«Автоматизация и информатизация ТЭК»

Идентификация частичных отказов в газотранспортной системе с использованием нейросетевого алгоритма

УДК: 004.942:621.644.8
DOI: -

Авторы:

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

Ключевые слова: нейросетевые алгоритмы, газотранспортная система, частичные отказы, моделирование режимов, коэффициент гидравлической эффективности

Аннотация:

Построена искусственная нейронная сеть для распознавания критических ситуаций в действующей газотранспортной системе (ГТС). Для формирования обучающей выборки использовались данные о фактических режимах работы ГТС, а также результаты гидравлических расчетов, полученные в ходе моделирования нештатных ситуаций в программно-вычислительном комплексе. Перед проведением соответствующих расчетов модель была адаптирована с учетом особенностей работы системы для выбранного периода упреждения. Для характеристики состояния трубопроводов были определены "диктующие точки" системы, что позволило в разы уменьшить размерность массива входных данных нейросети без потери качества ее работы. Частичные отказы в ГТС имитировались с использованием заниженных коэффициентов гидравлической эффективности на нескольких участках газопроводов при проведении моделирования режимов. В результате построена модель многослойного персептрона, которая, получая на вход данные о замерах давлений и расходов в "диктующих точках" ГТС, выдает класс работы системы и позволяет определить наличие и место возникновения критической ситуации на трубопроводах. Изложены варианты дальнейшего развития предложенного нейросетевого алгоритма. В частности, для учета изменений топологии системы с течением времени, предлагается дополнительно использовать информацию о положении линейных кранов.

Список литературы:

1. Cheng D. Verification, Validation, Uncertainty Quantification Issues in the Development of Artificial Intelligent Models in Flow Assurance // PSIG Annual Meeting, Virtual, May 3–7, 2021. – Paper No. PSIG-2113.
2. О новом методе цифрового моделирования нестационарных режимов течения газа в магистральных газопроводах с применением нейронных операторов / А.В. Белинский, Д.В. Горлов, И.А. Пятышев, А.Е. Титов // Газовая пром-сть. – 2024. – № 5(865). – С. 54–66.
3. Практическая реализация применения нейросетевых моделей для моделирования сложных газотранспортных систем большой размерности / Н.А. Кисленко, С.Н. Панкратов, В.В. Дедкова [и др.] // Автоматизация и информатизация ТЭК. – 2024. – № 9(614). – С. 33–41.
4. Сухарев М.Г., Тверской И.В. О методологии применения математических моделей нейронных сетей к проблемам нефтегазового комплекса // Автоматизация и информатизация ТЭК. – 2022. – № 2(583). – С. 28–35. – DOI: 10.33285/2782-604X-2022-2(583)-28-35
5. Zhang Chi, Shafieezadeh A. Nested physics-informed neural network for analysis of transient flows in natural gas pipelines // Engineering Applications of Artificial Intelligence. – 2023. – Vol. 122. – P. 106073. – DOI: 10.1016/j.engappai.2023.106073
6. Salmasi F., Khatibi R., Ghorbani M.A. A study of friction factor formulation in pipes using artificial intelligence techniques and explicit equations // Turkish J. of Engineering and Environmental Sciences. – 2012. – Vol. 36, No. 2. – P. 121–138. – DOI: 10.3906/muh-1008-30
7. Learning of viscosity functions in rarefied gas flows with physics-informed neural networks / J.-M. Tucny, M. Durve, A. Montessori, S. Succi // Computers & Fluids. – 2024. – Vol. 269. – P. 106114. – DOI: 10.1016/j.compfluid.2023.106114
8. Chel L., Busi L., Carcasci C. Offline Monitoring Method for a Natural Gas City Gate Station Odorization System // PSIG Annual Meeting, San Diego, California, USA, May 10–13, 2022. – Paper No. PSIG-2213.
9. A systematic hybrid method for real-time prediction of system conditions in natural gas pipeline networks / Su Huai, E. Zio, Zhang Jinjun [et al.] // J. of Natural Gas Science & Engineering. – 2018. – Vol. 57. – P. 31–44. – DOI: 10.1016/j.jngse.2018.06.033
10. Brown R., Resto A. Proactive Parametric Studies Drive System Intelligence and Practical Gas Business Benefits // PSIG Annual Meeting, San Diego, California, USA, May 10–13, 2022. – Paper No. PSIG-2203.
11. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). – М.: Изд-во "Нефть и газ" РГУ нефти и газа им. И.М. Губкина, 2005. – 577 с.
12. СТО Газпром 2-3.5-051-2006. Нормы технологического проектирования магистральных газопроводов. – Введ. 2006–07–03. – М.: ИРЦ Газпром, 2006. – VIII, 197 с.
13. Сухарев М.Г., Самойлов Р.В. Анализ и управление стационарными и нестационарными режимами транспорта газа: моногр. – М.: Издат. центр РГУ нефти и газа (НИУ) им. И.М. Губкина, 2016. – 399 с.
14. СТО Газпром 2-3.5-433-2010. Методика по проведению гидравлических расчетов и определению технически возможной производительности эксплуатируемых систем магистральных газопроводов. – Введ. 2010–08–09. – М.: Газпром, 2010. – IV, 28 с.
15. Levenberg K. A Method for the Solution of Certain Non-Linear Problems in Least Squares // Quarterly of Applied Mathematics. – 1944. – Vol. 2. – P. 164–168. – DOI: 10.1090/qam/10666
16. Marquardt D. An Algorithm for Least-Squares Estimation of Nonlinear Parameters // J. of the Society for Industrial and Applied Mathematics. – 1963. – Vol. 11, Issue 2. – P. 431–441. – DOI: 10.1137/0111030