CC BY
222
УДК 004.94
https://doi.org/10.24412/0131-4270-2022-3-4-11-15
ОБЗОР ПРИМЕНЕНИЯ НЕЙРОСЕТЕЙ В ОБЛАСТИ ДОБЫЧИ И ТРАНСПОРТА НЕФТИ И ГАЗА
OVERVIEW OF THE USE OF NEURAL NETWORKS IN THE FIELD OF OIL AND GAS PRODUCTION AND TRANSPORTATION
Хасанов И.И., Хасанова З.Р., Шакиров Р.А., Недельченко О.И.
Уфимский государственный нефтяной технический университет, 450062, г. Уфа, Россия
ORCID: http://orcid.org/0000-0002-3422-1237, E-mail: [email protected] E-mail: [email protected] ORCID: http://orcid.org/0000-0002-7017-081X, E-mail: [email protected]
ORCID: https://orcid.org/0000-0001-7624-6021, E-mail: [email protected]
Резюме: Одной из проблем в области транспорта нефти является коррозия трубопроводов, которая приводит к авариям как на магистральных, так и на межпромысловых нефтепроводах. Рассмотрены современные способы диагностики аварийных участков магистральных и межпромысловых нефтепроводов и газопроводов. Отмечено увеличение числа ежегодных аварий на трубопроводах малого диаметра. Предложено использовать искусственные нейросети для предсказания аварийного состояния трубопроводов.
Ключевые слова: нефтепровод, газопровод, коррозия, добыча, транспорт, диагностика, нейросети.
Для цитирования: Хасанов И.И., Хасанова З.Р., Шакиров Р.А., Недельченко О.И. Обзор применения нейросетей в области добычи и транспорта нефти и газа // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2022. № 3-4. С. 11-15.
D0I:10.24412/0131-4270-2022-3-4-11-15
Khasanov Ilnur I., Shakirov Ruslan A., Khasanova Zilya R., Nedel'chenko Olga I.
Ufa State Petroleum Technological University, 450062, Ufa, Russia
ORCID: http://orcid.org/0000-0002-3422-1237, E-mail: [email protected] E-mail: [email protected] ORCID: http://orcid.org/0000-0002-7017-081X, E-mail: [email protected]
ORCID: https://orcid.org/0000-0001-7624-6021, E-mail: [email protected]
Abstract: One of the problems in the field of oil transportation is the corrosion of pipelines, which often causes accidents both in trunk and interfield oil pipelines. Modern methods of diagnosing emergency sections of main and inter-field oil pipelines and gas pipelines are considered. An increase in the number of annual accidents on small diameter pipelines has been noted.The authors proposed to use artificial neural networks to predict the emergency state of pipelines.
Keywords: oil pipeline, gas pipeline, corrosion, mining, transport, diagnosing, neural networks.
For citation: Khasanov I.I., Shakirov R.A., Khasanova Z.R., Nedel'chenko O.I. OVERVIEW OF THE USE OF NEURAL NETWORKS IN THE FIELD OF OIL AND GAS PRODUCTION AND TRANSPORTATION. Transport and Storage of Oil Products and Hydrocarbons, 2022, no. 3-4, pp. 11-15.
DOI:10.24412/0131-4270-2022-3-4-11-15
Одним из важных принципов эффективного функционирования системы транспорта нефти и нефтепродуктов в России является выполнение работ по поддержанию работоспособности нефтепроводов. Существенная протяженность магистральных нефтепроводов, соединяющих месторождения Ямала, Крайнего Севера, Западной Сибири с потребителями как внутри страны, так и со странами-импортерами на западе и востоке, а также многочисленных промысловых и межпромысловых нефтепроводов требует их безаварийной работы, что определяется комплексом действий по диагностике состояния трубопроводов.
Длительность эксплуатации большей части нефтепроводов в России превышает 25 лет. Такие трубопроводы подвержены физическому износу, сопровождающемуся ростом числа отказов вследствие образования и развития различных рода дефектов. Дефекты могут образовываться и развиваться на всех этапах жизненного цикла трубопровода: при производстве труб, на этапе строительно-монтажных работ и при эксплуатации.
Любая трубопроводная система в реальных условиях функционирования неизбежно претерпевает изменения, связанные с появлением и развитием дефектов, снижающих в той или иной степени надежность и безопасность трубопровода. Как показывает опыт эксплуатации нефтепроводов, большинство отказов, за исключением случаев явного нарушения правил эксплуатации, связаны именно с наличием дефектов в металле труб и сварных швах.
В зависимости от условий возникновения отказы на линейной части нефтепроводов происходят из-за коррозии, брака строительно-монтажных работ, заводского брака труб, из-за нарушений нормальных условий эксплуатации, под действием рабочих эксплуатационных нагрузок, а также из-за нарушения герметичности нефтепровода сторонними лицами.
Основными «возрастными» дефектами нефтепроводов являются дефекты типа «потеря металла», среди которых особо выделяют локальные коррозионные повреждения площадью до 10 см2, являющиеся причиной возникновения и развития трещин. Следует учитывать, что немалая часть нефтепроводов эксплуатируется в суровых природно-климатических условиях, для которых характерны резкое изменение температуры окружающей среды вплоть до экстремальных температур ниже -50°С, заболоченность, условия вечной мерзлоты, сейсмическая активность, наличие грунтов с повышенной коррозионной активностью. Постоянное воздействие вышеперечисленных природно-климатических факторов и продолжительность эксплуатации линейной части нефтепроводов неизбежно приводит к зарождению и развитию различных дефектов в стенке линейной части [1].
Традиционными методами предотвращения аварий на нефтепроводах вследствие коррозионных дефектов является периодическая диагностика путем использования как переносных, так и внутритрубных инспекционных приборов.
3-4 •
2022
11
К первым относятся, в частности, следующие приборы контроля:
- ультразвуковые дефектоскопы общего назначения, позволяющие оценивать динамику коррозии нефтепроводов в труднодоступных участках благодаря малой массе и габаритам;
- сканеры-дефектоскопы, предназначенные для контроля основного металла и продольных сварных швов магистральных трубопроводов большого диаметра. Принцип действия таких приборов основан на волноводном эхоим-пульсном методе контроля; возбуждение и прием ультразвуковых колебаний в теле трубы происходит без применения жидкости с помощью электромагнитно-акустических преобразователей. При перемещении сканирующей части дефектоскопа вдоль образующей с внешней стороны трубы прозвучивание выполняется в поперечном направлении с шагом 5 мм. За счет эффекта волноводного распространения ультразвука в стенке трубы обеспечивается обнаружение дефектов по всей ее окружности;
- вихретоковые дефектоскопы, оценивающие наличие поверхностных дефектов типа трещин, оценки их глубины и определения местоположения. На этапе приближения расчетного срока службы трубы к завершению качество поверхности, наличие остатков защитных покрытий и грунтовых наслоений делает использование вихретокового метода неразрушающего контроля более предпочтительным по сравнению с ультразвуковым [2].
Среди внутритрубных инспекционных приборов выделяются такие устройства, как:
- ультразвуковые дефектоскопы типа WM, предназначенные для выявления коррозионных дефектов, рисок, расслоений, дефектов геометрии, смещений сварных швов. Принцип работы прибора заключается в измерении времени прохождения зондирующего импульса от наружной до внутренней поверхности трубы или от наружной поверхности до несплошности и отраженного импульса в обратном направлении. В случае наружной коррозии время прохождения сигнала в стенке стальной трубы уменьшается, что дает непосредственно количественную меру потери металла, а в случае внутренней коррозии увеличивается время прохождения сигнала в нефти;
- магнитные дефектоскопы типа MFL, предназначенные для выявления дефектов кольцевых сварных швов и пит-тинговой коррозии. Наличие трещин или дефектов, связанных с потерей металла (коррозия, задиры), приводит к изменению величины и распределения магнитной индукции вблизи дефекта. Для измерения магнитной индукции служат датчики высокого и сверхвысокого разрешения, расположенные между щетками магнитной системы;
- магнитные дефектоскопы типа ТР1, позволяющие обнаружить узкие продольно ориентированные дефекты, включая трещины в продольных сварных швах, продольную внешнюю коррозию, вызванную отслоением покрытия, а также такие непредсказуемые и, следовательно, критичные сочетания дефектов, как продольная риска во вмятине. Надежное обнаружение продольно ориентированных дефектов может быть обеспечено только в том случае, если намагничивание трубопровода производится в направлении, перпендикулярном плоскости расположения дефектов;
- комбинированные дефектоскопы.
Несмотря на показавшую за годы эксплуатации эффективность работы устройств внутритрубной диагностики и продолжающееся усовершенствование их конструкции, аварии на нефтепроводах происходят и по настоящее время. Один из заметных случаев за последние годы случился летом 2020 года на нефтепроводе Оха -Комсомольск-на-Амуре, в результате коррозии металла нефтепровода произошел выход нефти на поверхность с утечкой в ручьи Безымянный и Голый, а также в озеро Голое. Площадь разлива нефти составила 0,04 га [3]. Нередко аварии случаются на трубопроводах малого диаметра [4, 5], где зачастую резкие изменения погодных условий вкупе с существенным сроком эксплуатации трубопровода приводят к образованию трещин в металле и разливу нефти.
Таким образом, одной из важных задач текущего состояния отрасли эксплуатации нефтепроводов в России является создание дополнительных средств по предотвращению аварий по причине коррозии.
Современное состояние развития отдельных отраслей науки, в частности искусственного интеллекта (ИИ), представляет собой результат огромных достижений человечества в науке, технике, технологиях и цифровизации. В современном понимании искусственный интеллект - это совокупность методов и инструментов решения различных сложных прикладных задач, использующих принципы и подходы, аналогичные размышляющему над их решением человеку или процессам, протекающим в живой или неживой природе.
Основой искусственного интеллекта являются самообучаемые искусственные нейронные сети [6]. С начала 2000-х годов [7] одним из направлений модернизации в нефтегазовой промышленности является внедрение искусственных нейронных сетей в процессы интеллектуализации месторождений. Автором исследования [8] выделяются три потенциальные сферы применения технологий на основе искусственного интеллекта нефти:
- геологоразведка, где применение ИИ позволит более качественно интерпретировать данные сейсмических исследований и разведочного бурения, что снизит число пробуренных скважин и, как следствие, затраты на разработку месторождения;
- добыча - применение искусственной нейросети как способ оценки ожидаемой дополнительной добычи нефти в результате выполнения выравнивания профиля приемистости на нагнетательных скважинах [9];
- стратегическое планирование, где методы ИИ позволят с достаточной достоверностью прогнозировать коэффициент извлечения нефти на основании имеющихся параметров и показателей разработки месторождения [10].
В свою очередь, в области трубопроводного транспорта применение нейросетевых моделей также представлено широким кругом решаемых задач:
- моделирование гидродинамических процессов;
- прогнозирование эффективности применения противо-турбулентной присадки в нефтепроводах;
- прогнозирование поврежденности магистральных газопроводов дефектами коррозионного растрескивания под напряжением.
В работе [11] авторы используют численный метод взвешенных невязок на основе нейросетевых пробных функций
Рис. 1. Искусственная нейронная сеть для определения
эффективности противотурбулентной присадки [12]: Dвн - внутренний диаметр трубопровода; - расход нефти; qптп - расход ПТП; рн - плотность нефти; рптп -плотность ПТП; vн - вязкость нефти; vптп - вязкость ПТП; I. - градиент давления
для непосредственного решения дифференциальных уравнений гидродинамики. Суть метода состоит в модификации выражения для функционала качества работы нейро-сети таким образом, что ошибка работы сети оценивается как суммарная невязка решаемых уравнений в произвольных точках расчетной области, количество и координаты которых меняются на каждой итерации.
Результаты нейросетевого решения уравнений движения жидкости для расчетной области, состоящей из двух подобластей, одна из которых вращается, а другая неподвижна, могут быть использованы для разработки оптимальной конструкции центробежного насоса.
Применение нейросетей в качестве метода для разработки мероприятий по увеличению пропускной способности нефтепровода описывается в работе [12]. В качестве исходных данных - входных параметров искусственной ней-росети - были использованы основные параметры, требуемые для типового гидравлического расчета нефтепровода: внутренний диаметр трубопровода, расход, плотность и
I Рис. 2. Схема формирования наборов исходных данных [13]
Конструктивные особенности МГ
Коррозионная агрессивность среды
Параметры эксплуатации МГ
Геотехнические характеристики трассы МГ
Обучающее подмножество
35% примеров наличия КРН (True) + 35% примеров отсутствия КРН (False)
Проверочное подмножество
15% примеров наличия КРН (True) + 15% примеров отсутствия КРН (False)
вязкость нефти и противотурбулентной присадки (ПТП). Выходной величиной был принят градиент давления.
Архитектура искусственной нейросети (ИНС) представляла собой двухслойный перцептрон (рис. 1) с одним скрытым слоем. Активационные функции на скрытом слое -сигмоида, на выходе - линейная функция. Количество нейронов на скрытом слое определялось из следствия теоремы Арнольда-Колмогорова-Хехт-Нильсена. В качестве алгоритма обучения ИНС использовался алгоритм Левенберга -Марквардта. Контроль переобучения ИНС проводился за счет остановки обучения по достижении точки, после которой начинался рост квадратичной ошибки для тестовой выборки.
Исследование показало, что применение искусственной нейросети дает адекватные прогнозы по сравнению с аналитическими зависимостями, где отклонения по сравнению со значениями перепада давления в режимных листах достигают 40%. Имитационное моделирование на основе нейросетей может применяться в качестве метода оценки необходимого объема и марки ПТП для обеспечения требуемой гидравлической эффективности нефтепроводов. В то же время авторы отмечают невозможность применения модели в промышленных испытаниях ввиду малой обучающей выборки данных.
Авторами [13] была рассмотрена нейросетевая модель прогнозирования поврежденности магистральных газопроводов (МГ) дефектами коррозионного растрескивания под напряжением (КРН). На первом этапе были обозначены факторы-признаки, характеризующие стресс-коррозионную поврежденность магистральных газопроводов, проложенных на территории одного из субъектов России. Среди наиболее влияющих факторов отмечаются такие, как расстояние от выхода компрессорной станции, конструкция труб, агрессивность грунта в ракурсе развития КРН, уровень рН грунтовой среды, содержание кислорода в грунте, скорость анодного растворения стали в грунте, геотехнические условия.
После проведения факторного анализа с целью исключения наименее оказывающих влияние на коррозионные процессы факторов были сформированы два подмножества (обучающее и проверочное) - наборы исходных данных, необходимые для формирования рабочей модели интеллектуального прогнозирования поврежденности МГ (рис. 2).
Определение оптимальной архитектуры строения нейронной сети было выполнено исходя из сложности решаемой задачи и необходимости минимизации затрат времени на вычисление результата. Для модели был выбран многослойный персептрон (рис. 3), входной слой которого состоит из 12 нейронов, скрытый - из 15 нейронов, выходной - из одного нейрона. Количество нейронов входного слоя соответствует количеству факторов КРН. Для скрытого слоя число нейронов подбиралось экспериментально в зависимости от точности прогноза нейронной сети. Нейрон в выходном слое отвечает за выдачу результатов прогноза о наличии или отсутствии КРН-дефектов на участке МГ.
3-4 •
2022
13
V
w,bix)
Обучение нейронной сети проводилось методом обратного распространения ошибки по алгоритму адаптивного стохастического градиентного спуска [14] на выборке из 358 векторов значений, где каждый вектор соответствовал дефектному элементу магистрального газопровода, проверочная выборка содержала 58 значений (58 труб, из которых 29 были дефектными). Точность выявления участков магистральных газопроводов, имеющих стресс-коррозионные повреждения, составила не менее 92% [13].
Таким образом, разработанные нейросетевые модели позволяют с достаточной точностью получать требуемые прогнозируемые данные в различных направлениях как добычи, так и транспорта нефти и газа. Потенциальная разработка модели, позволяющей прогнозировать коррозионные дефекты на нефтепроводах, позволит существенно сократить число аварийных
Рис. 3. Архитектура прогнозной нейросетевой модели прогнозирования повержденности магистральных газопроводов [13]: т - весовые коэффициенты; Ь - смещения;
выходной сигнал нейросети
ситуаций, уменьшить причиняемый вред окружающей среде и своевременно осуществлять ремонт аварийных трубопроводов.
СПИСОК ЛИТЕРАТУРЫ
1. Рыбин В.А. Совершенствование технологии ремонта магистральных нефтепроводов методом наплавки: дис. канд. техн. наук: 25.00.19. М., 2018. 152 с.
2. Ефимов А.Г., Шубочкин А.Е. Применение вихретоковой дефектоскопии и магнитной структуроскопии при комплексном контроле магистральных трубопроводов // Экспозиция Нефть Газ. 2015. № 3 (42). С. 61-64.
3. Авария на хабаровском нефтепроводе «Роснефти» произошла из-за коррозии. URL: https://www.interfax.ru/ russia/727335 (дата обращения 12.02.2022).
4. Утечка нефти в результате порывов нефтепровода в Печорском районе локализована. URL: https://komiinform. ru/news/143371 (дата обращения 12.02.2022).
5. В Башкирии из-за ржавой трубы произошла утечка нефти. URL: https://gtrk.tv/novosti/150552-bashkirii-rzhavoy-truby-proizoshel-razliv-nefti (дата обращения 13.02.2022).
6. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. 2007. № 1. C. 20-29.
7. Еремин Н.А., Дмитриевский А.Н., Тихомиров Л.И. Настоящее и будущее интеллектуальных месторождений // Нефть. Газ. Инновации. 2015. № 12. С. 44-49.
8. Подольский А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. № 3. С. 33-36.
9. Келлер Ю.А. Разработка искусственных нейронных сетей для предсказания технологической эффективности от выравнивания профиля приемистости // Изв. Том. политехн. ун-та. Инф. технологии. 2014. Т. 325. № 5. C. 60-65.
10. Мандрик И.Э., Шахвердиев А.Х., Сулейманов И.В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями // Нефтяное хозяйство. 2005. № 10. С. 31-34.
11. Кретинин А.В., Булыгин Ю.А., Кирпичев М.И. Нейросетевое моделирование гидродинамических процессов в центробежном насосе и нефтепроводе // Нефтегазовое дело. 2013. № 1. С. 294-308.
12. Зараев В.Ф., Черенцов Д.А., Мареева А.Ю. и др. Применение машинного обучения для прогнозирования влияния противотурбулентной присадки на гидравлическую эффективность нефтепроводов // Территория Нефтегаз. 2021. № 3-4. С. 14-22.
13. Кантюков Р.Р., Ряховских И.В., Мишарин Д.А. Модель интеллектуального прогнозирования стресс-коррозионной поврежденности магистральных газопроводов // Вести газовой науки. 2019. № 3 (40). С. 89-97.
14. Kingma D.P., Ba J. Adam: a method for stochastic optimization. 3rd International conference for learning representations. San Diego, 2015. C. 1-15.
REFERENCES
1. Rybin V.A. Sovershenstvovaniye tekhnologii remonta magistral'nykh nefteprovodov metodom naplavki. Diss. kand. tekhn. nauk [Cand. tech. sci. diss.]. Moscow, 2018. 152 p.
2. Yefimov A.G., Shubochkin A.YE. The use of eddy current flaw detection and magnetic structuroscopy in the integrated control of main pipelines. Ekspozitsiya Neft Gaz, 2015, no. 3 (42), pp. 61-64 (In Russian).
3. Avariya na khabarovskom nefteprovode «Rosnefti» proizoshla iz-za korrozii (The accident at the Rosneft Khabarovsk oil pipeline occurred due to corrosion) Available at: https://www.interfax.ru/russia/727335 (accessed 12 February 2022).
4. Utechka nefti vrezul'tate poryvovnefteprovoda vPechorskom rayone lokalizovana (Oil leakage as a result of pipeline breaks in the Pechora region has been localized) Available at: https://komiinform.ru/news/143371 (accessed 12 February 2022).
5. VBashkirii iz-za rzhavoy trubyproizoshla utechka nefti (In Bashkiria an oil leak occurred due to a rusty pipe) Available at: https://gtrk.tv/novosti/150552-bashkirii-rzhavoy-truby-proizoshel-razliv-nefti (accessed 12 February 2022).
6. Vasenkov D.V. Teaching methods of artificial neural networks. Komp'yuternyye instrumenty vobrazovanii, 2007, no. 1, pp. 20-29 (In Russian).
7. Yeremin N.A., Dmitriyevskiy A.N., Tikhomirov L.I. Present and future of intellectual deposits. Neft. Gaz. Innovatsii, 2015, no. 12, pp. 44-49 (In Russian).
8. Podol'skiy A.K. Application of artificial intelligence methods in the oil and gas industry. Sovremennaya nauka, 2016, no. 3, pp. 33-36 (In Russian).
9. Keller YU.A. Development of artificial neural networks for predicting technological efficiency from injectivity profile alignment. Izvestiya Tomskogo politekhnicheskogo universiteta. Inf. Tekhnologii, 2014, vol. 325, no. 5, pp. 60-65 (In Russian).
10. Mandrik I.E., Shakhverdiyev A.X., Suleymanov I.V. Estimation and forecast of oil recovery based on modeling by neural networks. Neftyanoye khozyaystvo, 2005, no. 10, pp. 31-34 (In Russian).
11. Kretinin A.V., Bulygin YU.A., Kirpichev M.I. Neural network modeling of hydrodynamic processes in a centrifugal pump and oil pipeline. Neftegazovoye delo, 2013, no. 1, pp. 294-308 (In Russian).
12. Zarayev V.F., Cherentsov D.A., Mareyeva A.YU. Application of machine learning to predict the impact of anti-turbulent additive on the hydraulic efficiency of oil pipelines. Territoriya Neftegaz, 2021, no. 3-4, pp. 14-22 (In Russian).
13. Kantyukov R.R., Ryakhovskikh I.V., Misharin D.A. Model of intelligent prediction of stress-corrosion damage of main gas pipelines. Vestigazovoy nauki, 2019, no. 3 (40), pp. 89-97 (In Russian).
14. Kingma D.P., Ba J. Adam: a method for stochastic optimization. Proc. of 3rd International conference for learning representations. San Diego, 2015, pp. 1-15.
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Хасанов Ильнур Ильдарович, к.т.н., доцент кафедры транспорта и хранения нефти и газа, Уфимский государственный нефтяной технический университет.
Шакиров Руслан Азатович, аспирант, Уфимский государственный нефтяной технический университет. Хасанова Зиля Рустэмовна, ассистент кафедры вычислительной техники и инженерной кибернетики, Уфимский государственный нефтяной технический университет.
Недельченко Ольга Игоревна, к.фил.н. доцент кафедры иностранных языков, Уфимский государственный нефтяной технический университет.
Ilnur I. Khasanov, Cand. Sci. (Tech.), Assoc. Prof. of the Department of Transport and Storage of Oil and Gas, Ufa State Petroleum Technological University.
Ruslan A. Shakirov, Postgraduate Student, Ufa State Petroleum Technological University.
Zilya R. Khasanova, Assistant of the Department of Computer Science and Engineering Cybernetics, Ufa State Petroleum Technological University. Olga I. Nedel'chenko, Cand.Sci. (Phil.), Assoc. Prof. of the Department of Foreign Languages, Ufa State Petroleum Technological University.
