CC BY
82
УДК 004.94:[620.194.22:622.691.4.053]
Информационно-аналитическая система прогнозирования аварийно опасных стресс-коррозионных участков магистральных газопроводов и планирования их капитального ремонта
А.Б. Арабей1, А.В. Шипилов1, И.В. Ряховских2, Л.В. Власова2*, А.Н. Кузнецов3, С.В. Коваленко3, В.А. Бабушкин4, Д.В. Косачев4
1 ПАО «Газпром», Российская Федерация, 190900, г. Санкт-Петербург, BOX 1255
2 ООО «Газпром ВНИИГАЗ», Российская Федерация, 142717, Московская обл., Ленинский р-н, с.п. Развилковское, пос. Развилка, Проектируемый пр-д № 5537, вл. 15, стр. 1
3 ООО «Газпром газнадзор», Российская Федерация, 117418, г. Москва, ул. Новочеремушкинская, д. 65
4 ООО «Газпром трансгаз Югорск», Российская Федерация, 628260, Ханты-Мансийский АО, Тюменская обл., г. Югорск, ул. Мира, д. 15
* E-mail: L_Vlasova@vniigaz.gazprom.ru
Тезисы. В период с 2013-го по 2016 г. восемь из девяти аварий по причине коррозионного растрескивания под напряжением (КРН) произошли из-за развития трещин вблизи заводского сварного шва труб. Известно, что зоны продольных заводских и кольцевых монтажных швов для магнитных внутритрубных дефектоскопов являются проблемными в части выявления и идентификации трещин, расположенных по линии сплавления основного метала и сварного соединения. Это обстоятельство является серьезным препятствием для предупреждения аварий магистральных газопроводов (МГ) и делает актуальными камеральные бесшурфовочные методы прогнозирования потенциально опасных в отношении КРН участков МГ. Кроме того, выявление и идентификация дефектов КРН глубиной менее 10...15 % от толщины стенки трубы с помощью внутритрубной дефектоскопии (ВТД) недостаточно достоверны, вместе с тем в ходе капитального ремонта МГ отбраковке подвергаются все трубы со стресс-коррозией, без ограничений по глубине трещин. Установлено, что доля труб с КРН-дефектами в среднем составляет 57.62 %, из них на 52.54 % труб дефекты не обнаруживаются посредством ВТД из-за их малой глубины.
Решена актуальная задача создания достоверной модели прогнозирования аварийно опасных в отношении КРН участков МГ, обеспечивающей возможность последующей оценки объема отбраковки труб со стресс-коррозионными дефектами и эффективного использования финансовых ресурсов на техническое обслуживание и ремонт МГ. Представлены результаты создания на базе ООО «Газпром трансгаз Югорск» методологической основы и ее прототипирования в рамках информационно-аналитической системы, использующей элементы геопространственного анализа данных, теории распознавания образов и искусственных нейронных сетей.
Ключевые слова:
магистральный
газопровод,
стресс-
коррозионные
участки,
коррозионное
растрескивание
под напряжением,
система ремонта,
планирование.
Общий износ магистральных газопроводов (МГ) [1], большинство из которых построены в 1980-х гг., и современные внешнеэкономические вызовы на первый план выводят для ПАО «Газпром» задачи планирования и рационального распределения финансовых средств, предназначенных для технического диагностирования (ТД) и капитального ремонта (КР) МГ. Особую остроту проблема планирования объемов замены труб приобрела в газотранспортных обществах, эксплуатирующих МГ, подверженных КРН. Средняя точность прогнозирования доли труб, требующих вырезки при КР МГ по причине КРН, составляет 36.56 %, по данным внутритрубного технического диагностирования (ВТД) и результатам ТД в шурфах. Это значит, что при необходимости закупки труб при КР, например, в процессе сплошной переизоляции МГ, фактическое количество труб, требующих вырезки, может отличаться в два-три раза как в большую, так и в меньшую стороны. На сегодняшний день планирование КР участков МГ и прогнозирование количества подлежащих замене труб с дефектами КРН осуществляются на основе данных ВТД, а результаты означенных прогнозов не всегда обладают необходимой точностью [2].
Таблица 1
Результаты отбраковки труб при КР МГ
Показатель ООО «Газпром трансгаз Чайковский» ООО «Газпром трансгаз Ухта» ООО «Газпром трансгаз Югорск»
Доля труб с КРН-дефектами в общем количестве обследованных труб, % 57* 62 59
Доля труб с КРН-дефектами глубиной менее 0,11 в общем количестве труб на обследованном участке (в количестве труб с КРН-дефектами), % 52*(92) 53 (86) 54 (92)
* По результатам неразрушающего контроля (НК) технологических трубопроводов КС.
Основной причиной существенных отличий прогнозируемого по данным ВТД количества труб, требующих вырезки по причине КРН, от фактического количества вырезанных дефектных труб согласно данным диагностического сопровождения КР являются чрезмерно консервативные требования нормативной документации1 по отбраковке и ремонту труб, в частности, устанавливающей необходимость вырезки всех труб с КРН глубиной более 0,3 мм, в то время как ГОСТ Р 55999-2014 «Внутритрубное техническое диагностирование газопроводов. Общие требования» определяет значение пороговой величины обнаружения КРН-трещин на уровне 0,15 толщины стенки трубы (0, что для самых распространенных в составе МГ труб условным диаметром (Ду) 1400 мм при t = 15,7 мм составляет около 2,3 мм. Результаты анализа данных о стресс-коррозионных повреждениях труб, выявленных за последние 5 лет при диагностическом сопровождении КР линейной части (ЛЧ) МГ и технологических трубопроводов компрессорных станций (КС) ООО «Газпром трансгаз Чайковский», ООО «Газпром трансгаз Ухта», ООО «Газпром трансгаз Югорск» [3-6], представлены в табл. 1.
Данные табл. 1 свидетельствуют, что примерно 52.. .54 % труб не могут быть выявлены при ВТД и учтены при планировании КР, однако потребуют вырезки на этапе диагностического сопровождения КР. По этой причине число вырезаемых из-за КРН труб на участках МГ существенно превосходит запланированное по данным ВТД [5].
Анализ актов расследований аварий МГ, обследованных ВТД с применением магнитных снарядов-дефектоскопов, показывает
См. Инструкция по оценке дефектов труб и соединительных деталей при ремонте и диагностировании магистральных газопроводов / ОАО «Газпром», утв. 05.09.2013. - 117 с.
тенденцию роста числа отказов и аварий в результате пропуска КРН в околошовных зонах. В частности, сравнение данных ВТД и НК труб при КР [4, 5] показало, что часть глубоких (0^ и более) стресс-коррозионных трещин, потенциально опасных с точки зрения возможной аварии, не была выявлена или правильно идентифицирована по результатам ВТД. Это подтверждает наличие в ряде случаев отклонений фактических параметров обнаружения, чувствительности и точности определения размеров и расположения дефектов от требований ГОСТ Р 55999-2014. В первую очередь такие отклонения наблюдаются в зонах продольных заводских и кольцевых монтажных швов; указанные области традиционно являются проблемными в части выявления и идентификации трещин для магнитных внутритрубных дефектоскопов.
С точки зрения повышения обоснованности, надежности и точности прогнозов и последующего планирования КР стресс-коррозионно опасных участков МГ с целью эффективного предотвращения (минимизации) аварий МГ по причине КРН актуальны разработка и алгоритмизация новой методологической базы прогнозирования. Новые методологические подходы к прогнозированию принципиально отличает комплексное использование элементов геопространственного анализа данных, теории распознавания образов, искусственных нейронных сетей (ИНС) для изучения систематизации статистических данных о КРН МГ, полученных ПАО «Газпром» и дочерними обществами за длительный период исследования.
В качестве базового предприятия для проведения исследований было выбрано ООО «Газпром трансгаз Югорск» (далее -Общество), эксплуатирующее самую протяженную сеть МГ в составе газотранспортной системы ПАО «Газпром» - более 27 тыс. км,
расположенную на территориях Ямало-Ненецкого (ЯНАО) и Ханты-Мансийского (ХМАО) автономных округов и Свердловской области. На территории ХМАО и Свердловской области примерно половина всех аварий по-прежнему происходит из-за стресс-коррозии [4]. Указанные МГ построены в период с начала 1970-х до середины 1990-х гг. из труб большого диаметра, неоднородных по металлургическому качеству и технологии производства [7-10], изолированных преимущественно пленочными защитными покрытиями трассового нанесения, средний срок службы которых до образования первых несквозных повреждений (гофры, отслоения) в указанные годы составлял 10 лет2. Перечисленные факторы впоследствии стали основной причиной повышенной пов-режденности МГ Общества КРН-дефектами.
Предлагается методика прогнозирования доли труб, требующих вырезки в процессе КР из-за КРН-дефектов - как аварийно опасных, так и тех, глубина которых ниже порога чувствительности ВТД, и последующего ранжирования участков МГ по приоритетности ремонта, в том числе с применением технологии трассовой переизоляции [11] защитными покрытиями, содержащими ингибирующие композиции [12]. Методологическая основа предлагаемых подходов базируется на совокупности технических решений, позволяющих обеспечить комплексный учет накопленной с начала двухтысячных годов информации об основных факторах и условиях протекания процесса КРН МГ, которая объединена с результатами реализации корреляционной модели развития стресс-коррозионных дефектов во времени, учитывает параметры эксплуатации МГ и факторы внешней среды. Исследования на эту тему публикуются авторами статьи без малого два десятилетия [13, 14].
Методика предполагает последовательное выполнение комплекса организационно-технических мероприятий:
• сбор и систематизацию данных о пов-режденности КРН и условиях эксплуатации ранее отремонтированных участков МГ Общества;
• создание геопространственной модели МГ;
2 См. Р Газпром 2-2.3-609-2011. Определение критериев вывода в комплексный ремонт и сроков безопасной эксплуатации технологических трубопроводов компрессорной станции.
• прогнозирование наличия аварийно опасных ввиду развития КРН участков МГ на основе теории распознавании образов;
• прогнозирование доли труб, подверженных КРН, при планировании КР участка МГ (за счет использования данных наземных обследований и применения ИНС).
Сбор и систематизация исходных данных
Проанализированы данные отбраковки в ходе КР труб на участках МГ протяженностью более 500 км, где по данным ТД выявлены 35450 дефектов типа КРН. По результатам статистического анализа установлено, что глубина большинства стресс-коррозионных повреждений (более 90 % от общего числа) вне зависимости от региона прокладки МГ Общества не превышает 0,1/. Полученные результаты согласуются с аналогичными отечественными (см. табл. 1) и зарубежными статистическими исследованиями [15]. При этом экспериментально доказано [16], что указанные повреждения не оказывают значимого влияния на эксплуатационную надежность переизолированного участка МГ в случае их пропуска при КР, но вносят наибольшую неопределенность в процесс отбраковки труб.
Для построения графика плотности распределения количества КРН-дефектов на один километр МГ наиболее статистически значимыми факторами оказались:
• технико-технологические, а именно: наружный диаметр МГ, /, проектное давление, расстояние от КС, конструкция изоляции, срок эксплуатации, конструкция трубы, марка стали и завод-изготовитель (при наличии достоверных данных) [4];
• природные, а именно: рельеф, водотоки наземные, тип грунта, свойства почвы, характеристики теплообмена в грунтах.
Создание геопространственной модели
Пространственные данные, представляющие собой технические характеристики газопроводов, имеют линейную координату - привязку к километражу газопровода, что позволяет определить для потенциально опасных участков протяженность и локацию (погонный километр трубопровода) на любой нитке газопровода. Цифровые модели рельефа в картографической модели позволяют проводить пространственный анализ местоположений дефектов на профиле газопровода, на участках
с различными перепадами высот. Функции геопространственного анализа дают возможность рассчитать в каждой точке газопровода значения всех признаков, заложенных в модель, для последующего анализа их информативности и поиска взаимосвязей. Расчетная информационная ячейка геопространственной картографической модели имеет размер 100*100 м.
Геопространственная модель данных создавалась послойно с координатной привязкой технических характеристик МГ и природных факторов [17]. Модель позволяет определить протяженность и локацию идентичных участков МГ по результатам факторного анализа данных в среде картографической модели. Этапы факторного анализа данных в ходе геопространственного моделирования на базе геоинформационных систем (ГИС) представлены на рис. 1 и включают:
• создание картографической модели пространственных данных по слоям технических характеристик газопроводов, местоположению дефектов и аварий, природным факторам;
• установление методами геопространственного анализа значений предполагаемых факторов и их градаций в местах образования дефектов глубиной более 0,1^
• расчет информативности факторов влияния (на основе информационной меры Шеннона);
• формирование геопространственной модели из наиболее значимых факторов
и построение серии факторных карт с учетом весовых коэффициентов, соответствующих показателям информативности;
• сложение факторных карт (по ячейкам цифровых слоев), выделение потенциально опасных участков, ранжирование их по степени опасности, установление порогов принятия решений о способах ремонта.
Картографическая модель (рис. 2) включает следующие пространственные данные с атрибутивными характеристиками:
• местоположение газопроводов - слой разработан с использованием спутниковых снимков высокого разрешения (см. рис. 2а);
• технические характеристики газопроводов - диаметр, ^ давление (проектное, рабочее), год ввода, конструкция трубы, марка стали, завод-изготовитель, изоляция;
• участки проведения КР (см. рис. 2б);
• дефекты, выявленные в ходе КР;
• КРН-аварии (см. рис. 2а);
• рельеф (цифровая модель рельефа - далее ЦМР);
• грунтовые и почвенные условия;
• показатели теплообмена в грунтах (криогенные условия), результирующими характеристиками которых являются среднегодовая температура грунта, мощность сезонного слоя промерзания-протаивания, зональность многолетнемерзлых пород (определяют специфику ряда мерзлотных процессов и явлений);
Рис. 1. Алгоритм факторного анализа данных в ходе геопространственного моделирования
на базе ГИС-технологий
Рис. 2. Картографическая модель геопространственных данных: МГ и КРН-аварии (а); участки МГ, ранжированные по плотности КРН-дефектов (б); сеть водотоков (дренаж),
рассчитанная на основе ЦМР (в)
• водотоки (дренаж) - расчетный слой, разработанный на базе ЦМР (см. рис. 2в).
Геопространственный анализ наличия условий и факторов развития стресс-коррозии выполнен по данным ТД при КРН участков ЛЧ МГ общей протяженностью более 500 км, в первую очередь, в отношении растущих КРН-дефектов глубиной более 0,1/. Важно отметить, что абсолютное число указанных повреждений варьировалось от 7 до 386 в зависимости от геопространственного положения участка МГ.
Для удобства геопространственного анализа факторов выполнялась их визуализация (рис. 3) путем наложения местоположений дефектов и аварий на построенный профиль трассы газопровода по ЦМР. Анализ распределения местоположения дефектов по профилю позволял оценивать степень влияния различных факторов.
Далее посредством корреляционного анализа наборов данных о наличии основных факторов и пространственных данных о скоплении КРН-дефектов глубиной более 0,1/ для каждого участка МГ, характеризуемого постоянным значением одного фактора КРН, были получены следующие данные:
• количество дефектов внутри участка;
• протяженность участка.
Например, оценка информативности (рис. 4) фактора водотоков получена по расчетному слою дренажа (см. рис. 4а) на базе ЦМР. Преимуществом получения на базе ЦМР сети водотоков (дренажа, линий стока - тальвегов) является возможность выявления мелких водотоков, которые сложно идентифицировать по топографическим картам или спутниковым
снимкам. Аналогично проводится оценка факторов перепада высот (см. рис. 4б), грунтов (см. рис. 4в), почвы, среднегодовой температуры и др.
Информативность факторов влияния рассчитывается на основе информационной меры Шеннона, которая в оригинале имеет следующий вид:
J(В ^ А) =
Р(А | В) Р (А) '
(1)
где ./(В ^ А) - частная информация о событии А, содержащаяся в событии В; Р(А|В) -условная (апостериорная) вероятность соответствия заданного фактора наличию на участке МГ КРН-дефекта глубиной более 0,1/; Р(А) - априорная вероятность встречи фактора на протяжении исследуемого участка МГ.
Расчеты позволяют выделить наиболее информативные факторы и для каждого участка составить модель пространственных данных из факторов, характеризующих условия, влияющие на локализацию КРН-дефектов глубиной более 0,1/. В среде геопространственной модели, сформированной из факторов влияния, выполняется построение серии факторных карт с учетом весовых коэффициентов факторов влияния, которые принимаются по расчетным значениям информативности. Сложение факторных карт проводится по ячейкам цифровых слоев (рис. 5).
На основании полученной карты выделяются местоположения, наиболее вероятные для формирования дефектов глубиной более 0,1/, а также определяется протяженность идентичных участков любого МГ в коридоре (рис. 6).
Все дефекты
Плотность всех дефектов, ед./м:
■ 0...0,005 0,006...0,010
■ 0,011...0,020 ■ 0,021...0,030
Глубина КРН-дефекга: • <0,1* « 0,1г...0,2г
• > 0,2Г
Ш'
к.
Плотность дефектов глубиной > 0,1г, ед./м: 0,0003...0,001 0,001...0,002 ■ 0,002...0,003
2 600
500
Е-
о
400
300
200
Глубина трещины: О 0,1г...0,2г О > 0,2Г Л 1 ^
/ ^ 4
Л п " 1 I \ е1 1 Лгл /V Л / V Ои у
Л х V? рНуЛ V
КС«Лялинская»(1346-йкилометр) МГ Границапредприятия(~1400-йкилометр)
Рис. 3. Геопространственный анализ плотности распределения КРН-дефектов: локализация дефектов на схеме МГ Уренгой - Новопсков по расстоянию от КС «Лялинская» (а); анализ пространственного положения дефектов на профиле МГ (б)
Рис. 4. ¡Оценка информативности факторов водотока (а), перепада высот (б), грунтов (в)
а
б
Факторные карты, отражающие распределение каждого признака с учетом его веса
. / / ♦ \ \ Ж
* / / \ \ *
/ лдг-гшт
\
£
Прогнозные карты
Рис. 5. Сложение факторных переклассифицированных карт (ячейка с ячейкой)
и построение прогнозных карт
Оценка, баллы (соответствуют информативности факторов)
Рис. 6. Прогнозная карта местоположений, наиболее вероятных для формирования КРН-дефектов глубиной более 0,1^ (а); определение протяженности идентичных участков МГ (б)
б
Прогнозирование наличия аварийно опасных ввиду КРН участков МГ
Прогноз участков МГ, аварийно опасных вследствие КРН, выполнялся с учетом определенных критериев [6] с применением аппарата распознавания образов и теории информации [18]. Суть подхода состоит [19] в рассмотрении объекта, выбранного наугад из совокупности принадлежащих разным категориям, но схожих между собой объектов. Для того чтобы не дублировать разные понятия, будем применять термин «категория объекта», а процесс «классификации объектов» при распознавании образов называть «категорированием».
По некоторым признакам можно с определенной достоверностью определить, к какой из категорий относится отобранный объект. Принадлежность участка МГ к аварийно опасным ввиду наличия КРН определялась с привлечением имеющихся ретроспективных данных о наличии указанного типа повреждений по данным ТД или актам расследования аварий. Категорирование участка МГ выполнялось с учетом ранее подготовленных данных при создании его геопространственной модели. В контексте поставленной задачи устанавливалась принадлежность конкретного участка МГ к одной из двух категорий:
1 (аварийно опасные) - участки МГ, на которых ранее были обнаружены стресс-коррозионные дефекты глубиной более 0,1/;
2 - участки МГ, на которых ранее не были обнаружены стресс-коррозионные дефекты глубиной более 0,1/.
В процессе категорирования рассматривали отвечающую полной группе несовместимых событий совокупность N признаков, каждый из которых в данной задаче являлся случайным фактором либо случайной величиной х1, х2, ..., хн. Сведения, рассматриваемые в категории случайных технико-технологических или природных факторов, определялись набором словесных характеристик, отражающих свойства этих факторов. Например, для видов грунтов это глина, суглинок, супесь, песок и т.д. С целью упрощения решения задачи непрерывные случайные величины (внутреннее давление газа, температура перекачки и др.) представлялись дискретными аналогами. Подробное математическое описание процесса отбора значимых признаков и алгоритмизации решения задачи вероятностного категорирования с учетом факторов КРН представлено ранее С.В. Коваленко и др. [20].
Для решения задачи прогнозирования наличия глубоких КРН-дефектов на конкретном участке ЛЧ эксплуатируемого МГ следует получить дополнительную информацию о признаках, характеризующих параметры технического состояния наблюдаемого объекта, путем использования геопространственной модели МГ (см. рис. 5). В рамках поставленной задачи следует отметить специфику подхода к определению условной вероятности Р(УАВС \Н) события УАВС , т.е. вероятности события реализации вектора УАВС при условии извлечения информации из геопространственной модели МГ в рамках -й категории. Для этого необходимо:
• по сведениям о признаках, имеющихся в базе данных, вычислить частотные характеристики (распределение вероятностей) по уровням каждого признака в обеих рассматриваемых категориях;
• присвоить совпадающим тестовым значениям/уровням ранее вычисленные значения вероятностей для соответствующей категории.
Полученное таким образом распределение вероятностей тестовых значений признаков для заданного участка МГ, основанное на знании распределения вероятностей ранее наблюдаемых значений признаков на соседних участках МГ, входящих в базу данных, представляет собой совокупность условных вероятностей событий реализации компонент вектора УАВС..: Далее для каждой категории определяем вероятность произведения двух зависимых случайных событий, т.е. вероятность реализации 1-й категории умножаем на условную вероятность попадания в эту категорию компонент вектора тестовых значений признаков: Р(Н )Р(УАВС \Н ).
Переходим к вычислению байесовских оценок по категориям и устанавливаем наиболее вероятную категорию путем их сравнения со значениями априорных вероятностей гипотез. Другими словами, с помощью формул Байеса мы переоцениваем вероятности гипотез, принятые до проведения опыта (априорные), по результатам уже произведенного опыта.
Прогнозирование доли труб, подверженных КРН, при планировании КР участка МГ
Повышение точности прогнозирования пов-режденности труб стресс-коррозией на выбранном участке МГ достигнуто за счет декомпозиции факторов, ответственных за процесс КРН, и уточнения их значений по данным о дополнительных гидрогеологических
Таблица 2
Перечень дополнительных факторов, использованных для построения ИНС
Категория Фактор
Данные о грунтах Удельное электрическое сопротивление грунта, Омм
Водородный индекс (рН)
Концентрация сульфидсодержащих соединений, моль
Концентрация карбонатсодержащих соединений, моль
Скорость проникновения водорода в сталь, мкА/см2
Плотность предельного тока катодного восстановления кислорода, мкА/см2
Плотность анодного тока растворения стали при фиксированном потенциале, мкА/см2
Данные о трубе Расстояние от КС, м
Результаты геотехнической диагностики Наличие подземных и наземных водотоков, да/нет Наличие грунтовых вод, да/нет Наличие участков в непроектном положении, да/нет
Таблица 3
Результаты обучения ИНС
КРН не обнаружено КРН присутствует Всего
Количество участков, шт. 184 184 368
Количество правильно классифицированных участков, шт. (%) 148 (80,43) 150 (81,52) 298 (81)
особенностях местности и степени агрессивности грунта. Статистический анализ ранее рассмотренных и дополнительных факторов КРН МГ выполнялся с применением ИНС. Главное достоинство ИНС с точки зрения решения поставленной задачи - это способность на основе статистических данных учитывать сложные и нелинейные по своей природе зависимости [21], к которым относится влияние различных факторов (характеристик грунта, уровня кольцевых напряжений, конструкции труб, состояния защитного покрытия и т.д.) на стресс-коррозионное состояние МГ [22-26].
Рассмотрим пример прогнозирования доли труб, подверженных КРН, при КР эксплуатируемого Обществом участка МГ протяженностью 57 км. Для выбранного участка собрана исходная для построения ИНС информация, а именно: общие данные о газопроводе, результаты ранее выполненных электрометрических обследований, предремонтно-го обследования в рамках КР, геотехнической диагностики и специализированных измерений физико-химических характеристик грунтов3.
3 См. Р Газпром 2-2.3-761-2013. Методика определения характеристик грунтов, провоцирующих коррозионное растрескивание под напряжением металла на магистральных газопроводах; Р Газпром 2-2.3-550-2011. Методические рекомендации по дешифрированию и аналитической обработке материалов аэрокосмической съемки для оценки технического состояния газопроводов.
Вся исходная информация привязана к геопространственной основе участка МГ.
Помимо учтенных ранее факторов при прогнозировании категории участка МГ рассмотрены девять дополнительных факторов, в наибольшей степени коррелирующих с наличием/отсутствием стресс-коррозионных повреждений труб (табл. 2).
Нейронная сеть представляла собой многослойный персептрон. Активационная функция нейронов скрытого слоя сигмоидальная, нейронов выходного слоя - линейная. Оптимальное число нейронов в скрытом слое подбиралось варьированием параметров обучения с использованием критерия минимума среднеквадрати-ческой ошибки. Параметры обучения подбирались по умолчанию в соответствии с настройками программы 81аЙ8Йса 10. Для обучения ней-росети выделены 368 «примеров», которые распределили в случайном порядке. (Под «примером» понимается участок газопровода, протяженность которого соответствует длине трубы по трубному журналу ВТД.) В тестирующую выборку и выборку перекрестного подтверждения были помещены по 55 «примеров».
Результаты обучения нейронной сети представлены в табл. 3. Матрица показывает, что общая вероятность успеха классификации участков газопроводов с отсутствием/наличием стресс-коррозионных повреждений составила 81 %, при этом вероятность правильной классификации участков, предрасположенных
к КРН, составила 81,52 %. В то же время можно отметить, что ИНС успешно (с вероятностью 80,43 %) определяет участки, непредрасположенные к КРН. При этом в 66 % случаев уровень значимости принятия решения ней-росетевой моделью превышает 0,8, что свидетельствует о ее устойчивости. Обученная ИНС апробирована на данных о смежных участках МГ. Эта информация не использовалась в процессе обучения. Результаты апробации представлены на рис. 7.
По результатам апробации установлено, что максимальная ошибка прогноза доли труб со стресс-коррозионными повреждениями составила 11 % от общего количества труб на участках МГ. Высокая точность прогноза поврежденности труб КРН на участке МГ объясняется достоверностью использованных при построении ИНС данных, полученных по результатам предремонт-ного обследования, геотехнической диагностики и специализированных измерений физико-химических характеристик грунтов.
С целью оценки достоверности ИНС на других участках МГ необходимо проводить на них дополнительные обследования в шурфах (рекомендуемое количество - 1 шурф на километр). При этом если результаты ТД труб в шурфах совпадают с данными ИНС не менее чем в 75 % случаев, то прогноз признают адекватным и используют при планировании КР.
§ 0-7 т
¡5
0,6
0,5
0,4
и £
с &
I ^
Ю О
н о
У ©
0,2
0,1
0
/ / / / /
0/ / / /
с /о У ° о
/ / / ¿о
о о' / / /
оо8 °А /о }<р
г
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 План, % от общей протяженности участка
Рис. 7. Процент КРН-повреждений по длине трубопровода: диаграмма «факт - прогноз» по итогам сопоставления результатов НК труб при КР и прогноза с применением ИНС
Таким образом, решена актуальная задача создания достоверной модели прогнозирования аварийно опасных ввиду КРН участков МГ, обеспечивающей возможность последующей оценки объема отбраковки труб со стресс-коррозионными дефектами и эффективного расходования финансовых ресурсов на техническое обслуживание и ремонт МГ.
На базе накопленного ООО «Газпром трансгаз Югорск», ООО «Газпром газнадзор» и ООО «Газпром ВНИИГАЗ» фактологического материала о стресс-коррозионной повреж-денности и аварийности МГ ПАО «Газпром» разработана Информационно-аналитическая система прогнозирования аварийно опасных по причине КРН участков магистральных газопроводов и планирования их КР на примере ООО «Газпром трансгаз Югорск».
Впервые в практике планирования ремонта МГ для вероятностного прогнозирования числа, протяженности и расположения аварийно опасных ввиду КРН участков МГ применена теория распознавания образов на базе накопленной информации об отремонтированных участках газопроводов с учетом параметров выявленных при КР дефектов и факторов (признаков), сопутствующих эксплуатации этих участков.
Применение разработанной системы за счет реализации технологий геоинформационного анализа и нейросетевого моделирования позволяет обеспечить точность прогнозирования доли отбраковки труб с повреждениями типа КРН на участке МГ, не выявленными при ВТД, более 80 %. На базе ООО «Газпром трансгаз Югорск» реализован прототип программного модуля для оценки стресс-коррозионной поврежденности труб.
С учетом выбранных факторов и их оценочных параметров разработана методология прогнозирования стресс-коррозионной поврежденности МГ для выборочного и капитального ремонтов участков газопроводов ООО «Газпром трансгаз Югорск». Система может быть использована в сфере охраны труда и промышленной безопасности, в том числе при подготовке деклараций промышленной безопасности, инженерной разработке обоснований безопасности, продлении ресурса и решении других задач, связанных с обеспечением безопасности МГ, подверженных КРН.
* * *
Список литературы
1. Кантюков Р.А. Проблемы безопасности трубопроводов / Р.А. Кантюков,
Р.Р. Кантюков, И.М. Тамеев и др. // Газовая промышленность. - 2012. - № 9 (680). -С. 14-18.
2. Митрохин М.Ю. Анализ эффективности диагностических работ на линейной части газопроводов / М.Ю. Митрохин, И.И. Велиюлин, В.Ю. Шарохин и др. // Территория нефтегаз. - 2012. - № 2. - С. 28-31.
3. Ряховских И.В. Совершенствование технологии ремонта протяженных участков магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением /
И.В. Ряховских, А.В. Мельникова,
Д.А. Мишарин и др. // Вести газовой науки:
Повышение надежности магистральных
газопроводов, подверженных коррозионному
растрескиванию под напряжением. -
М.: Газпром ВНИИГАЗ, 2016. - № 3 (27). -
С. 79-86.
4. Нефёдов С.В. Планирование диагностических и ремонтных работ на участках линейной части магистральных газопроводов ООО «Газпром трансгаз Югорск», подверженных коррозионному растрескиванию под напряжением / С.В. Нефёдов, И.В. Ряховских, Р.И. Богданов и др. // Вести газовой науки: Повышение надежности магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением. -
М.: Газпром ВНИИГАЗ, 2016. - № 3 (27). -С. 88-96.
5. Велиюлин И.И. Анализ сопоставимости результатов внутритрубной дефектоскопии и отбраковки труб / И.И. Велиюлин,
А.Н. Батраков, Я. А. Раздобудко // Территория нефтегаз. - 2013. - № 10. - С. 44-46.
6. Арабей А.Б. Исследование возможности длительной эксплуатации труб
с незначительными стресс-коррозионными повреждениями / А.Б. Арабей, О.Н. Мелёхин, И.В. Ряховских и др. // Вести газовой науки: Повышение надежности магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением. -М.: Газпром ВНИИГАЗ, 2016. - № 3 (27). -С. 4-11.
7. Отт К.Ф. Стресс-коррозия на газопроводах / К.Ф. Отт. - Югорск, 2002. - 184 с.
8. Отт К.Ф. Механизм и кинетика стресс-коррозии магистральных газопроводов /
К.Ф. Отт // Газовая промышленность. - 1999. -№ 7. - С. 46-48.
9. Лякишев Н.П. Исследование структуры металла газопроводов после их длительной эксплуатации / Н.П. Лякишев, М.М. Кантор,
B.Н. Воронин и др. // Металлы. - 2005. - № 1. -
C. 1-17.
10. Арабей А.Б. Влияние особенностей технологии производства труб на стойкость к коррозионному растрескиванию под напряжением в процессе эксплуатации магистральных газопроводов / А.Б. Арабей, Т.С. Есиев, И.В. Ряховских и др. // Газовая промышленность. - 2012. - № 2. - С. 52-54.
11. Арабей А.Б. Технология ремонта магистральных газопроводов, подверженных коррозионному растрескиванию
под напряжением / А. Б. Арабей, И.В. Ряховских, А.В. Мельникова и др. // Наука и техника в газовой промышленности. - 2017. -№ 3 (71). - С. 3-16.
12. Маршаков А.И. Разработка ингибирующих композиций для предотвращения коррозионного растрескивания под напряжением магистральных газопроводов /
A.И. Маршаков, И.В. Ряховских,
B.Э. Игнатенко и др. // Вести газовой науки: Повышение надежности магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением. -
М.: Газпром ВНИИГАЗ, 2016. - № 3 (27). -
C. 48-63.
13. Петров Н.Г. Аналитические подходы к решению задачи прогнозирования безаварийной эксплуатации ЛЧ МГ /
Н.Г. Петров, Р.Р. Халиков, А.Н. Кузнецов // XI Международная деловая встреча «Диагностика-2001». - М., 2001. - Т. 2. - Ч. 2. -С. 50-63.
14. Алимов С.В. Оценка технического состояния
и определение сроков безопасной эксплуатации трубопроводов / С.В. Алимов, Б.Н. Антипов,
A.В. Захаров и др. // Газовая промышленность. - 2009. - № 1. - С. 60-61.
15. Worthingham R. Transgranular crack growth in the pipeline steels exposed to near-neutral pH soil aqueous solutions: the role
of hydrogen / R. Worthingham, G. van Boven // Acta Materialia. - 2009. - Т. 57. - № 20. -С. 6200-6214.
16. Долгов И.А. Оценка поведения стресс-коррозионных трещин при нагружении трубы внутренним давлением / И.А. Долгов,
B.А. Горчаков, С.В. Пахтусов и др. // Дефектоскопия. - 2002. - № 2. - С. 83-89.
17. Власова Л.В. Информационно-аналитические модели для оценки влияния природных факторов на объекты единой системы газоснабжения России / Л.В. Власова // Трубопроводный транспорт: теория
и практика. - 2010. - № 4 (20). - С. 39-43.
18. Докутович А.Б. Прогнозирование возможности реализации различных видов негативных событий на объектах магистральных газопроводов Единой системы газоснабжения Российской Федерации /
А.Б. Докутович, В.Д. Шапиро, С.В. Коваленко и др. // Материалы Форума «Технологии безопасности» 07-09 февраля 2017 г. -http://new.groteck.ru/images/catalog/46628/6db73 340a71268aa46dc28f08ab9b135.pdf
19. Горелик А. Л. Методы распознавания /
А. Л. Горелик, В. А. Скрипкин. - М.: Высшая школа, 1977.
20. Коваленко С. В. Принцип прогнозирования возможного типа (природы) аварии
на магистральном газопроводе, основанный на распознавании образов / С.В. Коваленко, И. В. Ряховских, А. Б. Докутович и др. // Газовая промышленность. - 2018. - № 6. - С. 25-29.
21. Кантюков Р.Р. Нейросетевые методы оценки воздействия систем газоснабжения на экологическое состояние окружающей среды / Р.Р. Кантюков, О.Б. Бутусов //
IX Международная научно-практическая конференция «Логистика и экономика ресурсоэнергосбережения в промышленности» (ЛЭРЭП-9-2015): сб. науч. тр. - 2015. -С. 344-348.
22. Есиев Т.С. Использование статистических методов и ГИС-технологий для оценки стресс-коррозионного состояния объектов МГ /
Т.С. Есиев, И.В. Ряховских, C.C. Машуров и др. // Газовая промышленность. - 2010. -№ 7. - С. 53-56.
23. Горбатков С.А. Технология нейросетевого моделирования коррозионных процессов магистральных трубопроводов /
С.А. Горбатков, Г.А. Бесхлебнова // Научная сессия МИФИ-2006. VIII Всероссийская научно-техническая конференция «Нейроинформатика-2006»: сб. науч. тр. в 3-х ч. - М.: МИФИ, 2006. - Ч. 2. - С. 156-164.
24. Куравский Л.С. Применение нейронных сетей для диагностики и прогнозирования усталостного разрушения тонкостенных конструкций / Л.С. Куравский, С.Н. Баранов // Нейрокомпьютеры: разработка, применение. -2001. - № 12. - С. 47-63.
25. Нейронные сети. STATISTICA Neural Networks: методология и технологии современного анализа данных / под ред. В.П. Боровикова. -М.: Горячая линия - Телеком, 2008. - 392 с.
26. Мирзоев А.М. Нейросетевая модель стресс-коррозионной поврежденности участков линейной части магистральных газопроводов ООО «Газпром трансгаз Югорск» / Абдугаффор М. Мирзоев, М.С. Иващенко, А.И. Маршаков // Вести газовой науки: Повышение надежности магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением. - М.: Газпром ВНИИГАЗ, 2016. -№ 3 (27). - С. 108-112.
The Info-analytical system for prediction of accident-prone stress-corroded sections of gas mains and planning of their overhauls
A.B. Arabey1, A.V. Shipilov1, I.V. Ryakhovskikh2, L.V. Vlasova2*, A.N. Kuznetsov3, S.V. Kovalenko3, V.A. Babushkin4, D.V. Kosachev4
1 Gazprom PJSC, BOX 1255, St. Petersburg, 190900, Russian Federation
2 Gazprom VNIIGAZ LLC, Bld. 1, Estate 15, Proyektiruemyy proezd no. 5537, Razvilka village, Leninskiy district, Moscow Region, 142717, Russian Federation
3 Gazprom Gaznadzor LLC, Bld. 65, Novocheremushkinskaya street, Moscow, 117418, Russian Federation
4 Gazprom Transgaz Yugorsk, Bld. 15, Mira street, Yugorsk, Tyumen Region, Khanty-Mansi Autonomous Area, 628260, Russian Federation
* E-mail: L_Vlasova@vniigaz.gazprom.ru
Abstract. During 2013-2016, eight out of nine accidents for the sake of stress-corrosion cracking (SCC) occurred due to development of cracks nearby the shop welds of pipes. It is known that areas of the longitudinal shop welds and the girth field welds are troublesome for magnetic in-line flaw detectors as related to identification of the cracks located along a line of joint fusion with a parent metal. This circumstance is a serious obstacle for prevention of accidents at trunk gas pipelines, and it actualizes the pitless desk methods aimed at predicting potentially SCC-dangerous sections of gas pipelines. Besides, discovery and identification of the SCC defects less deep than 10.. .15 % of pipe wall thickness using in-line flaw inspection are not sufficiently reliable, at the same time while overhauling the gas mains all the stress-corroded pipes are rejected notwithstanding the depths of cracks. It is evaluated that a percent of stress-corroded pipes in average runs to 57.62 %, where 52.54 % of pipes are not identified by an inline flaw detector as the corroded ones due to shallowness of the defects.
A topical challenge to create a valid model for prediction of accident-prone stress-corroded sections of gas pipelines is faced. The model provides further assessment of pipe amounts subject to rejection due to SCC-defects, and rational usage of money allocated for technical maintenance and repair of gas pipelines. This article reveals creation of a methodological pattern on the basis of the Gazprom Transgaz Yugorsk LLC pipeline network, and prototyping of the named pattern within the framework of an info-analytical system which uses the elements of geospatial data analysis, the image recognition theory, and artificial neural networks.
Keywords: trunk gas pipeline, stress-corroded sections, stress corrosion cracking, repair system, planning.
References
1. KANTYUKOV, R.A., R.R. KANTYUKOV, I.M. TAMEYEV, et al. Challenges of pipeline safety [Problemy bezopasnosti truboprovodov]. Gazovaya Promyshlennost. 2012, no. 9 (680), pp. 14-18. ISSN 0016-5581. (Russ.).
2. MITROKHIN, M.Yu., I.I. VELIYULIN, V.Yu. SHAROKHIN, et al. Analysis of efficiency of diagnostic works at the linear parts of gas pipelines [Analiz effektivnosti diagnosticheskikh rabot na lineynoy chasti gazoprovodov]. Territoriya neftegaz. 2012, no. 2, pp. 28-31. ISSN 2072-2745 (Russ.).
3. RYAKHOVSKIKH, I.V., A.V. MELNIKOVA, D.A. MISHARIN, et al. Perfecting an overhaul procedure in respect to long sections of gas mains subject to stress corrosion cracking [Sovershenstvovaniye tekhnologii remonta protyazhennykh uchastkov magistralnykh gazoprovodov, podverzhennykh korrozionnomy rastreskivaniyu pod napryazheniyem]. Vesti Gazovoy Nauki. Moscow: Gazprom VNIIGAZ LLC, 2016, no. 3 (27): Improving reliability of gas mains subject to stress corrosion cracking, pp. 79-86. ISSN 2306-8949. (Russ.).
4. NEFEDOV, S.V., I.V. RYAKHOVSKIKH, R.I. BOGDANOV, et al. Planning of diagnostics and repairs at the sections of Gazprom Transgaz Yugorsk gas mains subject to stress corrosion [Planirovaniye diagnosticheskikh i remontnykh rabot na uchastkakh lineynoy chasti magistralnykh gazoprovodov OOO "Gazprom transgaz Yugorsk", podverzhennykh korrozionnomy rastreskivaniyu pod napryazheniyem]. Vesti Gazovoy Nauki. Moscow: Gazprom VNIIGAZ LLC, 2016, no. 3 (27): Improving reliability of gas mains subject to stress corrosion cracking, pp. 88-96. ISSN 2306-8949. (Russ.).
5. VELIYULIN, I.I., A.N. BATRAKOV, Ya.A. RAZDOBUDKO. Comparability analysis of the in-line flaw detection results and pipe rejection [Analiz sopostavimosti rezultatov vnutritrubnoy defektoskopii i otbrakovki trub]. Territoriya neftegaz. 2013, no. 10, pp. 44-46. ISSN 2072-2745 (Russ.).
6. ARABEY, A.B., О.N. MELEKHIN, I.V. RYAKHOVSKIKH, et al. Studying a possibility of continuous service of pipes with minor stress-corrosion cracks [Issledovaniye vozmozhnosti dlitelnoy ekspluatatsii trub s neznachitelnymi stress-korrozionnymi povrezhdeniyami]. Vesti Gazovoy Nauki. Moscow: Gazprom VNIIGAZ LLC, 2016, no. 3 (27): Improving reliability of gas mains subject to stress corrosion cracking, pp. 4-11. ISSN 2306-8949. (Russ.).
7. OTT, K.F. Stress corrosion at gas pipelines [Stress-korroziya na gazoprovodakh]. Yugorsk, Russia, 2002. (Russ.).
8. OTT, K.F. Modus operandi and kinetics of stress corrosion at gas mains [Mekhanizm i kinetika stress-korrozii magistralnykh gazoprovodov]. Gazovaya Promyshlennost. 1999, no. 7, pp. 46-48. ISSN 0016-5581. (Russ.).
9. LYAKISHEV, N.P., M.M. KANTOR, V.N. VORONIN, et al. Structural study of a gas-pipeline metal after long operation [Issledovaniye struktury metalla gazoprovodov posle ikh dlitelnoy ekspluatatsii]. Metally. 2005, no. 1, pp. 1-17. ISSN 0869-5733. (Russ.).
10. ARABEY, A.B., T.S. YESIYEV, I.V. RYAKHOVSKIKH, et al. Effect of pipe production technology on their resistance to stress corrosion during operation of trunk gas pipelines [Vliyaniye osobennostey tekhnologii proizvodstva trub na stoykost k korrozionnomy rastreskivaniyu pod napryazheniyem v protsesse ekspluatatsii magistralnykh gazoprovodov]. Gazovaya Promyshlennost. 2012, no. 2, pp. 52-54. ISSN 0016-5581. (Russ.).
11. ARABEY, A.B., I.V. RYAKHOVSKIKH, A.V. MELNIKOVA, et al. Technology for repair of gas mains subject to stress corrosion cracking [Tekhnologiya remonta magistralnykh gazoprovodov, podverzhennykh korrozionnomy rastreskivaniyu pod napryazheniyem]. Nauka i Tekhnika v Gazovoy Promyshlennosti. 2017, no. 3, pp. 3-16. ISSN 2070-6820. (Russ.).
12. MARSHAKOV, A.I., I.V. RYAKHOVSKIKH, V.E. IGNATENKO, et al. Development ofinhibiting compositions aimed at preventing stress corrosion cracking of gas mains [Razrabotka ingibiruyushchikh kompozitsiy dlya predotvrashcheniya korrozionnogo rastreskivaniya pod napryazheniyem magistralnykh gazoprovodov]. Vesti Gazovoy Nauki. Moscow: Gazprom VNIIGAZ LLC, 2016, no. 3 (27): Improving reliability of gas mains subject to stress corrosion cracking, pp. 48-63. ISSN 2306-8949. (Russ.).
13. PETRO V, N. G., R.R. KHALIKO V, A .N. KUZNETSO V. Analytical approaches to solving a problem of forecasting trouble-free running of linear gas mains [Analiticheskiye podkhody k resheniyu zadachi prognozirovaniya bezavariynoy ekspluatatsii LCh MG]. In: XI International business meeting «Diagnostics-2001». Moscow, 2001, vol. 2, pt. 2, pp. 50-63. (Russ.).
14. ALIMOV, S.V., B.N. ANTIPOV, A.V. ZAKHAROV, et al. Health assessment and determination of safe operation life for pipelines [Otsenka tekhnicheskogo sostoyaniya i opredeleniye srokov bezopasnoy ekspluatatsii truboprovodov]. Gazovaya Promyshlennost. 2009, no. 1, pp. 60-61. ISSN 0016-5581. (Russ.).
15. WORTHINGHAM, R., G. van BOVEN. Transgranular crack growth in the pipeline steels exposed to near-neutral pH soil aqueous solutions: the role of hydrogen. ActaMaterialia. 2009, vol. 57, no. 20, pp. 6200-6214. ISSN 1359-6454.
16. DOLGOV, I.A., V.A. GORCHAKOV, S.V. PAKHTUSOV, et al. Assessing behavior of stress-corrosion cracks at internal-pressure loading of a pipe [Otsenka povedeniya stress-korrozionnykh treshchin pri nagruzhenii truby vnutrennim davleniyem]. Defektoskopiya. 2002, no. 2, pp. 83-89. ISSN 0130-3082. (Russ.).
17. VLASOVA, L.V. Informational-analytical models for assessment of natural impact to the facilities of the Unified Gas Supply System of Russia [Informatsionno-analiticheskiye modeli dlya otsenki vliyaniya prirodnykh faktorov na obyekty Yedinoy sistemy gazosnabzheniya Rossii]. Truboprovodnyy Transport (Teoriya i Praktika). 2010, no. 4 (20), pp. 39-43. ISSN 1816-451X. (Russ.).
18. DOKUTOVICH, A.B., V.D. SHAPIRO, S.V. KOVALENKO, et al. Forecasting possibilities of different-type negative events at the facilities of the gas mains incorporated into the Unifies Gas Supply System of Russia [Prognozirovaniye vozmozhnosti realizatsii razlichnykh vidov negativnykh sobytiy na obyektakh magistralnykh gazoprovodov Yedinoy sistemy gazosnabzheniya Rossiyskoy Federatsii]. In: TB Forum 2017 (Security and Safety Technologies), 07-09 February 2017 [online]. Available from: http://new.groteck.ru/ images/catalog/46628/6db73340a71268aa46dc28f08ab9b135.pdf
19. GORELIK, A.L., V.A. SKRIPKIN. Recognition techniques [Metody raspoznavaniya]. Moscow: Vysshaya shkola, 1977. (Russ.).
20. KOVALENKO, S.V., I.V. RYAKHOVSKIKH, A.B. DOKUTOVICH, et al. Principle of predicting a possible type (nature) of an accident at a trunk gas pipeline based on recognition of images [Printsip prognpzirovaniya vozmozhnogo tipa (prirody) avarii na magistralnom gazoprovode, osnovannyy na raspoznavanii obrazov]. GazovayaPromyshlennost. 2018, no. 6, pp. 25-29. ISSN 0016-5581. (Russ.).
21. KANTYUKOV, R.R., O.B. BUTUSOV. Neural-network methods for assessment of gas supply systems impact to ecological state of environment [Neyrosetevyye metody otsenki vozdeystviya system gazosnabzheniya na ecologicheskoye sostoyaniye okruzhayushchey sredy]. In: Collected papers of the IX International scientific-practical conference «Logistics and Economics of resource saving and energy saving in industry» (MNPK «LERAP-9-2015»). 2015, pp. 344-348. (Russ.).
22. YESIYEV, T.S., I.V. RYAKHOVSKIKH, S.S. MASHUROV, et al. Application of statistical methods and GIS-technologies for assessment of stress-corrosion status of the gas mains facilities [Ispolzovaniye statisticheskikh metodov i GIS-tekhnologiy dlya otsenki stress-korrozionnogo sostoyaniya obyektov MG]. Gazovaya Promyshlennost. 2010, no. 7, pp. 53-56. ISSN 0016-5581. (Russ.).
23. GORBATKOV, S.A., G.A. BESKHLEBNOVA. A technology of neural-network simulation of corrosive processes in the trunk pipelines [Tekhnologiya neyrosetevogo modelirovaniya korrozionnykh protsessov magistralnykh truboprovodov]. In: Collected papers of the All-Russian scientific and technical conference «Neuroinformatics-2006»: in 3 pts. Moscow: MEPhI, 2006, pt. 2, pp. 156-164. (Russ.).
24. KURAVSKIY, L.S., S.N. BARANOV. Application of neural networks for diagnostics and prediction of fatigue break-down of the thin-wall constructions [Primeneniye neyronnykh setey dlya diagnostiki i prognozirovaniya ustalostnogo razrusheniya tonkostennykh konstruktsiy]. Neyrokompyutery: razrabotka, primeneniye. 2001, no. 12, pp. 47-63. ISSN 1999-8554. (Russ.).
25. BOROVIKOV, V.P. (ed.). STATISTICA Neural Networks: methodology and technologies of state-of-art analysis of data [Neyronnyye seti. STATISTICA Neural Networks: metodologiya i tekhnologii sovremennogo analiza dannykh]. Moscow: Goryachaya liniya - Telekom, 2008. (Russ.).
26. MIRZOYEV, Abdugaffor M., M.S. IVASHCHENKO, A.I. MARSHAKOV. Connectionist pattern for stresscorrosion damage of sectors within the linear part of Gazprom Transgaz Yugorsk LLC gas mains [Neyrosetevaya model stress-korrozionnoy povrezhdennosti uchastkov lineynoy chasti magistralnykh gazoprovodov OOO "Gazprom transgaz Yugorsk"]. Vesti Gazovoy Nauki. Moscow: Gazprom VNIIGAZ LLC, 2016, no. 3 (27): Improving reliability of gas mains subject to stress corrosion cracking, pp. 108-112. ISSN 2306-8949. (Russ.).
