Нейронные сети помогут чинить трубопровод

Неисправности в трубопроводе ликвидируются с помощью индукционного нагрева. За качеством работы лучше всего следят нейронные сети, установили исследователи Сибирского федерального университета.

Выйти из полноэкранного режима

Развернуть на весь экран

Одно из слабых звеньев нефтегазового оборудования — составные части трубопроводной системы. Они чаще всего подвержены поломкам и значительно изнашиваются при эксплуатации.

Чтобы наладить неисправную трубопроводную систему, используются различные тепловые процессы. Эффективным считается ремонт пострадавших элементов трубопровода при помощи технологии индукционного нагрева. Контроль индукционной пайки трубопроводной системы обычно проводится на основе измерений температуры на смежных участках места соединения элементов сборки. К сожалению, в ходе этого процесса часто возникают погрешности: измерение температуры бесконтактными датчиками, использование флюса и припоя, особенности самого метода индукционного нагрева не всегда позволяют обеспечить требуемую точность. Возникающие погрешности снижают качество ремонта трубопроводной системы — это отрицательно сказывается на производительности трубопровода и в конечном счете на нефтедобыче. Ученые Сибирского федерального университета и Сибирского государственного университета науки и технологий имени академика М. Ф. Решетнева предложили использовать новые интеллектуальные методы для ремонта нефтегазового оборудования.

«Мы предложили метод, который позволит с высокой точностью контролировать технологические процессы ремонта нефтегазового оборудования. Были рассмотрены различные интеллектуальные методы: на основе деревьев решений, искусственных нейронных сетей, а также на основе методов нечеткой логики. Все эти методы были протестированы на реальных экспериментальных данных. В результате выяснилось, что наибольшую эффективность при классификации погрешностей средств измерения показывает метод на основе искусственных нейронных сетей. Эффективность этого метода достигла 94,9%. Меньшую эффективность показали методы на основе деревьев решений и нечеткой логики — 85,4% и 93,7% соответственно. Наша команда полагает, что использование метода на основе искусственных нейросетей для того, чтобы контролировать параметры технологических процессов ремонта нефтегазового оборудования, позволит повысить качество ремонта, а также сделать надежнее трубопроводную систему нефтегазового оборудования. Соответственно, можно будет повысить эффективность добычи и переработки углеводородного сырья»,— сообщил один из авторов исследования, доцент кафедры технологических машин и оборудования нефтегазового профиля СФУ Владимир Бухтояров.

По материалам «Intelligently Informed Control over the Process Variables of Oil and Gas Equipment Maintenance». Vladimir V. Bukhtoyarov, Anton V. Milov, Vadim S. Tynchenko, Eduard A. Petrovskiy, Sergei V. Tynchenko, журнал International Review of Automatic Control, август 2019 г.