Статья посвящена актуальной задаче мониторинга надежности в системах сбора и транспорта углеводородов. Для промысловых систем сбора, транспортирующих смеси различного состава, проблема оценки остаточного ресурса особенно актуальна. В статье представлены особенности построения баз данных, алгоритмы первичной обработки потоков исходной информации и ее анализа для оценки остаточного ресурса. В качестве примера приведены результаты реализации модели для производственных систем в программной среде Python. Разработанная модель реализуется блоком предварительной обработки поступающих в модель потоков данных и блоком системы машинного обучения с модулем оценки достоверности данных. Эти блоки связаны между собой. Система создана на базе градиентного бустинга, который представляет собой комбинированное дерево решений. Изложены математические основы применяемого алгоритма кластеризации, основы оценки достоверности. Выполнен сравнительный анализ результатов оценки с применением новой модели и известных стандартизированных методик с использованием фактических данных. Показано, что при качественной подготовке информации интеллектуальная модель дает возможность получать более точные результаты, чем известные методики, и учитывать произвольное число факторов, определяющих остаточный ресурс системы. Таким образом, новая модель позволяет прогнозировать остаточный ресурс с применением баз данных доступной конфигурации, что особенно важно в условиях недостаточности информации или при расширении баз данных мониторинга промысловых систем.
Список литературы
1. Лисин И.Ю., Короленок А.М., Колотилов Ю.В. Системный подход к формированию интегрированных энергетических систем на платформе интеллектуальных информационно-технологических решений // Нефтяное хозяйство. – 2020. – № 3. – С. 36-40. – https://doi.org/10.24887/0028-2448-2020-3-36-40
2. Формирование интеллектуальной системы управления интегральным риском и остаточным ресурсом участков линейной части магистральных трубопроводов / И.Д. Аникин, М.А. Белостоцкий, И.М. Гречишников, А.М. Короленок // Тр. РГУ нефти и газа (НИЦ) имени И.М. Губкина. – 2021. – № 3 (304). –
С. 59-67. – DOI 10.33285/2073-9028-2021-3(304)-59-67. – https://doi.org/10.33285/2073-9028-2021-3(304)-59-67
3. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Безопасность средств хранения и транспорта энергоресурсов: Тематический блок «Национальная безопасность» / О.Е. Аксютин, А.А. Александров, А.В. Алешин [и др.]. – М.: Международный гуманитарный общественный фонд «Знание» им. академика К.В. Фролова, 2019. – 928 с. – ISBN 978-5-87633-179-3.
4. Леонович И.А., Васильев Г.Г. Сравнительный анализ подходов к расчету толщины стенки магистральных газопроводов, сооружаемых из труб высоких классов прочности // Газовая промышленность. – 2023. – № 6(850). – С. 56-64.
5. Выдренков А.Д., Земенкова М.Ю. Сравнение методик расчета остаточного ресурса систем сбора на промысловых участках трубопровода // Материалы Международной научно-технической конференции, Тюмень, 1–2 июня 2023 г. – Тюмень: Тюменский индустриальный университет, 2023. – С. 223–226.
6. Бринк Х., Ричардс Дж., Феверолф М. Машинное обучение – СПб.: Питер, 2017. – 336 с.
7. Рашка С. Python и машинное обучение: крайне необходимое издание по новейшей предсказательной аналитике для более глубокого понимания методологии машинного обучения. – М.: ДМК Пресс, 2017. – 414 с.
8. Хайкин С. Нейронные сети. – Изд. 2-е, испр. – М – Санкт-Петербург: Диалектика, 2019. – 1103 с.
9. Земенкова М.Ю., Чижевская Е.Л, Земенков Ю.Д. Интеллектуальный мониторинг состояний объектов трубопроводного транспорта углеводородов с применением нейросетевых технологий // Записки Горного института. – 2022. – Т. 258. – С. 933–944. – https://doi.org/10.31897/PMI.2022.105
10. Кластеризация при анализе комплексной безопасности и эффективности управленческих решений на различных стадиях жизненного цикла систем трубопроводного транспорта / Е.Л. Чижевская, А.М. Обухова, М.Ю. Земенкова, Ю.Д. Земенков // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. – 2023. – № 6(146). – С. 101–111. – https://doi.org/10.17122/ntj-oil-2023-6-101-111