CC BY
94
УДК 621.644.07:[620.194.22+004.8]
А.М. Мирзоев, М.С. Иващенко, А.И. Маршаков
Нейросетевая модель стресс-коррозионной поврежденности участков линейной части магистральных газопроводов
Ключевые слова: Настоящий материал можно рассматривать как логическое развитие темы, затрону -магистральный той в статье «Планирование диагностических и ремонтных работ на участках ли-
газопровод, нейной части магистральных газопроводов ООО «Газпром трансгаз Югорск», под-
стресс коррозия, верженных коррозионному растрескиванию под напряжением»1, авторы которой, нейросетевая основываясь на накопленном в ООО «Газпром трансгаз Югорск» и ООО «Газпром
модель. ВНИИГАЗ» фактологическом материале, показали, что применение корреляционной
модели стресс-коррозионной поврежденности труб позволит значительно повысить Keywords: точность прогнозирования отбраковки труб с поражениями КРН в диапазоне глубин
gas main, (0,1-1,0)/ (где t - толщина стенки трубы) по сравнению с традиционными балльно-
stress corrosion, факторными моделями, использующими исключительно результаты внутритрубно-
connectionist го технического диагностирования и коррозионных обследований. Однако, несмотря
pattern. на достигнутые результаты, по объективным причинам наименее достоверно прогно-
зируются трубы с незначительными стресс-коррозионными повреждениями глубиной менее 0,1t (точность прогноза - 65 %). Кроме того, для уточнения протяженности труб, поврежденных КРН, корреляционная модель предусматривает проведение технического диагностирования в протяженных шурфах. При этом количество труб, которое необходимо обследовать, определяется по биноминальному закону распределения и варьируется от 10 до 65 в зависимости от прогнозируемой доли поврежденных труб на оцениваемом участке магистрального газопровода (МГ), что на практике в некоторых случаях ограничивает применение такой модели.
В связи с изложенным предлагается применять технологию нейросетевого моделирования, чтобы:
• повысить точность прогнозирования труб с повреждениями КРН в диапазоне глубин трещин 0,3 мм - 1,0t;
• уменьшить количество требуемых дополнительных обследований МГ в шурфах.
Главное достоинство нейронных сетей - способность на основе статистических
данных воспроизводить чрезвычайно сложные нелинейные зависимости, к которым, несомненно, относится влияние различных факторов (характеристики грунта, уровень кольцевых напряжений, конструкция труб, состояние защитного покрытия и т.д.) на стресс-коррозионное состояние МГ [1-4].
Построение нейросетевой модели
По результатам анализа стресс-коррозионного состояния МГ ООО «Газпром транс-газ Югорск» в качестве опытного участка нейросетевого моделирования выбран МГ Пунга - Вуктыл - Ухта I (0-57 км), эксплуатируемый Пунгинским ЛПУМГ. Для этого собрана следующая первичная информация: общие данные о газопроводе, а также результаты ранее выполненных электрометрических обследований, предремонтно-го обследования в рамках капитального ремонта 2014 г., геотехнической диагностики и специализированных измерений физико-химических характеристик грунтов на участке [5, 6]. Все исходные данные были привязаны к геопространственной основе участка (рис. 1).
См. ранее с.S
1 МГ СРТО - Торжок
МГ Пунга - Ухта - Грязовец лупинг]
МГ Пунга - Ухта - Грязовец I Просеки I
Грунтовые дороги
шш
Iрещиноподобные < повреждения
- Ш
Участки профилирования I МГ Пунга - Вуктыл - Ухта I
ш
грунта (шурфы)
Участок повышенной влажности
Река
Трещиноподобные' повреждения
Рис. 1. Фрагмент геопространственной основы участка МГ Пунга - Вуктыл - Ухта I (34 км) в масштабе 1:4500
Построению нейросетевой модели предшествовали факторный анализ, нормализация исходных данных и их шкалирование с применением инструментария пакета 81аЙ8Йса 10, что исключает необходимость использования дополнительных вычислительных средств и делает анализ наглядным и понятным для пользователя. Для дальнейшего исследования по максимальным значениям были отобраны девять факторов, демонстрирующих наибольшие корреляционные связи с выходной переменной - наличием/отсутствием повреждений КРН (табл. 1).
Нейронная сеть представляла собой многослойный персептрон и содержала 10 входных нейронов, два выходных, один скрытый слой с 13 нейронами. Активационная функция нейронов скрытого слоя - сигмоидная, 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 81аИ8Йса 10. Для обучения
Таблица 1
Факторы КРН, выбраные в качестве параметров нейросетевой модели
Тип фактора Фактор Единица измерения
Данные по грунтам Удельное электрическое сопротивление грунта Ом-м
Величина рН -
Концентрация сульфидсодержащих соединений (Б) моль
Концентрация карбонатсодержащих соединений (С) 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 компрессорной станции м
Результаты геотехнической диагностики Наличие подземных и наземных водотоков, участков в непроектном положении, уровень грунтовых вод да/нет
нейросети выделено 368 примеров, которые были распределены в случайном порядке. В тестирующую выборку и выборку перекрестного подтверждения помещено по 55 примеров. Результаты обучения нейронной сети представлены в табл. 2.
Таким образом, общая вероятность успеха классификации участков газопроводов в отсутствие / при наличии повреждений КРН глубиной 0,3 мм - 1,0/ составила ~ 81 %, при этом правильность классификации участков, предрасположенных к КРН, составила 81,52 %. В то же время можно отметить, что нейросеть успешно определяет участки, непредрасположенные к КРН, с вероятностью 80,43 %. При этом в 66 % случаев уровень значимости принятия решения нейросетевой моделью превышает 0,8, что свидетельствует о ее устойчивости (рис. 2).
Верификация нейросетевой модели
Для подтверждения результатов обучения построенная нейросетевая модель апробирована на данных по смежным участкам МГ Пунга - Вуктыл - Ухта I, которые не были задействованы в процессе обучения (рис. 3).
По результатам апробации установлено, что максимальная ошибка прогноза доли труб с повреждениями КРН глубиной 0,3 мм - 1,0/ составила 11 %, что на 24 % ниже по сравнению с результатом прогноза по корреляционной модели. Такая высокая точность прогноза поражения труб повреждениями КРН глубиной 0,3 мм - 1,0/ объясняется в том числе достоверностью использованных при построении ней-росетевой модели данных, полученных по результатам предремонтного обследования, геотехнической диагностики и специализированных измерений физико-химических характеристик грунтов, которые играют существенную роль при выявлении незначительных повреждений КРН (глубиной менее 0,1/).
В целях оценки применимости ней-росетевой модели на других участках МГ ООО «Газпром трансгаз Югорск» необходимо проводить на них дополнительные обследования в шурфах (рекомендуемое количество -10 шурфов). При этом, если результаты технического диагностирования труб в шурфах совпадают с данными нейросетевого моделирования не менее чем в 75 % случаев, нейросетевую
Таблица 2
Матрица ошибок классификации нейросетевой модели
УЧАСТКИ: без повреждений КРН с повреждениями КРН всего
количество, шт. 184 184 368
правильно классифицировано шт. 148 150 298
% 80,43 81,52 80,98
й Н 20 £ 0
К
& о
-
£
15
10
АМЬ
0,50-0,55 0,60-0,65 0,70-0,75 0,80-0,85 0,90-0,95
Диапазоны значений уровней значимости
Рис. 2. Гистограмма частоты распределения уровня значимости для случаев правильной классификации
5
0
§ 70
^ 60 ¡5
0
Ц 50
и £
1 40 &
I30
Ю О
20
£
Й ©
/ ✓ / / /
/ / ✓ •
< / / •
/ / / /
• / / /
• ••• ✓
У
0
0 10 20 30 40 50 60 70
План, % от общей протяженности участка
Рис. 3. Диаграмма «План / Факт» для повреждений глубиной 0,3 мм - 1,0*, построенная по результатам апробации нейросетевой модели
модель признают адекватной и используют для расчета ожидаемого количества труб, поврежденных КРН. В противном случае ее считают непригодной для оцениваемого участка ЛЧ МГ,
а протяженность труб, поврежденных КРН (глубиной 0,3 мм - 1,0/), прогнозируют путем аналитического моделирования. Таким образом, в отличие от корреляционной модели, примененный в нейросетевой модели подход позволяет существенно оптимизировать объем диагностических работ на МГ, в особенности на участках с малой ожидаемой долей труб с повреждениями КРН.
На основе построенной нейросетевой модели разработан прототип программного комплекса для определения доли труб, подверженных КРН, адаптированный под задачи газотранспортного предприятия и не требующий от пользователя специальных знаний в области нейросетевого моделирования (рис. 4).
Таким образом, анализ стресс-коррозионного состояния участков МГ с использованием технологии нейросетевого моделирования позволяет выявить участки с повреждениями КРН в диапазоне глубин 0,3 мм - 0,2/, что ниже порога чувствительности приборов внутри-трубной диагностики согласно требованиям ГОСТ Р 55999 [7]. Это становится возможным
Рис. 4. Интерфейс прототипа программного комплекса для определения доли труб, подверженных КРН, с использованием технологии нейросетевого моделирования
благодаря использованию большого массива статистических данных о пораженности труб стресс-коррозией, а также учету результатов геотехнической диагностики и специализированных измерений физико-химических характеристик грунтов.
Авторами статьи на основе анализа данных о 368 расчетных участках по девяти факторам, провоцирующим КРН, разработана нейро-сетевая модель, точность прогноза которой составила более 80 %, и прототип программного комплекса для оценки стресс-коррозионной поврежденности участков ЛЧ МГ с незначительными повреждениями КРН глубиной менее 0,1/.
Широкое применение разработанной ней-росетевой модели требует накопления и обобщения данных о стресс-коррозионной повреж-денности труб при неразрушающем контроле в рамках капитального ремонта; увеличения числа учитываемых в нейросетевой модели факторов, ответственных за процесс КРН, по данным наземных диагностических обследований и данным геоинформационных систем; а также применения в математической модели комбинации других методов машинного обучения и статистической обработки данных (градиентного бустинга, композиции через признаки, логической регрессии и др.) [8].
На основе построенной модели и прототипа авторами предлагается разработать программный комплекс, учитывающий перечисленные предложения по повышению точности прогноза и устойчивости модели.
Список литературы
1. Есиев Т.С. Использование статистических методов и ГИС-технологий для оценки стресс-коррозионного состояния объектов МГ /
Т.С. Есиев, И.В. Ряховских, С.С. Машуров и др. // Газовая промышленность. - 2010. -№ 7. - C. 53-56.
2. Горбатков С.А. Технология нейросетевого моделирования коррозионных процессов магистральных трубопроводов /
С.А. Горбатков, Г.А. Бесхлебнова // Нейроинформатика. - 2006. - Ч. 2.
3. 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.
4. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / под ред. В. П. Боровикова. -2-е изд., перераб. и доп. - М.: Горячая линия -Телеком, 2008. - 392 с., ил.
5. Р Газпром 2-2.3-761-2013. Методика определения характеристик грунтов провоцирующих коррозионное растрескивание под напряжением металла на магистральных газопроводах.
6. Р Газпром 2-2.3-550-2011. Методические рекомендации по дешифрированию
и аналитической обработке материалов аэрокосмической съемки для оценки технического состояния газопроводов.
7. ГОСТ Р 55999-2014. Внутритрубное техническое диагностирование газопроводов. Общие требования.
8. Гармаш В.А. Методы передачи и обработки информации / В.А. Гармаш. - М.: Наука, 1980.
