировании процесса, а также применены генетические алгоритмы. Математическая модель процесса подготовки сырой нефти использовалась для оптимизации параметров ПИД-регуляторов, а генетические алгоритмы позволили найти наилучшие значения этих параметров. Оптимизация проводилась с целью минимизации специальной функции стоимости, которая учитывала такие факторы, как стабильность и эффективность процесса.Для оценки воздействия интеллектуального управления процессом, использующего Интернет вещей, моделирование и генетические алгоритмы, на эффективность подготовки сырой нефти, в течение двух месяцев были собраны данные о таких ключевых параметрах процесса, как температура, давление, плотность и расход. Для решения этого вызова предложена схема, в которой используется промышленный Интернет вещей (IoT) для записи и подготовки данных, которые затем проходят процедуру проверки качества. Этот этап необходим, чтобы убедиться в пригодности данных для создания модели и получения точных прогнозов.Далее, для построения модели ИИ использовались инструменты машинного обучения в платформе ML.NET, работающей в среде Visual Studio .NET. Модель обучалась с применением методов глубокого обучения нейронных сетей, что позволяет эффективно распознавать скрытые закономерности и делать обоснованные прогнозы. Такой подход идеально подходит для создания высокоточных моделей и может обеспечить точные прогнозы для настройки контроллеров на основе реальных данных.В результате выполнения этого процесса, как показано на блок-схемах, создаётся ИИ-модель, способная точно прогнозировать оптимальные параметры для управления в реальных промышленных условиях. Применение Интернета вещей для сбора данных и метода нейронных сетей для построения модели позволит преодолеть проблему дефицита данных и создать высокоэффективную модель для прогнозирования параметров в реальном времени.Моделирование процесса подготовки нефти.Пневматический клапан регулирует и управляет различными типами процессов, такими как контроль уровня в маслоотделителе, как показано на рисунке 2.Рассмотрим описание задачи, связанной с контролем (управлением) процесса, где рассматривается клапан, поведение которого описывается через динамику "пружина–масса". Это типичная механическая система, и её поведение во времени может быть описано дифференциальным уравнением второго порядка.Общее уравнение движения для такой системы (без учета внешнего управления) имеет вид:Рисунок 2. Процесс управления уровня и расхода в маслоотделителе.где:x(t) — смещение клапана во времени,m — масса,c — коэффициент демпфирования (вязкое сопротивление),k — жесткость пружины,F(t) — внешняя сила (например, управляющий сигнал), действующая на систему.Если вы хотите записать это как модель временного ряда, то его можно представить в виде разностного уравнения, например:где:xnx_nxn — дискретные значения смещения клапана,unu_nun — управляющий сигнал,a1, a0, ba_1, a_0, ba1, a0, b — параметры модели, полученные в результате дискретизации и аппроксимации дифференциального уравнения.Если вы хотите, я могу помочь:- преобразовать уравнение в конкретную дискретную форму,- построить модель для PID-регулятора,- или провести идентификацию параметров модели на основе данных.Цифровой ПИД-регулятор.Опишем переход от непрерывной формы ПИД-регулятора к дискретной, с последующей адаптацией для управления положением клапана.ПИД-регулятор: переход от непрерывной к цифровой форме.ПИД-регулятор в непрерывной форме обычно описывается следующим уравнением:где:e(t) — ошибка регулятора, представляющая собой разницу между заданным значением и измеренным,Kc — коэффициент усиления,TI — время интегрирования (параметр, определяющий скорость коррекции по ошибке),TD — время дифференцирования (параметр, отвечающий за компенсацию резких изменений ошибки).Переход к цифровой форме с использованием интервала выборки ΔTDelta TΔT:Ошибка в дискретной форме будет выражаться как разница между текущим и предыдущим значением:где:S — уставка,Vn — значение, измеренное на n-м шаге.Интегральная часть в цифровом варианте становится суммой ошибок за все предыдущие шаги:где:ΔT — интервал выборки.Производная часть аппроксимируется разностью между текущей и предыдущей ошибкой:Таким образом, цифровой алгоритм ПИД-регулятора можно записать в виде:Параллельная форма ПИД:Для параллельной формы ПИД-регулятора коэффициенты усиления можно выразить через параметры ПИД:В результате уравнение ПИД-регулятора в параллельной форме будет выглядеть так:Управление положением клапана.Для задачи управления положением клапана, необходимо выразить управляющий сигнал в зависимости от состояния системы. Положение клапана PnP на n-м шаге вычисляется по следующей формуле:где:Pm — срединное положение клапана (опорная точка),un — управляющий сигнал, вычисляемый по ПИД-регулятору,S — заданное значение (уставка),Vn — измеренное значение на nnn-м шаге.Учет шума в дифференциальной части:Из-за шума в процессе измерений, производная часть уравнения может быть подвержена нестабильности. Для минимизации этих эффектов используется метод разности четырех точек, который сглаживает резкие изменения в управляющем сигнале.Также, для расчета постоянной уставки используется стандартная формула:Моделирование устройства и процесса Интернет вещей.Интеграция IoT-платформы в процесс подготовки сырой нефти: моделирование с использованием Proteus.Для эффективного сопряжения цифровых технологий с реальным производственным процессом требуется интеграция платформы Интернета вещей (IoT) с системой подготовки сырой нефти. Ключевым элементом этой связки выступает IoT-устройство, оснащённое ПИД-регулятором, которое обеспечивает двустороннюю связь между физическим процессом и цифровой платформой.Перед внедрением IoT-платформы в реальную среду крайне важно провести её предварительное тестирование. Одним из надёжных и безопасных способов проверки является моделирование технологического процесса в виртуальной среде. Это можно реализовать с помощью среды Proteus, которая предоставляет широкие возможности для имитации как физических процессов, так и работы электронных компонентов IoT.Proteus содержит обширный набор инструментов и библиотек, позволяющих смоделировать поведение системы подготовки нефти. Для этого можно использовать элементы Лаплас-преобразования, микроконтроллеры, Ethernet-модули и визуализационные средства, такие как осциллографы. Для настройки динамики процесса в Лаплас-примитивах задаются параметры затухания (ζ) и собственная частота (ωₙ), что позволяет точно воспроизвести характеристики реального объекта управления.IoT-устройство играет центральную роль в цифровой системе: оно осуществляет сбор данных с датчиков, передаёт их на платформу, где интеллектуальные алгоритмы анализа и регулирования вырабатывают управляющие воздействия. На основе этих команд система автоматически адаптируется к текущему состоянию процесса, поддерживая его в оптимальных условиях.На рисунке 3 представлена схема моделирования второго порядка в Proteus, с помощью которой имитируется реальный процесс подготовки нефти, опираясь на параметры затухания и собственной частоты.Рисунок 3. Схема моделирования второго порядка в Proteus.Моделирование процессов второго порядка в Proteus: реализация IoT-устройства для управления системой подготовки сырой нефти.Для построения цифровой модели системы подготовки сырой нефти в виртуальной среде возможно использовать программное обеспечение Proteus, предоставляющее мощные инструменты моделирования процессов второго порядка. В центре этой системы находится промышленное IoT-устройство, реализованное на базе микроконтроллера Arduino Mega 2560, которое обеспечивает интеллектуальное управление технологическим процессом.Разрабатываемое устройство Интернета вещей включает в себя цифро-аналоговый преобразователь DAC104S085 и модуль виртуальной Ethernet-сети, построенной на базе контроллера ENC28J60 с поддержкой промышленного протокола Modbus TCP. Весь комплекс моделируется в Proteus, что позволяет реализовать полный цикл разработки — от низкоуровневой настройки устройств до визуального контроля параметров процесса.Система обладает широкими функциональными возможностями:- запуск и остановка ПИД-регулятора — управление осуществ-ляется в режиме реального времени,- контурное регулирование — возможно управление четырьмя различными контурами, при этом активным может быть только один в заданный момент,- выбор режима настройки — предусмотрены два варианта: дистанционная автотюнировка с использованием генетического алгоритма и ручная настройка с помощью потенциометров,- установка уставок (Setpoints) — для каждого контура можно задавать желаемые значения параметров вручную через потенциометры,- сетевой мониторинг — осуществляется с использованием виртуального терминала UART в Proteus для отслеживания обмена данными,- контроль технологического процесса — визуализируется как с активным ПИД-регулятором, так и в его отсутствии, при помощи встроенного осциллографа Proteus.Таким образом, использование Proteus позволяет создать полноценную цифровую модель IoT-системы, интегрированной в промышленный процесс.Этапы реализации экспериментального исследования.Эксперимент, представленный в данной статье, направлен на разработку и тестирование промышленной IoT-системы управления процессами второго порядка. Он условно разделён на пять ключевых этапов, каждый из которых вносит вклад в построение замкнутого интеллектуального контура управления:Выбор объекта управления.На первом этапе производится конфигурация установки, представля-ющей систему второго порядка. Управление осуществляется с учетом различных значений коэффициента затухания (ζ) и собственной частоты (ωₙ), что позволяет исследовать динамику процесса при различных характеристиках.Реализация цифрового ПИД-регулятора на Arduino.Во втором этапе на микроконтроллере Arduino реализуется алгоритм ПИД-регулирования. Параметры регулятора — Kₚ, Kᵢ, Kᴅ — настраиваются вручную с использованием аналоговых потенциометров, подключённых к контроллеру. Это позволяет провести базовую калибровку без участия внешней аналитики.Интеграция Ethernet и подключение к сети.Третий этап включает в себя подключение IoT-устройства к сети Ethernet с использованием контроллера ENC28J60. Устройство работает в режиме Modbus TCP-клиента, и на этом шаге тестируется его способность устанавливать стабильное соединение с сервером.Сбор и передача данных отклика процесса.Далее осуществляется передача данных временного отклика на ступенчатое воздействие вместе с информацией о времени выборки на удалённую рабочую станцию через Ethernet-соединение. Эти данные формируют временной ряд, необходимый для последующего анализа и идентификации модели объекта.Модельная идентификация и интеллектуальная настройка.На последнем этапе запускается программа на рабочей станции, которая анализирует полученные данные, строит математическую модель объекта и применяет генетический алгоритм для оптимального расчета параметров Kₚ, Kᵢ, Kᴅ.Результаты экспериментов.Интеллектуальное управление процессом подготовки нефти с использованием контроллера ОВЕН.В исследуемой системе подготовки сырой нефти в качестве промышленного IoT-решения применён высокопроизводительный контроллер ОВЕН, обладающий мощной аппаратной базой: двухъядерный 32-битный процессор 600 МГц, 128 МБ оперативной памяти DDR3, 128 МБ NAND-флэш, а также богатым набором интерфейсов — 3 Ethernet-порта, 6 аналоговых и 18 цифровых входов, 9 цифровых и 2 аналоговых выхода, с поддержкой Modbus TCP/RTU и протокола DNP3.Контроллер интегрирован в контур управления уровнем жидкости, где с помощью вытеснительного уровнемера обеспечивается измерение контролируемой переменной, а кориолисовый расходомер Emerson Micromotion фиксирует параметры потока и плотности масла. Эти данные передаются в контроллер через Modbus RTU по интерфейсу RS-485.Система реализует ПИД-регулирование уровня жидкости, управляя положением пневматического клапана для стабилизации потока. На выходе плотность нефти используется как ключевой критерий качества подготовки. Проведённый статистический анализ показал, что средняя плотность составляет 0,84 г/см³, а стандартное отклонение — 0,02, что указывает на стабильную работу системы: 95% значений находятся в пределах 0,80–0,88 г/см³.Таким образом, внедрение IoT-контроллера позволило существенно повысить точность и надёжность управления технологическим процессом, обеспечив стабильное качество продукции за счёт интеллектуальной автоматизации.Влияние IoT-настройки на стабильность фазовых параметров в процессе сепарации нефти.В технологической схеме сепарации сырой нефти нефтяная фаза расположена между водяной и газовой, что делает её уязвимой к флуктуациям со стороны водной составляющей. Анализ работы системы с ручной регулировкой уровня воды (рисунок 24) показал, что значения плотности воды были стабильно удержаны в пределах 1,04–1,08 г/см³, со средним значением 1,06 г/см³ и стандартным отклонением 0,01. Это подтверждает корректную работу системы регулирования водной фазы и её минимальное влияние на нефтяной слой.После внедрения промышленного IoT-контроллера и подключения к интеллектуальной платформе управления была проведена идентификация объекта на основе отклика на ступенчатое возмущение. Построенная в среде MATLAB модель процесса легла в основу автоматической настройки параметров ПИД-регулятора.Результаты мониторинга показали, что после цифровой настройки продемонстрировали значительное повышение стабильности: средняя плотность нефти достигла 0,84 г/см³, а дисперсия уменьшилась вдвое — стандартное отклонение составило всего 0,01, при этом 95% значений укладывались в диапазон 0,82–0,86 г/см³. Это указывает на более точную и устойчивую работу системы, достигнутую благодаря автоматизированной оптимизации параметров регулирования на базе IoT-технологий.Выводы и заключение.Проведённое исследование убедительно продемонстрировало, что интеграция платформы Интернета вещей с интеллектуальными методами управления, такими как генетические алгоритмы и машинное обучение, значительно повышает эффективность подготовки сырой нефти. Автоматическая настройка ПИД-регулятора на основе моделирования и анализа данных позволила улучшить качество продукции — показатель соответствия требованиям вырос с 95% до 99%, а отклонения по плотности снизились, что свидетельствует о стабильности процесса.Такие результаты подчёркивают перспективность объединения IoT и передовых алгоритмов в рамках перехода к Индустрии 5.0, где на первый план выходят автономность, адаптивность и интеллектуальное взаимодействие между человеком и машиной. Таким образом, данная работа доказывает практическую пользу от использования IoT и интеллектуального управления в нефтеподготовки.
Номер журнала Вестник науки №6 (87) том 1
Ссылка для цитирования:
Жандалдаев И.К., Каюмов К.Г. ТЕХНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ПРОЦЕССАМИ ПОДГОТОВКИ СЫРОЙ НЕФТИ НА ОСНОВЕ ИНТЕРНЕТ ВЕЩЕЙ // Вестник науки №6 (87) том 1. С. 1897 - 1917. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/23810 (дата обращения: 09.07.2025 г.)
Вестник науки © 2025. 16+