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

Проблемные вопросы комплексного подхода к диагностированию линейной части трубопроводов с позиции повышения энергоэффективности системы

УДК: 620.19:621.43
DOI: -

Авторы:

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

Ключевые слова: дефекты, внутритрубное диагностирование, энергоэффективность, машинное обучение

Аннотация:

С учетом развития методов диагностических обследований трубопроводов и в рамках ужесточения бюджетной политики энергетических корпораций в части оптимизации расходов на проведение диагностики, технического обслуживания и ремонта (ДТОиР) актуальной становится задача по сбалансированному комплексному подходу с сочетанием различных методов и методологий обследований без ущерба для качества оценки технического состояния. Показано, что только такой подход может стать залогом дальнейшего роста энергоэффективности всей газотранспортной системы. В статье рассмотрены и систематизированы ретроспективные данные по внутритрубным и наземным видам обследований, а также оценены перспективы использования информационно емких методов с использованием машинного обучения. Приведены примеры качества учета негативных факторов, таких как степень коррозионного и стресс-коррозионного поражения, наличие дефектов геометрии и сварных швов, обнаруженных по результатам обследований и т. п. Отдельно рассмотрены перспективы использования алгоритмов искусственного интеллекта по прогнозу появления дефектов различной природы. Сделана оценка динамики распределения различных методов обследования в перспективе ближайшего десятилетия на основе анализа существующих трендов и тенденций.

Список литературы:

1. Jarboui S., Hind A. Global Energy Transition and the Efficiency of the Largest Oil and Gas Companies // Energies 17. – 2024. – No. 10. – P. 2271.
2. Lin B., Du K. Measuring energy efficiency under heterogeneous technologies using a latent class stochastic frontier approach: An application to Chinese energy economy // Energy. – 2014. – No. 76. – P. 884–890.
3. Using Hybrid Machine Learning Methods to Predict and Improve the Energy Consumption Efficiency in Oil and Gas Fields / L. Jun, G. Yidong, Zh. Xiangyang, F. Zhanbao // Mobile Information Systems. – 2021. – P. 1–7. – DOI: 10.1155/2021/5729630
4. Ivanova T. Digital technologies in oil and gas production as a tool to ensure optimal energy efficiency and sustainability // E3S Web of Conferences. – 2023. – DOI: 10.1051/e3sconf/202341901007
5. 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, No. 1. – P. 19932. – DOI: 10.1038/s41598-022-24457-2 – EDN JCVKPJ.
6. Перспективные подходы в задачах оценки параметров сигналов / Н.Г. Пархоменко, С.Г. Хоружий, К.Н. Жучков [и др.] // Морская радиоэлектроника. – 2006. – № 2 (16). – С. 46– 49. – EDN FPVKCE.
7. О методах обеспечения энергетической эффективности транспортировки газа в современных условиях / А.П. Завьялов, Д.П. Никулина, М.М. Чурикова, И.М. Гречишников // Труды Российского государственного университета нефти и газа имени И.М. Губкина. – 2023. – № 1 (310). – С. 145–152. – DOI: 10.33285/2073-9028-2023-1(310)-145-152 – EDN QUAIIT.
8. Жучков К.Н., Завьялов А.П. Совершенствование научно-методических подходов к информационно-аналитическому обеспечению системы диагностического обслуживания оборудования и трубопроводов компрессорных станций // Оборудование и технологии для нефтегазового комплекса. – 2021. – № 1 (121). – С. 104–108. – DOI: 10.33285/1999-6934-2021-1(121)-104-108 – EDN YUVZKO.
9. Скрынников С.В. Современные принципы и направления развития системы организации диагностики, технического обслуживания и ремонта в ПАО «Газпром» // Газовая промышленность. – 2017. – № S2 (754). – С. 4–9.
10. Leveraging Machine Learning for Pipeline Condition Assessment / L. Hongfang, X. Zhao-Dong, Z. Xulei [et al.] // Journal of Pipeline Systems Engineering and Practice. – 2023. –Vol. 14, No. 3. – DOI: 10.1061/JPSEA2.PSENG-1464
11. Zav’yalov A.P., Zhuchkov K.N., Vasil’chenko M. Process Pipeline Strength Calculation Methodology Enhancement Using Finite-Element Method // Journal of Pipeline Systems Engineering and Practice. – 2023. – Vol. 14, No. 2. – DOI: 10.1061/JPSEA2.PSENG-1401 – EDN PLAOJD.
12. Moubray J. Reliability-centered Maintenance. Second Edition’. – NY: Industrial Press Inc., 1997.
13. Review of prediction of stress corrosion cracking in gas pipelines using machine learning / M. Hussain, T. Zhang, M. Chaudhry, I. Jamil // Machines. – 2024. – No. 12. – 42 p. – MDPI.
14. 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.
15. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1 // Газовая промышленность. – 2021. – № 9 (821). – С. 88–96. – EDN VZIBLB.
16. Толстов А.Г. Введение в информатику систем технической диагностики. – 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, No. 21. – P. 10739–10754. – DOI: 10.1007/s00500-018-3628-5 – EDN OJRMWU.
18. Исследование точностных характеристик и сходимости методов прогнозирования появления дефектов на трубопроводе с использованием искусственного интеллекта / К.Н. Жучков, А.П. Завьялов, К.В. Оводкова, Д.С. Почикеев // Труды Российского государственного университета нефти и газа имени И.М. Губкина. – 2023. – № 4/313. – С. 104–117.