Интеллектуальная система предупреждения осложнений при строительстве скважин
Алали Валид, Еремин Н.А.
РГУ нефти и газа (НИУ) имени И.М. Губкина
В статье представлено описание интеллектуальной системы предупреждения осложнений при строительстве скважин на суше и на море, созданной в ИПНГ РАН. Уникальная интеллектуальная система предотвращения осложнений при бурении скважин предназначена для предупреждения бурильщика о возможности нарушения штатного режима бурения. Интеллектуальная система помогает повысить продуктивное время и экономическую эффективность бурения нефтяных и газовых скважин. Большие объемы геоданных со станций геологических и технологических измерений во время бурения варьируются от десятков до сотен терабайт соответственно на суше и на море. Создание программных компонентов нейросетевого моделирования направлено на выявление скрытых закономерностей в наборах больших данных со станций геологических и технологических измерений в режиме реального времени.
Введение
Основными векторами современного развития бурения скважин являются создание современных интерактивных сред для сбора, систематизации и анализа всей оперативной информации в режиме реального времени и обеспечение на этой основе проактивного управления процессом строительства скважин на суше и на море; автоматизация производственных процессов бурения на основе внедрения новых инструментов машинного обучения для увеличения продуктивного времени строительства скважин. При бурении скважин непродуктивное время составляет в среднем 20–25 % от общего времени строительства скважин, чаще всего оно уходит на борьбу с осложнениями и аварийными ситуациями. Установлено, что основными видами осложнений являются: прихваты бурильной колонны в результате осыпей и обрушений неустойчивых пород; поглощения бурового раствора, газонефтеводопроявления. Стоимость бурения скважин имеет тенденцию к повышению. Сокращение потерь рабочего времени на устранение осложнений и их последствий является одной из возможностей увеличения продуктивного времени строительства скважин [1–20].
Методы машинного обучения являются одним из эффективных инструментов предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин (табл. 1) [1 1, 4, 8, 10, 12, 14, 16].
Принятие необходимых мер по предотвращению аварийных ситуаций возможно при достоверном прогнозировании их наступления на основе анализа результатов геолого-технологических измерений параметров процессов строительства скважин.
Методы машинного обучения являются одним из эффективных инструментов предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин (табл. 1) [1 1, 4, 8, 10, 12, 14, 16].
Принятие необходимых мер по предотвращению аварийных ситуаций возможно при достоверном прогнозировании их наступления на основе анализа результатов геолого-технологических измерений параметров процессов строительства скважин.
Методика
Интеллектуальная система должна выполнять программную обработку результатов измерений в реальном масштабе времени, прогнозирование возникновения возможных осложнений и выдачу предупреждающих сообщений. При этом в большинстве случаев возникновение осложнений при строительстве скважин определяется сложной совокупностью геолого-геофизических и технологических параметров и не может быть выявлено в результате визуальных наблюдений оператором. Для эффективного функционирования интеллектуальная система предупреждения осложнений при строительстве
скважин (ИС ПОАС), с учетом специфики сценариев возникновения различных типов осложнений, должна включать в свой состав интегрированный комплекс технологий машинного обучения, объединяющий, как правило, вспомогательные методы и классификационные нейросетевые модели. При этом архитектура системы должна быть открытой на всех уровнях организации: структурном, функциональном, организации данных и интерфейсном. Определяющими факторами для построения ИС ПОАС на базе современных технологий искусственного интеллекта являются сбор и организация информации, формирование интегрированной базы технических, технологических и геолого-геофизических данных.
скважин (ИС ПОАС), с учетом специфики сценариев возникновения различных типов осложнений, должна включать в свой состав интегрированный комплекс технологий машинного обучения, объединяющий, как правило, вспомогательные методы и классификационные нейросетевые модели. При этом архитектура системы должна быть открытой на всех уровнях организации: структурном, функциональном, организации данных и интерфейсном. Определяющими факторами для построения ИС ПОАС на базе современных технологий искусственного интеллекта являются сбор и организация информации, формирование интегрированной базы технических, технологических и геолого-геофизических данных.
Для обмена данными между различными службами и организациями, работающими в нефтегазовой отрасли, широко применяется международный открытый стандарт WITSML (Wellsite Information Transfer Standard Markup Language), основанный на открытых интернет-стандартах и имеющий свой открытый интерфейс прикладных программ.
Для расширения области исходных данных и ее кластеризации использовались специально подготовленные симуляционные данные, сформированные по результатам моделирования типовых ситуаций возникновения осложнений заданных типов на буровом тренажере.
Подготовка исходных данных для построения моделей проведения нейросетевых расчетов состоит из формирования и разметки наборов временных или поглубинных данных (WITSLM Realtime drilling data) и данных буровых журналов (WITSML Daily drilling reports) в формате WITSML (WITSML Data Standards), содержащих информацию об осложнениях. Такие наборы могут быть сформированы как с использованием имеющейся информации по конкретной скважине, так и на основе архивных данных, содержащих информацию о ранее пробуренных скважинах со схожими геологическими характеристиками.
Для работы с данными в формате WITSML и формирования исходных наборов для построения моделей выявления и прогнозирования осложнений разработан программный модуль подготовки данных, состоящий из набора сервисных процедур и клиентской части (рис. 1).
Для расширения области исходных данных и ее кластеризации использовались специально подготовленные симуляционные данные, сформированные по результатам моделирования типовых ситуаций возникновения осложнений заданных типов на буровом тренажере.
Подготовка исходных данных для построения моделей проведения нейросетевых расчетов состоит из формирования и разметки наборов временных или поглубинных данных (WITSLM Realtime drilling data) и данных буровых журналов (WITSML Daily drilling reports) в формате WITSML (WITSML Data Standards), содержащих информацию об осложнениях. Такие наборы могут быть сформированы как с использованием имеющейся информации по конкретной скважине, так и на основе архивных данных, содержащих информацию о ранее пробуренных скважинах со схожими геологическими характеристиками.
Для работы с данными в формате WITSML и формирования исходных наборов для построения моделей выявления и прогнозирования осложнений разработан программный модуль подготовки данных, состоящий из набора сервисных процедур и клиентской части (рис. 1).
Рис. 1. Программный модуль подготовки данных, состоящий из набора сервисных процедур и клиентской части
Модуль подготовки данных обеспечивает выполнение следующих процедур:
• интерактивного разбора структуры данных буровых журналов Daily Drilling Reports WITSML Data;
• выбора по заданным критериям записей по аномальным и аварийным ситуациям;
• просмотра и предварительного анализа WITSML Realtime drilling data по каждой из скважин и выбора скважин для использования в дальнейших расчетах;
• просмотра записей по литологиям для каждой скважины.
На рисунке 2 приведено графическое представление параметрической информации, содержащейся в файлах Realtime Drilling.
• интерактивного разбора структуры данных буровых журналов Daily Drilling Reports WITSML Data;
• выбора по заданным критериям записей по аномальным и аварийным ситуациям;
• просмотра и предварительного анализа WITSML Realtime drilling data по каждой из скважин и выбора скважин для использования в дальнейших расчетах;
• просмотра записей по литологиям для каждой скважины.
На рисунке 2 приведено графическое представление параметрической информации, содержащейся в файлах Realtime Drilling.
Рис. 2. Графическое представление параметрической информации
Результаты
В результате сбора и подготовки больших данных со станций геолого-технологических измерений создаются хранилища неразмеченных и размеченных по результатам экспертизы, формируются конфигурационные массивы для формирования и обучения моделей, а также тестовые массивы для их валидации, структурируются и хранятся различные виды геолого-геофизической, технологической и контекстной информации, образующие в своей совокупности интегрированную базу данных ИС ПОАС. Модуль формирования и обучения моделей реализован на языке Python (Keras: The Python Deep Learning library, LightGBM. Python API) и обеспечивает подготовку моделей, применяемых для прогнозирования и предупреждения аварийных ситуаций в системах поддержки процесса бурения. В модуле реализованы функции сборки классификационных нейросетевых моделей. Сформированная топология нейронной сети ИС ПОАС состоит из трех основных слоев:
• первый слой представляет собой многослойный персептрон (Multilayered perceptron, MLP);
• затем идет рекуррентный слой, состоящий из четырех нейронов управляемого рекуррентного блока (Gated Recurrent Units, GRU);
• выходной слой для решения классификационной задачи состоит из двух нейронов с активационной функцией софтмaкс (softmax).
Модели формируются и обучаются в соответствии с заданными конфигурационными файлами, что позволяет менять гиперпараметры моделей без внесения изменений в код модуля. В качестве выходных данных выступают обученные модели, которые сохраняются в виде отдельных файлов со своим именем в формате hdf5 и включают в себя следующую структуру:
• топология модели, позволяющая воспроизвести обученную модель;
• настроенные весовые коэффициенты модели;
• состояние оптимизатора.
Модуль обработки реально-временных данных обеспечивает интеграцию моделей в ИС ПОАС и выполняет следующие функции:
• загрузка обученных моделей предсказания аварийных ситуаций и параметров предобработки в соответствии с конфигурационными файлами;
• передача полученных векторов параметров в модуль обработки реальных данных и получение прогнозных значений моделей по накопленному окну параметров;
• логирование (запись системной информации) работы моделей.
Интерфейс оператора ИС ПОАС для детального параметрического анализа причин возникновения осложнений типа «Поглощение» при проведении операции бурения представлен на рисунке 3.
• первый слой представляет собой многослойный персептрон (Multilayered perceptron, MLP);
• затем идет рекуррентный слой, состоящий из четырех нейронов управляемого рекуррентного блока (Gated Recurrent Units, GRU);
• выходной слой для решения классификационной задачи состоит из двух нейронов с активационной функцией софтмaкс (softmax).
Модели формируются и обучаются в соответствии с заданными конфигурационными файлами, что позволяет менять гиперпараметры моделей без внесения изменений в код модуля. В качестве выходных данных выступают обученные модели, которые сохраняются в виде отдельных файлов со своим именем в формате hdf5 и включают в себя следующую структуру:
• топология модели, позволяющая воспроизвести обученную модель;
• настроенные весовые коэффициенты модели;
• состояние оптимизатора.
Модуль обработки реально-временных данных обеспечивает интеграцию моделей в ИС ПОАС и выполняет следующие функции:
• загрузка обученных моделей предсказания аварийных ситуаций и параметров предобработки в соответствии с конфигурационными файлами;
• передача полученных векторов параметров в модуль обработки реальных данных и получение прогнозных значений моделей по накопленному окну параметров;
• логирование (запись системной информации) работы моделей.
Интерфейс оператора ИС ПОАС для детального параметрического анализа причин возникновения осложнений типа «Поглощение» при проведении операции бурения представлен на рисунке 3.
Рис. 3. Интерфейс оператора интеллектуальной системы предупреждения осложнений и аварий при строительстве скважин
для детального параметрического анализа причин возникновения осложнений типа «Поглощение»
для детального параметрического анализа причин возникновения осложнений типа «Поглощение»
В левой части экрана отображается временная шкала и выполняемые технологические операции и режимы, а в правой — графическое представление изменения во времени параметров для выявления заданных типов осложнений. Для бурильщика разработан упрощенный интерфейс с автоматическим определением прогнозных вероятностей возникновения осложнений при строительстве скважин и выводом на экран предупреждающих сообщений, сигнализации в случае превышения их значений заданного порога (рис. 4).
Рис. 4. Упрощенный интерфейс бурильщика с автоматическим определением прогнозных вероятностей возникновения осложнений
В левой части экрана в реальном масштабе времени отображаются значения технологических параметров, а в правой — значения вероятностей возникновения осложнений, рассчитанные по прогнозным и фактическим параметрам геолого-технологических исследований (ГТИ). По результатам тестирования классификационной нейросетевой модели получены следующие точности прогнозирования различных видов осложнений: «ГНВП» — 96%; «Поглощение» — 79%; «Прихват» — 87%.
Заключение
Нефтяная и газовая промышленность достигли значительных успехов в улучшении производительности бурения за счет высокотехнологичных скважинных инструментов, модернизации процедур бурения, использования современных наземных и морских буровых установок, внедрения технологий искусственного интеллекта для моделирования и обработки больших данных со станций геолого-технологических измерений в реальном времени. Оснащение бурильщика программно-аппаратными комплексами подготовки решений в режиме реального времени является ключом к повышению операционной эффективности, снижению затрат при строительстве нефтяных и газовых скважин, обеспечению производственной и экологической безопасности.
По результатам работ создана уникальная система предупреждения осложнений и аварий при строительстве скважин. Получены первые в России и за рубежом два патента, и зарегистрировано шесть свидетельств о регистрации программ для ЭВМ.
Интеллектуальная система предупреждения осложнений типа «прихват», «поглощение» при строительстве скважин позволяет выявлять возможные нештатные ситуации заблаговременно, чтобы бурильщик смог в режиме реального времени совершить своевременные действия по их предотвращению или же минимизации возможных последствий. Система способствует увеличению продуктивного времени бурения скважин и минимизирует риски возникновения осложнений и аварий при строительстве скважин на суше и на море.
1. Дмитриевский А.Н., Дуплякин В.О., Еремин Н.А., Капранов В.В. Алгоритм создания нейросетевой модели для классификации в системах предупреждения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин // Датчики и системы. 2019. № 12. С. 3–10.
2. Линд Ю.Б., Мулюков Р.А., Кабирова А.Р., Мурзагалин А.Р. Оперативное прогнозирование осложнений при бурении // Нефтяное хозяйство. 2013.
№ 2. С. 55–57.
3. Еремин Н.А. Моделирование месторождений углеводородов методами нечеткой логики. М.: Наука, 1994. 462 с.
4. Еремин Н.А., Черников А.Д., Сарданашвили О.Н., Столяров В.Е.,
Архипов А.И. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин // Деловой журнал Neftegaz.RU. 2020. № 4. С. 38–50.
5. Ивлев А.П., Еремин Н.А. Петророботика: роботизированные буровые комплексы. Бурение и нефть, 2018. № 2. С. 8–12.
6. Лоерманс Т. Расширенные геолого-технические исследования скважин: первые среди равных // Георесурсы. 2017. Т. 19. № 3. С. 216–221.
7. Cornel S., Vazquez G. Use of big data and machine learning to optimise operational performance and drill bit design. SPE Asia Pacific Oil & Gas Conference and Exhibition, Virtual, November 2020. SPE-202243-MS. (In Eng).
8. Дмитриевский А.Н., Еремин Н.А., Сафарова Е.А., Филиппова Д.С.,
Бороздин С.О. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин // SOCAR Proceedings. 2020. № 3. С. 31–37.
9. Paulinus Abhyudaya Bimastianto; Shreepad Purushottam Khambete; Hamdan Mohamed Alsaadi; Suhail Mohammed Al Ameri; Erwan Couzigou; Adel A/Rahman Al-Marzouqi; Fahed Salem Al Ameri; Said Aboulaban; Husam Khater; Philippe Herve. Application of Artificial Intelligence and Machine Learning to Detect Drilling Anomalies Leading to Stuck Pipe Incidents. Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, November 2021. SPE-207987-MS. (In Eng).
10. Дмитриевский А.Н., Сбоев А.Г., Еремин Н.А., Черников А.Д., Наумов А.В., Грязнов А.В., Молошников И.А., Бороздин С.О., Сафарова Е.А. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения // Георесурсы. 2020. Т. 22. № 4. С. 79–85.
11. Rassenfoss S. A robot takes over the drilling floor. URL: https://jpt.spe.org/a-robot-takes-over-the-drilling-floor. (In Eng).
12. Черников А.Д., Еремин Н.А., Столяров В.Е., Сбоев А.Г., Семенова-Чащина О.К., Фицнер Л.К. 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. C. 87–96.
13. Rakhimov R.R., Zhdaneev O.V., Frolov K.N., Babich М.Р. Stuck pipe early detection on extended reach wells using ensemble method of machine learning. SPE Russian petroleum technology conference, Virtual, October 2021. SPE -206516-MS. (In Eng).
14. Архипов А.И., Дмитриевский А.Н., Еремин Н.А., Черников А.Д., Бороздин С.О., Сафарова Е.А., Сейнароев М.Р. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов // Нефтяное хозяйство. 2020. № 8. С. 63–67.
15. Othman E.B., Gomes D., Tengku B., Tengku E.B., Meor H., Meor M.H., Yusoff M.H.,
Arriffin M.F., Rohaizat G. Application of machine learning to augment wellbore geometry-related stuck pipe risk identification in real time. Offshore technology conference Asia, Virtual and Kuala Lumpur, Malaysia, March 2022.
OTC-31695-MS. (In Eng).
16. Borozdin S., Dmitrievsky A., Eremin N., Arkhipov A., Sboev A., Chashchina-Semenova O., Fitzner L., Safarova E. Drilling problems forecast system based on neural network. SPE annual Caspian technical conference, 2020. SPE-202546-MS. (In Eng).
17. Zhu Qi. Treatment and prevention of stuck pipe based on artificial neural networks analysis. Offshore technology conference Asia, Virtual and Kuala Lumpur, Malaysia, March 2022, OTC-31693-MS. (In Eng).
2. Линд Ю.Б., Мулюков Р.А., Кабирова А.Р., Мурзагалин А.Р. Оперативное прогнозирование осложнений при бурении // Нефтяное хозяйство. 2013.
№ 2. С. 55–57.
3. Еремин Н.А. Моделирование месторождений углеводородов методами нечеткой логики. М.: Наука, 1994. 462 с.
4. Еремин Н.А., Черников А.Д., Сарданашвили О.Н., Столяров В.Е.,
Архипов А.И. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин // Деловой журнал Neftegaz.RU. 2020. № 4. С. 38–50.
5. Ивлев А.П., Еремин Н.А. Петророботика: роботизированные буровые комплексы. Бурение и нефть, 2018. № 2. С. 8–12.
6. Лоерманс Т. Расширенные геолого-технические исследования скважин: первые среди равных // Георесурсы. 2017. Т. 19. № 3. С. 216–221.
7. Cornel S., Vazquez G. Use of big data and machine learning to optimise operational performance and drill bit design. SPE Asia Pacific Oil & Gas Conference and Exhibition, Virtual, November 2020. SPE-202243-MS. (In Eng).
8. Дмитриевский А.Н., Еремин Н.А., Сафарова Е.А., Филиппова Д.С.,
Бороздин С.О. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин // SOCAR Proceedings. 2020. № 3. С. 31–37.
9. Paulinus Abhyudaya Bimastianto; Shreepad Purushottam Khambete; Hamdan Mohamed Alsaadi; Suhail Mohammed Al Ameri; Erwan Couzigou; Adel A/Rahman Al-Marzouqi; Fahed Salem Al Ameri; Said Aboulaban; Husam Khater; Philippe Herve. Application of Artificial Intelligence and Machine Learning to Detect Drilling Anomalies Leading to Stuck Pipe Incidents. Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, November 2021. SPE-207987-MS. (In Eng).
10. Дмитриевский А.Н., Сбоев А.Г., Еремин Н.А., Черников А.Д., Наумов А.В., Грязнов А.В., Молошников И.А., Бороздин С.О., Сафарова Е.А. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения // Георесурсы. 2020. Т. 22. № 4. С. 79–85.
11. Rassenfoss S. A robot takes over the drilling floor. URL: https://jpt.spe.org/a-robot-takes-over-the-drilling-floor. (In Eng).
12. Черников А.Д., Еремин Н.А., Столяров В.Е., Сбоев А.Г., Семенова-Чащина О.К., Фицнер Л.К. 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. C. 87–96.
13. Rakhimov R.R., Zhdaneev O.V., Frolov K.N., Babich М.Р. Stuck pipe early detection on extended reach wells using ensemble method of machine learning. SPE Russian petroleum technology conference, Virtual, October 2021. SPE -206516-MS. (In Eng).
14. Архипов А.И., Дмитриевский А.Н., Еремин Н.А., Черников А.Д., Бороздин С.О., Сафарова Е.А., Сейнароев М.Р. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов // Нефтяное хозяйство. 2020. № 8. С. 63–67.
15. Othman E.B., Gomes D., Tengku B., Tengku E.B., Meor H., Meor M.H., Yusoff M.H.,
Arriffin M.F., Rohaizat G. Application of machine learning to augment wellbore geometry-related stuck pipe risk identification in real time. Offshore technology conference Asia, Virtual and Kuala Lumpur, Malaysia, March 2022.
OTC-31695-MS. (In Eng).
16. Borozdin S., Dmitrievsky A., Eremin N., Arkhipov A., Sboev A., Chashchina-Semenova O., Fitzner L., Safarova E. Drilling problems forecast system based on neural network. SPE annual Caspian technical conference, 2020. SPE-202546-MS. (In Eng).
17. Zhu Qi. Treatment and prevention of stuck pipe based on artificial neural networks analysis. Offshore technology conference Asia, Virtual and Kuala Lumpur, Malaysia, March 2022, OTC-31693-MS. (In Eng).
Алали Валид, Еремин Н.А.
РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
Институт проблем нефти и газа РАН, Москва, Россия
walidalali@gubkin.ru
РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
Институт проблем нефти и газа РАН, Москва, Россия
walidalali@gubkin.ru
При создании системы были использованы наборы больших объемов данных со станций геолого-технологических измерений в России и за рубежом. Для каждого вида осложнения были проведены процедуры нормализации и маркировки больших объемов геоданных. Откорректированные исторические большие геодатасеты послужили основой обучения нейронных сетей на новых наборах геоданных. Использован инновационный подход к сбору разнородных геоданных. Основные этапы подхода были следующими: сбор больших геоданных, полученных с помощью датчиков, встроенных в буровую установку; формирование наборов симуляционных данных с использованием бурового тренажера; использование геолого-геофизических данных, полученных при геолого-разведочных работах; создание тестовых и обучающих наборов геоданных параметров бурения; разработка алгоритмов очистки больших наборов геоданных с использованием программного модуля предварительной обработки от зашумленных, пропущенных геоданных; кластеризация и визуализация больших геоданных (вес на крюке, скорость проходки, расход буровой жидкости, крутящий момент и др.). Библиотеки Python и Pandas стали эффективными инструментами для построения сложных статистических моделей, которые позволяют эффективно и точно прогнозировать, диагностировать, анализировать большие геоданные в целях повышения производительности строительства скважин.
методы искусственного интеллекта, искусственные нейронные сети, бурение скважин, безопасное строительство скважин, предотвращение осложнений, геологическая и технологическая информация, большие геоданные, интеллектуальная система
Алали Валид, Еремин Н.А. О созданной в ИПНГ РАН интеллектуальной системе предупреждения осложнений при строительстве скважин на суше и на море // Экспозиция Нефть Газ. 2023. № 1. С. 27–32. DOI: 10.24412/2076-6785-2023-1-27-32
30.11.2022
УДК 622.24:681.518
DOI: 10.24412/2076-6785-2023-1-27-32
DOI: 10.24412/2076-6785-2023-1-27-32
Рекомендуемые статьи
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (495) 414-34-88