«Автоматизация и информатизация ТЭК»

Разработка прогнозной модели возникновения дефектов на газопроводах с использованием алгоритмов глубокого обучения

УДК: 620.19:621.43
DOI: -

Авторы:

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

Ключевые слова: дефекты, внутритрубная дефектоскопия, нейронные сети, полносвязные сети

Аннотация:

Настоящая статья посвящена построению и применению на практике модели нейронной сети для решения актуальной задачи прогнозирования появления стресс-коррозионных дефектов в трубопроводах высокого давления. В качестве целевого показателя для обучения модели была выбрана информация, полученная в ходе многолетних обследований газотранспортной системы и хранимая в корпоративной базе данных "Инфотех". Для обучения модели использовались данные по 17 участкам различных газопроводов общей протяженностью более 1000 км. Вероятность правильного прогноза модели после обучения составила 82,3 %. Описаны общие принципы функционирования модели, процесс ее построения и обучения, а также методы обработки и нормализации данных. Проведен анализ результатов и очерчены перспективы улучшения работы с данными в рамках повышения устойчивости результата прогноза, а также расширения возможностей модели. Отмечено, что можно использовать вероятностные статистические и нейросетевые алгоритмы прогнозирования дефектов для повышения достоверности оценки технического состояния оборудования нефтегазовой отрасли, существенно снижая при этом трудоемкость проведения полевых работ. Перспективой данного направления является синтез алгоритма прогноза технического состояния оборудования, исходя из накопленного массива информации, одновременно применяя и робастные методы, и методы глубокого обучения.

Список литературы:

1. Аксютин О.Е. Инновации – необходимость или дань моде? // Наука и техника в газовой пром-сти. – 2022. – № 4(92). – С. 3–14.
2. Zavyalov A.P., Zhuchkov K.N., Vasilchenko M. Process Pipeline Strength Calculation Methodology Enhancement Using Finite-Element Method // J. of Pipeline Systems Engineering and Practice. – 2023. – Vol. 14, No. 2. – Article No. 1401. – DOI: 10.1061/JPSEA2.PSENG-1401
3. Гуськов М.А., Фомина Е.Е., Могило А.А. Анализ причин аварий на опасных производственных объектах магистрального трубопроводного транспорта газа // Защита окружающей среды в нефтегазовом комплексе. – 2024. – № 4(319). – С. 62–69.
4. Мустафина С.И., Жиляков С.А. Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования // Автоматизация и информатизация ТЭК. – 2023. – № 7(600). – С. 13–21. – DOI: 10.33285/2782-604X-2023-7(600)-13-21
5. Завьялов А.П., Дяченко И.Ф. Об изменении требований к технической диагностике для внедрения методов предиктивной аналитики при переходе к риск-ориентированной системе эксплуатации оборудования топливно-энергетического комплекса // Оборудование и технологии для нефтегазового комплекса. – 2025. – № 1(145). – С. 68–71.
6. Васильев Г.Г., Бутовка А.Н. Исследование процессов старения свойств металла надземных магистральных газопроводов // Оборудование и технологии для нефтегазового комплекса. – 2025. – № 1(145). – С. 34–41.
7. The use of machine learning for various predictive models of the occurrence of pipe defects / K. Zhuchkov, A. Zavyalov, A. Lopatin [et al.] // Insight – Civil Engineering. – 2024. – Vol. 7, No. 2. – P. 646. – DOI: 10.18282/ice.v7i2.646
8. Построение прогнозных моделей на основе искусственного интеллекта для решения задачи предсказания появления дефектов трубопроводов / А.В. Шибанов, Д.С. Почикеев, Ф.А. Кочубей [и др.] // Автоматизация и информатизация ТЭК. – 2023. – № 10(603). – С. 38–47. – DOI: 10.33285/2782-604X-2023-10(603)-38-47
9. Kere K.J., Huang Qindan. Development of a Probabilistic Interaction Rule and Failure Pressure Model for Pipelines with a Colony of Corrosion Defects // J. of Pipeline Systems Engineering and Practice. – 2025. – Vol. 16, No. 2. – Article No. 1714. – DOI: 10.1061/jpsea2.pseng-1714
10. Базин Н.Р. Исследование эффективности многослойной полносвязной нейронной сети в задачах регрессии // Решетневские чтения: материалы XXVIII Междунар. науч.-практ. конф., посвящ. 100-летию со Дня рождения генер. конструктора ракетно-космических систем акад. Михаила Федоровича Решетнева, Красноярск, 18–22 нояб. 2024 г.: в 2 ч. Ч. 2. – Красноярск: Сиб. гос. ун-т науки и технологий им. акад. М.Ф. Решетнева, 2024. – С. 40–42.
11. Терехов В.И., Черненький И.М., Минакова С.В. Исследование и разработка методов настройки числа нейронов в скрытом слое полносвязной нейронной сети // Нейрокомпьютеры: разработка, применение. – 2017. – № 3. – С. 52–62.
12. Ананьева А.А., Ланцов В.Н. Особенности библиотек программного комплекса Keras для создания искусственных нейронных сетей // Прикладная математика и информатика: современные исслед. в области естественных и технических наук: сб. материалов IX Междунар. науч.-практ. конф. (шк.-семинара) молодых ученых, Тольятти, 18–20 апр. 2023 г. – Тольятти: Тольяттинский гос. ун-т, 2023. – С. 386–390.
13. Vasilchenko M., Zavyalov A.P., Zhuchkov K.N. Increasing the Stability of a Spatially Distributed Information System using a Robust Algorithm for Filtering Anomalous Measurements // Information Technology in Industry. – 2020. – Vol. 8, No. 3. – P. 1–7.
14. Identifying flow defects in amorphous alloys using machine learning outlier detection methods / Tian Liang, Fan Yue, Li Lin, N. Mousseau // Scripta Materialia. – 2020. – Vol. 186. – P. 185–189. – DOI: 10.1016/j.scriptamat.2020.05.038
15. A Feature Selection–Based Intelligent Framework for Predicting Maximum Depth of Corroded Pipeline Defects / Lu Hongfang, Peng Haoyan, Xu Zhao-Dong [et al.] // J. of Performance of Constructed Facilities. – 2022. – Vol. 36, No. 5. – DOI: 10.1061/(asce)cf.1943-5509.0001753