«Труды Российского государственного университета нефти и газа имени И.М. Губкина»

Исследование точностных характеристик и сходимости методов прогнозирования появления дефектов на трубопроводе с использованием искусственного интеллекта

УДК: 620.19:621.43
DOI: 10.33285/2073-9028-2023-4(313)-104-117

Авторы:

¹ Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, Москва, Российская Федерация
² Газпром диагностика, Санкт-Петербург, Российская Федерация

Ключевые слова: дефекты, внутритрубная дефектоскопия, машинное обучение, линейная регрессия, случайный лес

Аннотация:

В статье представлены результаты применения алгоритмов машинного обучения к решению бинарной задачи по прогнозированию появления дефекта со стресс-коррозией на трубе. Разработана расширенная метрика, включающая в себя параметры трубопровода, его окружения, информацию по проведенным обследованиям и ремонтам, которая была наполнена данными по магистральному газопроводу из системы «Инфотех». Было проведено обучение по алгоритмам линейной регрессии и случайного леса, а также получены прогнозные модели на базе реализованных алгоритмов. Для оценки правильности прогноза использовались данные после 2021 г., не участвующие в обучении. Показано, что наилучшие результаты дает применение алгоритма случайного леса, точность прогнозирования при этом достигла 76 %. Сходимость процесса обучения достигается на значении менее 10 тыс. эпох для обоих алгоритмов. Проведенная фильтрация результатов по глубине дефекта более 30 % от толщины стенки позволила поднять значение точности прогноза до 83 %. В статье оценены дальнейшие направления развития исследования, в том числе с использованием рекуррентных нейросетей.

Список литературы:

1. Скрынников С.В. Современные принципы и направления развития системы организации диагностики, технического обслуживания и ремонта в ПАО «Газпром» // Газовая промышленность. – 2017. – № 2 (754). – С. 4–9.
2. Leveraging Machine Learning for Pipeline Condition Assessment / L. Hon-Gfang, X. Zhao-Dong, Z. Xulei [et al.] // Journal of Pipeline Systems Engineering and Practice. – 2023 – Vol. 14, № 3. – DOI: 10.1061/JPSEA2.PSENG-1464
3. Zavyalov A.P., Zhuchkov K.N., Vasilchenko M. Process Pipeline Strength Calculation Methodology Enhancement Using Finite-Element Method // Journal of Pipeline Systems Engineering and Practice. – 2023. – Vol. 14, № 2. – DOI: 10.1061/JPSEA2.PSENG-1401 – EDN PLAOJD.
4. Moubray J. Reliability-centered Maintenance. Second Edition. – NY: Industrial Press Inc., 1997.
5. An investigation of mitigating the safety and security risks allied with oil and gas pipeline projects / L. Kraidi, R. Shah, W. Matipa, F. Borthwick // Journal Pipeline Sci. Eng. – 2021. – № 1. – P. 349–359. – URL: https://doi.org/10.1016/j.jpse.2021.08.002
6. Кухарж П. Практический опыт внедрения системы контроля целостности трубопровода в компании MERO // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. – 2012. – № 2 (6). – С. 103–105. – EDN OZDKZH.
7. Sustainable Development for Oil and Gas Infrastructure from Risk, Reliability, and Resilience Perspectives / M. Yasir, T. Afrin, Y. Huang, N. Yodo // Sustainability. – 2023. – № 15. – № 6: 4953. – URL: https://doi.org/10.3390/su15064953
8. A walk of corporate sustainability towards sustainable development: a bibliometric analysis of literature from 2005 to 2021 / A.A. Jan, F.W. Lai, J. Siddique [et al.] // Environ Sci. Pollut. Res. – 2023. – № 30. – P. 36521–36532. – URL: https://doi.org/10.1007/s11356-022-24842-4
9. Оводкова К.В., Жучков К.Н., Завьялов А.П. К вопросу подготовки исходного массива информации для обучения нейронных сетей определению параметров дефектов трубопроводов // Труды Российского государственного университета нефти и газа имени И.М. Губкина. – 2023. – № 2 (311). – С. 85–97. – DOI: 10.33285/2073-9028-2023-2(311)-85-97 – EDN TPJNNM.
10. Исследование особенностей КРН магистральных газопроводов большого диаметра / В.А. Середенок, В.Л. Онацкий, В.Н. Толкачева, Р.В. Агиней // Трубопроводный транспорт: теория и практика. – 2016. – № 5 (57). – С. 12–16. – EDN WYPNHD.
11. Концепция диагностирования и ремонта магистральных газопроводов в регионах с высокой предрасположенностью к стресс-коррозии / С.В. Алимов, А.Б. Арабей, И.В. Ряховских [и др.] // Газовая промышленность. – 2015. – № S2 (724). – С. 10–15. – EDN UYBAQN.
12. Vasilchenko M., Zavyalov A., Zhuchkov K. Increasing the stability of a spatially distributed information system using a robust algorithm for filtering anomalous measurements // IT in industry. – 2020. – Vol. 3 (8). – P. 1–7.
13. Гуляев А.С. Влияние почв на коррозию стальных труб. Моделирование стресс-коррозионных процессов // Аналитика. – 2017. – № 6 (37). – С. 74–77. – DOI: 10.22184/2227-572X. 2017.37.6.74.77 – EDN ZSUBOL.
14. Жучков К.Н., Завьялов А.П. Совершенствование технологии внутритрубной диагностики трубопроводов с использованием алгоритма автоматизированной обработки диагностических данных // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. – 2022. – № 12 (6). – С. 540–549. – DOI: 10.28999/2541-9595-2022-12-6-540-549 – EDN WZSILO.
15. Шатров А.В., Пащенко Д.Э. Сравнение классических регрессионных моделей с моделями, построенными с помощью продвинутых методов машинного обучения // Advanced Science. – 2019. – № 1 (12). – С. 24–28. – DOI: 10.25730/VSU.0536.19.004 – EDN QANBHL.
16. Толстов А.Г. Введение в информатику систем технической диагностики / АО «Газ-пром», Информационно-рекламный центр газовой промышленности (ООО «ИРЦ Газпром»). – М.: ИРЦ Газпром, 2007. – 487 с. – EDN QNTYVL.
17. 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, № 21. – P. 10739–10754. – DOI: 10.1007/s00500-018-3628-5 – EDN OJRMWU.
18. Летова М.С. Реализация регрессионных и классификационных задач с помощью метода Random Forest // E-Scio. – 2017. – № 8 (11). – С. 15–21. – EDN ZNGRFN.
19. Improving the accuracy of estimates of the pulse sequence period using the methodology of complete sufficient statistics / K.N. Zhuchkov, M. Vasilchenko, A.D. Zagrebneva, A.P. Zavyalov // Scientific Reports. – 2022. – Vol. 12, № 1. – P. 19932. – DOI: 10.1038/s41598-022-24457-2 – EDN JCVKPJ.
20. Буланов В.А., Фомичева О.Е. Метод деревьев решений для задач бинарной и мультиклассовой классификации // Инженерная физика. – 2020. – № 3. – С. 19–26. – DOI: 10.25791/ infizik.03.2020.1123 – EDN PSJNSZ