<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="https://emreview.ru/lib/pkp/xml/oai2.xsl" ?>
<OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/"
	xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/
		http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd">
	<responseDate>2026-08-07T19:53:55Z</responseDate>
	<request identifier="oai:emreview.ru:article/836" metadataPrefix="jats" verb="GetRecord">https://emreview.ru/index.php/emr/oai</request>
	<GetRecord>
		<record>
			<header>
				<identifier>oai:emreview.ru:article/836</identifier>
				<datestamp>2023-05-30T11:09:28Z</datestamp>
				<setSpec>emr:ART</setSpec>
				<setSpec>driver</setSpec>
			</header>
			<metadata>
<article xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="https://jats.nlm.nih.gov/publishing/1.1/" xml:lang="ru" dtd-version="1.1" specific-use="eps-0.1">
			<front>
			<journal-meta>
				<journal-id journal-id-type="publisher">emr</journal-id><journal-id journal-id-type="ojs">emr</journal-id>
				<journal-title-group>
			<journal-title xml:lang="ru">Управление образованием: теория и практика</journal-title><trans-title-group xml:lang="en"><trans-title>Education Management Review</trans-title></trans-title-group>
</journal-title-group>			<issn pub-type="epub">2311-2174</issn>			<self-uri xlink:href="https://emreview.ru/index.php/emr"/>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="doi">10.25726/l2489-0287-9336-d</article-id><article-id pub-id-type="publisher-id">836</article-id>
			<article-categories><subj-group subj-group-type="heading" xml:lang="en"><subject>Articles</subject></subj-group></article-categories>
			<title-group><article-title xml:lang="ru">Разработка интеллектуальных систем управления скважинами на основе нейросетевых алгоритмов</article-title><trans-title-group xml:lang="en"><trans-title>Development of intelligent well management systems based on neural network algorithms</trans-title></trans-title-group></title-group>
			<contrib-group content-type="author">
				<contrib>
					<name-alternatives>
						<name name-style="western" specific-use="primary">
							<surname>Денисова</surname>
							<given-names>Нина Сергеевна </given-names>
						</name>
					</name-alternatives>
					<xref ref-type="aff" rid="aff-1"/>
					<email>nd20799@gmail.сom</email>
				</contrib>
				<contrib>
					<name-alternatives>
						<name name-style="western" specific-use="primary">
							<surname>Зайнуллина</surname>
							<given-names>Вилена Раяновна </given-names>
						</name>
					</name-alternatives>
					<xref ref-type="aff" rid="aff-1"/>
					<email>vilena.zaynullina@bk.ru</email>
				</contrib>
				<contrib>
					<name-alternatives>
						<name name-style="western" specific-use="primary">
							<surname>Каипов</surname>
							<given-names> Айнур Аликович </given-names>
						</name>
					</name-alternatives>
					<xref ref-type="aff" rid="aff-2"/>
					<email>ainur-kaipov@mail.ru</email>
				</contrib>
				<contrib>
					<name-alternatives>
						<name name-style="western" specific-use="primary">
							<surname>Latypov</surname>
							<given-names>Eldar R. </given-names>
						</name>
					</name-alternatives>
					<xref ref-type="aff" rid="aff-2"/>
					<email>feassuperstar@mail.ru</email>
				</contrib>
				<contrib>
					<name-alternatives>
						<name name-style="western" specific-use="primary">
							<surname> Курмакаев</surname>
							<given-names>Ренат Раилевич</given-names>
						</name>
					</name-alternatives>
					<xref ref-type="aff" rid="aff-1"/>
					<email>renatjesus@yandex.ru</email>
				</contrib>
			</contrib-group>
			<aff id="aff-1"><institution content-type="orgname">Уфимский государственный нефтяной технический университет</institution></aff>
			<aff id="aff-2"><institution content-type="orgname">Уфимский государственный нефтяной технический университет </institution></aff>
			<pub-date date-type="collection"><year>2023</year></pub-date><pub-date date-type="pub" publication-format="epub"><day>15</day><month>03</month><year>2023</year></pub-date>
				<volume seq="29">13</volume><issue>3</issue><issue-id>61</issue-id><issue-title xml:lang="ru">Управление образованием: теория и практика</issue-title><issue-title xml:lang="en">Education Management Review</issue-title><fpage>247</fpage>
				<lpage>257</lpage>
			<permissions>
				<copyright-statement>Copyright (c) 2023 </copyright-statement>
				<copyright-year>2023</copyright-year>
				<license xlink:href="https://creativecommons.org/licenses/by-nc-nd/4.0">
					<license-p>Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.</license-p>
				</license>
			</permissions>
			
			<self-uri xlink:href="https://emreview.ru/index.php/emr/article/view/836/655" content-type="application/pdf"/><self-uri xlink:href="https://emreview.ru/index.php/emr/article/view/836"/>
			
			<abstract><p>Нефтегазовая промышленность является одной из ведущих отраслей мировой экономики, и ее значимость продолжает расти. Одним из ключевых элементов успешной работы нефтяных компаний является эффективное управление скважинами. В настоящее время для управления скважинами используются различные автоматизированные системы, однако они часто имеют ограничения в точности и эффективности работы. Нефтегазовая отрасль является одной из наиболее важных и развитых отраслей мировой экономики. В процессе добычи нефти и газа используются различные технологии, которые требуют высокой квалификации специалистов. Однако, в последние годы, благодаря быстрому развитию цифровых технологий и применению машинного обучения, появилась необходимость в новых знаниях и навыках у работников этой отрасли. Цифровизация привела к развитию новых методов обработки данных и анализа информации, которые могут значительно повысить эффективность работы в нефтегазовой отрасли. В связи с этим, ведущие университеты мира начали разрабатывать новые программы обучения, направленные на подготовку кадров, которые могут эффективно использовать современные цифровые технологии в нефтегазовой отрасли. В данной статье мы рассмотрим не только развитие образовательных программ в нефтегазовой отрасли, но и методы измерения качества квалификации сотрудников, которые могут помочь предприятиям и университетам оценить эффективность своих программ обучения и повысить качество квалификации своих сотрудников.</p></abstract><trans-abstract xml:lang="en"><p>The oil and gas industry is one of the leading sectors of the world economy, and its importance continues to grow. One of the key elements of the successful operation of oil companies is the effective management of wells. Currently, various automated systems are used to control wells, but they often have limitations in accuracy and efficiency. The oil and gas industry is one of the most important and developed sectors of the world economy. In the process of oil and gas production, various technologies are used that require highly qualified specialists. However, in recent years, due to the rapid development of digital technologies and the use of machine learning, there has been a need for new knowledge and skills among workers in this industry. Digitalization has led to the development of new methods of data processing and information analysis, which can significantly improve the efficiency of work in the oil and gas industry. In this regard, the world's leading universities have begun to develop new training programs aimed at training personnel who can effectively use modern digital technologies in the oil and gas industry. In this article, we will consider not only the development of educational programs in the oil and gas industry, but also methods for measuring the quality of employee qualifications that can help enterprises and universities evaluate the effectiveness of their training programs and improve the quality of their employees' qualifications.</p></trans-abstract><kwd-group xml:lang="ru"><title>Ключевые слова</title><kwd>интеллектуальные системы</kwd><kwd>управление скважинами</kwd><kwd>нейросетевые алгоритмы</kwd><kwd>добыча нефти и газа</kwd></kwd-group><kwd-group xml:lang="en"><title>Keywords</title><kwd>intelligent systems</kwd><kwd>well management</kwd><kwd>neural network algorithms</kwd><kwd>oil and gas production</kwd></kwd-group><counts><page-count count="11"/></counts>
		<custom-meta-group><custom-meta><meta-name>issue-cover</meta-name><meta-value><inline-graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="https://emreview.ru/public/journals/1/cover_issue_61_ru_RU.png"/></meta-value></custom-meta></custom-meta-group></article-meta>
	</front>
	<body><p/></body>
	<back>
		<ref-list>
			<ref id="R1"><mixed-citation>Абдрафикова Ф.Ф., Муравьева Е.А. Анализ причин и последствий отказов процесса нефтедобычи // Актуальные проблемы науки и техники: материалы XIII Междунар. науч.-практ. конф. молодых ученых. - Уфа, 2020. Т. 2. С. 121-122.</mixed-citation></ref>
			<ref id="R2"><mixed-citation>Бриллиант Л.С. Цифровые решения в управлении добычей на «зрелых» нефтяных месторождениях // Нефть. Газ. Новации. 2018. Т. 4. С. 61-64.</mixed-citation></ref>
			<ref id="R3"><mixed-citation>Еремин Н.А. Интеллектуальное бурение при обустройстве цифровых месторождений // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2020. №5 (562). С. 26-36. DOI: 10.33285/0132-2222-2020-5(562)-26-36.</mixed-citation></ref>
			<ref id="R4"><mixed-citation>Ивановский В.Н. Одновременно-раздельная эксплуатация и «интеллектуализация» скважин: вчера, сегодня и завтра // Инженерная практика. 2010. №1. С. 4-15.</mixed-citation></ref>
			<ref id="R5"><mixed-citation>Келлер Ю.А. Разработка искусственных нейронных сетей для предсказания технологической эффективности от выравнивания профиля приемистости // Изв. Том. политехн. ун-та. Инф. технологии. 2014. Т. 325. № 5. C. 60-65.</mixed-citation></ref>
			<ref id="R6"><mixed-citation>Коннов В.А., Муравьева Е.А. Анализ эффективности современных методов моделирования нефтяных месторождений // Химия. Экология. Урбанистика: сб. материалов Всерос. науч.-практ. конф. (с междунар. участием). -2020. - Т. 4. С. 250-253.</mixed-citation></ref>
			<ref id="R7"><mixed-citation>Кретинин А.В., Булыгин Ю.А., Кирпичев М.И. Нейросетевое моделирование гидродинамических процессов в центробежном насосе и нефтепроводе // Нефтегазовое дело. 2013. № 1. С. 294-308.</mixed-citation></ref>
			<ref id="R8"><mixed-citation>Кубряк А.И., Муравьева Е.А. Способ повышения эффективности многомерного четкого логического регулятора // Сб. материалов 71-й всерос. науч.-техн. конф. студ., магистрантов и аспирантов высших учеб. заведений с междунар. участием. Ч. 2. Ярославль, 2018. С. 290-293.</mixed-citation></ref>
			<ref id="R9"><mixed-citation>Мандрик И.Э., Шахвердиев А.Х., Сулейманов И.В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями // Нефтяное хозяйство. 2005. № 10. С. 31-34.</mixed-citation></ref>
			<ref id="R10"><mixed-citation>Михайлов В.Н., Дулкарнаев М.Р., Волков Ю.А. Проблемы и опыт проектирования разработки длительно эксплуатируемых залежей нефти на примере Ватьеганского месторождения Западной Сибири // Труды межд. научно-практ. конф.: Высоковязкие нефти и природные битумы: проблемы и повышение эффективности разведки и разработки месторождений. Казань: Фэн, 2012. С. 255-257.</mixed-citation></ref>
			<ref id="R11"><mixed-citation>Муравьева Е.А., Зайнуллина Д.Р. Разработка алгоритма автоматизированной системы управления силосом для сыпучих материалов // Современные технологии: достижения и инновации: сб. материалов II Всерос. науч.-практ. конф. - Уфа, 2020. С. 414-416.</mixed-citation></ref>
			<ref id="R12"><mixed-citation>Нехорошкова A.A., Данько М.Ю., Завьялов A.C., Елишева А.О. Критический анализ метода прокси-моделирования INSIM-FT (Interwell Numerical SimulationFront Tracking models) на синтетических моделях и реальном месторождении // Нефть. Газ. Новации. 2019. Т. 12(229). С. 49-55.</mixed-citation></ref>
			<ref id="R13"><mixed-citation>Потрясов А.А., Бриллиант Л.С., Печеркин М.Ф., Комягин А.И. Автоматизация процессов управления заводнением на нефтяном месторождении // Недропользование XXI век. 2016. Т. 6(63). С. 112-121.</mixed-citation></ref>
			<ref id="R14"><mixed-citation>Степанов С.В., Соколов С.В., Ручкин А.А., Степанов А.В., Князев А.В, Корытов А.В. Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования // Вестник Тюменского государственного университета. Физикоматематическое моделирование. Нефть, газ, энергетика. 2018. Т. 3. С. 146-164.</mixed-citation></ref>
			<ref id="R15"><mixed-citation>Черников А.Д. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения // Георесурсы. 2020. Т. 22, №3. С. 87-96. DOI: 10.18599/grs.2020.3.87-96.</mixed-citation></ref>
		</ref-list>
	</back>
</article>			</metadata>
		</record>
	</GetRecord>
</OAI-PMH>
