ПРИМЕНЕНИЕ ТЕХНОЛОГИИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОРРОЗИИ ТРУБОПРОВОДОВ Текст научной статьи по специальности «Компьютерные и информационные науки»

системный анализ, управление —

и обработка информации, ВЕСТНИК ТОГУ. 2024. № 1 (72)

статистика

УДК 004.94: [620.194.22:622.691.4.053]

И. Г. Румановский, Н. А. Никитин, А. А. Душкина

ПРИМЕНЕНИЕ ТЕХНОЛОГИИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОРРОЗИИ ТРУБОПРОВОДОВ

Румановский И. Г. - канд. техн. наук, доцент кафедры «Инженерные системы техносферной безопасности», 001776@pnu.edu.ru, (ТОГУ); Никитин Н. А. -магистрант, 012954@pnu.edu.ru, (ТОГУ); Душкина А. А. - магистрант, 2019102601@pnu.edu.ru (ТОГУ)

Прогнозирование коррозионных дефектов является важной задачей при оценке надежности трубопровода, поскольку позволяет точно предсказать параметры его технического состояния. В настоящее время при использовании статистической модели для моделирования роста коррозии применяются методы коррекции, чтобы уменьшить разрыв между прогнозируемыми значениями и фактическими данными. Это связано с неопределенностями, вызванными технологией инспекций трубопроводов. Целью данного исследования является разработка модели роста размеров коррозионных дефектов нефте - и газопроводов с использованием искусственной нейронной сети (Artificial Neural Network, ANN) в качестве альтернативы существующему методу. Данная модель составлена на основе параметров дефекта, извлеченных из данных встроенного контроля (In-Line Inspection data, ILI) и количественно оцененных с помощью статистического анализа. Разработанная модель дает прогноз развития таких геометрических параметров коррозионного дефекта как глубина и протяженность, таким образом становится возможным прогнозирование скорости роста дефекта. Результаты настоящего исследования помогут спрогнозировать надежность конструкции трубопровода с точки зрения вероятности выхода из строя или оценки срока службы.

Ключевые слова: искусственная нейронная сеть, прогнозирование роста коррозии, данные встроенного контроля (ILI), статистический анализ, моделирование неопределенностей.

© Румановский И. Г., Никитин Н. А., Душкина А. А., 2024

ВЕСТНИК ТОГУ. 2024. № 1 (72)

Введение

Коррозия является сложным процессом, зависящим от времени, и ее величина обычно определяется скоростью коррозии, которая представляет собой увеличение глубины коррозии за единицу времени, т.е. измеряется в мм/год, [1]. Несмотря на то, что степень коррозии, как правило, увеличивается со временем, предсказать ее прогресс непросто. В таком случае единственной реальной альтернативой является пессимистичное предположение о большей степени коррозии, чем это вероятно.

Для оценки скорости роста коррозии доступны три модели, [3]:

1. Теоретические модели, такие как линейные модели, просты в использовании и могут быть применены для прогнозирования средней скорости роста на основе данных о потерях металла. Однако они не учитывают влияние свойств материала и окружающей среды, что может привести к неточным прогнозам.

2. Эмпирические модели разрабатываются путем определения взаимосвязи между свойствами материала и окружающей среды для прогнозирования скорости коррозии. Они более точны по сравнению с теоретическими моделями, но требуют наличия данных о коррозии для различных возможных условий.

3. Модели искусственного интеллекта, такие как искусственные нейронные сети, могут учитывать влияние свойств материала и окружающей среды, а также различные неопределенности, связанные с данными о коррозии. Они обладают более высокой точностью и могут использоваться для прогнозирования скорости коррозии в различных условиях.

В данном исследовании была разработана нейросетевая модель для прогнозирования скорости коррозии трубопровода независимо от факторов окружающей среды. Модель была обучена на наборе данных, содержащем информацию о коррозии трубопроводов в различных условиях. Результаты моделирования показали, что предложенная модель может обеспечить более точное прогнозирование скорости коррозии, чем существующие методы.

Исследование имеет важное значение для оценки коррозии трубопроводов, так как упрощает работу для будущих исследований по оценке коррозии трубопроводов и позволяет сосредоточиться на анализе взаимосвязи между параметрами окружающей среды и коррозией трубопроводов. Также предлагаемый подход может быть использован в сочетании с существующими подходами для обеспечения более точного прогнозирования коррозии.

Предпосылки к созданию нейронной сети

Исследователи часто прибегают к использованию моделей при анализе проблем и поиске решений, опираясь на знания в области физики, химии или инженерии, [4]. В таких случаях модели могут быть проверены с использованием экспериментов, известных как механические модели. Однако решение

сложной проблемы часто требует учета влияния двух или более факторов, которые могут быть не связаны друг с другом или не иметь прямого влияния на исследуемую реакцию. В таких случаях требуется создание модели, которая учитывает все влияющие факторы на реакцию, основываясь на реальных данных. Например, модель оценки коррозионных дефектов, использующая данные инспекции, позволяет прогнозировать текущее и будущее состояние трубопроводов, что в свою очередь позволяет принимать более эффективные решения по техническому обслуживанию сооружения.

Существует три основные категории моделей, используемых для оценки коррозионных дефектов: детерминированные модели, статистические модели и модели, основанные на искусственном интеллекте, [5]. Детерминированные и статистические модели, также известные как управляемые модели, [6], отличаются от моделей искусственного интеллекта тем, что управляемые модели основаны на физических или статистических принципах, а модель искусственного интеллекта основывается на данных. Исходя из этой классификации, а также основываясь на доступных данных о техническом инспекционном контроле, было решено применить метод, основанный на искусственном интеллекте.

Модели искусственного интеллекта разработаны для имитации работы человеческого мозга в области обучающего и обобщающего поведения, [7]. Эти модели используют данные для создания инженерных моделей, классифицируя входные данные через анализ прошлых данных и обобщение уроков для прогнозирования будущих целей. Методы искусственного интеллекта, работающие только с входными и выходными данными, без явного описания их внутреннего механизма, также известны как модели "черного ящика".

В предшествующих исследованиях использовалась многослойная сеть перцептрона (MLP) из-за её способности аппроксимировать любое отображение ввода-вывода или функцию, [8]. Проводились эксперименты с применением различных переменных окружающей среды, [9], атмосферных переменных, [10], скорости потока, [11] и других физических параметров для прогнозирования коррозионного поведения. Итоги каждого эксперимента показали, что нейронная сеть показывала достоверные результаты, сопоставимые с реальными данными в различных географических точках и при различных условиях.

Моделирование роста коррозии обеспечивает упреждающий метод анализа больших объемов данных инспекций трубопроводов, определение приоритетов программ ремонта трубопроводов и оптимизацию интервалов повторных проверок, [12]. Однако возникают три основные проблемы при расчете скорости роста коррозии на основе данных инспекций, такие как отрицательная скорость коррозии, что само по себе в реальных условиях не может иметь

ВЕСТНИК ТОГУ. 2024. № 1 (72)

место, чрезмерно консервативные результаты и ограниченный объем выборок данных инспекций трубопроводов. Для преодоления этих ограничений в предлагаемом исследовании реализован вычислительный метод, учитывающий нелинейный рост коррозии и не требующий корректировки измеренных данных при наличии ряда данных ILI для прогнозирования.

ANN также применялась в исследовании роста коррозии, включая прогнозирование скорости коррозии трубопроводов природного газа. Полученные результаты сравнивались с другими вычислительными методами, такими как генетические алгоритмы (GA) и оптимизация роя частиц (PSO), и показали, что ANN превзошла оба метода, [13]. Для прогнозирования возможных типов отказов нефте- и газопроводов помимо коррозии были использованы ANN и регрессия.

ANN продолжает оставаться конкурентоспособным алгоритмом в прогнозирующем моделировании, так как обладает высокой точностью в различных исследованиях. Его преимущества включают способность обнаруживать нелинейные взаимосвязи между переменными и скрытый уровень для обнаружения взаимодействий между входными переменными, что приводит к лучшей модели прогнозирования. Основываясь на этих преимуществах, в данном исследовании предлагается использовать ANN для прогнозирования роста коррозии.

Подготовка данных

В данном исследовании представлены три набора данных ILI, обозначенные как A, B и C. Наборы A и B включают данные, собранные в 1990, 1992 и 1995 годах, в то время как набор C состоит из данных, собранных в 1999 и 2001 годах. Таблица 1 содержит информацию обо всех внутренних дефектах в виде коррозионных ям, исключая другие типы коррозионных дефектов. Информация о дефектах важна, поскольку предоставляет сведения о геометрии коррозионного дефекта, глубине, длине, ориентации, местоположении и типах областей коррозии. Физические параметры и прочие сопутствующие данные о трех трубопроводах представлены в таблице 2, [2].

Количество зарегистрированных дефектов для каждого набо

Таблица 1

ра

Набор данных A B C

Количество данных 90 - 1425 92 - 2995 95 - 3314 90 - 1397 92 - 18528 95 - 4084 99 - 2581 01 - 4058

Таблица ко

зрозиитрубопровода

Таблица 2

SL (м) RD (м) AD (м) d% I (мм) w (мм) Положение

11.6 6.6 1016.5 18 32 42 6.00

11.5 11.5 1033.0 19 46 64 5.30

11.8 10.6 1043.6 12 18 55 5.30

11.7 1 1045.8 13 28 83 5.30

В табл. 2 приведены параметры, характеризующие коррозию в трубопроводе.

Где SL - длина катушки - длина трубы между сварными швами; RD - относительное расстояние - относительное расстояние коррозии от верхнего обхвата; AD - абсолютное расстояние - расстояние коррозии от начала трубопровода; d - максимальная глубина коррозии в процентах; I - протяженность коррозии в продольном направлении; w - степень коррозии по окружности сварного шва трубы; Положение - ориентация коррозии в зависимости от толщины стенки трубы (определение угловых координат по часовой стрелке).

Моделирование и разработка ANN

Моделирование искусственных нейронных сетей (ANN) включает несколько этапов. Сначала происходит ввод исходных данных, далее следует разбиение их на группы, затем выполняется оптимизация параметров нейронной сети и, наконец, следует расчет результатов тестирования данных групп исходных данных. Первый этап моделирования ANN включает определение входных параметров, где общее количество входных параметров признается значимым для разрабатываемой модели. Затем данные разделяются на четыре отдельных группы в соответствии с переменной "год". Эти группы затем делятся на тренировочные, проверочные и тестовые наборы данных в определенном процентном соотношении.

На этапе оптимизации параметров сети весомые векторы, включая количество скрытых нейронов, скорость обучения и коэффициент импульса, подвергаются модификации для обеспечения достаточной обобщенности модели. Последний этап моделирования ANN заключается в обсуждении результатов прогнозирования на основе тестовых наборов данных.

Для оценки обобщающей способности было использовано пять параметров для сравнения моделей ANN и метода опорных векторов (SVM): средняя абсолютная ошибка (MAE), относительная абсолютная ошибка (RAE), квадратный корень из среднеквадратической ошибки (RMSE), коэффициент корреляции (R2) и корневая относительная квадратическая ошибка (RRSE), [14]. Формулы данных параметров выражены уравнениями 1-5 соответственно.

ВЕСТНИК ТОГУ. 2024. № 1 (72)

MAE

m

=mi|yj-y|

RAE =

)=1

Il=i|yj-yj|

Zj=i|y-yj|

RMSE =

m

mmZ(yj-yJ)

j=1

R:

2 l im=i(yj-yj) Zj=i(y5-yj)

2

2

RRSE =

2j=i(yi - yj)

2Jm=i(yJ-yj)2

(1)

(2)

(3)

(4)

(5)

2

2

Где m - количество тестовых образцов; yy - j-е целевое значение; у^- прогнозируемое значение для j-го тестового образца; yj- среднее целевое значение для всех тестовых образцов.

В процессе разработки модели ANN были выполнены следующие основные процедуры:

1. Определение входных факторов в качестве входных параметров для разрабатываемой модели;

2. Группировка наборов данных и разделение выборок на обучающие, проверочные и тестовые в соотношении 70%, 15% и 15%;

3. Оптимизация соответствующих параметров сети, применяемых к разрабатываемой модели.

Прогнозирование значений коррозионных дефектов с использованием тестовых наборов данных.

Определение входных параметров

Интеграция входных параметров в модель ANN начиналась с проведения ряда тестовых запусков на одной выборке для определения критических факторов, влияющих на выходные результаты. Результаты сравнивались на основе

полученных значений точности модели и процента ошибки. Наибольшее значение точности модели или наименьшее значение ошибки указывали на идеальный входной параметр для моделирования.

Для оценки значимости входных параметров было проведено 105 тестов на наборах данных с использованием одной сетевой архитектуры и параметров. В исследовании использовалась логарифмическая сигмоидная функция активации и градиентный спуск в качестве алгоритма обучения. Параметры обучения для сетевой архитектуры представлены в табл. 3.

Таблица 3

_Параметры тренировки модели и их значения_

Номер группы Продолжительность Количество образцов

1 1990 - 1992 417

2 1992 - 1995 417

3 1990 - 1995 417

4 1996 - 2001 105

В качестве входных параметров для обучения модели были выбраны пять параметров: одометр, ориентация, глубина, длина и ширина дефектов трубопровода. Результаты по каждому параметру были оценены на основе коэффициента корреляции (R2), средней абсолютной ошибки (MAE), среднеквадратичной ошибки (RMSE), относительной абсолютной ошибки (RAE) и корневой относительной квадратичной ошибки (RRSE), как показано в табл. 4.

Таблица 4

Сравнение входных парамет ов

Входные параметры R2 MAE RMSE RAE (%) RRSE (%)

d, I 0.9989 0.0015 0.003 3.11 4.90

d, I, w 0.9986 0.0018 0.0033 3.68 5.34

d, I, o 0.9988 0.0016 0.0031 3.23 5.07

d, I, w, o 0.9991 0.0013 0.0027 2.62 4.45

d, I, w, o, od 0.9988 0.0016 0.003 3.28 4.95

где d - глубина; I - длина; w - ширина; о - ориентация; od - одометр. Сравнительный анализ показал, что глубина, длина, ширина и ориентация являются значимыми входными параметрами для модели, обладающими высоким коэффициентом корреляции и низкими показателями ошибок. Для данного исследования были выбраны глубина и длина, учитывая их близость к идеальным показателям Я2 и RMSE.

Собранные данные были разделены на четыре группы в соответствии с годом сбора. Первые три группы включали одни и те же образцы данных, представляющие 417 выборок с 1990 по 1992 год, с 1992 по 1995 год и с 1990 по

ВЕСТНИК ТОГУ. 2024. № 1 (72)

ВЕСТНИК ТОГУ. 2024. № 1 (72)

1995 год соответственно. Четвертая группа состояла из 105 образцов, собранных с 1996 по 2001 год. В табл. 5 показано сопоставление четырех различных групп образцов.

Таблица 5

Параметры тренировки и их значения

Сетевые параметры Значение

Скрытые слои 3

Скорость обучения 0.1

Коэффициент импульса 0.1

Количество эпох 500

Оптимизация параметров сети

В данном исследовании использовался многослойный персептрон для прогнозирования. Были проведены непрерывные коррекции весовых векторов с целью построения оптимальной модели, способной давать точные прогнозы и обеспечивать адекватное обобщение. В данном процессе весовыми векторами являлись количество скрытых нейронов, скорость обучения и коэффициент импульса.

Для обучения была использована четвертая группа данных из 105 выборок, разделенных на три группы. В качестве функции активации была использована логарифмическая сигмоида, а для обучения - алгоритм градиентного спуска. Количество эпох установлено на уровне 500 в соответствии с общим числом доступных выборок. Результаты сопоставлялись на основе коэффициента корреляции (Я2) и среднеквадратичной ошибки (RMSE), представленных в таблице 6. Для удобства восприятия результаты приведены только для тестов с 30 по 46, что обеспечивает оптимальную производительность при запуске 43.

Анализ результатов показал, что увеличение скорости обучения не оказало влияния на выходные данные сетевой архитектуры, поскольку коэффициент корреляции уменьшился в тестах с 1 по 4. Однако увеличение коэффициента импульса привело к увеличению R2, как показано в тестах с 5 по 9. Но при увеличении коэффициента импульса до 0,8 рост коэффициента корреляции прекратился. Также было выявлено, что увеличение скорости обучения имело критическое влияние на выходные данные сети с двумя скрытыми нейронами, достигнув оптимальной производительности при значении, равном 0,3, что было показано тестами с 10 по 13.

Сравнение параметров сети

Таблица 6

№ теста нч ья МБ я2 ЯМ8Б

30 4 0.1 0.5 0.9993 0.0025

31 4 0.2 0.5 0.9995 0.0023

32 4 0.3 0.5 0.9994 0.0025

Продолжение табл. 6

33 4 0.1 0.7 0.9994 0.0025

34 4 0.2 0.7 0.9994 0.0025

35 4 0.1 0.8 0.9993 0.0027

36 5 0.1 0.7 0.9993 0.0029

37 5 0.2 0.7 0.9993 0.0026

38 5 0.3 0.7 0.9987 0.0034

39 6 0.1 0.7 0.9994 0.0026

40 7 0.1 0.7 0.9987 0.0032

41 8 0.1 0.7 0.9995 0.0023

42 9 0.1 0.7 0.9996 0.002

43 10 0.1 0.5 0.9997 0.0017

44 10 0.2 0.5 0.9996 0.0023

45 10 0.1 0.7 0.9997 0.0019

46 11 0.1 0.7 0.9997 0.0019

где HN - Hidden Neurons - скрытые слои; LR - Learning Rate - скорость обучения; MF - Moment Factor - коэффициент импульса.

В результате тестового прогона с двумя скрытыми нейронами было обнаружено, что увеличение скорости обучения до определенного значения провоцировало критическое влияние на выходные данные, достигнув пика при уровне 0,3 от оптимальной скорости обучения, как показано в тестах 10-13. Дополнительно, были получены положительные результаты, где отмечалось, что значения коэффициента корреляции (MF) и коэффициента детерминации (R2) увеличивались, но при коэффициенте импульса 0,5 увеличение прекратилось, как показано в тестах 14-21. Далее, в тестах 22-28, было подтверждено, что увеличение коэффициента импульса привело к увеличению коэффициента корреляции при трех скрытых нейронах, однако этот рост прекратился, когда MF находился в диапазоне от 0,5 до 0,7. Из этих результатов можно сделать вывод, что идеальная скорость обучения составляет от 0,1 до 0,2, а коэффициент импульса должен находиться в диапазоне от 0,5 до 0,7.

Для проверки данной теории был проведен дополнительный тестовый прогон с четырьмя скрытыми нейронами, результаты которого представлены в тестах 29-35. В этом прогона R2 оставался неизменным, в то время как значение MF устанавливалось в диапазоне 0,5 - 0,7. Когда значение коэффициента импульса выходило за пределы определенного диапазона, результаты становились отрицательными. При увеличении скорости обучения до 0,2 результаты оставались положительными, но становились отрицательными при LR = 0,3. Применяя проверенную теорию, единственным параметром сети, который пришлось изменить для оставшегося тестового прогона, было количество

ВЕСТНИК ТОГУ. 2024. № 1 (72)

ВЕСТНИК ТОГУ. 2024. № 1 (72)

скрытых нейронов. Начиная с теста 43, коэффициент корреляции был постоянным при увеличении количества скрытых нейронов, что указывает на оптимальные настройки сетевых параметров, представленные в тесте 43.

Исходя из самых высоких значений R2 = 0,997 и самых низких значений ЯМ8Е = 0,0017, идеальной сетевой моделью была выбрана модель с 10 скрытыми нейронами, скоростью обучения 0,1 и коэффициентом импульса 0,5. Структура сети состояла из 3 входных нейронов, 10 скрытых нейронов и 1 выходного нейрона, описываемая как 3-10-1 (см. рис. 1).

СКРЫТЫЙ слой

Рис. 1. Структура нейронной сети 3-10-1

Результаты тестирования наборов данных

После обучения модели искусственной нейронной сети (ANN) на обучающих выборках было проведено сравнение экспериментальных показателей с прогнозируемыми значениями, рассчитанными с помощью ANN для различных наборов обучающих и тестовых данных. Небольшие размеры выборок первой группы представлены в таблицах 7 и 8. Результаты моделирования основаны только на тестовых выборках, включая 31 экземпляр из 105 для четвертой группы, и 125 экземпляров из общего числа 417 для других групп.

Таблица 7

Сравнение фактических и расчетных показателей для первой группы образцов

Номер экземпляра Оцениваемый эксперимент Прогнозируемый результат Процентная погрешность

1 -0.77 -0.767 0.003

2 0.77 0.785 0.015

3 -0.11 -0.106 0.004

4 2.42 2.390 -0.030

5 0.22 0.230 0.010

6 -0.44 -0.436 0.004

7 -0.33 -0.327 0.003

8 0.77 0.787 0.017

9 0.33 0.341 0.011

10 1.98 1.983 0.003

11 0.00 0.007 0.007

12 0.00 0.006 0.006

13 0.33 0.341 0.011

14 -0.33 -0.329 0.001

15 -0.11 -0.108 0.002

В процессе нейросетевого моделирования значения экспериментальных показателей использовались как целевые, которые необходимо получить в результате моделирования, в то время как прогнозируемые показатели представляют собой конечные значения, вычисленные по предложенным в работе моделям. Процентная ошибка определяется как разница между экспериментальными и прогнозируемыми показателями, выраженная в процентах. Чем меньше ошибка, тем лучше результаты, это указывает на потенциальную эффективность разработанных моделей для прогнозирования параметров коррозионного процесса.

Таблица 8

Результаты прогнозирования для первой группы образцов

Коэффициент корреляции, R2 0.9999

Средняя абсолютная погрешность, MA 0.0074

Среднеквадратичная ошибка, RMSE 0.0102

Относительная абсолютная погрешность, RAE (%) 1.1899

Результаты прогнозирования для первой группы образцов, представленные в табл. 8, показали точность модели в 0,9999, что близко к идеальному

ВЕСТНИК ТОГУ. 2024. № 1 (72)

ВЕСТНИК ТОГУ. 2024. № 1 (72)

значению. Другими словами, разработанная модель продемонстрировала среднюю абсолютную погрешность 0,0074 и среднеквадратичную ошибку 0,0102, при этом относительная абсолютная погрешность составила 1,1899%.

Анализ скорости роста коррозии

Для каждого отдельного дефекта коррозии трубопровода характер роста может быть определен на основе двух или трех наборов данных ГЫ из одного и того же сегмента трубопровода. Обычно скорость роста коррозии рассчитывается с использованием простого линейного уравнения 6. С другой стороны, глубина локализованного дефекта может быть определена с использованием уравнения 7.

ся = " ГГ1 (6)

¿Т2 = ЙГ1 + СД * (72 - 71) (7)

где СЯ - скорость роста коррозии; ёп - глубина коррозии в год Т1; dт2 - глубина коррозии в год Т2; Т1 - год проверки Т1; Т2 - год проверки Т2.

Для анализа скорости роста коррозии результаты могут быть представлены в виде среднего значения и стандартного отклонения. После этого эти результаты могут быть использованы для моделирования надежности трубопровода, дополнительными параметрами которого могут быть функция предельного состояния или коэффициент запаса прочности, а также давление разрушения конкретного трубопровода.

Заключение

Данное исследование вносит значительный вклад в улучшение методов оценки надежности трубопроводов, которые применяются операторами трубопроводов по всему миру. Наша попытка найти альтернативные методы прогнозирования скорости роста коррозии на основе имеющихся данных о коррозионных дефектах (ГЦ) представляет собой значимый шаг вперед относительно детерминированных и статистических методов, часто используемых в настоящее время. Применение нейронных сетей в данном исследовании представляет собой инновационный подход к использованию методов искусственного интеллекта в системах прогнозирования скорости роста коррозии. Более того, полученные результаты могут быть применены для реализации технического обслуживания трубопроводов по их фактическому состоянию.

Библиографический список

1. Paik J. K., Thayamballi A. K. Ultimate strength of ageing ships // Proceedings of the Institution of Mechanical Engineers Part M Journal of Engineering for the Maritime Environment. 2002. Т. 216, № 1. P. 57-77.

2. Mazura M. D., Norafida I., Azlan M. Z. An artificial neural network modeling for pipeline // ARPN Journal of Engineering and Applied Sciences. 2015. T. 10, № 2. P. 512-519.

3. Corrosion of Steel in Concrete Structures / Elsevier Ltd. ; Amir Poursaee. Elsevier Science : Elsevier Science, 2016. 294 с.

4. Tran D. H., Ng A. W. M., Perera B. J. C. Neural networks deterioration models for serviceability condition of buried stormwater pipes // Engineering Applications of Artificial Intelligence. 2007. Т. 20, № 8. P. 1144-1151.

5. Morcous G., Rivard H., Hanna A. Modeling Bridge Deterioration Using Case-based Reasoning // Journal of Infrastructure Systems. 2002. Т. 8, № 3. P. 8695.

6. Cox N. J. Exploratory Data Mining and Data Cleaning // Journal of Statistical Software. 2004. Т. 11, № 9. P. 1-3.

7. Есеев В. И. Искусственный интеллект в современном мире: надежды и опасности создания и использования // Аэрокосмическая техника и технологии. 2023. Т. 1, № 1. С. 16-34.

8. Abirami S., Chitra P. The Digital Twin Paradigm for Smarter Systems and Environments: The Industry Use Cases // Advances in Computers. 2020. Т. 117, № 1. P. 339-368.

9. Prediction of steel atmospheric corrosion by means of artificial intelligence methods / J. Zora, K. Kreislova, P. Kostial, I. Ruziak // 20th anniversary international conference on metallurgy and materials. Brno : Czech Republic, 2011. P. 1-6.

10. Sica Y., Kenny E., Paredes R. Artificial neural network corrosion modeling for metals in an equatorial climate // Corrosion Science. 2009. Т. 51, № 10. P. 266-2278.

11. Artificial neural network models for predicting condition of offshore oil and gas pipelines / M. S. El-Abbasy, A. Senouci, T. Zayed [и др.] // Automation in Construction. 2014. № 45. P. 50-65.

12. Кайдриков Р. А., Виноградова С. С. Питтинговая коррозия металлов и многослойных систем (исследование, моделирование, прогнозирование, мониторинг) // Вестник Казанского технологического университета. 2010. № 4. С. 212-227.

13. Vafaei N., Movagharnejad K. A Comparison Between GA and PSO Algorithms in Training ANN to Predict the Refractive Index of Binary Liquid Solutions // Faculty of Chemical Engineering, Babol Noshirvani University of Technology. 2018. Т. 52, № 2. P. 123-133.

ВЕСТНИК ТОГУ. 2024. № 1 (72)

14. SCMAX : сайт. RL: https://scmax.ru/articles/212267/ (дата обращения: 15.12.2023).

15. Прогнозирование коррозионных повреждений магистрального газопровода / Ю. Н. Мальцев, А. Е. Лапин, И. Г. Романов, В. К. Тян // Известия Самарского научного центра Российской академии наук. 2009. Т. 11, № 5-2. С. 301-304.

16. Кантюков Р. Р., Ряховских И. В., Мишарин Д. А. Модель интеллектуального прогнозирования стресскоррозионной поврежденности магистральных газопроводов // Вести газовой науки. 2019. Т. 40, № 3. С. 89.

17. Разработка технологии по обнаружению коррозионного растрескивания под напряжением на трубопроводах с помощью нейронных сетей // Международный научно-исследовательский журнал : сайт. URL: https://research-journal.org/ (дата обращения: 15.12.2023)

18. Prediction of corrosion failure probability of buried oil and gas pipeline based on an RBF neural network / V. Shi, G. Deng, Z. Luo, L. Zhao // Frontiers in Earth Science. 2023. № 11. P. 1-8.

Title: Application of Neural Network Modeling Technology for Pipeline Corrosion Prediction

Authors' affiliation:

Rumanovski I.G. - Pacific National University, Khabarovsk, Russian Federation Nikitin N.A. - Pacific National University, Khabarovsk, Russian Federation Dushkina A.A. - Pacific National University, Khabarovsk, Russian Federation

Abstract: Prediction of corrosion defects is an important task in pipeline reliability assessment, as it allows to accurately predict the parameters of its technical condition. Currently, when using a statistical model to simulate corrosion growth, correction methods are applied to reduce the gap between predicted values and actual data. This is due to uncertainties caused by pipeline inspection technology. The aim of this study is to develop a model for corrosion defect size growth of oil and gas pipelines using Artificial Neural Network (ANN) as an alternative to the existing method. This model is based on defect parameters extracted from In-Line Inspection data (ILI) and quantified by statistical analysis. The developed model predicts the progress of such geometric parameters of the corrosion defect as depth and extent, thus it becomes possible to predict the growth rate of the defect. The results of this study will help to predict the reliability of the pipeline structure in terms of failure probability or service life estimation.

Keywords: artificial neural network, corrosion growth prediction, in-line inspection (ILI) data, statistical analysis, uncertainty modeling.