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

К вопросу подготовки исходного массива информации для обучения нейронных сетей определению параметров дефектов трубопроводов

УДК: 620.19:621.43
DOI: 10.33285/2073-9028-2023-2(311)-85-97

Авторы:

¹ Газпром диагностика, Cанкт-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, нейронная сеть

Аннотация:

В статье приводятся предварительная работа и анализ исторических данных по выявленным дефектам методом внутритрубной диагностики (ВТД) для последующего обучения нейросети. В анализе акцент делается на повторяемость результатов из отчетов разных лет и на сходимость данных с учетом одинаковых условий эксплуатации по соседним ниткам трубопроводов. Объем выборки для анализа составил более чем 15,5 млн дефектов с различными типоразмерами и характеристиками. Показано, что повторные обследования ВТД дают возможность оценить техническое состояние трубопроводов, выявить причины образования и динамику роста обнаруженных дефектов, позволяют выявить участки высокой коррозионной активности, а также сформировать обоснованные предложения в план диагностики, технического обслуживания и ремонта.

Список литературы:

1. 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.
2. Moubray J. Reliability-centered Maintenance. – NY: Industrial Press Inc., 2001. – 426 р.
3. Олейников А.В., Казак А.С. Современное состояние и перспективы цифровой трансформации в нефтегазовых компаниях//Автоматизация и информатизация ТЭК. – 2023. – № 3 (596). – С. 12–27. – DOI: 10.33285/2782-604X-2023-3(596)-12-27
4. Anifowose F., Labadin J., Abdulraheem A. Ensemble machine learning: an untapped modeling paradigm for petroleum reservoir characterization//Journal of Petroleum Science and Engineering. – 2017. – Vol. 151. – P. 480–487. – DOI: 10.1016/j.petrol.2017.01.024
5. Improved recurrent neural network-based manipulator control with remote center of motion constraints: Experimental results’/Su Hang, Hu Yingbai, H.R. Karimi [et al.]//Neural Netw. –November. – 2020. – DOI: 10.1016/j.neunet.2020.07.033
6. Современные инструменты бизнес-аналитики как ключ для повышения эффективности работы информационной системы/А.В. Шибанов, Д.В. Третьяков, К.В. Оводкова, К.Н. Жучков// Автоматизация и информатизация ТЭК. – 2023. – № 1 (594). – С. 5–11. – DOI: 10.33285/2782-604X-2023-1(594)-5-11
7. 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
8. Acoustic detection and localization of gas pipeline leak based on residual connection and one-dimensional separable convolutional neural network/W. Yan, W. Liu, H. Bi [et al.]//Transactions of the Institute of Measurement and Control. – 2023. – DOI:10.1177/01423312231156264
9. Diagnosis and Recognition of Pipeline Damage Defects Based on Neural Network Algorithm/M. Zhang, Y. Guo, D. Wang, Q. Du//Proceedings of the 2022 14th International Pipeline Conference. Volume 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. – Calgary, Alberta, Canada. September 26–30, 2022. V001T01A013. ASME. – URL: https://doi.org/10.1115/IPC2022-87163
10. Zavyalov A., Zhuchkov K., 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
11. 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, № 1. – P. 19932. – DOI: 10.1038/s41598-022-24457-2
12. 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. – EDN BALTXY.
13. Vasilchenko M., Zavyalov A., Zhuchkov K. Increasing the Stability of a Spatially Distributed Information System Using a Robust Algorithm for Filtering Anomalous Measurements//Inf. Technol. Ind. – 2020. – Vol. 8, № 3. – P. 1–7.
14. 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.