Виявлення особливостей функціонування системи протикорозійного захисту підземних трубопроводів нафтогазових підприємств з використанням нейронних мереж

Автор(и)

  • Vitalii Lozovan Фізико-механічний інститут ім. Г. В. Карпенка НАН України вул. Наукова, 5, м. Львів, Україна, 79060, Україна https://orcid.org/0000-0002-7405-7849
  • Roman Dzhala Фізико-механічний інститут ім. Г. В. Карпенка НАН України вул. Наукова, 5, м. Львів, Україна, 79060, Україна https://orcid.org/0000-0002-0197-0389
  • Ruslan Skrynkovskyy Львівський університет бізнесу та права вул. Кульпарківська, 99, м. Львів, Україна, 79021, Україна https://orcid.org/0000-0002-2180-8055
  • Volodymyr Yuzevych Фізико-механічний інститут ім. Г. В. Карпенка НАН України вул. Наукова, 5, м. Львів, Україна, 79060, Україна https://orcid.org/0000-0001-5244-1850

DOI:

https://doi.org/10.15587/1729-4061.2019.154999

Ключові слова:

нейронна мережа, підземні трубопроводи, поляризаційний потенціал, розподіл постійної напруги, нафтогазові підприємства

Анотація

Проведено відбір інформації для впорядкування теоретичних положень та розробки практичних рекомендацій щодо діагностичних обстежень системи протикорозійного захисту підземних металевих нафтогазових трубопроводів.

Сформовано множину інформативних параметрів для моделювання функціональних зв’язків та визначення поляризаційного потенціалу у системі “підземна металоконструкція – установка катодного захисту”.

Для ділянки трубопроводу з урахуванням поляризаційного потенціалу на зовнішній поверхні запропоновано застосувати алгоритм прогнозування корозійного струму, підхід нелінійного програмування, а також нейронну мережу, що включає відповідні методи навчання. Сформовано тестуючу множину для оцінювання ефективності нейронної мережі.

Відзначена інформація є важливою для удосконалення апаратури дистанційного контролю металевих конструкцій нафтогазових підприємств, тобто методик коректного вимірювання та оцінювання постійних і змінних напруг та поляризаційного потенціалу на трубопроводі.

Розглянуто методи та алгоритми нейронних мереж, які застосовують для керування протикорозійним захистом підземних трубопроводів. Проведено дослідження ефективності штучних нейронних мереж, зокрема двошарової мережі прямого розповсюдження з функцією прогнозування ресурсу металевих труб. З використанням поляризаційного потенціалу виявлено здатність нейронних мереж виконувати недоступні для традиційної математики операції обробки, порівняння, класифікації образів, можливість самонавчання та самоорганізації стосовно підземних трубопроводів. Удосконалено кваліметричний критерій якості для ділянки трубопроводу з урахуванням оптимального діапазону поляризаційного потенціалу.

Розроблено метод прогнозування поляризаційного потенціалу установки катодного захисту і перехідного питомого опору ізоляційного покриття на поверхні підземної металоконструкції з використанням нейронної мережі. За результатами аналізу поляризаційного потенціалу і перехідного питомого опору конструкції розроблено методологію формування інформаційного забезпечення для методик деградації антикорозійного діелектричного покриття та металу на зовнішній поверхні підземної металоконструкції, а також для прогнозування її ресурсу

Біографії авторів

Vitalii Lozovan, Фізико-механічний інститут ім. Г. В. Карпенка НАН України вул. Наукова, 5, м. Львів, Україна, 79060

Аспірант

Відділ електрофізичних методів неруйнівного контролю

Roman Dzhala, Фізико-механічний інститут ім. Г. В. Карпенка НАН України вул. Наукова, 5, м. Львів, Україна, 79060

Доктор технічних наук, завідувач відділу

Відділ електрофізичних методів неруйнівного контролю

Ruslan Skrynkovskyy, Львівський університет бізнесу та права вул. Кульпарківська, 99, м. Львів, Україна, 79021

Кандидат економічних наук, доцент

Кафедра економіки підприємств та інформаційних технологій

Volodymyr Yuzevych, Фізико-механічний інститут ім. Г. В. Карпенка НАН України вул. Наукова, 5, м. Львів, Україна, 79060

Доктор фізико-математичних наук, професор

Відділ електрофізичних методів неруйнівного контролю

Посилання

  1. Duchi, J., Hazan, E., Singer, Y. (2011). Adaptive Subgradient Methods for Online Learning and Stochastic Optimization. Journal of Machine Learning Research, 12, 2121–2159. Available at: http://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf
  2. Feurer, M., Klein, A., Eggensperger, K., Springenberg, J., Blum, M., Hutter, F. (2015). Efficient and robust automated machine learning. In Advances in Neural Information Processing Systems. Available at: https://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf
  3. Yuzevych, L., Skrynkovskyy, R., Koman, B. (2017). Development of information support of quality management of underground pipelines. EUREKA: Physics and Engineering, 4, 49–60. doi: https://doi.org/10.21303/2461-4262.2017.00392
  4. Yuzevych, V. M., Dzhala, R. M., Koman, B. P. (2018). Analysis of Metal Corrosion under Conditions of Mechanical Impacts and Aggressive Environments. METALLOFIZIKA I NOVEISHIE TEKHNOLOGII, 39 (12), 1655–1667. doi: https://doi.org/10.15407/mfint.39.12.1655
  5. Nykyforchyn, H. M., Poliakov, S. H., Chervatiuk, V. A., Oryniak, I. V., Slobodian, Z. V., Dzhala, R. M. (2009). Mekhanika ruinuvannia ta mitsnist materialiv. Vol. 11: Mitsnist i dovhovichnist naftohazovykh truboprovodiv i rezervuariv. Lviv: “Spolom”, 504.
  6. Dzhala, R. M., Verbenets’, B. Y., Melnyk, M. I. (2016). Measuring of Electric Potentials for the Diagnostics of Corrosion Protection of the Metal Structures. Materials Science, 52 (1), 140–145. doi: https://doi.org/10.1007/s11003-016-9936-y
  7. Yuzevych, V., Klyuvak, O., Skrynkovskyy, R. (2016). Diagnostics of the system of interaction between the government and business in terms of public e-procurement. Economic Annals-ХХI, 160 (7-8), 39–44. doi: https://doi.org/10.21003/ea.v160-08
  8. Hinton, G. E., Osindero, S., Teh, Y.-W. (2006). A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 18 (7), 1527–1554. doi: https://doi.org/10.1162/neco.2006.18.7.1527
  9. Panchenko, S., Lavrukhin, О., Shapatina, O. (2017). Creating a qualimetric criterion for the generalized level of vehicle. Eastern-European Journal of Enterprise Technologies, 1 (3 (85)), 39–45. doi: https://doi.org/10.15587/1729-4061.2017.92203
  10. Zhang, W. Y. (2010). Artificial Neural Networks in Materials Science Application. Applied Mechanics and Materials, 20-23, 1211–1216. doi: https://doi.org/10.4028/www.scientific.net/amm.20-23.1211
  11. Din, M. M., Ithnin, N., Zain, A. M., Noor, N. M., Siraj, M. M., Rasol, R. (2015). An artificial neural network modeling for pipeline corrosion growth prediction. ARPN Journal of Engineering and Applied Sciences, 10 (2), 512–519. Available at: http://www.arpnjournals.com/jeas/research_papers/rp_2015/jeas_0215_1484.pdf
  12. Struchenkov, V. I. (2014). Nonlinear Programming Algorithms for CAD Systems of Line Structure Routing. World Journal of Computer Application and Technology, 2 (5), 114–120. Available at: http://www.hrpub.org/download/20140525/WJCAT3-13702226.pdf
  13. Hornik, K., Stinchcombe, M., White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2, 359–366. Available at: https://www.cs.cmu.edu/~epxing/Class/10715/reading/Kornick_et_al.pdf
  14. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15, 1929–1958. Available at: http://jmlr.org/papers/volume15/srivastava14a.old/srivastava14a.pdf
  15. Galushkin, A. I. (2000). The Theory of Neural Networks. Moscow, 416.
  16. Khaled, K. F., Abdel-Shafi, N. S. (2014). Corrosion inhibition of mild steel by some sulfur containing compounds: Artificial neural network modeling. J. Mater. Environ. Sci., 5 (4), 1288–1297. Available at: https://www.jmaterenvironsci.com/Document/vol5/vol5_N4/158-JMES-887-2014-Khaled.pdf
  17. Melnyk, M. I. (2013). Rozrobka zasobiv kontroliu elektrokhimichnoho zakhystu pidzemnykh metalevykh sporud. Metody ta zasoby neruinivnoho kontroliu promyslovoho obladnannia: Materialy IV naukovo-praktychnoi konferentsiyi studentiv i molodykh uchenykh. Ivano-Frankivsk, 320–323.
  18. Lidén, P., Adl-Zarrabi, B. (2017). Non-destructive methods for assessment of district heating pipes: a pre-study for selection of proper methods. Energy Procedia, 116, 374–380. doi: https://doi.org/10.1016/j.egypro.2017.05.084
  19. Yuzevych, V., Skrynkovskyy, R., Koman, B. (2018). Intelligent Analysis of Data Systems for Defects in Underground Gas Pipeline. 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP). doi: https://doi.org/10.1109/dsmp.2018.8478560
  20. Golshan, M., Ghavamian, A., Moohammed, A., Abdulshaheed, A. (2016). Pipeline Monitoring System by Using Wireless Sensor Network. IOSR Journal of Mechanical and Civil Engineering (IOSR-JMCE), 13 (3), 43–53. Available at: https://www.semanticscholar.org/paper/Pipeline-Monitoring-System-by-Using-Wireless-Sensor-Golshan-Ghavamian/6c78c4ebfea665fefcfd4bfb80fa956b1feec73c
  21. Saifullin, E. R., Izmailova, E. V., Ziganshin, S. G. (2017). Methods of Leak Search from Pipeline for Acoustic Signal Analysis. Indian Journal of Science and Technology, 10 (1). doi: https://doi.org/10.17485/ijst/2017/v10i1/109953

##submission.downloads##

Опубліковано

2019-01-23

Як цитувати

Lozovan, V., Dzhala, R., Skrynkovskyy, R., & Yuzevych, V. (2019). Виявлення особливостей функціонування системи протикорозійного захисту підземних трубопроводів нафтогазових підприємств з використанням нейронних мереж. Eastern-European Journal of Enterprise Technologies, 1(5 (97), 20–27. https://doi.org/10.15587/1729-4061.2019.154999

Номер

Том 1 № 5 (97) (2019): Прикладна фізика

Розділ

Прикладна фізика

Ліцензія

Авторське право (c) 2019 Vitalii Lozovan, Roman Dzhala, Ruslan Skrynkovskyy, Volodymyr Yuzevych

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.