Формування інструментарію розвитку системи контролю якості функціонування 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
  • 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
  • Mykhailo Yasinskyi Українська академії друкарства вул. Під Голоском, 19, м. Львів, Україна, 79020, Україна https://orcid.org/0000-0003-2893-0464
  • Grzegorz Pawlowski Zaklad Handlowo-Uslugowy BHP вул. Костшинська, 17, м. Гужиця, Польща, 69-113, Україна https://orcid.org/0000-0002-7733-0732

DOI:

https://doi.org/10.15587/1729-4061.2019.161484

Ключові слова:

підземні трубопроводи, нафтогазові підприємства, поверхневий дефект, поляризаційний потенціал, корозійна втома, нейронна мережа, ресурс металу

Анотація

Сформовано множину визначальних параметрів для моделювання етапів розвитку поверхневого дефекту на зовнішній поверхні металевого трубопроводу з урахуванням втомної міцності.

Для ділянки трубопроводу з поверхневим дефектом запропоновано застосувати алгоритм прогнозування поляризаційного потенціалу з використанням засобів нейронної мережі. Сформовано методику функціонування тестуючої множини для оцінювання ефективності нейронної мережі, що включає відповідні методи навчання. За результатами аналізу взаємозв’язаних деформаційних та корозійних процесів розроблено елементи методології формування інформаційного забезпечення прогнозування ресурсу лінійної частини підземного металевого трубопроводу з урахуванням корозійної втоми.

Відомі результати оцінювання ресурсу підземного металевого трубопроводу (ПМТ) передбачали лінійний характер швидкості корозії. Відповідна інформація представлена в міжнародних та національних стандартах. Проведені в останній час експериментальні дослідження показали, що доцільно враховувати нелінійний характер швидкості корозії на зовнішній поверхні ПМТ.

Проведено обстеження ділянки ПМТ за допомогою вимірювача поляризаційного потенціалу (ВПП) у комплексі з безконтактним вимірювачем струму (БВС) і сформульовано принципи використання нейронної мережі для опрацювання результатів експерименту. Розглянуто конкретний приклад для ПМТ, в результаті аналізу якого з допомогою нейронної мережі для підземної труби (зі сталі 17Г1С) з корозійним дефектом на зовнішній поверхні проведено оцінювання ресурсу металу і виявлено нелінійність, величину якої характеризує відношення d=1,136.

Запропоновано метод контролю і методики оцінювання поляризаційного потенціалу з допомогою нейронної мережі. Вони дозволяють фізично обґрунтовано та математично більш коректно на відміну від стандартних описати процедуру поширення корозійних дефектів у глибину труби.

Відзначена інформація є важливою для удосконалення методів контролю підземних металевих труб нафтогазових підприємств, зокрема, методик коректного вимірювання та оцінювання поляризаційних потенціалів та анодних струмів у дефектах ізоляційних покрить з урахуванням нелінійності інформативних параметрів

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

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

Mykhailo Yasinskyi, Українська академії друкарства вул. Під Голоском, 19, м. Львів, Україна, 79020

Кандидат технічних наук, доцент

Кафедра інженерної механіки

Grzegorz Pawlowski, Zaklad Handlowo-Uslugowy BHP вул. Костшинська, 17, м. Гужиця, Польща, 69-113

Кандидат економічних наук, власник компанії

Посилання

  1. Lozovan, V., Dzhala, R., Skrynkovskyy, R., Yuzevych, V. (2019). Detection of specific features in the functioning of a system for the anti-corrosion protection of underground pipelines at oil and gas enterprises using neural networks. Eastern-European Journal of Enterprise Technologies, 1 (5 (97)), 20–27. doi: https://doi.org/10.15587/1729-4061.2019.154999
  2. Wu, Y-Y., Lambert, P., Mangat, P., O’Flaherty, F. J. (2011). Analysis of Stray Current Induced by Cathodic Protection on Steel- Framed Masonry Structures. The Open Corrosion Journal, 4 (1), 34–39. doi: https://doi.org/10.2174/1876503301104010034
  3. Farzaneh, A., Jaber, N., Jamshid, M. (2015). An Electrochemical Measurement for Evaluating the Cathodic Disbondment of Buried Pipeline Coatings under Cathodic Protection. Iranian Journal of Chemistry and Chemical Engineering, 34 (2), 83–91. Available at: http://www.ijcce.ac.ir/article_14100.html
  4. Merzah, A. S., Ateeq, A. A., Mustafa, A. A. (2017). An Experimental Investigation of Impressed Current Cathodic Protection system (ICCP) In Basra Soil. International Journal of Scientific & Engineering Research, 8 (7), 1311–1314. Available at: https://www.ijser.org/researchpaper/An-Experimental-Investigation-of-Impressed-Current-Cathodic-Protection-system-ICCP-In-Basra-Soil.pdf
  5. Din, M. M., Ithnin, N., Zain, A. M., Noor, N. M., Siraj, M. M., Rasol, R. M. (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
  6. Chen, Y., Wang, Z., Wang, X., Song, X., Xu, C. (2018). Cathodic Protection of X100 Pipeline Steel in Simulated Soil Solution. International Journal of Electrochemical Science, 13, 9642–9653. doi: https://doi.org/10.20964/2018.10.23
  7. 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
  8. 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
  9. Skrynkovskyi, R. (2008). Investment attractiveness evaluation technique for machine-building enterprises. Actual Problems of Economics, 7, 228–240. Available at: http://www.scopus.com/inward/record.url?eid=2-s2.0-77952681437&partnerID=MN8TOARS
  10. Lozovan, V., Yuzevych, V. (2017). Neural network as a mean for metal constructions performance enhancement by accounting the interfacial layers. Measuring equipment and metrology, 78, 48–54. doi: https://doi.org/10.23939/istcmtm2017.78.048
  11. 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
  12. Mykyychuk, M., Yuzevych, L. (2017). Quality control of underground pipelines in view of corrosion fatigue, durability and regulatory documents. Measuring equipment and metrology, 78, 101–107. doi: https://doi.org/10.23939/istcmtm2017.78.101
  13. Chonghua, Y., Minggao, Y. (1980). A calculation of the threshold stress intensity range for fatigue crack propagation in metals. Fatigue & Fracture of Engineering Materials and Structures, 3 (2), 189–192. doi: https://doi.org/10.1111/j.1460-2695.1980.tb01113.x
  14. Hinton, G. E., Osindero, S., The, 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
  15. Hornik, K., Stinchcombe, M., White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2 (5), 359–366. doi: https://doi.org/10.1016/0893-6080(89)90020-8
  16. 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
  17. Sanchez-Amaya, J. M., Cottis, R. A., Botana, F. J. (2005). Shot noise and statistical parameters for the estimation of corrosion mechanisms. Corrosion Science, 47 (12), 3280–3299. doi: https://doi.org/10.1016/j.corsci.2005.05.047
  18. Shi, Y., Zhang, C., Li, R., Cai, M., Jia, G. (2015). Theory and Application of Magnetic Flux Leakage Pipeline Detection. Sensors, 15 (12), 31036–31055. doi: https://doi.org/10.3390/s151229845
  19. Mitchell, M. R., Link, R. E., Jiang, Q. (2010). Study of Underground Oil-Gas Pipeline Corrosion Pits Estimation Based on MFL Inspection Method. Journal of Testing and Evaluation, 38 (2), 250–253. doi: https://doi.org/10.1520/jte102467
  20. Parkins, R. N. (1980). Predictive approaches to stress corrosion cracking failure. Corrosion Science, 20 (2), 147–166. doi: https://doi.org/10.1016/0010-938x(80)90128-6
  21. Parkins, R. N. (1989). The application of stress corrosion crack growth kinetics to predicting lifetimes of structures. Corrosion Science, 29 (8), 1019–1038. doi: https://doi.org/10.1016/0010-938x(89)90091-7
  22. Klapper, H. S., Goellner, J., Heyn, A. (2010). The influence of the cathodic process on the interpretation of electrochemical noise signals arising from pitting corrosion of stainless steels. Corrosion Science, 52 (4), 1362–1372. doi: https://doi.org/10.1016/j.corsci.2009.12.021
  23. Colorado-Garrido, D., Ortega-Toledo, D. M., Hernández, J. A., González-Rodríguez, J. G., Uruchurtu, J. (2008). Neural networks for Nyquist plots prediction during corrosion inhibition of a pipeline steel. Journal of Solid State Electrochemistry, 13 (11), 1715–1722. doi: https://doi.org/10.1007/s10008-008-0728-7
  24. Kenny, E. D., Paredes, R. S. C., de Lacerda, L. A., Sica, Y. C., de Souza, G. P., Lázaris, J. (2009). Artificial neural network corrosion modeling for metals in an equatorial climate. Corrosion Science, 51 (10), 2266–2278. doi: https://doi.org/10.1016/j.corsci.2009.06.004
  25. Reddy, N. S. (2014). Neural Networks Model for Predicting Corrosion Depth in Steels. Indian Journal of Advances in Chemical Science, 2 (3), 204–207. Available at: https://www.ijacskros.com/artcles/IJACS-M98.pdf
  26. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117. doi: https://doi.org/10.1016/j.neunet.2014.09.003
  27. Schmidhuber, J. (1997). Discovering Neural Nets with Low Kolmogorov Complexity and High Generalization Capability. Neural Networks, 10 (5), 857–873. doi: https://doi.org/10.1016/s0893-6080(96)00127-x
  28. Endrullat, C., Glökler, J., Franke, P., Frohme, M. (2016). Standardization and quality management in next-generation sequencing. Applied & Translational Genomics, 10, 2–9. doi: https://doi.org/10.1016/j.atg.2016.06.001

##submission.downloads##

Опубліковано

2019-04-02

Як цитувати

Lozovan, V., Skrynkovskyy, R., Yuzevych, V., Yasinskyi, M., & Pawlowski, G. (2019). Формування інструментарію розвитку системи контролю якості функціонування підземних трубопроводів нафтогазових підприємств з використанням нейронних мереж. Eastern-European Journal of Enterprise Technologies, 2(5 (98), 41–48. https://doi.org/10.15587/1729-4061.2019.161484

Номер

Розділ

Прикладна фізика