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

 

Название метода	Визуаль- ный осмотр трубо- провода	Использо- вание внут- ритрубных дефекто- скопов	Метод по «волне давления»	Параметри- ческие мето- ды	Акусто- эмиссионный метод	Волокно- оптический контроль
Преиму- щества	Простота реализа- ция, низкая стоимость	Обнаружи- вает мелкие трещины в трубопро- воде	Простота реализаци, низкая сто- имость	Простота реализация, низкая сто- имость	Позволяет регистрировать мелкие утечки, с высокой точностью определяет их местополо- жение	Позволяет регистриров ать мелкие утечки и криминальн ые врезки, с высокой тонностью определяет их местопо- ложение
Точность метода	~± 100 м	~± 0,01 м	~ ±300 м	~ ± 5 км	~ ±5 м	~ ±5 м
Экономи- ческая со- ставляю- щая	Не требу- ются затраты на внедрение	Один за- пуск обхо- дится поря- дка несколь- ко миллио- нов рублей	Не требу- ются затра- ты на внед- рение	Не требуют- ся затраты на внедрение	Требуются значительные затраты на установку большого числа датчиков	Требуются значительны е затраты на прокладку протяжённог о волокно- оптического кабеля- датчика
Примеча- ние	1. Внедрён на дей- ствующих трубопро- водах 2.   Отсут- ствие опе- ративно- сти, опре- деляет только видимые утечки	1. Внедрён на дей- ствующих трубопро- водах 2. Отсут- ствие опе- ративности, дороговизна эксплуата- ции	1. Внедрён на действую- щих трубопро- водах 2. Не спо- собен об- наружить медленно развиваю- щиеся утечки	1.   Внедрён на действующих трубопро- водах 2. Низкая точность при определении местополо- жения утечек	1. Внедрён на особо опасных участках 2. Требуется установка датчиков через каждые 3 км	Большое число ложных сраба- тываний, дороговизна реализации

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

 

Q, л/ мин	lут, км	Tнп, Со	ΔP , кгс/см2	Q,л/ мин	lут, км	Tнп, град	ΔP , кгс/см2
40	40	10	0,0185	80	53	25	0,0289
60	40	10	0,0238	100	53	25	0,0405
80	40	10	0,0305	120	53	25	0,0435
100	40	10	0,049	160	53	25	0,0505
120	40	10	0,0525	80	60	25	0,0283
160	40	10	0,0615	100	60	25	0,0365
60	44	10	0,023	120	60	25	0,039
80	44	10	0,029	160	60	25	0,0455
100	44	10	0,0455	80	79	25	0,027
120	44	10	0,0485	100	79	25	0,0295
160	44	10	0,056	120	79	25	0,0355

 

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

 

	Q	lут	Tнп
Q	1

lут	0,21	1
Tнп	-1,27∙10-17	8,07∙10-18	1

 

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	Персептрон		РБНС		Модульная НС
		Обучение	Тест	Обучение	Тест	Обучение	Тест
СКО	3,99∙10-6	1,876∙10-5	1,43∙10-6	3,65∙10-6	7,48∙10-6	2,65∙10-6	3,916∙10-6
Нормирован- ная среднеквадрат ичная ошибка	0,0323	0,0014	0,011574	0,027	0,0604	0,0196	0,0316
Средняя абсолютная ошибка	0,0017	0,0004	0,000786	0,0015	0,0022	0,0013	0,0016
Минимальная ошибка по модулю	0,00014	2,164∙10-5	1,77∙10-5	9,78∙10-6	6,59∙10-5	4,028∙10-5	1,95∙10-5
Максимальна я ошибка по модулю	0,0039	0,0009	0,0037	0,0048	0,0061	0,0036	0,0043
Коэффициент корреляции	0,9838	0,9997	0,994525	0,9866	0,9696	0,9903	0,9840

 

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