CC BY
4DOI: 10.24412/3034- 154X-2024-1-30-37
Анастасия Михайловна ОБУХОВА - магистрант кафедры «Транспорт углеводородных ресурсов» Тюменского индустриального университета Россия, г. Тюмень; e-mail: [email protected]
Елена Леонидовна ЧИЖЕВСКАЯ - доцент, кандидат экономических наук, доцент кафедры «Транспорт углеводородных ресурсов» Тюменского индустриального университета; академик РАЕН Россия, г. Тюмень; e-mail: [email protected]
Анатолий Николаевич ХАЛИН - доцент, кандидат технических наук, директор Института промышленных технологий и инжиниринга Тюменского индустриального университета Россия, г. Тюмень; e-mail: [email protected]
Мария Юрьевна ЗЕМЕНКОВА - доцент, доктор технических наук, профессор кафедры «Транспорт углеводородных ресурсов» Тюменского индустриального университета
Россия, г. Тюмень; e-mail: [email protected]
УДК 656.56;001.895;004.89
ОПТИМИЗАЦИЯ РЕШЕНИЙ ПО УПРАВЛЕНИЮ ТРАНСПОРТНЫМИ ПОТОКАМИ ТРУБОПРОВОДНОГО ТРАНСПОРТА С УЧЕТОМ КРИТЕРИЕВ БЕЗОПАСНОСТИ
АННОТАЦИЯ
Статья посвящена теме обеспечения контроля безопасности объектов трубопроводного транспорта с применением экспертных систем на различных стадиях жизненного цикла объектов. Предложена технология, позволяющая контролировать вопросы контроля эффективности, надежности, безопасности от стадии проектирования до завершающих стадий эксплуатации. Предложены направления и методы решения задач при подготовке кадров нового информационно-интеллектуального общества.
Ключевые слова: трубопроводный транспорт, экспертная система, нефтепровод, газопровод, безопасность, искусственный интеллект.
Anastasia Mikhailovna OBUKHOVA - Undergraduate student of the Department of Transportation of Hydrocarbon Resources at Tyumen Industrial University Russia, Tyumen; e-mail: [email protected]
Elena Leonidovna CHIZHEVSKAYA - Associate Professor, Candidate of Economic Sciences, Associate Professor of the Department of Transportation of Hydrocarbon Resources at Tyumen Industrial University; Academician of the RANS Russia, Tyumen; e-mail: [email protected]
Anatoly Nikolaevich KHALIN - Associate Professor, Candidate of Technical Sciences, Director of the Institute of Industrial Technologies and Engineering of Tyumen Industrial University
Russia, Tyumen; e-mail: [email protected]
Maria Yurievna ZEMENKOVA - Associate Professor, Doctor of Technical Sciences, Professor of the Department of Transportation of Hydrocarbon Resources at Tyumen Industrial University
Russia, Tyumen; e-mail: [email protected]
OPTIMIZATION OF PIPELINE TRANSPORT TRAFFIC MANAGEMENT SOLUTIONS TAKING INTO ACCOUNT SAFETY CRITERIA
ANNOTATION
The article is devoted to the topic of ensuring the safety control of pipeline transport facilities using expert systems at various stages of the life cycle of facilities. A technology is proposed that allows monitoring issues of efficiency, reliability, and safety from the design stage to the final stages of operation. The directions and methods of solving problems in the training of personnel of the new information and intellectual society are proposed.
Keywords: pipeline transport, expert system, oil pipeline, gas pipeline, security, artificial intelligence.
Для цитирования в научных исследованиях:
Обухова А.М., Чижевская Е.Л., Халин А.Н., Земенкова М.Ю. Оптимизация решений по управлению транспортными потоками трубопроводного транспорта с учетом критериев безопасности // Тюменский научный журнал. 2024. № 1. С. 30-37.
На кафедре «Транспорт углеводородных ресурсов» разработана концепция универсальной интегрированной системы мониторинга последнего поколения на базе экспертных систем [1-3], которая предназначена для реализации задач эффективного управления эффективностью и безопасностью трубопроводного транспорта [4-7].
У данной системы может быть достаточно широкий спектр функций [8-10], но в целом ее назначение заключается в интеллектуальном анализе баз данных для контроля безопасности на любых стадиях жизненного цикла объектов. Данная система может быть использована для оптимизации решений по управлению транспортными потоками трубопроводного транспорта с учетом критериев безопасности.
В качестве примера, рассмотрим функциональную структуру информационного потока системы поддержки принятия решений на этапе проектирования. Общая последовательность процедуры функционирования системы на базе оценки критериев безопасности опасного производственного объекта на стадии разработки его 3d модели включает 5 основных этапов.
Первый и последний этапы подразумевают проведение процедуры оценки безопасности и анализа рисков с внедрением в базу данных 3d модели ОПО в разработанном программном обеспечении. Также на втором этапе необходимо разработать на основании универсальной модели индивидуальную базу данных для функционирования необходимо определить перечень входных данных, параметры нормализации данных в соответствии с оценочными шкалами.
Входные данные формируются автоматически при создании полноценной 3d модели, имеющей все необходимые характеристики. Для этого инженеры-проектировщики каждого ответственного отдела присваивают атрибутам модели значения, исходя из характеристики самого объекта, окружающей среды, истории производственной деятельности других подобных объектов, характеристики обслуживающего персонала (также на основании других подобных объектов), нормативных документов и правил безопасности, результатов проверок и аудитов, различных аспектов при управлении, включая финансы, ресурсы и т.д.
Рисунок 1. Потоки информации при функционировании экспертных систем
Помимо данных, вносимых в атрибуты модели вручную, формируются также псевдо-атрибуты, основывающиеся на анализе и сборе внесённых данных об объекте, его характеристиках и параметрах безопасности.
При создании 3d модели опасного производственного объекта, в рамках В1М-моделирования, задаются основные параметры объекта, одновременно с этим формируются данные об используемых на объекте технологиях, выделенных зонах, системах безопасности и т.д.
Затем на основе этих данных формируется псевдо-атрибут, который представляет собой дополнительный параметр объекта, отвечающий за его безопасность. Псевдо-атрибут может включать в себя информацию о воз-
можных опасностях, предупредительных знаках, требованиях безопасности и т.д. Формирование псевдо-атрибута позволяет визуально отражать опасности на объекте и помогать совершенствованию системы безопасности в рамках проектирования объекта.
Помимо того, что база входных данных может быть сформирована на основании данных эксплуатации, научных и промышленных исследований, также она может быть задана искусственно по экспертному мнению разработчика для обучения сети. Обязательным условием при самостоятельном задании набора данных является их действительное отражение поведения разрабатываемой модели по реальному объекту.
Общее количество разработанных авторами критериев составляет порядка 30 видов. Каждому критерию был присвоен определённый шифр для удобства инициализации.
После того, как инженеры-проектировщики полностью заполнили атрибуты в зоне ответственности своего отдела, сформировались псевдо-атрибуты, выгружается перечень линий, где каждому участку
трубопровода проставлен балл на основании таблицы критериев рисков. Перечень трубопроводов выгружается в виде таблицы, состоящей из названий трубопроводных участков по вертикали и названий критериев по горизонтали. Для проведения исследования в работе был сформирован оригинальный перечень линий, представленный на рисунке 2.
Рисунок 2. Пример базы данных, выгруженных из 3D среды
Далее необходимо интегрировать экспертную систему для выявления потенциально опасных участков прохождения трубопроводов. Совместно с оценкой параметров конструктивной надежности состояния трубопровода своевременное выявление таких участков способствует обеспечению высокого уровня обоснованности принимаемого проектного решения.
В качестве примера, рассмотри алгоритм действия экспертной системы по определению потенциально опасных участков, включающий исследование параметров надёжности и безопасности, основывается на проведении кластерного анализа. Блок-схема алгоритма построения модели экспертной системы представлена на рисунке 3.
Рисунок 3. Блок-схема алгоритма действия экспертной системы
Алгоритм действия экспертной системы включает следующие блоки:
1. Ввод исходных данных и определение размеров массива
Определение размера массива является обязательным этапом перед реализацией алгоритмов машинного обучения, поскольку от масштаба массива зависит качество обучения модели.
2. Импорт модуля sklearn.- cluster
Модуль sklearn.cluster является
частью библиотеки scikit-learn, которая предоставляет реализацию различных алгоритмов кластеризации данных. Модуль sklearn.cluster содержит реализации таких алгоритмов кластеризации, как K-means, агломеративная кластеризация и DBSCAN, которые можно использовать для анализа различных типов данных.
3. Обучение модели на обучающей выборке
Обучающая выборка - это набор данных, используемый для модели машинного обучения. В данной выборке для каждого объекта заданы значения признаков и соответствующее значение целевой переменной (то, что мы хотим научиться предсказывать на основе признаков).
4. Проверка модели на тестовой выборке
Тестовая выборка - это набор данных, который используется для оценки работы обученной модели машинного обучения. Этот набор
данных должен быть отделён от обучающей выборки и не использоваться в процессе обучения.
5. Определение качества кластеризации при помощи метрик
Для оценки качества кластеризации возможно использовать различные метрики и сравнивать результаты для различных методов кластеризации или различных наборов параметров алгоритмов кластеризации.
6. Валидация данных при необходимости
Если качество модели на тестовой выборке оказалось недостаточно высоким, то нужно предпринять дополнительные меры для улучшения модели, например, улучшение параметров модели, использование других алгоритмов обучения или изменение размера выборки данных.
7. Определение потенциально опасных участков на новых данных.
Для проведения анализа эффективности нейронных моделей были использованы несколько методов кластеризации. В веб-приложении с открытым исходным кодом - Jupyter Notebook (применительно к Python) - был создан программный код для кластеризации по трём различным методам.
1. Метод кластеризации K-means;
2. Метод иерархической (агломе-ративной) кластеризации;
3. Алгоритм DBSCAN (фрагмент программного код которого представлен на рисунке 4).
In [75]: import pandas as pd import numpy as np import matplotlib.pyplot as pit
In [76]: df-pd.read_excel("D:\Python 1 lab\Df_dissT.xlsx")
In [77]: & Узнаем размер массива (строки, столбцы) print (d-f. shape)
(iee, зе)
In [7S]: - Названия столбцов в DataFrome print<df.columns)
Index<fUAl-, ' K02 *, 'Cho3* , 'P РЛ', -IPS', -ИТб-, * PT7', 'SA8W, ' AN10' , •PK11", 'KU12', 'PKR13 *, 'HI14', 'UHIS', -TS16', VC17', 'GPie', -LA191, •6028', 'SI21', *Chr22*, 'SP23', '0P24', 'M^S', 'U026-, 'IP27-, 'DP28', 'OS29", 'VPO30'], dtype»'object*)
In [79]: df.headO
Out[79]: UA| K02 Cho3 PP4 IP5 MT6 PT7 SA8 RN9 AN10 SI21 Chr22 SP23 OP24 OD25 ND26 IP27 DP28 OS29 VP030
0 3 2 1 00 12 0 1.0 1.5 0.5 0.0 ... 2 2 1 2 2 2 1 1 1 1
Рисунок 4. Программная реализация методики оценки потенциально опасных участков трубопровода с применением алгоритма DBSCAN
Структура кода позволяет просматривать предсказанный кластер для каждого анализируемого участка - на выходе формируется массив с результатами кластеризации (см. рисунок 5). К кластеру, имеющему в программном коде зна-
К кластеру, имеющему в программном коде значение «1», принадлежат участки, идентифицируемые программным кодом как безопасные.
Пример графического интерфейса программы представлен на рисунке 6.
ризации применительно к выбранному методу) или персональной (в случае решения конкретной не стандартной задачи или использования в качестве исходных данных массива особого масштаба).
После запуска в правом окошке для графических изображений появится результат кластеризации. Он может иметь различное представление в зависимости от выбранного метода кластеризации. Помимо визуального отображения результат
чение «0», принадлежат участки трубопроводов, для которых необходимы проектные изменения (пересмотр конфигурации трубопровода, места его прокладки, увеличения количества обходов данного участка и т.д.).
В программе есть возможность выбрать предпочтительный метод кластеризации: К-теа^, иерархический или DBSCAN.
Затем необходимо будет выбрать настройку программы: она может быть базовой (уже с заданными стандартными параметрами класте-
представлен и в числовом виде, где для каждого участка представлен свой результат (0 или 1).
Далее таблица импортируется обратно в 3d среду, при этом в 3d модели для участвовавших в анализе участков автоматически подтягиваются атрибуты, предназначенные для результатов кластерного анализа. Таким образом уже в 3d модели по получившемуся списку можно будет отследить, где находится тот или иной участок трубопровода.
1п [10]: с1-Р_ргеа
Ои1:[10]: аггау([ 1, 1, 1, в, в, О, 0, 0, в, в, в, в, в, в, в, в, 0, 1, 1, 1, 1
1, 1, 1, 1, 1, 1, в, 0, 0, 0, в, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0
0, в, 0, в, 0, в, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, в, 0, в, в, 1, 1
1, 1, 1, в, 1, в, 0, 1, 1, 1, 1, 1])
Рисунок 5. Массив с предсказанными значениями
Рисунок 6. Визуальное представление интерфейса программы
На последнем этапе инженер-проектировщик анализирует получившуюся ситуацию в 3d модели: оптимизирует параметры, выполняет перетрассировку, закладывает дополнительные контрольно-измерительные датчики, обеспечивает удобство обслуживания, перераспределяет трубопроводную арматуру, расставляет предупреждающие знаки, огораживает опасные зоны, устанавливает камеры видеонаблюдения и производит другие действия, направленные на увеличение уровня надёжности и безопасности проектируемого
объекта, привлекая при этом специалистов других отделов.
Оптимизацию параметров
модели и самой модели можно считать завершённой, когда модель проходит все этапы проверки в гид-
равлическом расчёте, расчёте на прочность, расчёте нагрузок на опоры, стресс-анализе трубопровода и других расчётах при необходимости. После чего выгружается новый перечень линий и повторно направляется на процедуру кластерного анализа. Оптимизация по критерию минимизации потенциальных угроз считается завершенной, если по результатам кластерного анализа все исследуемые участки отнесены к кластеру «безопасный» (имеют значение «1») этап комплексной проверки заканчивается. Таким образом, предложенная методика позволяет реализовать модель оптимизация решений по управлению транспортными потоками трубопроводного транспорта с учетом критериев безопасности [1,10].
Список литературы:
1. Диверсификация научно-технического развития и управления эффективностью предприятий ТЭК в нестабильной макроэкономической среде: особенности и проблемы / Я. М. Курбанов, Ю. Д. Земенков, Е. Л. Чижевская, А. Б. Шабаров // Деловой журнал Neftegaz.RU. - 2022. - № 12(132). - С. 74-79.
2. Основы государственной политики РФ в области промышленной безопасности до 2025 года и дальнейшую перспективу» (утв. Указом Президента от 6.05.2018г. №198)
3. Стратегия национальной безопасности (Указ Президента Российской Федерации от 02.07.2021 г. № 400).
4.Махутов Н. А. Задачи разработки и реализации системы управления промышленной безопасностью предприятия при эксплуатации технических устройств / Н. А. Ма-хутов, А. П. Черепанов, М. В. Лисанов // Безопасность труда в промышленности. -2021. - № 2. - С. 15-19. - DOI 10.24000/0409-2961-2021-2-15-19.
5.Васильев Г. Г. Анализ причин возникновения деформаций инженерных сооружений объектов газового комплекса в криолитозоне / Г. Г. Васильев, А. А. Джалябов, И. А. Леонович // Записки Горного института. - 2021. - Т. 249. - С. 377-385. - DOI 10.31897/PMI.2021.3.6.
6. Васильев Г. Г. Исследование эффективности методов обеспечения безопасности объектов магистрального транспорта газа в зонах с особыми условиями использования территорий / Г. Г. Васильев, Е. О. Карманов // Трубопроводный транспорт: теория и практика. - 2021. - № 4(80). - С. 11-16.
7. Земенкова М. Ю. Методы снижения технологических и экологических рисков при транспорте и хранении углеводородов / М. Ю. Земенкова. - Тюмень : Тюменский индустриальный университет, 2019. - 397 с. - ISBN 978-5-9961-1905-9.
8. Ли К. Задачи аналитической системы мониторинга работоспособности магистральных газопроводов / К. Ли, А. М. Короленок // Оборудование и технологии для нефтегазового комплекса. - 2022. - № 2(128). - С. 88-93. - DOI 10.33285/1999-6934-2022-2(128)-88-93.
9. Инновационное управление безопасностью трубопроводного транспорта углеводородов на базе интеллектуального предупреждения техногенных событий и чрезвычайных ситуаций / М. Ю. Земенкова, Е. Л. Чижевская, Ю. Д. Земенков, С. Ю. Подорожников // Трубопроводный транспорт: теория и практика. - 2021. - № 3(79). - С. 33-40.
10.Формирование интеллектуальной системы управления ремонтом на линейной части магистральных нефтепроводов / М. А. Белостоцкий, Л. Куньлинь, А. М. Короленок, В. А. Короленок // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. - 2022. - Т. 12, № 4. - С. 368-375. - DOI 10.28999/2541-9595-2022-12-4-368-375.
11.Земенкова М. Ю. Интеллектуальный мониторинг состояний объектов трубопроводного транспорта углеводородов с применением нейросетевых технологий / М. Ю. Земенкова, Е. Л. Чижевская, Ю. Д. Земенков // Записки Горного института. - 2022. - Т. 258. - С. 933-944. - DOI 10.31897/РМ1.2022.105.
Spisok literatury:
I.Diversifikatsiya nauchno-tekhnicheskogo razvitiya i upravleniya effektivnostyu predpriyatiy TEK v nestabilnoy makroekonomicheskoy srede: osobennosti i problemy / Ya. M. Kurbanov, Yu. D. Zemenkov, E. L. Chizhevskaya, A. B. Shabarov// Delovoy zhurnal Neftegaz.RU. - 2022. - № 12(132). - S. 74-79.
2.Osnovy gosudarstvennoy politiki RF v oblasti promyshlennoy bezopasnosti do 2025 goda i dalneyshuyu perspektivu» (utv. Ukazom Prezidenta ot 6.05.2018g. №198)
3.Strategiya natsionalnoy bezopasnosti (Ukaz Prezidenta Rossiyskoy Federatsii ot 02.07.2021 g. № 400).
4.Makhutov N. A. Zadachi razrabotki i realizatsii sistemy upravleniya promyshlennoy bezopasnostyu predpriyatiya pri ekspluatatsii tekhnicheskikh ustroystv / N. A. Makhutov, A. P. Cherepanov, M. V. Lisanov // Bezopasnost truda v promyshlennosti. - 2021. - № 2. - S. 15-19. - DOI: 10.24000/0409-29612021-2-15-19.
5.Vasilyev G. G. Analiz prichin vozniknoveniya deformatsiy inzhenernykh sooruzheniy obyektov gazovogo kompleksa v kriolitozone / G. G. Vasilyev, A. A. Dzhalyabov, I. A. Leonovich // Zapiski Gornogo instituta. - 2021. - T. 249. - S. 377-385. - DOI 10.31897/PMI.2021.3.6.
6.Vasilyev G. G. Issledovaniye effektivnosti metodov obespecheniya bezopasnosti obyektov magistralnogo transporta gaza v zonakh s osobymi usloviyami ispolzovaniya territoriy / G. G. Vasilyev, E. O. Karmanov // Truboprovodnyy transport: teoriya i praktika. - 2021. - № 4(80). - S. 11-16.
7.Zemenkova M. Yu. Metody snizheniya tekhnologicheskikh i ekologicheskikh riskov pri transporte i khranenii uglevodorodov / M. Yu. Zemenkova. - Tyumen : Tyumenskiy industrialnyy universitet. 2019. - 397 s. - ISBN 978-5-9961-1905-9.
8. Li K. Zadachi analiticheskoy sistemy monitoringa rabotosposobnosti magistralnykh gazoprovodov / K. Li, A. M. Korolenok // Oborudovaniye i tekhnologii dlya neftegazovogo kompleksa. - 2022. - № 2(128). - S. 88-93. - DOI 10.33285/1999-6934-2022-2(128)-88-93.
9. Innovatsionnoye upravleniye bezopasnostyu truboprovodnogo transporta uglevodorodov na baze intellektualnogo preduprezhdeniya tekhnogennykh sobytiy i chrezvychaynykh situatsiy / M. Yu. Zemenkova. E. L. Chizhevskaya. Yu. D. Zemenkov, S. Yu. Podorozhnikov // Truboprovodnyy transport: teoriya i praktika. -
2021. - № 3(79). - S. 33-40.
10.Formirovaniye intellektualnoy sistemy upravleniya remontom na lineynoy chasti magistralnykh nefteprovodov / M. A. Belostotskiy, L. Kunlin, A. M. Korolenok,V. A. Korolenok // Nauka i tekhnologii truboprovodnogo transporta nefti i nefteproduktov. -
2022. - T. 12. № 4. - S. 368-375. - DOI 10.28999/2541-9595-2022- 12-4-368-375.
II.Zemenkova M. Yu. Intellektualnyy monitoring sostoyaniy obyektov truboprovodnogo transporta uglevodorodov s primeneniyem neyrosetevykh tekhnologiy / M. Yu. Zemenkova, E. L. Chizhevskaya, Yu. D. Zemenkov // Zapiski Gornogo instituta. - 2022. - T. 258. - S. 933-944. - DOI 10.31897/PMI.2022.105.
