Удосконалення діагностування підземних трубопроводів нафтогазових підприємств на основі визначення водневого показника pH ґрунтових середовищ з використанням нейронних мереж
DOI:
https://doi.org/10.15587/1729-4061.2019.174488Ключові слова:
підземні трубопроводи, нафтогазові підприємства, корозійні струми, поляризаційний потенціал, водневий показник, нейронна мережаАнотація
Сформовано множину визначальних параметрів та інформаційних потоків для моделювання етапів зондування зовнішньої поверхні підземного металевого трубопроводу (ПМТ) з урахуванням водневого показника (ВП) ґрунту, який контактує з металом труби.
Проведено обстеження зразків сталі 17Г1С, поміщених у кислі, лужні та нейтральні середовища. Обстеження здійснено за допомогою вимірювача поляризаційного потенціалу у комплексі з безконтактним вимірювачем струму. Сформульовано принципи використання нейронної мережі (НМ) для опрацювання результатів експерименту. Розроблено базу даних, яка відповідає початковим умовам для контролю ВП ґрунту на межі з металом в реальних умовах.
Запропоновано елементи оптимізаційного підходу щодо оцінювання ВП ПМТ з покриттям у ґрунтовому середовищі. В основі підходу лежить мультиплікативний кваліметричний критерій якості для ділянки ПМТ з урахуванням двох груп коефіцієнтів. Перша група коефіцієнтів стосується внутрішніх коефіцієнтів і характеризує метал трубопроводу, а друга – зовнішнього середовища (ґрунтового електроліту). Запропоновано елементи оптимізаційного підходу щодо оцінювання ВП трубопроводу з покриттям у ґрунтовому середовищі.
Представлено НМ для системи “трубопровід – покриття”, яка:
1) датна сприяти розв’язуванні задачі кластерного аналізу і класифікації образів;
2) дозволяє виконувати обробку даних без попереднього спектрального перетворення, оперуючи з дискретними відліками інформаційних сигналів.
Запропонований тип НМ дозволяє їй динамічно розширювати власну базу знань про можливі типи дефектів контрольованих об’єктів (трубопроводів) у процесі роботи. З допомогою НМ для ПМТ (зі сталі 17Г1С) проведено оцінювання ВП ґрунту для трьох ситуацій.
Відзначена інформація є важливою для удосконалення методів контролю ПМТ нафтогазових підприємств, зокрема, методик коректного оцінювання густини анодного струму у дефектах металу з урахуванням нелінійного характеру інформативних параметрівПосилання
- Carvalho, M. L. (2014). Corrosion of copper alloys in natural seawater: effects of hydrodynamics and pH. Analytical chemistry. Université Pierre et Marie Curie - Paris VI. Available at: https://tel.archives-ouvertes.fr/tel-01207012/document
- Arriba-Rodriguez, L., Villanueva-Balsera, J., Ortega-Fernandez, F., Rodriguez-Perez, F. (2018). Methods to Evaluate Corrosion in Buried Steel Structures: A Review. Metals, 8 (5), 334. doi: https://doi.org/10.3390/met8050334
- Marshakov, A. I., Ignatenko, V. E., Bogdanov, R. I., Arabey, A. B. (2014). Effect of electrolyte composition on crack growth rate in pipeline steel. Corrosion Science, 83, 209–216. doi: https://doi.org/10.1016/j.corsci.2014.02.012
- Liu, Z. Y., Li, X. G., Du, C. W., Zhai, G. L., Cheng, Y. F. (2008). Stress corrosion cracking behavior of X70 pipe steel in an acidic soil environment. Corrosion Science, 50 (8), 2251–2257. doi: https://doi.org/10.1016/j.corsci.2008.05.011
- Fu, J., Pei, F., Zhu, Z., Tan, Z., Tian, X., Mao, R., Wang, L. (2013). Influence of moisture on corrosion behaviour of steel ground rods in mildly desertified soil. Anti-Corrosion Methods and Materials, 60 (3), 148–152. doi: https://doi.org/10.1108/00035591311315346
- Kakooei, S., Taheri, H., Che Ismail, M., Dolati, A. (2012). Corrosion Investigation of Pipeline Steel in Hydrogen Sulfide Containing Solutions. Journal of Applied Sciences, 12 (23), 2454–2458. doi: https://doi.org/10.3923/jas.2012.2454.2458
- 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
- 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
- Skrynkovskyi, R. M. (2011). Methodical approaches to economic estimation of investment attractiveness of machine-building enterprises for portfolio investors. Actual Problems of Economics, 118 (4), 177–186. Available at: http://www.scopus.com/inward/record.url?eid=2-s2.0-84930489016&partnerID=MN8TOARS
- Skrynkovskyi, R. (2008). Investment attractiveness evaluation technique for machine-building enterprises. Actual Problems of Economics, 7 (85), 228–240.
- Lozovan, V., Skrynkovskyy, R., Yuzevych, V., Yasinskyi, M., Pawlowski, G. (2019). Forming the toolset for development of a system to control quality of operation of underground pipelines by oil and gas enterprises with the use of neural networks. Eastern-European Journal of Enterprise Technologies, 2 (5 (98)), 41–48. doi: https://doi.org/10.15587/1729-4061.2019.161484
- 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
- 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
- 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
- Lozovan, V., Yuzevych, V. (2017). Neural networks as a means of improving the metrological characteristics of metal structures, taking interphase layers into account. Measuring Equipment and Metrology, 78, 48–54. doi: https://doi.org/10.23939/istcmtm2017.78.048
- Guo, H., Tian, Y., Shen, H., Liu, X., Chen, Y. (2016). Study on the Electrochemical Corrosion and Scale Growth of Ductile Iron in Water Distribution System. International Journal of Electrochemical Science, 11, 6993–7010, doi: https://doi.org/10.20964/2016.08.03
- Frankel, G. S. (1998). Pitting Corrosion of Metals. Journal of The Electrochemical Society, 145 (6), 2186. doi: https://doi.org/10.1149/1.1838615
- 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
- Kazemi Eilaki, N., Sanayee Mogahdam, S., Ghasemi, A., Abotorab, H. (2018). Corrosion Reliability Assessment of Underground Water Transmission Pipelines by IHS Algorithm. International Journal of Reliability, Risk and Safety: Theory and Application, 1 (1), 45–51. doi: ttps://doi.org/10.30699/ijrrs.1.45
- Sinha, S. K., Pandey, M. D. (2002). Probabilistic Neural Network for Reliability Assessment of Oil and Gas Pipelines. Computer-Aided Civil and Infrastructure Engineering, 17 (5), 320–329. doi: https://doi.org/10.1111/1467-8667.00279
- Pandey, M. D. (1998). Probabilistic models for condition assessment of oil and gas pipelines. NDT & E International, 31 (5), 349–358. doi: https://doi.org/10.1016/s0963-8695(98)00003-6
- 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
- Ossai, C. I., Boswell, B., Davies, I. J. (2015). Pipeline failures in corrosive environments – A conceptual analysis of trends and effects. Engineering Failure Analysis, 53, 36–58. doi: https://doi.org/10.1016/j.engfailanal.2015.03.004
- 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), 102467. doi: https://doi.org/10.1520/jte102467
- 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
- 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
- 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
- Zhang, S., Zhou, W. (2013). System reliability of corroding pipelines considering stochastic process-based models for defect growth and internal pressure. International Journal of Pressure Vessels and Piping, 111-112, 120–130. doi: https://doi.org/10.1016/j.ijpvp.2013.06.002
- Witek, M. (2016). Gas transmission pipeline failure probability estimation and defect repairs activities based on in-line inspection data. Engineering Failure Analysis, 70, 255–272. doi: https://doi.org/10.1016/j.engfailanal.2016.09.001
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2019 Larysa Yuzevych, Ruslan Skrynkovskyy, Volodymyr Yuzevych, Vitalii Lozovan, Grzegorz Pawlowski, Mykhailo Yasinskyi, Ihor Ogirko
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
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.