Разработка и применение инструмента прогнозирования остаточного ресурса трубопроводов с использованием методов машинного обучения

Введение. Статья посвящена актуальной проблеме мониторинга состояния промысловых трубопроводов в нефтегазовой отрасли, где коррозионные дефекты существенно влияют на эффективность их эксплуатации. Традиционные методы оценки состояния трубопроводных сетей, такие как внутритрубная диагностика и коррозионные свидетели, имеют технологические и экономические ограничения. В данной работе предложен новый подход, основанный на применении методов машинного обучении для прогнозирования роста дефектов на основе ретроспективных данных.
Цель исследования — разработка инструмента прогнозирования остаточного ресурса трубопроводов на основе методов машинного обучения, который позволит повысить эффективность управления целостностью трубопроводов. Основная задача — создание алгоритма, позволяющего прогнозировать появление и развитие коррозионных дефектов, что способствует повышению надежности трубопроводного транспорта, снижению эксплуатационных затрат и оптимизации процессов технического обслуживания.
Материалы и методы. В исследовании использованы данные о техническом состоянии трубопроводов, включая результаты внутритрубной диагностики (ВТД), ультразвуковой толщинометрии (УЗТ), а также эксплуатационные параметры. Для анализа и прогнозирования применены следующие методы машинного обучения: градиентный бустинг (CatBoost), AutoML, LSTM и Transformer. Предварительная обработка данных для этих методов включала отбор ключевых параметров с помощью корреляционного анализа Пирсона и метода главных компонент (PCA). Данные были разделены на обучающую и тестовую выборки, а эффективность методов оценивалась по метрике средней абсолютной ошибки (MAE).
Результаты. Проведено сравнение различных алгоритмов машинного обучения при прогнозировании глубины коррозионных дефектов трубопроводов. Наилучший результат показала модель, основанная на градиентном бустинге с использованием архитектуры Transformer.
Заключение. Разработанный инструмент обеспечивает раннее выявление дефектов, автоматизированный углубленный анализ больших массивов данных и поддержку принятия решений. Внедрение данного подхода в процессы эксплуатации позволяет снизить затраты на диагностику и ремонты, а также повысить безопасность эксплуатации нефтепромысловых трубопроводов. Инструмент может быть интегрирован в системы управления техническим состоянием трубопроводов, обеспечивая эффективное прогнозирование и планирование ремонтных мероприятий.

1. М-01.06.06-04 Методические указания по организации и исполнению программ диагностики промысловых трубопроводов Компании. Москва: ОАО «Газпром нефть». 2017; 160.

2. Pipeline Operators Forum (ФОТ) «Specifications and requirements for in-line inspection of pipelines», 2016.

3. РД-23.040.00-КТН-011-16 «Определение прочности и долговечности труб и сварных соединений с дефектами». ОАО «АК «Транснефть», 2018.

4. API 570 Piping Inspection Code Inspection, Repair, Alteration, and Rerating of In-service Piping Systems, 2003.

5. Методика определения опасности повреждений стенки труб магистральных нефтепроводов по данным обследования внутритрубными дефектоскопами / Под ред. АК «Транснефть». М.: Транспресс, 1997; 32.

6. Rafael Amaya-Gomez. Modeling of pipeline corrosion degradation mechanism with a Levy Process based on ILI (In-Line) inspections. International Journal of Pressure Vessels and Piping, Elsevier. 2019; 21.

7. Caleyo F., Velazquez J.C., Valor A., Hallen J.M. Probability distribution of pitting corrosion depth and rate in underground pipelines: A Monte Carlo study. Corrosion Science. 2009;51:1925–1934.

8. DNV-RP-F101 Recommended practice. Corroded pipelines. Norway: Det Norske Veritas, 2017; 123.

9. Vanaei H.R., Eslami A., Egbewande A. A review on pipeline corrosion, in-line inspection (ILI), and corrosion growth rate models. International Journal of Pressure Vessels and Piping. 2017;149:44–55.

10. СТО Газпром 2-2.3-361-2009 Руководство по оценке и прогнозу коррозионного состояния линейной части магистральных газопроводов. Москва: ОАО «Газпром». 2010.

11. Полуян Л.В. Марковская модель роста коррозионных дефектов и ее применение для управления целостностью трубопроводов / Л.В. Полуян. Проблемы машиностроения и надежности машин. 2009;6:105–111.

12. ASME B31.8-2003 standard. Gas transmission and distribution piping systems. Revision of ASME 831.8-1999. NY: ASME, 2004; 190.

13. ОСТ 153-39.4-010-2002 Методика определения остаточного ресурса нефтегазопромысловых трубопроводов и трубопроводов головных сооружений. Москва, 2002.

14. Гончаров А.А. Коррозионное состояние и долговечность оборудования и трубопроводов сероводородсодержащих нефтегазовых месторождений: дис. … канд. техн. наук. Москва. 2000; 210.

15. Ahammed M. Probabilistic estimation of remaining life of a pipeline in the presence of active corrosion defects. International Journal of Pressure Vessels and Piping. 1998;75:321–329.

16. Polouian L.V. Holistic approach to acquisition and statistical analysis of ILI results / L.V. Polouian, S.A. Timashev. Proceedings of the Biennial International Pipeline Conference, IPC: 2006 6th International Pipeline Conference, IPC 2006, 25–29 сентября 2006 года / sponsors: ASME, International Petroleum Technology Institute, IPIT. Calgary, AB, 2007; 439–446.

17. Guanzhi Li, Aining Zhang, Qizhi Zhang, Di Wu, Choujun Zhan. Pearson correlation coefficient-based rerformance enhancement of broad learning system for stock price prediction. IEEE Transactions on Circuits and Systems II: Express Briefs, 2022.

18. Jerome H. Friedman. Greedy function approximation: A gradient boosting machine. Ann. Statist, 2001.

19. Le T.T., Weixuan Fu, Moore J.H. Scaling tree-based automated machine learning to biomedical big data with a feature set selector. Bioinformatics. January 2020;36(1):250–256. https://doi.org/10.1093/bioinformatics/btz470

20. Sepp Hochreiter, Jürgen Schmidhuber. Long Short-Term Memory, 1997. https://doi.org/10.1162/neco.1997.9.8.1735

21. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin. Advances in Neural Information Processing Systems, 2017.

22. Stone M. Cross-Validatory Choice and Assessment of Statistical Predictions. Journal of the Royal Statistical Society: Series B (Methodological). January 1974;36(2):111–133. https://doi.org/10.1111/j.2517-6161.1974.tb00994.x