ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ ДЛЯ ОБНАРУЖЕНИЯ ДЕФЕКТОВ МАГИСТРАЛЬНЫХ НЕФТЕПРОДУКТОВОДОВ

Аннотация

В данной статье приведён анализ методов аппроксимации экспериментальных данных утечек продукта из магистрального трубопровода. Рассмотрены различные модели утечек на основе применения технологии нейронных сетей. Моделирование проводилось в среде Matlab.

Ключевые слова

Утечка, методы обнаружения утечек, система обнаружения утечек, метод наименьших квадратов, нейронные сети.

Введение

На долю транспортировки нефтепродукта по магистральным трубопроводам приходится более 50 % объёма от общего числа транспортируемых нефтепродуктов [1].

Главной причиной утечек является устаревшее действующее оборудование: 31 % трубопроводов эксплуатируются более 50 лет и ещё 26 % их пребывают в возрасте от 30 до 50 лет [6]. У 68% магистральных трубопроводов срок эксплуатации более 20 лет, т.е. находятся в критическом возрасте. По статистике МЧС России, каждый год из-за аварий происходят разливы в объёме не менее 20 тыс. м. Также причинами утечек могут быть разные природные явления. Последствия утечек: загрязнение окружающей среды, опасность возгорания и взрыва, ликвидация последствий ведет к серьезным экономическим потерям. Ситуация настолько серьезная, что вынуждает мировое сообщество часто обращаться к проблеме утечки нефти и нефтепродуктов из трубопроводов. Кроме этих проблем, одной из основных - являются кражи нефтепродуктов: резко увеличилось число несанкционированных врезок. Кроме непосредственного экономического убытка, причиняемого кражей нефтепродуктов, несанкционированная врезка, являясь ненормативной конструкцией, несет в себе большую потенциальную опасность, так как нарушает локальные прочностные характеристики трубопровода. Таким образом, актуальной задачей трубопроводного транспорта является своевременное обнаружение и ликвидация утечек. Для чего необходимо использовать программно–аппаратные системы обнаружения утечек (СОУ).

На основе теоретических исследований создано множество методов и систем обнаружения утечек: от простого обхода трубопровода линейными обходчиками c использованием течеискателей до применения дорогостоящих волокнооптических кабелей-датчиков и спутниковых систем мониторинга. В настоящее время, несмотря на разнообразие используемых способов и методик, отсутствует универсальный метод, способный довольно точно определить местоположение утечки и не требующий больших затрат на реализацию и эксплуатацию. Каждый метод не лишён недостатков. К тому же, технологическое оборудование для врезки также совершенствуется [2].

Одним из перспективных направлений разработки в настоящее время являются интеллектуальные методы, основанные на использовании нейронных сетей. В работах [3,4] показано, что на основе применения аналитических средств контроля и диагностирования трубопроводной системы осуществляется анализ балансов потоков жидкости по отдельным точкам и участкам трубопровода и, в свою очередь, нахождение связей между изменениями значений расхода и давления, которые, по большей части, показывают гидравлическое сопротивление на участках трубопроводной системы. Нарушение баланса может быть связано с изменениями и отклонениями в функционировании объектов трубопроводных систем, в частности, с образованием порывов, утечек, отклонением состава и структуры потоков, с выполнением переключений в трубопроводной системе.

Диагностическая модель на базе нейронных сетей позволяет обнаруживать утечку в трубопроводе и идентифицировать участок, на котором образовалась утечка, но, тем не менее, установить координаты утечки с помощью только этой модели не возможно.

Сравнение методов обнаружения утечек представлено в таблице 1 [2].

Анализ экспериментальных данных

Образование утечки с расходом q ведёт к снижению напора и соответственно давления жидкости в трубопроводе (рисунок 1). Падение давление ΔP в любой точке трубопровода в общем виде может быть описано формулой:

Таблица 1[2] – Сравнительная характеристика методов обнаружения утечек жидкости из трубопровода

Где Qут, lут, tут – расход, координата и время возникновения утечки соответственно; X,Y – векторы параметров основных и подпорных насосов (скорость вращения, время включения, отключения); K – вектор параметров качества нефтепродуктов (например, плотность, вязкость); L – параметры задвижек на линейном участке (положение задвижки, время открытия/закрытия, координата задвижки относительно нулевой точки); T0 – температура нефтепродукта; x1 – координата точки, на которой будет вычисляться падение давления ∆Px1; f – некоторая функция, описывающая зависимость падение давления ΔP.

Для вычисления ΔР по формуле (1) необходимо аппроксимировать функцию f.

По известной зависимости f, зная ΔP и значения остальных параметров процесса транспортировки нефтепродукта, можно вычислить месторасположение утечки lут. Точность вычисления будет зависеть от точности измерения параметров и точности аппроксимации f. Рассмотрим аппроксимацию с помощь метода наименьших квадратов и с помощью искусственных нейронных сетей.

В качестве наиболее важных параметров, описывающих процесс транспортировки нефтепродукта в трубопроводе, были выбраны следующие: избыточное давление в трубопроводе и расход нефтепродукта. Во-первых, эти параметры наиболее существенно изменяются при возникновении утечки. Во-вторых, они легко поддаются измерению датчиками и не требуется больших затрат на установку и эксплуатацию датчиков давления и расхода.

Рассмотрим таблицу 1 значений падения давления, зафиксированных датчиком в момент экспериментального отбора нефтепродукта, при различном местоположении утечки относительно датчика давления и разном расходе утечки [2].

Таблица 1. Фрагмент Выборки экспериментальных данных

Где Q  – расход утечки, lут   – расстояние от датчика до место утечки, Tнп  – температура нефтепродукта, ΔP – разность давлений

Анализ матрицы парных коэффициентов корреляции,     показывает сильную корреляцию между параметрами - Q и lут (таблица 2).

Таблица 2. Матрица парных коэффициентов корреляции

Проведем сравнительный анализ нейросетевых и «классического» методов аппроксимации:

-   метода наименьших квадратов (МНК);

-   многослойного персептрона;

-   радиально-базисной нейронной сети (РБНС);

-   модульной НС.

В таблице 3 приведены ошибки аппроксимации, полученные на основе перечисленных выше моделей.

Таблица 3. Сравнительный анализ ошибок аппроксимации для четырех методов

МНК и РБНС, по сравнению с другими методами (таблица3), уступают по точности аппроксимации и поэтому дают наибольшую ошибку, МНК не чувствителен к малым утечкам, но хорошо применим на фоне средних больших утечек, это видно из рисунка 2(а,б), анализа зависимостей ΔP=( Qут, lут,) показывает качественную обработку данных полиномом 5-го порядка (МНК) при утечке до 30л/мин и разности давлений 0,0195кг/см2 ,однако существующий резкий переход показывает, что на этом участке функция плохо аппроксимируется в отличие от нейросетевого метода (многослойный персептрон рисунок 3а,б). Следовательно, НС аппроксимируют функциональную зависимость с большой точностью на всем интервале перепада давлений.

Сравнительный анализ нейросетевых методов (таблица 3) показал, что лучшим аппроксиматором экспериментальной выборки данных является многослойный персептрон, с 6 нейронами в скрытом слое (рисунок 4) [5,6].

Список литературы

1.        Алиев Т.М.. Методы и средства контроля малых утечек на магистральных нефте- и продуктопроводах / Т.М. Алиев, Р.И. Карташова, А.А. Тер-Хачатуров, В.Л. Фукс. – М.: ВНИИОЭНГ, 1977. – 61 с.

2.        Булатов А.Ф. Повышение эффективности автоматизированной системы обнаружения утечек из нефтепродуктопроводов на основе интеллектуальных технологий: автореф. дис. …канд. техн. наук: 05.13.06 / Булатов Артур Фларитович - Уфа, 2015. – 1,6,8 с.

3.        Вульфин А.М. Алгоритмы обработки информации для диагностики инженерных сети нефтедобывающего предприятия с интеллектуальной подержкой принятия решений: автореф. дис. … канд. техн. наук : 05.13.01 / Вульфин Алексей Михайлович. – Уфа, 2012. – 17 с

4.        Зозуля Ю. И. Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации: дис. … д-ра. техн. наук : 05.13.01 / Зозуля Юрий Иванович. – Уфа, 2009. – 356 с.

5.        Солдатова О. П. Нейроинформатика[Электронный ресурс]: Учебное пособие. Самара 2013. - Режим  доступа: http://repo.ssau.ru/bitstream/Uchebnye-posobiya/Neiroinformatika-Elektronnyi- resurs-ucheb-posobie-55106/1/Солдатова%20О.П.%20Нейроинформатика.pdf

6.        Текущее состояние системы ТНП на фоне необходимости расширения существующих и строительства новых мощностей [Электронный ресурс]. – Режим доступа: http://transnefteproduct.transneft.ru/press/news/?id=2437