CC BY
4
НОВЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ТРУБОПРОВОДОВ
Закирова З.А.1, Каскинова Л.И.2
1Закирова Земфира Ахметовна - кандидат технических наук, доцент, 2Каскинова Линара Ильнуровна - магистрант, кафедра промышленной безопасности и охраны труда Уфимский государственный нефтяной технический университет
г. Уфа
Аннотация: магистральные трубопроводы, как и любая сложная инженерная система подвержены различным видам повреждений и отказов, что может привести к серьезным последствиям. Аварийность на магистральных газопроводах связана с действием различных факторов, включая дефекты материала, коррозию, повреждения третьими лицами и стихийные бедствия. В условиях, когда внутреннее инспектирование трубопроводов невозможно или затруднено, прогнозирование их состояния и выявление дефектов приобретает критическую важность. Машинное обучение в данном случае является мощным инструментом для прогнозирования состояния и выявления дефектов нефте- и газопроводов. Ключевые слова: трубопроводы, аварийность, методы прогнозирование, машинное обучение.
NEW METHODS FOR PREDICTING THE CONDITION OF PIPELINES
Zakirova Z.A.1, Kaskinova L.I.2
1Zakirova Zemfira Achmetovna- PhD of technical sciences, Associate Professor, 2Kaskinova Linara Ilnurovna - undergraduate, DEPARTMENT OF INDUSTRIAL SAFETY AND LABOR PROTECTION UFA STATE PETROLEUM TECHNICAL UNIVERSITY UFA
Abstract: етnk pipelines, like any complex engineering system, are subject to various types of damage and failures, which can lead to serious consequences. Accidents on main gas pipelines are associated with various factors, including material defects, corrosion, damage by third parties and natural disasters. In conditions where internal inspection of pipelines is impossible or difficult, predicting their condition and identifying defects becomes critically important. Machine learning in this case is a powerful tool for predicting the condition and identifying defects in oil and gas pipelines.
Keywords: pipelines, accident rate, forecasting methods, machine learning.
УДК 621.643.8
Растущие дефекты являются одним из основных типов дефектов, приводящим к авариям. Они могут быть различной формы и размера, развиваются постепенно с течением времени и способны оставаться незамеченными до тех пор, пока не достигнут критического размера. Их возникновение обусловлено процессами коррозии; усталостными трещинами, которые со временем увеличиваются под воздействием циклических нагрузок; дефектами сварки, когда несоответствия в сварных соединениях могут привести к появлению трещин или разрывов.
Существует много методов и систем для обнаружения утечек в трубопроводах, выявления растущих дефектов, прогнозирования состояния трубопроводов, начиная от простых течеискателей до использования дорогих волокно-оптических кабелей-датчиков и спутниковых систем слежения [1-2]. Несмотря на разнообразие методов, нет универсального способа, который бы мог точно определить местоположение утечки без больших затрат. В условиях невозможности проведения внутреннего инспектирования, прогнозирование состояния и выявление дефектов трубопроводов становится крайне актуальной задачей.
Эту проблему позволяет решать машинное обучение, анализируя доступные данные и выявляя закономерности. Машинное обучение представляет собой область искусственного интеллекта, которая фокусируется на разработке алгоритмов, способных "учиться" на данных без явного программирования.
Для разработки модели выявления дефектов и прогнозирования состояния нефте- и газопроводов, не подлежащих внутреннему инспектированию, применяют такие методы машинного обучения, как линейная регрессия, искусственные нейронные сети (ИНС) и деревья решений.
Линейная регрессия используется для прогнозирования непрерывных величин, таких как толщина стенки трубы, остаточный ресурс, вероятность возникновения дефекта. Осуществляется построение линейной зависимости между входными параметрами (давление, температура, возраст трубопровода) и выходным параметром (состояние трубопровода). Например, на основании данных о давлении,
температуре, возрасте и предыдущих дефектов можно прогнозировать вероятность возникновения коррозии в определенном сегменте трубопровода [3-4].
Обученная нейронная сеть способна за короткое время дать ответ об уровне накопленных повреждений по нескольким разнородным данным технической диагностики. ИНС могут обучаться на данных о внешних воздействиях (землетрясения, изменение температуры), давлении, возрасте трубы, данных с датчиков, и прогнозировать вероятность возникновения дефекта, даже если эта вероятность зависит от множества факторов, не имеющих линейной связи. Одним из больших преимуществ ИНС является их способность использовать нечеткую информацию. Это включает в себя мнения экспертов, субъективные пожелания и суждения. Эта информация является "размытой" и нечеткой. В отличие от детерминированных (четких) вычислений, где такая информация просто отбрасывается, подходы теории нечетких множеств позволяют учитывать эту информацию определенным образом. Ответ, выдаваемый сетью, будет содержать оценку состояния текущей поврежденности в относительном виде: отнесенную к предельному состоянию (в долях единицы). Генетические алгоритмы, в свою очередь, могут использоваться для оптимизации параметров моделей, что позволяет добиться еще более точных прогнозов [3-4].
К преимуществам использования машинного обучения следует отнести повышение точности прогнозов, оптимизацию ресурсов, снижение рисков. Делать более точными прогнозы, позволяет способность моделей машинного обучения к анализу больших наборов данных, выявляя скрытые закономерности. Концентрация усилий на самых подверженных риску участках сокращает необходимость в затратных внутренних инспекциях трубопроводах. Раннее обнаружение дефектов позволяет предотвратить аварии и минимизировать финансовые потери.
Однако, несмотря на многообещающие результаты, новые методы прогнозирования требуют дальнейшего исследования и тестирования на реальных данных. Модели могут содержать ошибки, а их точность зависит от качества данных, на которых они обучаются. Необходимо проводить тщательную валидацию и тестирование моделей перед их практическим применением.
Список литературы /References
1. Васильев Г.Г., Леонович И.А., Левин С.Н., Писаревский В.М. Потенциальные риски потерь нефтепродуктов при хранении и анализ путей их снижения // Безопасность труда в промышленности. 2020. № 5. С. 87-93.
2. Чупин В.Р. Методы обнаружения утечек газа из магистральных трубопроводов / В.Р. Чупин, Е.В. Гуськов, Д.И. Майзель // Известия вузов: Инвестиции. Строительство. Недвижимость. 2012. № 2 (3). С. 123-127.
3. СалиховМ.Р., Юрьева Р.А. Алгоритм прогнозирования состояния оборудования на основе машинного обучения // Изв. вузов. Приборостроение. 2022. Т. 65, № 9. С. 648-655.
4. Оводкова К.В., Жучков К.Н., Завьялов А.П. К вопросу подготовки исходного массива информации для обучения нейронных сетей определению параметров дефектов трубопроводов // Труды Российского государственного университета нефти и газа имени И.М. Губкина, 2023. № 2 (311). С. 85-97.
