«Защита окружающей среды в нефтегазовом комплексе»

Применение нейросетевых подходов для повышения надежности оценки остаточного ресурса морских сооружений

УДК: 622.276.04:004.032.26
DOI: -

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: усталостный ресурс, нейросетевая модель, остаточный срок службы, морские нефтегазовые сооружения, безопасность труда, S–N-кривая, прогнозирование отказов, машинное обучение, морские платформы

Аннотация:

В статье отмечено, что безопасность труда при эксплуатации морских нефтегазовых сооружений непосредственно связана с точностью прогнозирования усталостного ресурса конструктивных элементов, работающих в условиях переменных нагрузок. Традиционные методы расчета демонстрируют высокий разброс результатов, что затрудняет планирование технического обслуживания и увеличивает риск отказов. Рассмотрена адаптивная нейросетевая модель на базе многослойного перцептрона (MLP), обученная на данных, полученных из нескольких классических S–N-подходов, реализованная в среде Jupyter Notebook. Модель протестирована на расширенном наборе входных данных и демонстрирует высокую точность, устойчивость и возможность дообучения под специфические условия эксплуатации. Это позволяет объединить разрозненные расчетные схемы в единый устойчивый прогноз и существенно повысить достоверность оценки остаточного ресурса. Представленный подход создает основу для практического внедрения современных методов машинного обучения с целью повышения надежности оборудования и безопасности труда на объектах морской инфраструктуры.

Список литературы:

1. Староконь И.В., Калашников П.К. Проблемы оценки воздействия вибро-колебательных процессов на снижение длительности безопасной эксплуатации сварных соединений морских стационарных платформ для добычи нефти и газа на шельфе // Защита окружающей среды в нефтегазовом комплексе. – 2020. – № 1(292). – С. 27–30. – DOI: 10.33285/2411-7013-2020-1(292)-27-30
2. Староконь И.В. Результаты экспериментально-аналитического исследования эффективности технологий ремонта сварных соединений опорных блоков морских стационарных платформ с позиций продления их ресурса // Строительство нефтяных и газовых скважин на суше и на море. – 2018. – № 10. – С. 59–62. – DOI: 10.30713/0130-3872-2018-10-59-62
3. Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning: preprint / Chang Jiang, D. Basvoju, A. Vakanski [et al.]. – 2025. – 18 p. – DOI: 10.48550/arXiv.2501.15057
4. A generalized machine learning framework to estimate fatigue life across materials with minimal data / D.V. Srinivasan, M. Moradi, P. Komninos [et al.] // Materials & Design. – 2024. – Vol. 246. – Article No. 113355. – DOI: 10.1016/j.matdes.2024.113355
5. Jimenez-Martinez M., Alfaro-Ponce M. Fatigue Life Prediction of Aluminum Using Artificial Neural Network // Engineering Letters. – 2021. – Vol. 29, Issue 2. – P. 704–709. – URL: https://www.researchgate.net/publication/352383400_Fatigue_Life_Prediction_of_Aluminum_Using_Artificial_Neural_Network (дата обращения 12.07.2025).
6. Prediction of Stiffness and Fatigue Lives of Polymer Matrix Composite Laminates Using Artificial Neural Networks: NASA TM-20230005410 / S.K. Mital, S.M. Arnold, P.L.N. Murthy, B.L. Hearley. – Cleveland: NASA Glenn Research Center, 2023. – 59 p.
7. Chen Jie, Liu Yongming. Fatigue modeling using neural networks: a comprehensive review: preprint. – Tempe: Arizona State University, 2021. – 62 p. – DOI: 10.22541/au.163254701.14733101/v1
8. Farhadi S., Tatullo S., Ferrian F. Comparative analysis of ensemble learning techniques for enhanced fatigue life prediction // Scientific Reports. – 2025. – Vol. 15. – Article No. 11136. – DOI: 10.1038/s41598-024-79476-y
9. A fast prediction method of fatigue life for crane structure based on Stacking ensemble learning model / Zhao Jincheng, Dong Qing, Xu Gening [et al.] // Journal of Engineering and Applied Science. – 2024. – Vol. 71. – Article No. 207. – DOI: 10.1186/s44147-024-00545-0
10. High-cycle fatigue S-N curve prediction of steels based on a transfer learning-guided convolutional neural network / Wei Xiaolu, Wang Chenchong, Jia Zixi, Xu Wei // Journal of Materials Informatics. – 2022. – Vol. 2, Issue 3. – Article No. 9. – DOI: 10.20517/jmi.2022.12
11. Федотов С., Синицин Ф. Машинное обучение: руководство. – 2024. – URL: https://education.yandex.ru/handbook/ml/article/about (дата обращения 09.07.2025).
12. ГОСТ 25.504-82. Методы расчета характеристик сопротивления усталости. Расчеты и испытания на прочность. – Введ. 1983–07–01. – М.: Изд-во стандартов, 1982. – 55 с.
13. Клыков Н.А. Расчет характеристик сопротивления усталости сварных соединений. – М.: Машиностроение, 1984. – 157 с.
14. Using the Smith-Watson-Topper Parameter and Its Modifications to Calculate the Fatigue Life of Metals: The State-of-the-Art / T. Łagoda, S. Vantadori, K. Głowacka [et al.] // Materials. – 2022. – Vol. 15, Issue 10. – Article No. 3481. – DOI: 10.3390/ma15103481