Проектирование системы обнаружения утечек на магистральном нефтепроводе - Студенческий научный форум

XII Международная студенческая научная конференция Студенческий научный форум - 2020

Проектирование системы обнаружения утечек на магистральном нефтепроводе

 Комментарии
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

В статье представлен процесс проектирования системы обнаружения утечек (СОУ) на нефтегазовых магистралях с применением нейронной сети. Описана архитектура и программная реализация СОУ. Цель исследования – проектирование прототипа системы, способной прогнозировать возможное образование утечки в нефтепроводе.

Материалы, отраженные в статье получены при выполнении магистерской диссертации «Исследование и разработка распределенной подсистемы промышленного интернета вещей» на кафедре «Интеллектуальные системы управления и автоматизации» Московского технического университета связи и информатики, научный руководитель – д.ф.-м.н., профессор Воронова Л.И.

Введение

Среди других видов транспорта нефтегазовых продуктов, российская трубопроводная система лидирует по грузообороту, производительности и себестоимости перекачки сырья. Для обеспечения бесперебойной работы магистральных нефтепроводов в малонаселенной местности с рекордно-низкими температурами, российским нефтегазовым компаниям необходимо разрабатывать собственные системы для автоматизации транспорта нефти и газа.

Использование моделей и методов машинного обучения, позволяет свести поступающие данные и произвести классификацию состояния системы. Применение нейронных сетей в разработке систем обнаружения утечек позволит нефтегазовым компаниям заранее прогнозировать изменение состояния целостности магистрального нефтепровода [1].

На кафедре «Интеллектуальные системы в управлении и автоматизации» ведется научная работа по разработке и применению распределенных сенсорных подсистем промышленного Интернета вещей для с применением методов обработки и анализа Big Data [2,3], Machine Learning [4,5] c использованием высокопроизводительных вычислений для прогнозирования ситуаций в IIoT [6].

До последнего времени в мировой нефтегазовой промышленности наблюдался спад в области капитальных инвестиций, вызванный падением цен на углеводороды, согласно подсчетам компании Research and Markets, мировые затраты нефтегазовой отрасли на ИТ в 2020 году составят $48,5 млрд. Поднятия эффективности отрасли на новый уровень ожидают, прежде всего, от внедрения технологий IIoT. Разработка удаленных месторождений.еще несколько лет назад считалась убыточной, прежде всего, из-за сложностей создания телекоммуникационной инфраструктуры. Системы контроля нефтегазовой и энергетической отраслей, которые появляются с внедрением Интернета Вещей, стимулируют развитие вертикальной интеграции сетевых технологий, объединяя сетевую инфраструктуру этих отраслей в единую систему[7].

Таким образом различные месторождения объединяются в единую структуру, что позволяет удаленно контролировать такие объекты, как нефте- или газопровод, нефтеперерабатывающее предприятие, газокомпрессорная станция, морская платформа или периферийное месторождение. Крупнейшие нефтегазовые предприятия России уже сегодня используют интеллектуальное производство, которое способно не только существенно повысить качество продукции, но и сократить затраты. Пилотные проекты, связанные с внедрением промышленного Интернета Вещей, реализует, например, Газпром Нефть, Ростелеком.

Архитектура системы обнаружения утечек

Необходимость управления исправностью и стабильностью трубопроводной инфраструктуры в нефтегазовой отрасли способствует внедрению интеллектуальных датчиков на рынке мониторинга нефтегазовых трубопроводов. Усовершенствованные сенсорные системы, использующие новые технологии, такие как беспроводное зондирование, встроенные электронные вычисления, миниатюризация, роботизированные системы и системы анализа больших данных, позволяют существенно сократить время и расход материальных ресурсов на производстве и повысить общественную безопасность

Спроектированная автором Система обнаружения утечек – сложный программно-аппаратный комплекс, состоящий из трех уровней рис. 1:

Рисунок 1 Архитектура СОУ

Нижний уровень. Включает в себя средства измерения состояния нефтегазового продукта:

Датчики давления. Измеряют давление на входе и выходе в участок МН.

Датчики температуры. Измеряют температуру на входе и выходе в участок МН

Ультразвуковой расходомер. Производит расчет расхода жидкости.

Средний уровень включает локальные станции СОУ, расположенные на опорах корпуса трубопровода

Локальные измерительные станции собирают технологические данные, измеренные средствами нижнего уровня.

Из собранных данных формируются информационные пакеты, снабженные метками времени. Эти пакеты по каналам связи передаются серверу СОУ.

Верхний уровень. Состоит из сервера СОУ и одного или нескольких АРМ СОУ

Обнаружение утечек выполняет ПО сервера СОУ. ПО содержит нейронную сеть, которая производит классификацию состояния МН на основе информации, получаемой от локальных станций.

Разработка программного обеспечения для СОУ

Для классифицирования состояния целостности магистрального нефтепровода используется многослойный персептрон. Многослойная нейронная сеть включает входной слой, выходной слой и несколько скрытых слоев. Входной слой нейронной сети, состоящий из 5 нейронов, принимает показания датчиков, установленных на магистральном нефтепроводе.

Для перехода к следующему слою нейронной сети, входные данные проходят через матрицу весов. заполненную случайными числами. Матрица весов необходима для перехода к следующему слою нейронной сети. Во время инициализации нейронной сети веса расставляются в случайном порядке.

Для получения выходного значения нейрона, в зависимости от результата взвешенной суммы входов и порогового значения, используется функция активации. В качестве функции активации используется сигмоидальная функция. График сигмоидальной функции изображен на рис. 1.

Рисунок 2 График сигмоидальной функции

Эта функция относится к классу непрерывных и принимает на входе произвольное вещественное число, а на выходе дает вещественное число в интервале от 0 до 1. В частности, большие (по модулю) отрицательные числа превращаются в ноль, а большие положительные – в единицу. Сигмоида (sigmoid) выражается формулой:

Для обучения нейросети, вводится функция стоимости (рис. 3), которая представляет сумму квадратов разностей между реальными значениями активации выходного слоя и их же идеальными значениями. Значение активации должно быть нулевым у всех нейронов кроме одного правильного.

На выходе нейронная сеть выдает значение 0 (утечки не обнаружено) или 1 (обнаружена утечка). Модель нейронной сети для определения утечки магистрального нефтепровода представлена на рис. 2.

Рисунок 4 Нейронная сеть для определения утечки магистрального нефтепровода

Заключение

Применение нейронной сети в СОУ позволит сократить время обнаружения утечек на нефтегазовых магистралях.

На данном этапе нейронная сеть, определяет утечку, основываясь на данные, получаемые с датчиков, установленных на магистральном нефтепроводе.

Необходимы дальнейшие исследования с целью предсказания возможного возникновения утечки.

Список источников и литературы

Andrew Ng Machine Learning – обучающий курс по дисциплине Machine Learning от Stanford University [Электронный ресурс]. – Режим доступа: https://www.coursera.org/learn/machinelearning

Voronov V., Strelnikov V., Voronova L., Trunov A., Vovik A. Faces 2D-recognition аnd identification using the HOG descriptors method // Conference of Open Innovations Association, FRUCT. 2019. № 24. С. 783-789.

Безумнов Д.Н., Воронова Л.И. О развитии и стандартизации технологии интернета вещей. в сборнике: технологии информационного общества // Материалы XII Международной отраслевой научно-технической конференции. 2018. С. 293-294.

Воронов В.И., Воронова Л.И., Генчель К.В. Применение параллельных алгоритмов в нейронной сети для распознавания жестового языка. // В сборнике: Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2018) // VII Международная научно-техническая и научно-методическая конференция. Сборник научных статей. В 4-х томах / Под редакцией С.В. Бачевского. 2018. С. 207-212.

Воронова Л.И., Воронов В.И.. Machine Learning: Регрессионные методы интеллектуального анализа данных: учебное пособие – МТУСИ, 2018 – 81 с.

Трунов А.С., Филатов А.М., Воронова Л.И., Усачев В.А. Программа интеллектуального автоматического распределения вычислительной нагрузки в программно-аппаратном комплексе для высокопроизводительных вычислений. // Свидетельство о регистрации программы для ЭВМ RU 2018666858, 21.12.2018.

https://iotas.ru/files/documents/ ИССЛЕДОВАНИЕ IIoT 2017 Ассоциация Электронных Коммуникаций (РАЭК), ПАО «Ростелеком»

Просмотров работы: 16