Разработка прогностической модели логистических сбоев в глобальной цепочке поставок нефти и газа

Designing a predictive framework on logistical failures for the global oil and gas supply chain
Sanchari Ghosh, Sandeep Mondal
2025-11-20

диагностическая байесовская сетьсистема нечёткого выводаграфовая нейронная сетьглобальная нефтегазовая цепочка поставокпрогнозирование логистических сбоев
• Гибридная модель на основе DBN-GNN-FIS прогнозирует мультимодальные нарушения в ГПЦ. • Модель обучена на данных о нарушениях за 2013–2023 гг. и валидирована по эталонным данным за 2024 г. • Обеспечивает точность прогнозирования при 95%-ном доверительном интервале: CV <3%, SD <0,45%, наблюдаемое отклонение <4%. • Усиливает прогностическое планирование и соответствует целевым показателям ЦУР 7 (7.3, 7.a, 7.b). Глобальная цепочка поставок нефти и газа (ГПЦ) представляет собой сложную мультимодальную сеть, функционирование которой зависит от бесперебойной координации добычи на upstream-этапе, транспортировки на midstream-этапе и распределения на downstream-этапе. Однако существующие модели часто рассматривают эти уровни независимо, не учитывая вероятностную взаимозависимость и распространение сбоев. Для устранения этого ограничения в настоящем исследовании разработана гибридная модель на основе диагностического, прогностического и адаптивного обучения, объединяющая диагностическую байесовскую сеть (DBN), графовую нейронную сеть (GNN) и систему нечёткого вывода (FIS) для прогнозирования и интерпретации логистических сбоев в ГПЦ. Для обучения модели использованы исторические данные о нарушениях за 2013–2023 гг.; модель сочетает вероятностный вывод посредством DBN, реляционное обучение посредством GNN и адаптивное взвешивание посредством FIS для отображения взаимосвязей между видами логистики — трубопроводным, железнодорожным и автомобильным транспортом, а также внутренними водными путями — в сети ГПЦ. Валидация посредством анализа чувствительности, оценки устойчивости сходимости и сопоставления с данными о нарушениях за 2024 г. в пределах 95%-ного доверительного интервала (CI) продемонстрировала высокую прогностическую эффективность: коэффициент вариации (CV) составил менее 3%, стандартное отклонение (SD) — менее 0,45%, а отклонение прогноза относительно наблюдаемых характеристик нарушений — менее 4%. Модель также точно отражает направленную асимметрию между сбоями входящих и исходящих потоков, усиливает системы раннего предупреждения для планирования пропускной способности и стратегического управления логистикой и дополнительно поддерживает устойчивое функционирование цепочки поставок в соответствии с целевыми показателями Цели устойчивого развития ООН 7 (7.3, 7.a и 7.b), касающимися энергоэффективности, инноваций и надёжности.
1
Разработана гибридная модель DBN-GNN-FIS для прогнозирования и интерпретации взаимосвязанных мультимодальных логистических сбоев в глобальной нефтегазовой цепи поставок.
2
Модель выявляет дисбаланс между входящими и исходящими сбоями и поддерживает системы раннего предупреждения, планирование пропускной способности и устойчивую логистику в соответствии с целями ЦУР 7.
3
Модель объединяет вероятностный байесовский вывод, графовое реляционное обучение и адаптивное нечёткое взвешивание для моделирования распространения сбоев в трубопроводах, железнодорожно-автомобильных и водных перевозках.
4
Модель достигла коэффициента вариации менее 3%, стандартного отклонения менее 0,45% и отклонения прогнозов менее 4% относительно наблюдаемых закономерностей сбоев.
5
Обучение на данных о сбоях за 2013–2023 годы и проверка по данным 2024 года продемонстрировали прогнозирование в пределах 95%-ного доверительного интервала.

Глобальная цепочка поставок нефти и газа, включая добычу на upstream-этапе, транспортировку на midstream-этапе, распределение на downstream-этапе и мультимодальную логистическую сеть

Прогнозирование и интерпретация взаимосвязанных логистических отказов, распространения сбоев и дисбаланса между входящими и исходящими отказами в цепочке поставок

Publication Details
Publication Date
2025-11-20
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Sanchari Ghosh
Sandeep Mondal
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%