«Автоматизация и информатизация ТЭК»

Построение прогнозных моделей на основе искусственного интеллекта для решения задачи предсказания появления дефектов трубопроводов

УДК: 620.19:621.43
DOI: 10.33285/2782-604X-2023-10(603)-38-47

Авторы:

¹ Газпром диагностика, Cанкт-Петербург, Россия
² РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: трубопровод, дефекты, внутритрубное диагностирование, машинное обучение, линейная регрессия, случайный лес, математическое моделирование

Аннотация:

Статья посвящена проблематике построения устойчивых моделей для прогнозирования появления дефектов трубопроводов с использованием искусственного интеллекта. При задании граничных условий модели был выбран широко распространенный класс дефектов – стресс-коррозионные, возникающие вследствие коррозионного растрескивания под напряжением. При расчетах и для обучения использованы данные системы "Инфотех" по магистральному газопроводу Ямбург–Елец I за период 2016–2022 гг. В качестве моделирующих алгоритмов использованы линейная регрессия и метод "случайный лес". Проведена оценка сходимости результатов в зависимости от глубины обучения. Точность прогнозных значений для модели машинного обучения "случайный лес" достигла 75 %. Оценены перспективы дальнейших работ по улучшению точностных характеристик.

Список литературы:

1. Оценка вероятности разрушения участка магистрального нефтепровода по данным внутритрубной диагностики / Д.А. Неганов, В.М. Варшицкий, А.А. Белкин, Э.Н. Фигаров // Нефт. хоз-во. – 2022. – № 5. – С. 108–112. – DOI: 10.24887/0028-2448-2022-5-108-112
2. Варшицкий В.М., Козырев О.А. Несущая способность трубопровода с локальным коррозионным дефектом // Нефт. хоз-во. – 2021. – № 8. – С. 106–109. – DOI: 10.24887/0028-2448-2021-8-106-109
3. Абакумов А.А., Абакумов А.А. (мл.). Магнитная диагностика газонефтепроводов. – М.: Энергоатомиздат, 2001. – 432 с.
4. Оводкова К.В., Жучков К.Н., Завьялов А.П. К вопросу подготовки исходного массива информации для обучения нейронных сетей определению параметров дефектов трубопроводов // Тр. РГУ нефти и газа им. И.М. Губкина. – 2023. – № 2(311). – С. 85–97. – DOI: 10.33285/2073-9028-2023-2(311)-85-97
5. Жучков К.Н., Завьялов А.П. Совершенствование технологии внутритрубной диагностики трубопроводов с использованием алгоритма автоматизированной обработки диагностических данных // Наука и технологии трубопровод. трансп. нефти и нефтепродуктов. – 2022. – Т. 12, № 6. – С. 540–549. – DOI: 10.28999/2541-9595- 2022-12-6-540-549
6. Acoustic detection and localization of gas pipeline leak based on residual connection and one-dimensional separable convolutional neural network / Wendi Yan, Wei Liu, Hongbo Bi [et al.] // Transactions of the Institute of Measurement and Control. – 2023. – Vol. 45, Issue 14. – P. 2637–2647. – DOI: 10.1177/01423312231156264
7. Diagnosis and Recognition of Pipeline Damage Defects Based on Neural Network Algorithm / Min Zhang, Yanbao Guo, Deguo Wang, Qiang Du // Proc. of the 2022 14th Int. Pipeline Conf. Vol. 1: Pipeline Safety Management Systems; Project Management, Design, Construction, and Environmental Issues; Strain-Based Design and Assessment; Risk and Reliability; Emerging Fuels and Greenhouse Gas Emissions, Sept. 26–30, 2022, Calgary, Alberta, Canada. – DOI: 10.1115/IPC2022-87163
8. Zavyalov A., Zhuchkov K., Vasilchenko M. Process Pipeline Strength Calculation Methodology Enhancement Using Finite-Element Method // J. of Pipeline Systems Engineering and Practice. – 2023. – Vol. 14, No. 2. – DOI: 10.1061/JPSEA2.PSENG-1401
9. Improving the accuracy of estimates of the pulse sequence period using the methodology of complete sufficient statistics / K. Zhuchkov, M. Vasilchenko, A. Zagrebneva, A. Zavyalov // Scientific Reports. – 2022. – Vol. 12. – P. 19932. – DOI: 10.1038/s41598-022-24457-2
10. Аналитические и технические аспекты диагностики линейной части газопроводов / И.И. Велиюлин, В.И. Городниченко, В.А. Александров [и др.] // Территория Нефтегаз. – 2021. – № 7-8. – С. 44–55.
11. Исследование особенностей КРН магистральных газопроводов большого диаметра / В.А. Середенок, В.Л. Онацкий, В.Н. Толкачева, Р.В. Агиней // Трубопровод. трансп.: теория и практика. – 2016. – № 5(57). – С. 12–16.
12. Сильвестров А.С., Булкин В.А., Анваров А.Д. Термоциклические процессы как причина КРН на магистральных газопроводах // Вестн. Казанского технолог. ун-та. – 2011. – № 18. – С. 168–173.
13. Обзор применения нейросетей в области добычи и транспорта нефти и газа / И.И. Хасанов, З.Р. Хасанова, Р.А. Шакиров, О.И. Недельченко // Трансп. и хранение нефтепродуктов и углеводородного сырья. – 2022. – № 3-4. – С. 11–15. – DOI: 10.24412/0131-4270- 2022-3-4-11-15
14. Толстов А.Г. Введение в информатику систем технической диагностики: моногр. – М.: ИРЦ Газпром, 2007. – 487 с.
15. A comparison of random forest based algorithms: random credal random forest versus oblique random forest / C.J. Mantas, Ja.G. Castellano, S. Moral-García, J. Abellán // Soft Computing – A Fusion of Foundations, Methodologies and Applications. – 2019. – Vol. 23, No. 21. – P. 10739–10754. – DOI: 10.1007/s00500-018-3628-5
16. Использование функций с финитным носителем при оценке вибропараметрии узлов газоперекачивающего агрегата / Е.Н. Чепель, К.Н. Жучков, А.П. Завьялов, Ю.А. Гнездилова // Оборудование и технологии для нефтегазового комплекса. – 2023. – № 2(134). – С. 86–91. – DOI: 10.33285/1999-6934-2023-2(134)-86-91
17. Будзуляк Б.В., Лопатин А.С., Ляпичев Д.М. Техническое диагностирование оборудования и трубопроводов объектов нефтегазового комплекса с применением инновационных технологий // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2019. – № 11(556). – С. 21–26. – DOI: 10.33285/0132-2222-2019-11(556)-21-26