29 июня 2017г.
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
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