Шаг в науку, 2022, № 4

ISSN 2542-1069

ШАГ В НАУКУ

№ 4, 2022

Журнал основан в 2016 году.

Учредитель: 

федеральное государственное бюджетное образовательное 

учреждение высшего образования 

«Оренбургский государственный университет»

Журнал «Шаг в науку» зарегистрирован в Федеральной службе 

по надзору в сфере связи, информационных технологий и массовых 

коммуникаций. Регистрационный номер ПИ № ФС77-75621 

от 19.04.2019 г.

Рабочие языки издания: русский, английский.

Периодичность издания: 4 раза в год.

Журнал включен в систему Российского индекса научного цитирования 

(РИНЦ), реферируется ВИНИТИ РАН.

Электронная версия номеров журнала размещается в Научной электронной 

библиотеке eLibrary.ru и на сайте журнала «Шаг в науку» http://sts.osu.ru.

При перепечатке ссылка на журнал «Шаг в науку» обязательна.

Все поступившие в редакцию материалы подлежат 

двойному анонимному рецензированию.

Мнения авторов могут не совпадать с точкой зрения редакции.
Редакция в своей деятельности руководствуется рекомендациями 

Комитета по этике научных публикаций (Committee on Publication Ethics).

Условия публикации статей размещены на сайте журнала http://sts.osu.ru

Шаг в науку • № 4, 2022   

РЕДАКЦИОННАЯ КОЛЛЕГИЯ

Главный редактор

Летута С. Н., д-р физ.-мат. наук, проректор по научной работе, 

Оренбургский государственный университет, Оренбург

Ответственный секретарь

Петухова Т. П., канд. физ.-мат. наук, доцент, 

Оренбургский государственный университет, Оренбург

Члены редакционной коллегии:

Боровский А. С., д-р техн. наук, доцент, заведующий кафедрой управления и информатики в техниче
ских системах, Оренбургский государственный университет, Оренбург;

Болдырева Т. А., канд. психол. наук, доцент кафедры общей психологии и психологии личности, Орен
бургский государственный университет, Оренбург;

Вишняков А. И., д-р биол. наук, доцент, заведующий кафедрой социальной психологии, Оренбургский 

государственный университет, Оренбург;

Воробьев А. Л., канд. техн. наук, доцент, директор Института наук о Земле, Оренбургский государст
венный университет, Оренбург;

Гурьева В. А., д-р техн. наук, доцент, заведующий кафедрой технологии строительного производства, 

Оренбургский государственный университет, Оренбург;

Журкина О. В., канд. юрид. наук, доцент, заведующий кафедрой организации судебной и прокурорско
следственной деятельности, Оренбургский государственный университет, Оренбург;

Зубова Л. В., д-р психол. наук, профессор, заведующий кафедрой общей психологии и психологии лич
ности, Оренбургский государственный университет, Оренбург;

Калимуллин Р. Ф., д-р техн. наук, профессор, профессор кафедры автомобильного транспорта, Орен
бургский государственный университет, Оренбург;

Каныгина О. Н., д-р физ.-мат. наук, профессор, профессор кафедры химии, Оренбургский государствен
ный университет, Оренбург;

Мищенко Е. В., д-р юрид. наук, доцент, декан юридического факультета, заведующий кафедрой уголов
ного процесса и криминалистики, Оренбургский государственный университет, Оренбург;

Носов В. В., д-р экон. наук, профессор, профессор кафедры финансов, бухгалтерского учета и эко
номической безопасности, Московский государственный университет технологий и управления 
им. Г.К. Разумовского, Москва;

Ольховая Т. А., д-р пед. наук, профессор, директор Института управления проектами, профессор кафе
дры общей и профессиональной педагогики, Оренбургский государственный университет, Оренбург;

Парусимова Н. И., д-р экон. наук, профессор, профессор кафедры банковского дела и страхования, 

Оренбургский государственный университет, Оренбург;

Пихтилькова О. А., канд. физ.-мат. наук, доцент, доцент кафедры высшей математики-2, РТУ МИРЭА, 

Москва;

Пыхтина Ю. Г., д-р филол. наук, доцент, заведующий кафедрой русской филологии и методики препо
давания русского языка, Оренбургский государственный университет, Оренбург;

Сизенцов А. Н., канд. биол. наук, доцент, доцент кафедры биохимии и микробиологии, Оренбургский 

государственный университет, Оренбург;

Султанов Н. З., д-р техн. наук, профессор, профессор кафедры систем автоматизации производства, 

Оренбургский государственный университет, Оренбург;

Тарасова Т. Ф., канд. техн. наук, доцент, доцент кафедры экологии и природопользования, Оренбург
ский государственный университет, Оренбург;

Торшков А. А., д-р биол. наук, доцент, профессор кафедры ветеринарно-санитарной экспертизы и фар
макологии, Оренбургский государственный аграрный университет, Оренбург;

Третьяк Л. Н., д-р техн. наук, доцент, заведующий кафедрой метрологии, стандартизации и сертифика
ции, Оренбургский государственный университет, Оренбург;

Чепурова О. Б., канд. искусствоведения, доцент, доцент кафедры дизайна, Оренбургский государствен
ный университет, Оренбург;

Якунина Н. В., д-р техн. наук, доцент, профессор кафедры автомобильного транспорта, Оренбургский 

государственный университет, Оренбург.

Шаг в науку • № 4, 2022                     

СОДЕРЖАНИЕ

ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ

Мартынов А. В., Кандыба В. Е.
Метод градиентного спуска в машинном обучении 
.....................................................................................4

ХИМИЧЕСКИЕ НАУКИ

Егорова В. В., Степанов А. Д., Чукальцев И. В. 
Комплексный анализ пластовой воды .....................9

Тубашева А. Б., Юдин А. А.
Сравнение методов определения конечной точки 
титрования при аргентометрическом определении 
хлоридов в природных водах .................................14

Четверикова Д. К., Степанов А. Д., Ильина Е. Д.
Исследование способов стабилизации галловой 
кислоты в щелочной среде ......................................19

БИОЛОГИЧЕСКИЕ НАУКИ

Каширина А. М.
Влияние температурного фактора на активность антиоксидантной системы у корнеплодов ................25

ТЕХНИЧЕСКИЕ НАУКИ

Бородина Е. Д.
Возведение свай в Оренбургской области ..............28

Викулова А. А., Гришина Л. С.
Разработка 
эффективной 
архитектуры 
CNN 

для 
классификации 
снимков 
рентгенограмм 

с COVID-19 ..............................................................35

Далакян А. Р.
Сравнительный анализ дизайна виртуальных и настольных реабилитационных игр для людей с ограниченными возможностями здоровья ....................41

Лужнова Е. Е.
Инструменты защиты от межсайтового скриптинга 
...................................................................................46

Луконина А. С., Макеева А. П.
Инженерная модель как способ демонстрации конструктивных особенностей готических соборов ......
...................................................................................49

Мишин А. А., Пищухина Т. А.
Концептуальное моделирование процесса сопровождения и разработка программного обеспечения 
присвоения приоритета заявок нейронной сетью ....
...................................................................................55

Мохнаткин Р. В., Полихов М. А.
Анализ применения табличных программных комплексов для решения задач автоматизации контроля 
строительства ..........................................................60

Пронькина В. М., Грекова А. И.
Расположение станций технического обслуживания 
в структуре города ...................................................65

Саранцев Н. С.
Исследование технологий финишной обработки заготовок сферической формы, реализуемых на автоматизированном виброгалтовочном оборудовании ..
...................................................................................71

Толпаков Р. Б.
Запорно-регулирующая арматура в системе теплоснабжения ................................................................76

Черноусов Е. А.
Системы 
автоматизированного 
проектирования 

в реализации задач авиастроения ...........................81

ЭКОНОМИЧЕСКИЕ НАУКИ

Галент М. Г.
Российский рынок акций – крах или возможность? 
...................................................................................87

Пивоварова Н. В., Григорьева К. В., 
Васильева А. С.
Ставки региональных налогов и их влияние на величину налоговых доходов бюджетов ...................90

Русинова Д. С., Астаева А. С.
Маркетинговые обоснования стартапа «Инновационное мобильное приложение по саморазвитию 
и организации досуга молодежи в Оренбурге» .....95

ФИЛОЛОГИЧЕСКИЕ НАУКИ

Лушникова А. В.
Фольклорные тексты и их семантические коды ....99

ЮРИДИЧЕСКИЕ НАУКИ

Серых Н. А.
Тактические особенности производства допроса 
малолетних детей при расследовании насильственных действий сексуального характера .................103

ПОЛИТОЛОГИЯ

Лигостаев А. Л.
Идеологические ресурсы консолидации современного российского общества: проблема тождества 
патриотизма и национальной идеи .......................108

КУЛЬТУРОЛОГИЯ

Селезнев М. А.
Языческие мотивы в современной музыкальной 
культуре ..................................................................113

Шаг в науку • № 4, 2022                     

4

Контент доступен под лицензией Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License.
© А. В. Мартынов, В. Е. Кандыба, 2022                     

ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ

УДК 51-74

МЕТОД ГРАДИЕНТНОГО СПУСКА В МАШИННОМ ОБУЧЕНИИ

Мартынов Андрей Витальевич, студент, направление подготовки 09.03.04 Программная инженерия, 
Оренбургский государственный университет, Оренбург 
e-mail: andry.martynov16.08.2003@gmail.com
 
Кандыба Владимир Евгеньевич, студент, направление подготовки 09.03.04 Программная инженерия, 
Оренбургский государственный университет, Оренбург 
e-mail: nemmen222@bk.ru
 
Научный руководитель: Крючкова Ирина Викторовна, кандидат технических наук, доцент, доцент кафедры прикладной математики, Оренбургский государственный университет, Оренбург
e-mail: kachmf@yandex.ru

Аннотация. Метод градиентного спуска часто применяется в машинном обучении, в частности 

в нейронных сетях. В современном мире множество компаний для работы применяют искусственный 
интеллект, в котором используются нейронные сети, способные обучаться за счет метода градиентного 
спуска, в основе которого лежит нахождение минимального значения функции. Актуальность исследования обусловлена необходимостью нахождения такого способа оптимизации, который был бы способен 
обработать большие объемы данных за относительно короткий промежуток времени, именно этими 
свойствами и обладает метод градиентного спуска. Целью же исследования выступает определение преимуществ метода градиентного спуска в машинном обучении. В процессе исследования использовались 
общенаучные методы и подходы. В результате появилась программа для создания функции по аппроксимирующим данным.

Ключевые слова: машинное обучение, градиент, градиентный спуск, функция потерь, алгоритм. 
Благодарности: статья подготовлена в рамках исследования, проводимого в ходе реализации стратеги
ческого проекта «Технологии и кадры для ОПК», выполняемого по программе стратегического академического лидерства «Приоритет-2030».

Для цитирования: Мартынов А. В., Кандыба В. Е. Метод градиентного спуска в машинном обучении // 

Шаг в науку. – 2022. – № 4. – С. 4–8.

GRADIENT DESCENT METHOD IN MACHINE LEARNING

Martynov Andrey Vitalievich, student, training program 09.03.04 Software engineering, Orenburg State 
University, Orenburg
e-mail: andry.martynov16.08.2003@gmail.com
 
Kandyba Vladimir Evgenievich, student, training program 09.03.04 Software engineering, Orenburg State 
University, Orenburg
e-mail: nemmen222@bk.ru
 
Research advisor: Kryuchkova Irina Viktorovna, Candidate of Technical Sciences, Associate Professor, 
Associate Professor of the Department of Applied Mathematics, Orenburg State University, Orenburg
 e-mail: kachmf@yandex.ru

Abstract. The gradient descent method is often used in machine learning, in particular in neural networks. In 

today’s world, many companies use artificial intelligence to work, which uses neural networks that can be trained 
using the gradient descent method, which is based on finding the minimum value of a function. The relevance of the 
study is due to the need to find such an optimization method that would be able to process large amounts of data 
in a relatively short period of time, these are the properties that the gradient descent method has. The purpose 

Метод градиентного спуска в машинном обучении

5
Шаг в науку • № 4, 2022                     

of the study is to determine the advantages of the gradient descent method in machine learning. In the process 
of research, general scientific methods and approaches were used. As a result, a program appeared for creating 
a function from approximating data.

Key words: machine learning, gradient, gradient descent, loss function, algorithm.
Acknowledgments: the article was prepared as part of a study conducted during the implementation of the 

strategic project «Technologies and personnel for the defense industry», carried out under the program of strategic 
academic leadership «Priority 2030».

Cite as: Martynov, A. V., Kandyba, V. E. (2022) [Gradient descent method in machine learning]. Shag v nauku 

[Step into science]. Vol. 4, рр. 4–8.

Актуальность изучения нейронных сетей под
тверждается их многочисленными применениями 
в различных областях человеческой деятельности. 
К ним относятся: автоматизация процессов распознавания образов, прогнозирование, адаптивное 
управление, создание экспертных систем и организация ассоциативной памяти [5].

Возможности быстрого обучения и дообуче
ния нейросетевых экспертных систем позволяют 
им отражать характеристики быстро меняющегося 
внешнего мира и оперировать практическими знаниями способом, который требует меньше времени и труда, чем традиционная формализация знаний человеческими экспертами [4]. Актуальность 
исследований, связанных с нейронными сетями, 
обусловлена тем, что человеческий мозг обрабатывает поступающую информацию иначе, чем цифровые методы обработки.

Целью же исследования выступает определение 

преимуществ метода градиентного спуска в машинном обучении. В процессе исследования были 
изучены различные теоретические подходы применения градиентного спуска, была создана программа: для подбора параметров аппроксимирующей 
функции, для демонстрации работы градиентного 
спуска на практике.

Метод градиентного спуска – это общепринятая 

стратегия для оптимизации, используемая в глубоком обучении и машинном обучении.

Градиент – это вектор, который по своему на
правлению представляет наибольшее увеличение 
функции. В математическом анализе градиентом 
называют вектор, координаты которого являются 
частными производными функции, то есть, если 
задана функция 
, то градиент рассчиты
вается по следующей формуле [2]:

                                                             
.                                                                 (1)

Открытие метода градиентного спуска принад
лежит Огюстену Луи Коши, впервые предложившему данный метод в 1847 г., однако свойства сходимости для задач нелинейной оптимизации были 
впервые изучены Хаскеллом Карри только в 1944 
году [6]. После чего метод стал популярным и часто 
используемым.

Идея градиентного подхода заключается в вы
полнении повторяющихся шагов в направлении, 
противоположном градиенту функции в данной 
точке. Фактически с каждой итерацией алгоритма 
мы все ближе и ближе подходим к минимуму функции [7]. Поэтому этот метод можно использовать 
для получения наименьшего значения ошибки или 
для нахождения весов при обучении нейронных 
сетей. Веса – это значения, которые указывают на 
важную информацию, при обучении нейронных сетей с использованием «учителя».

Существует три типа градиентного спуска, рас
смотрим каждый из них:

Пакетный градиентный спуск, также известный 

как ванильный градиентный спуск. Пакетный градиентный спуск вычисляет ошибку для каждого набора данных в обучающей выборке. Суть алгоритма 

в том, что мы шаг за шагом приближаемся к минимуму функции среднеквадратичной ошибки. Среднеквадратичная ошибка – это функция, определяющая 
квадрат разницы между значением, полученным алгоритмом, и идеальным значением. Следовательно, 
пакетный градиентный спуск имеет несколько недостатков, так как он считает ошибку, усредняя ее 
на всей выборке. Во-первых, вычисление ошибки 
для каждого набора занимает очень много времени, 
потому что нужно вычислять градиент для каждого 
параметра. Во-вторых, и это главное, если вычисления привели к локальному минимуму, то выйти из 
него невозможно, а истинное значение соответствует глобальному минимуму [3]. 

Есть два способа устранить недостатки пакетно
го спуска по градиенту: 

– первый шаг заключается в том, чтобы взять 

часть всей выборки, а не всю ее целиком;

– второй способ – менять шаг по мере прибли
жения к минимуму.

Стохастический градиентный фон – еще один 

тип градиентного спуска, в основе которого лежат 
принципы взятия не всей выборки, а некоторых 
случайно выбранных из нее объектов. Во-первых, 

Мартынов А. В., Кандыба В. Е.

6
Шаг в науку • № 4, 2022   

если расчеты привели к локальному минимуму, 
алгоритм легко выйдет из него. Во-вторых, можно 
легко добавить новый объект, и не нужно будет заново все пересчитывать, ведь есть вероятность, что 
он попадет в расчете как случайный объект.

Существует еще один вид градиентного спу
ска, так называемый мини-пакетный градиентный 
спуск, который использует ту же идею, что и стохастический, но берет не один случайный объект, 
а небольшую группу объектов из выборочных дан
ных. Это обеспечивает баланс между эффективностью пакетного градиентного спуска и надежностью стохастического градиентного спуска.

Сходимость пакетного, стохастического и ми
ни-пакетного градиентного спуска показана на 
рисунках 1, 2, 3 соответственно. Из изображений 
интеграции можно сделать вывод, что выбор типа 
градиентного спуска зависит от скорости и точности, которую мы хотим увидеть [6].

Рисунок 1. Сходимость пакетного градиентного спуска 
Источник: разработано авторами

Рисунок 2. Сходимость стохастического градиентного спуска 
Источник: разработано авторами

В процессе исследования нами разработана про
грамма на языке программирования Python в интегрированной среде PyCharm, которая с помощью 
метода градиентного спуска подбирает оптимальные значения параметров a и b функции f = ax + b, 

при аппроксимации экспериментальных данных yi. 
Данные, поступающие на вход программы, можно 
наглядно увидеть на рисунке 4.

Критерием качества выполнения алгоритма вы
ступает минимум суммы квадратов отклонений. То 

Метод градиентного спуска в машинном обучении

7
Шаг в науку • № 4, 2022                     

Рисунок 3. Сходимость мини-пакетного градиентного спуска 
Источник: разработано авторами

Рисунок 4. Теоретическая прямая и экспериментальные данные 
Источник: разработано авторами

                                             

 
Рисунок 4 – Теоретическая прямая и экспериментальные данные 

(разработано автором) 

        ∑(        )
 
 

   
 ∑            

 

   
    

 
 

А для того чтобы найти параметры, от которых зависит этот критерий 

качества, мы должны продифференцировать этот критерий качества по этим 

двум параметрам a и b. В итоге получаем следующую систему частных 

производных функции: 

 
 

{
 
 

 

       
  
     ∑           

 

   
       
  
      ∑             

 

   

      

 

.                                         (2)

А для того, чтобы найти параметры, от которых 

зависит этот критерий качества, мы должны продифференцировать этот критерий качества по этим 

двум параметрам a и b. В итоге получаем следующую систему частных производных функции:

есть мы берем расстояние от экспериментальных 
данных yi до теоретической прямой, все возводим 
в квадрат и суммируем. 

И аппроксимация будет тем лучше, чем меньше 

значение E. То есть  E – это такой критерий качества, который должен быть минимален [1]. 

                                                          

{
 
 

 
        
  
     ∑           

 

   

       
  
      ∑             

 

   

      

 

.                                              (3)

Далее на основе этих производных получаем алгоритм подбора параметров а и b:

Мартынов А. В., Кандыба В. Е.

8
Шаг в науку • № 4, 2022   

                                                              

{
 

             
        
  

            
         
  

        

В роли шагов здесь выступают независимые друг от друга   
  для a и   
  
для b. Как мы можем посмотреть на рис. 5, экспериментально подобранная 
прямая и теоретическая прямая совпадают, значит алгоритм справился со своей 
задачей. Следовательно метод градиентного спуска сработал на отлично.  
 

 

Рисунок 5 – Результат работы алгоритма (разработано автором) 

Стоит заметить, что мы разбили задачу для подбора параметров 

фактически на независимый поиск по каждому параметру, их связка 

сохранялась только в частных производных, но сам алгоритм работал по 

каждому параметру независимо. В этом и есть его преимущество, он 

.                                                               (4)

Рисунок 5. Результат работы алгоритма 
Источник: разработано авторами

В роли шагов здесь выступают независимые друг 

от друга 

а основе этих производных получаем алгоритм подбора 

b: 

 

{

            
        
  

            
         
  

        

шагов здесь выступают независимые друг от друга   
  для a и   
  
ы можем посмотреть на рис. 5, экспериментально подобранная 
тическая прямая совпадают, значит алгоритм справился со своей 
вательно метод градиентного спуска сработал на отлично.  

 

унок 5 – Результат работы алгоритма (разработано автором) 

аметить, что мы разбили задачу для подбора параметров 

а независимый поиск по каждому параметру, их связка 

олько в частных производных, но сам алгоритм работал по 

аметру независимо. В этом и есть его преимущество, он 

 для a и 

             
        
  

            
         
  

        

В роли шагов здесь выступают независимые друг от друга   
  для a и   
  
b. Как мы можем посмотреть на рис. 5, экспериментально подобранная 
мая и теоретическая прямая совпадают, значит алгоритм справился со своей 
чей. Следовательно метод градиентного спуска сработал на отлично.  
 

 

Рисунок 5 – Результат работы алгоритма (разработано автором) 

Стоит заметить, что мы разбили задачу для подбора параметров 

ически на независимый поиск по каждому параметру, их связка 

анялась только в частных производных, но сам алгоритм работал по 

дому параметру независимо. В этом и есть его преимущество, он 

 для b. Как мы можем посмо
треть на рисунке 5, экспериментально подобранная 

прямая и теоретическая прямая совпадают, значит 
алгоритм справился со своей задачей. Следовательно, метод градиентного спуска сработал отлично. 

Стоит заметить, что мы разбили задачу для под
бора параметров фактически на независимый поиск по каждому параметру, их связка сохранялась 
только в частных производных, но сам алгоритм 
работал по каждому параметру независимо. В этом 

и есть его преимущество, он практически линейно 
увеличивает вычислительную сложность при увеличении размерности пространства поиска, именно 
поэтому градиентный спуск получил такую широкую популярность в машинном обучении.

Литература

1. 
Поляк Б. Т. О некоторых способах ускорения сходимости итерационных методов // Ж. вычисл. 

матем. и матем. физ. – 1964. – T. 4 – № 5. – C. 791–803.

2. 
Траск Э. Грокаем глубокое обучение. – СПб.: Питер, 2019. – 352 с. – URL: https://www.

rulit.me/data/programs/resources/pdf/Trask_Grokaem-glubokoe-obuchenie_RuLit_Me_603639.
pdf?ysclid=l74f5f4i6650167401 (дата обращения: 08.05.2022).

3. 
Cherkassky V., Ma Y. (2009) Another look at statistical learning theory and regularization. Neural 

Networks. Vol. 22. No. 7, pp. 958–969. https://doi.org/10.1016/j.neunet.2009.04.005 (In Eng.).

4. 
Kingma D. P., Ba J. L. (2015) Adam: A Method for Stochastic Optimization. Available at: https://arxiv.

org/help/arxiv_identifier (accessed: 10.05.2022). (In Eng.).

5. 
Lemaréchal C. (2012). Cauchy and the gradient method. Documenta Mathematica. Exstra Vol. , pp. 251–

254. (In Eng.).

6. 
Vapnik V. N. (1999) An Overview of Statistical Learning Theory. IEEE Transactions on neural networks. 

Vol. 10. No. 5, pp. 988–999. https://doi.org/10.1109/72.788640 (In Eng.).

7. 
Xuhui S., Cherkassky V., Li W. (2000) Measuring the VC-Dimension Using Optimized Experimental 

Design. Neural Computation. Vol. 12, No. 8. pp. 1969–1986. https://doi.org/10.1162/089976600300015222 (In 
Eng.).

Статья поступила в редакцию: 12.05.2022; принята в печать: 25.10.2022.
Авторы прочитали и одобрили окончательный вариант рукописи.

Шаг в науку • № 4, 2022

9

Контент доступен под лицензией Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License.
© В. В. Егорова, А. Д. Степанов, И. В. Чукальцев, 2022                     

ХИМИЧЕСКИЕ НАУКИ

УДК 54.062, 543.31

КОМПЛЕКСНЫЙ АНАЛИЗ ПЛАСТОВОЙ ВОДЫ

Егорова Виктория Валерьевна, студент, направление подготовки 04.03.01 Химия, Оренбургский 
государственный университет, Оренбург
e-mail: qwertyuiopvika123@gmail.com

Степанов Артем Дмитриевич, студент, направление подготовки 04.03.01 Химия, Оренбургский государственный университет, Оренбург
e-mail: artema437@mail.ru

Чукальцев Илья Валерьевич, студент, направление подготовки 04.03.01 Химия, Оренбургский 
государственный университет, Оренбург
e-mail: chukalicevilya@gmail.com

Научный руководитель: Пономарева Полина Александровна, старший преподаватель кафедры химии, 
Оренбургский государственный университет, Оренбург
e-mail: pponomareva@narod.ru

Аннотация. Актуальность работы заключается в важности переработки пластовых вод, являющих
ся частью нефтедобычи и извлечения из неё полезных компонентов, а также использования её другими 
отраслями нефтепереработки. Целью работы является проведение анализа на главные показатели ионов 
в пластовой воде, в процессе работы так же был получен коллоидный раствор из пластовой воды с помощью окислителя – тиосульфата натрия. Установлено отсутствие сульфид-ионов в воде, а для анализов 
использованы самые эффективные методики, которые будут иметь наименьшую погрешность в условиях 
высокой минерализации воды. В будущем планируется провести анализ на другие важные параметры пластовых вод и создать установку по извлечению полезных компонентов.

Ключевые слова: количественный анализ, пластовые воды, аналитическая химия, содержание иода, 

нефтепереработка.

Для цитирования: Егорова В. В., Степанов А. Д., Чукальцев И. В. Комплексный анализ пластовой 

воды // Шаг в науку. – 2022. – № 4. – С. 9–13.

COMPREHENSIVE ANALYSIS OF RESERVOIR WATER

Egorova Victoria Valerievna, student, training program 04.03.01 Chemistry, Orenburg State University, Orenburg
e-mail: qwertyuiopvika123@gmail.com

Stepanov Artyom Dmitrievich, student, training program 04.03.01 Chemistry, Orenburg State University, Orenburg
e-mail: artema437@mail.ru

Chukaltsev Ilya Valerievich, student, training program 04.03.01 Chemistry, Orenburg State University, Orenburg
e-mail: chukalicevilya@gmail.com

Research advisor: Ponomareva Polina Alexandrovna, Senior Lecturer of the Department of Chemistry, Orenburg 
State University, Orenburg
e-mail: pponomareva@narod.ru

Abstract. The relevance of the work lies in the importance of processing formation waters that are part of 

oil production and extracting useful components from it, as well as using it by other oil refining industries. The 
purpose of the work is to analyze the main indicators of ions in formation water; in the course of work, a colloidal 
solution was also obtained from formation water using an oxidizing agent – sodium thiosulfate. The absence of 

Егорова В. В., Степанов А. Д., Чукальцев И. В.

10
Шаг в науку • № 4, 2022   

sulfide ions in the water was established, and the most effective methods were used for the analyzes, which will 
have the smallest error in conditions of high water salinity. In the future, it is planned to analyze other important 
parameters of formation waters and create an installation for the extraction of useful components.

Key words: quantitative analysis, formation waters, analytical chemistry, iodine content, oil refining.
Cite as: Egorova, V. V., Stepanov, A. D., Chukaltsev, I. V. (2022) [Comprehensive analysis of reservoir water]. 

Shag v nauku [Step into science]. Vol. 4, рр. 9–13.

Пластовая вода является важным источником 

различных полезных соединений, что могут быть 
добыты аналитическими методами разделения 
и концентрации [1]. Анализ пластовой воды необходимо производить из-за высокого влияния на 
нефтепромысловую аппаратуру [3]. Одним из перспективных направлений является добыча иода 
и брома из вод буровых скважин, в которых ведётся нефтедобыча [5, 6].

Для комплексного анализа пластовой воды были 

выбраны следующие методики:

1) 
Иодометрия;

2) 
Комплексонометрия на содержание каль
ция и магния; 

3) 
Определение железа фотометрическим 

методом;

4) 
Определение меди методом турбидиме
трии;

5) 
Компексонометрическое определение суль
фатов;

6) 
Титриметрическое определение сульфидов, 

гидросульфидов и сероводорода.

Иодометрия была проведена с использованием 

титрованного раствора тиосульфата калия 0,05 н. 
Для анализа были отобраны пробы пластовых вод 
Оренбургских месторождений. Во время внесения окислителя в высокоминерализованную воду, 
происходит образование жёлтого коллоидного 
раствора, что указывает на наличие в воде восстановителей. Коллоидный раствор представлен на 
рисунке 1.

Рисунок 1. Образование коллоидного раствора
Источник: разработано авторами

Аликвота воды составила 10 мл, при этом с раз
бавлением её на 100 мл дистиллированной водой, 
также внесён 1 грамм NaHCO3 и пероксид водорода для более полного окисления. После кипячения 
пробы проводилось фильтрование и охлаждение. 
По ходу анализа было внесено 1 грамм KI, раствор 

не изменяет цвет, что свидетельствует о полном 
разрушении H 2O2. В качестве катализатора использован молибдат аммония, а индикатором является 
крахмал. Данные последующего титрования внесены в таблицу 1.

Таблица 1. Результаты титрования 

Номер титрования
Значение потраченного объёма, мл

1,1
23,0

1,2
23,1

2,1
0,8

2,2
0,9

3,1
33,4

3,2
33,3

Источник: разработано авторами