CC BY
11DOI: 10.24412/3034- 154X-2024-1-38-47
Антон Дмитриевич ВЫДРЕНКОВ - магистрант кафедры «Транспорт углеводородных ресурсов» Тюменского индустриального университета Россия, г. Тюмень; e-mail: [email protected]
Андрей Витальевич МЕДВЕДЕВ - доцент, кандидат технических наук, директор Института дополнительного и дистанционного образования Россия, г. Тюмень; e-mail: [email protected]
Ильшат Фархатович ШАГБАНОВ - магистрант кафедры «Транспорт углеводородных ресурсов» Тюменского индустриального университета Россия, г. Тюмень; e-mail: [email protected]
Василий Викторович ГОЛИК - старший преподаватель кафедры «Транспорт углеводородных ресурсов» Тюменского индустриального университета
Россия, г. Тюмень; e-mail: [email protected]
УДК 001.895;004.89;621.644.8
ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО РЕСУРСА ГАЗОНЕФТЕПРОВОДОВ НА БАЗЕ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ АНАЛИЗА ДАННЫХ
АННОТАЦИЯ
Работа посвящена разработке методики оценки остаточного ресурса трубопроводов по результатам диагностики с применением машинного обучения. Выполнен сравнительный анализ применяемых на практике методик оценки остаточного ресурса. Верификация разработанной методики выполнена на реальных производственных данных.
Ключевые слова: остаточный ресурс, трубопроводный транспорт, нефтепровод, газопровод, надежность, искусственный интеллект, экология.
Anton Dmitrievich VYDRENKOV - is a master's student of the Department of Transportation of Hydrocarbon Resources at Tyumen Industrial University Russia, Tyumen; e-mail: [email protected]
Andrey Vitalievich MEDVEDEV - Associate Professor, Candidate of Technical Sciences, Director of the Institute of Additional and Distance Education
Russia, Tyumen; e-mail: [email protected]
Ilshat Farkhatovich SHAGBANOV - is a graduate student of the Department of Transportation of Hydrocarbon Resources at Tyumen Industrial University Russia, Tyumen; e-mail: [email protected]
Vasily Viktorovich GOLIK - is a senior lecturer at the Department of Transportation of Hydrocarbon Resources at Tyumen Industrial University Russia, Tyumen; e-mail: [email protected]
FORECASTING THE REMAINING LIFE OF GAS AND OIL PIPELINES BASED ON INTELLIGENT
DATA ANALYSIS METHODS
ANNOTATION
The work is devoted to the development of a methodology for assessing the residual life of pipelines based on the results of diagnostics using machine learning. A comparative analysis of the methods used in practice to assess the residual resource is performed. Verification of the developed methodology is performed on real production data.
Keywords: residual resource, pipeline transport, oil pipeline, gas pipeline, reliability, artificial intelligence, ecology.
Для цитирования в научных исследованиях:
Выдренков А.Д., Медведев А.В., Шагбанов И.Ф., Голик В.В. Прогнозирование остаточного ресурса газонефтепроводов на базе интеллектуальных методов анализа данных // Тюменский научный журнал. 2024. № 1. С. 38-47.
Актуальность работы обоснована требованиями и задачами, обозначенными в государственных директивных документах таких как «Стратегия экологической безопасности России на период до 2025 года» (Указ Президента от 20.04.2017 г. №176), «Основы государственной политики РФ в области промышленной безопасности до 2025 года и дальнейшую перспективу» (Указ Президента от 6.05.2018г. №198), «Национальной стратегией развития искусственного интеллекта на период до 2030 года» (Указ Президента РФ от 10.10.2019 г. № 490), программой цифровизации РФ.
Несмотря на высокие требования и серьезные усилия нефтегазовых компаний инциденты и утечки происходят, что фиксируется в СМИ и отчетах надзорных органов.
На кафедре «Транспорта углеводородных ресурсов» ТИУ сформирована научная школа, занимающаяся разработкой интеллектуальных
моделей и решением научных задач идентификации и прогнозирования состояния, параметров объектов и процессов.
В рамках поставленных задач на данном этапе разработана интеллек-
туальная модель и алгоритмы для прогнозирования остаточного
ресурса нефтегазопроводов на основании результатов комплексной диагностики.
Научная новизна заключается в разработке интеллектуальной
модели оценки остаточного ресурса, с учетом математической модели, описывающей утончение толщины стенки трубопровода и системы конструкционных и эксплуатационных факторов, влияющих как на кор-розионно-эрозионное воздействие факторов, так и на схему нагрузок, тем самым повысив точность прогнозного значения.
Анализ существующего опыта показал актуальность проблемы и высокую степень проработки темы, известны работы ученых Рудаченко А. В., Васильева Г.Г., Короленка
A.М., Лисанова М.В., Харио-новского В.В., Шабарова А.Б., Малюшина Н.А., Зорина Е.Е., Антипьева В. Н., Коршака А. А., Земенковой М.Ю., Черняева В. Д., Бабкова А. В., Дейнеко С. В., Вязу-нова Е. В., Галеева В. Б., Лисина Ю.
B., Александрова А. А., Сущева С. П. и многих других ученых. Авторами показана сложность решаемых
задач оценки и прогнозирования надежности нефтетранспортной сети, представлены модели для решения задач различных свойств надежности. Однако универсальных моделей интеллектуальной оценки остаточного ресурса линейной части нефтепроводов для учета системы факторов в открытом доступе в настоящее время не представлено.
Корректная оценка надежности и риска возникновения аварийных ситуаций в подобных системах является основой их безопасной и эффективной эксплуатации.
Согласно официальной статистике, в течение последнего года было продиагностировано более 45 тысяч километров магистральных нефтепроводов, однако значительная часть из них проводилась на одних и тех же участках по причине недостоверности или уточнения данных. При этом существуют участки, в которых риск возникновения аварийной ситуации достаточно велик, при этом диагностические работы по ним не запланированы или были проведены в недостаточном объеме, что в свою очередь многократно увеличивает риск разлива и различного рода потерь в виде финансовых, временных или же операционных [1].
В данном контексте приобретает актуальность применение методов машинного обучения с целью систематизации и анализа данных. Аккуратное применение алгоритмов машинного обучения позволяет выявить глубоко заложенные закономерности, подразумевающие возможное наличие паттернов, оказывающих влияние на нефтетранспорт-ную сеть.
С применением непрерывного мониторинга и анализа данных с использованием машинного обучения, компания сможет оперативно реагировать на любые изменения в работе нефтетранспортной системы. Это позволит своевременно выявлять и устранять возможные проблемы, минимизировать риски аварийных ситуаций и повысить надежность всей системы, поскольку сама модель будет учитывать все особенности исследуемого участка. Задача прогнозирования остаточного
ресурса в значительной степени определяет эффективность эксплуатации систем транспорта углеводородов.
Целью работы в целом является создание интеллектуальной методики прогнозирования на базе машинного обучения, способной с высокой точностью определить остаточный ресурс трубопровода.
При работе решались следующие частные задачи:
О Разработка интеллектуальной модели прогнозирования остаточного ресурса и алгоритма расчета;
О Создание универсальной базы данных на основе системного анализа условий эксплуатации и конструктивных особенностей
линейной части нефтепровода;
О Апробация модели с дальнейшим сравнением полученных значений с фактическими значениями и математической моделью на реальных данных диагностики и эксплуатации;
О Оценка достоверности
результатов прогнозной модели.
О Подведение итогов и оценка достоверности результатов прогнозной модели.
В качестве метода исследования был выбран эмпирический метод исследования, поскольку он допускает проведение сравнительных, измерительных, экспериментальных работ, в том числе и моделирование, которые были применены в ходе написания работы.
Использование систем машинного обучения в задачах повышения надежности и минимизации эксплуатационных рисков может существенно повысить эффективность эксплуатации отдельно взятых участков, так как данные для модели снимаются непосредственно с технологических параметров сети, а также с проведенных ранее на этих участках диагностических работ. В практике при определении остаточного ресурса нефте и газопроводов используется методика ОСТ 153-39.4-010-2002 «Методика определения остаточного ресурса нефтегазопромысловых трубопрово-
дов и трубопроводов головных сооружений» [8].
В данной методике определения остаточного ресурса представлено 2 направления расчета, основанных на статистическом и факторном анализе:
- Расчет остаточного ресурса по определенному фактору на основе отдельно взятого участка трубопровода. В качестве примера для расчета можно принять коррозионно-эрозионный ресурс, который считается на основе основных параметров эксплуатируемого трубопровода, таких как: протяженность участка, диаметр, скоростные режимы потока, расчетное давление, фактическое давление, расход флюида в полости трубопровода, свойства металла трубопровода, время его эксплуатации и т. д. Данный способ определения остаточного ресурса трубопровода в точной степени определяет воздействие конкретно взятого фактора, однако она имеет некоторые ограничения, такие как универсальность нормативов, которые могут не учитывать специфические условия каждого конкретного промысла.
- Расчет остаточного ресурса статистическим методом. Этот метод основывается на анализе и интерпретации статистических данных,
Пример входных данных для расчета остаточного ресурса участка трубопровода представлены в таблице 1.
Оригинальная интеллектуальная модель включает около 30 переменных (количество зависит от возможностей диагностики), вес которых
связанных с износом и отказами компонентов системы, с целью предсказания оставшегося ресурса. Расчет так же, как и предыдущий метод, производится на основании текущего состояния отдельно взятого участка трубопровода, однако он включает в себя вычисление среднего времени наработки на отказ, оценку показателей надежности и прочности компонентов, а также определение закономерностей и трендов в данных. Хотя данная методика и основана на фактических данных, а также имеется учет изменений по времени, у нее имеются следующие недостатки: зависимость от качества и объема данных, ограничения предсказательных
возможностей и все так же не учитывает индивидуальные особенности.
Для сравнительного анализа двух методик был произведен расчет одного участка ГВТ (газопровод внешнего транспорта) по двум представленным методикам по определённому фактору, а именно эрозионно-коррозионному воздействию при сроке эксплуатации трубопровода в 15 лет.
Данный фактор был выбран в связи с тем, что он оказывает одно из наибольших влияний на остаточный ресурс трубы.
определяется расчетной моделью по реальным данным.
Расчет остаточного ресурса эксплуатируемого трубопровода по минимальной вероятной толщине стенки труб по результатам диагностики проводится следующим образом.
Таблица 1.
Пример: входные параметры для проведения модельного расчета
Коэффициент условии работы материала труб при разрыве Коэффициент условии" работы трубопровода Коэффициент несущей способности Коэффициент несущей способности элемента Наружный диаметр элемента, м Рабочее давление в трубопроводе, МПа Номинальная толщина стенки, м Материал
0,8 0,6 1,2 1 1,02 6,4 0,024 Сталь 09Г2С
Среднее квадратичное отклонение по толщине стенки рассчитывается по формуле:
V N-1
1 ^ где tk - результаты измерении
толщин стенки на к-х участках
поверхности;
- средняя измеренная толщина;
N - число участков замера.
Таблица 2
Результаты расчета остаточного ресурса трубопровода
Расчет остаточного ресурса трубопровода по минимальной вероятной толщине стенки труб по результатам диагностики, лет Вероятностный расчет остаточного ресурса с учетом общего коррозионно-эрозионного износа стенки трубы, лет
4,73 5,21
Минимально возможная толщина стенки трубопровода рассчитывается по формуле:
= 2а , (2)
Средняя скорость коррозии на участке рассчитывается по формуле:
V — ^п £тт / о Л
ср — Т » (3)
где т - время эксплуатации трубопровода, лет.
Остаточный ресурс трубопровода рассчитывается по формуле, приведенной под пунктом 1.4:
_ ^т— toтб
' (4)
V
ср
Результаты расчета по двум методам определения остаточного ресурса представлены в таблице 2.
Согласно представленным в таблице 2 результатам расчетов, наглядно видно отклонение между
двумя разными методиками, которое составляет 10%, которое существенно может сказаться на корректном определении прогноза по безаварийной эксплуатации.
На рисунке 1 представлено графическое сравнение 2 методик расчета. В качестве объекта исследования был выбран участок ГВТ отходящего от реального месторождения с проведенной на нем дефектоскопией.
Рисунок 1. Сравнение методик расчета остаточного ресурса по эрозионно-
коррозионному воздействию
Расчет производился с учетом фактического срока эксплуатации в 15 лет с дальнейшим пересчетом с промежутком раз 2 года, производимом на основе результатов проводимых измерений.
На рисунке 1 видно, что среднее отклонение между двумя методиками расчета составляет приблизительно 14%, при этом распределение значений отклонения уменьшается с увеличением срока эксплуатации. Это может быть связано с увеличением объема во времени данных для построения статистической модели, поскольку данные для подобного расчета берутся из результатов диагностических работ.
Поскольку представленные методики расчета основываются на одном факторе влияния, а именно эро-зионно-коррозионном воздействии, можно предположить, что фактические значения остаточного ресурса лежат в диапазоне между двумя линиями. Однако, стоит учесть, что обе методики расчета не затрагивают остальные факторы влияния на остаточный ресурс, такие как: скорость внутритрубного потока, условия укладки трубопровода, режимы эксплуатации, проведение ремонтно-восстановительных работ и т. д., что в свою очередь может сместить диапазон фактических значений ниже представленного на графике ресурса, тем самым повысив риск отказов и возникновения аварийных ситуаций.
Для верификации методики и построения оригинальной интеллектуальной прогнозной модели по определению остаточного ресурса эксплуатируемого трубопровода были приняты 2 отдельных трубопровода, а именно ГВТ и участки внутрипромысловых нефтепроводов с имеющимися на них результатами дефектоскопии.
Поскольку жидкие и газовые среды существенно различаются между собой как по химическим компонентам, так и по факторам влияния, было построено 2 прогнозных модели для каждой среды.
Для построения модели на основе ГВТ были взяты следующие группы
эксплуатационных параметров:
- Прочность стали;
- Фактический режим работы;
- Коэффициенты по материалу и по условиям работы;
- Конструктивные параметры трубопровода;
- Состав транспортируемого смеси.
Также стоит отметить такой фактор, как угол удара частиц о стенку на участках, где наблюдается поворот трубопровода или же изменение внутреннего сечения отдельного участка трубопровода.
Для построения модели было произведено разделение существующих участков на несколько групп по углу поворота, а именно 0, 45 и 90 градусов. Поскольку на каждом из них будет создаваться разное эрозионное воздействие.
Для построения достоверной аналитической модели были использованы сразу несколько алгоритмов машинного обучения. Для этапа предобработки данных была использована модель кластеризации, а именно наиболее популярный из алгоритмов кластеризации К-теа^.
Принцип работы использованного в методике дерева решений можно разбить на следующие шаги:
1. Начало дерева: на этом этапе выбирается признак, который наилучшим образом разделяет обучающие данные.
2. Разделение данных: Дерево решений разделяет обучающие данные на две или более подгруппы на основе выбранного признака. Каждая ветвь дерева представляет собой значение признака и соответствующее условие.
3. Рекурсивное построение: процесс разделения данных и создания новых узлов продолжается рекурсивно для каждой ветви дерева до выполнения одного из критериев остановки. Эти критерии остановки могут включать в себя максимальную глубину дерева, минимальное количество объектов в листовом узле или другие условия.
4. Листовые узлы: когда выполнен критерий остановки, узел становится листовым узлом дерева. Листовой узел представляет собой
прогноз или классификацию, соответствующую данным объектам.
5. Прогноз: когда новый объект поступает на вход дерева решений, он проходит через структуру дерева, принимая последовательные реше-
На рисунке 2 изображен пример кода для реализации интеллектуального алгоритма обучения модели и расчет остаточного ресурса. Для обеспечения достоверности модели было взято несколько систем градиентного бустинга, в том числе и простое дерево решений.
Для проверки сходимости модели с реальными данными был взят заранее отделенный массив данных, разделенный на данные для
Согласно рисунку 3 наглядно видно, что различие между оценкой остаточного ресурса и фактическим сроком эксплуатации составляет
ния на основе признаков, и, наконец, достигает листового узла, где принимается окончательное решение, например, относительно класса (в задаче классификации) или числового значения (в задаче регрессии).
расчета и данные для проверки, о которых писалось чуть ранее. Суть проверки заключается в сравнении предсказанных моделью значений с реальным сроком остаточного ресурса. Чем меньше отклонение между сравниваемыми величинами, тем наиболее точно модель строит свои предсказания.
Результаты моделирования
выведенного из эксплуатации участка ГВТ представлены на рисунке 3.
приблизительно 14,5%, при том, что разница между прогнозной моделью и фактом составляет всего 2%.
In 188 J: 1 dt_regressor = Deci&ionTreeftegr-e&sor(random_state=42)
2 catboo&t_r-egres&or = CatBoo&tRegressor(iteration&=15ee, leârning_rdtfr=e.es, depth=12, I2_leaf_reg=3)
3 xgb_regres&or = XGBRegres:.or(le<iming_rate=e.05, nax_depth-5, n_estimators=500)
4 gb_regressor = GradiefltBoostingRegre&&or(n_e*timator&=100, leamlng_rate=i>.l, nax_depth=5)
In [89J: 1 dt_regressor.fit(X_train, y_train)
2 catboost_regressor.fit(X_train, y_train)
3 xgb_regressor.flt(X_train, y_traln)
4 gb_regressor. fit(X_train, y_train)
0: learn: 1 1828253 total: 307ns. remaining: 7n 40ъ
1: learn: 1 1663531 total: 576ms remaining: 7n lb
2: learn: 1 1517324 total: 864ms remaining: 7n lb
3: learn: 1 1369542 total: 1.14s remaining: 7n 7s
4: learn: 1 1214593 total: 1.44s remaining: 7n 10s
Рисунок 2. Фрагмент кода программной реализации метод
Рисунок 3. Сравнение методов определения остаточного ресурса на
примере ГВТ
Анализ показал, что факторы, влияющие на точность прогнозной модели, обязательные при проработки модели, можно разделить на следующие категории:
- достоверность и качество исходных данных, полученных в результате проведения дефектоскопии;
- объем выборки, сформированный для обучения прогнозной модели;
- неправильный подход к формирования самой выборки, а также кластеризации и устранении шумов в данных;
- неправильный подбор параметров во время обучения прогнозной модели.
Из рисунков интеллектуальная
модель описывает остаточный ресурс более высокой точностью, нежели методика, описанная в отраслевом стандарте. Сфера применения полученной модели распространяется на линейную часть нефтегазопроводов, по итогам дефектоскопии, которая проводится на регулярной основе.
В целом, прогнозная модель в обоих случаях показывает более близкие с фактическим сроком эксплуатации данные, чем расчетный показатели по известным методикам. Это может быть связано с большим количеством факторов влияния по сравнению
с методикой расчета, которая учитывает не все условия эксплуатации.
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. 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.
3. Формирование интеллектуальной системы управления ремонтом на линейной части магистральных нефтепроводов / М. А. Белостоцкий, Л. Куньлинь, А. М. Коро-ленок, В. А. Короленок // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. - 2022. - Т. 12, № 4. - С. 368-375. - DOI 10.28999/2541-9595-202212-4-368-375.
4. 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/PMI.2022.105.
5. Транснефть: [Электронный ресурс] URL: https://www.transneft.ru/. (Дата обращения: 01.03.2023).
6. Крапивский Е. И. Физико-технические методы и средства диагностики оборудования при транспорте нефти и газа: учебное пособие / Е. И. Крапивский, М. Ю. Земенкова, Д. А. Борейко. - Тюмень: Тюменский индустриальный университет, 2020. - 229 с.
7. Сидорочев М.Е. Формирование долгосрочных планов комплексного ремонта технологических трубопроводов компрессорных станций ОАО «Газпром» в условиях неполноты данных об их техническом состоянии / М.Е. Сидорочев, О.В. Бурутин, И.В. Ряховских, А.В. Мельникова, Н.Е. Зорин // Вести газовой науки: Управление техническим состоянием и целостностью газопроводов. - М.: Газпром ВНИИГАЗ, 2014. - № 1 (17). - С. 16-21.
8. ОСТ 153 - 39.4 - 010 - 2002. Методика определения остаточного ресурса неф-тегазопромысловых трубопроводов и трубопроводов головных сооружений. -
Министерство энергетики РФ / - Москва, 2002.
9. Зайнуллин Р.С., Гумеров А.Г. Повышение ресурса нефтепроводов / Зайнуллин Р.С., Гумеров А.Г. - Текст: непосредственный // М.: Недра. - 2000. - 494 с.
10. Бринк Х. Машинное обучение / Ричардс Дж., Феверолф М. - СПб.: Питер, 2017. 336 с.
11. Адлер Ю. П. Планирование эксперимента при поиске оптимальных условий / Ю. П. Адлер, Е. В. Маркова, Ю. В. Грановский. - М. : Наука, 1976. - 279 с.
12. Земенкова М. Ю. Методология научных исследований в нефтегазовой отрасли / М. Ю. Земенкова, С. М. Чекардовский. - Тюмень : Тюменский индустриальный университет, 2016. - 312 с. - ISBN 978-5-9961-1489-4.
13. СП 86.13330.2014 Магистральные трубопроводы. Актуализированная редакция СНиП III-42-80*. - М.: Госстрой, Минрегион России / - Москва 2014 год.
14. Оценка остаточного ресурса трубопроводов в условиях коррозии при изменении напряженно-деформированного состояния / А. А. Ибрагимов, А. Б. Шабаров, С. Ю. Подорожников, Ю. Д. Земенков // Практика противокоррозионной защиты. -2014. - № 4(74). - С. 24-28. - EDN UDECSH.
Spisok literatury:
l.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.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.
3.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 10.28999/2541-9595-202212-4-368-375.
4.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.
5.Transneft: [Elektronnyy resurs] URL: https://www.transneft.ru/. (Data obrashcheniya: 01.03.2023).
6.Krapivskiy E. I. Fiziko-tekhnicheskiye metody i sredstva diagnostiki oborudovaniya pri transporte nefti i gaza: uchebnoye posobiye / E. I. Krapivskiy, M. Yu. Zemenkova, D. A. Boreyko. - Tyumen: Tyumenskiy industrialnyy universitet, 2020. - 229 s.
7.Sidorochev M.E. Formirovaniye dolgosrochnykh planov kompleksnogo remonta tekhnologicheskikh truboprovodov kompressornykh stantsiy OAO «Gazprom» v usloviyakh nepolnoty dannykh ob ikh tekhnicheskom sostoyanii / M.E. Sidorochev, O.V. Burutin, IV. Ryakhovskikh, A.V. Melnikova, N.E. Zorin // Vesti gazovoy nauki: Upravleniye tekhnicheskim sostoyaniyem i tselostnostyu gazoprovodov. - M.: Gazprom VNIIGAZ, 2014. - № 1 (17). - S. 16-21.
8.OST 153 - 39.4 - 010 - 2002. Metodika opredeleniya ostatochnogo resursa neftegazopromyslovykh truboprovodov i truboprovodov golovnykh sooruzheniy. -Ministerstvo energetiki RF / - Moskva, 2002.
9.Zaynullin R.S., Gumerov A.G. Povysheniye resursa nefteprovodov / Zaynullin R.S., Gumerov A.G. // M.: Nedra. - 2000. - 494 s.
10. Brink Kh. Mashinnoye obucheniye / Richards Dzh., Feverolf M. - SPb.: Piter, 2017. 336 s.
11. Adler Yu. P. Planirovaniye eksperimenta pri poiske optimalnykh usloviy / Yu. P. Adler, E. V. Markova, Yu. V. Granovskiy. - M. : Nauka, 1976. - 279 s.
12.Zemenkova M. Yu. Metodologiya nauchnykh issledovaniy v neftegazovoy otrasli / M. Yu. Zemenkova, S. M. Chekardovskiy. - Tyumen : Tyumenskiy industrialnyy universitet, 2016. - 312 s. - ISBN 978-5-9961-1489-4.
13. SP 86.13330.2014 Magistralnyye truboprovody. Aktualizirovannaya redaktsiya SNiP III-42-80*. - M.: Gosstroy. Minregion Rossii / - Moskva 2014 god.
14. Otsenka ostatochnogo resursa truboprovodov v usloviyakh korrozii pri izmenenii napryazhenno-deformirovannogo sostoyaniya / A. A. Ibragimov, A. B. Shabarov, S. Yu. Podorozhnikov, Yu. D. Zemenkov // Praktika protivokorrozionnoy zashchity. - 2014. - № 4(74). - S. 24-28. - EDN UDECSH.
