DEVELOPMENT OF TECHNOLOGY FOR DETECTING STRESS CORROSION CRACKING ON PIPELINES VIA NEURAL NETWORKS

ФИЗИКО-МАТЕМАТИЧЕСКИЕНАУКИ / PHYSICS AND MATHEMATICS

DOI: https://doi.org/10.23670/IRJ.2022.118.4.101

РАЗРАБОТКА ТЕХНОЛОГИИ ПО ОБНАРУЖЕНИЮ КОРРОЗИОННОГО РАСТРЕСКИВАНИЯ ПОД НАПРЯЖЕНИЕМ НА ТРУБОПРОВОДАХ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Научная статья

Брюханов М.А.^*

Сибирский федеральный университет, Красноярск, Россия

^* Корреспондирующий автор (anatoliy14[at]yahoo.com)

Аннотация

        В данной статье описана методика моделирования распространения коррозионного растрескивания под напряжением на участках магистрального газопровода. В основе методики лежит предиктивная модель прогнозирования появления коррозионных дефектов на газопроводе. Представленный алгоритм создан с помощью принципов нейросетевого моделирования. В основе модели лежит многослойный персептрон – классический инструмент для решения задач бинарной классификации. Дополнительно в работе рассмотрен один из существующих методов выявления коррозионных дефектов на трубопроводах – балльно-факторный анализ. В работе указываются недостатки этой методики и предлагается сравнить ее с нейросетевой моделью. Также приведено экономическое сравнение двух методик на примере некоторых участков магистрального газопровода.

Ключевые слова: нейросеть, нейросетевое моделирование, машинное обучение, магистральный газопровод, балльно-факторный анализ, КРН, коррозия, стресс-коррозия.

DEVELOPMENT OF TECHNOLOGY FOR DETECTING STRESS CORROSION CRACKING ON PIPELINES VIA NEURAL NETWORKS

Research article

Bryukhanov M.A.^*

Siberian Federal University, Krasnoyarsk, Russia

^* Corresponding author (anatoliy14[at]yahoo.com)

Abstract

        The current article describes a technique for modeling the propagation of stress corrosion cracking in sections of main gas pipelines. The methodology is based on a predictive model for predicting the appearance of corrosion defects on a gas pipeline. The presented algorithm was created using the principles of neural network modeling. The model is based on a multilayer perceptron, a standard tool for solving binary classification problems. Additionally, the paper examines one of the existing methods for detecting corrosion defects in pipelines, which is a point-factor analysis. The paper points out the disadvantages of this technique and suggests comparing it with a neural network model. The study also provides an economic comparison of the two methods based on some sections of a main gas pipeline.

Keywords:neural network, neural network modeling, machine learning, main gas pipeline, point-factor analysis, CRN, corrosion, stress corrosion.

Введение

        Проблема коррозии на трубопроводах является актуальной темой в секторе транспортировки углеводородного сырья. На сегодняшний день в России в стадии эксплуатации находятся более 250 тыс. км магистральных нефте- и газопроводов. Стоит отметить, что в связи с устареванием действующего фонда трубопроводов и, как следствие, роста их предрасположенности к корродированию, затраты на обслуживание и ремонт трубопроводов с каждым годом возрастают. Четверть аварий на линейной части возникают по причине образования коррозии[4]. В связи с этим возникает потребность в определении наиболее опасных участков вдоль трассы. Одним из самых распространенных и наиболее опасных видов коррозии является стресс-коррозия или другими словами – коррозионное растрескивание под напряжением, сокращенно КРН [3].

Методы

        Единое мнение о механизме КРН на данный момент не сформировано. Один из возможных «сценариев» ее развития выглядит следующим образом. Под некачественно нанесенное или поврежденное изоляционное покрытие трубопровода попадает грунтовая вода. В результате действия катодной защиты, обеспечивающей наложение отрицательного потенциала на трубопровод, большая часть катионов водорода, содержащихся в грунтовой воде, превращается в атомы и молекулы водорода на поверхности металла, что приводит к дополнительному отслоению изоляционного покрытия. Часть атомов или катионов водорода проникает в металл, нарушая его структуру и приводя к его охрупчиванию. От действия переменной нагрузки на поверхности металла образуются трещины, в которые проникает почвенный электролит, и описанный выше процесс повторяется. При достижении одной из трещин критических размеров наступает «внезапное» разрушение трубопровода.

        Подводя итоги вышесказанному, можно сделать вывод, что коррозия трубопроводов – процесс неизбежный. Однако человек, вооруженный знанием механизма коррозии, может затормозить его таким образом, чтобы обеспечить сохранение работоспособности трубопроводов в течение достаточно длительного времени.

        В 2013 г. в обществе Газпром Трансгаз, в соответствии с Инструкцией по оценке дефектов труб и соединительных деталей при ремонте и диагностировании МГ, были введены весьма консервативные требования к обязательной вырезке и отбраковке труб со стресс-коррозионными повреждениями глубиной от 0,3 мм (составляет 0,02t для наиболее распространенных на линейных частях (ЛЧ) магистральных газопроводов (МГ) Общества труб диаметром 1420 мм с толщиной стенки t = 15,7 мм) при проведении капитального ремонта. В связи с этим, в 2014 г. доля труб, вырезанных и отбракованных в процессе КР на объектах Общества по причине КРН, увеличилась более чем в 2 раза по сравнению с предыдущими периодами [2]. Таким образом, особую актуальность приобрела задача повышения точности оценки состояния подземных трубопроводов на предмет наличия КРН.

        Современные методы борьбы с коррозионным растрескиванием под напряжением состоят в следующем. Методами внутритрубной диагностики с применением специальных магнитных снарядов выявляются места, где трещины достигли глубины, сравнимой с порогом чувствительности этих снарядов. В настоящее время чувствительность внутритрубных снарядов такова, что удается надёжно определять трещины глубиной более 15% от толщины стенки. Далее на основе утверждённых методик из общего массива выделяются те дефекты, которые могут привести к разрыву в течение заданного промежутка времени (например, пяти ближайших лет). Дефекты, которые определены как опасные, срочно ликвидируются заменой труб, остальные дефекты остаются в составе трубопровода. При этом считается, что они не приведут к разрушению до момента следующих обследований. Все оставшиеся в трубопроводе дефекты заносят в специальную базу данных для слежения за их дальнейшим развитием, сопоставляя с результатами последующей диагностики[5].

        Однако данная методика, несмотря на детальную проработку, имеет ряд существенных недостатков:

• наличие участков магистральных газопроводов, на которых применение внутритрубной диагностики (ВТД) невозможно. На сегодняшний день, более половины труб единой системы газопроводов (ЕСГ) недоступны для использования внутритрубной диагностики. Это связано с наличием большого количества «непроходных» участков, сильно искривленных участков и участков, не оборудованных камерами приема и пуска очистных и диагностический устройств;
• индивидуальные особенности участков, потенциально предрасположенных к КРН, не учитываются базовым алгоритмом; (степень увлажненности, тип, рН грунта и т.д.)
• высокая стоимость мероприятий по проведению ВТД;
• несмотря на высокий технологический уровень, современные средства внутритрубной диагностики способны выявить лишь дефекты размерами, превышающие 15% от толщины стенки трубы, что делает возможным развитие стресс-коррозионных трещин до критических размеров в период между пропусками средств ВТД[10].

        Существует также определенная методика прогнозирования появления и наличия дефектов КРН на участках. В ее основе лежит балльно-факторный анализ определенных критериев, которые выделены, как наиболее влиятельные на процесс образования КРН. Для осуществления анализа и выдачи результатов требуется, в соответствии с приведенными таблицами в нормативном документе, рассчитать сумму баллов по каждому критерию и сопоставить с граничными значениями шкалы возникновения отказа по причине КРН [8].

        В ряде случаев такой подход действительно позволяет с приемлемой точностью определять наиболее опасные участке вдоль трассы для того, чтобы провести дальнейшие исследования в шурфах. Однако, зачастую, для проведения полного факторного анализа требуется достаточно большое количество параметров, которые не всегда удается заполучить. По этой причине качество анализа страдает и точность предсказаний становится достаточно низкой. В этом случае на действительно опасные участки не обращается должного внимания, в них не проходят дополнительные диагностические исследования, что приводит к отказу трубопровода и аварийным происшествиям.

        В рамках проекта была разработана собственная нейросетевая модель наличия стресс-коррозии на участках газопровода. Выборка была разбита на два подмножества: обучающее 312 участков и тестовое 56 участков. После подготовки исходных данных была подобрана оптимальная архитектура нейронной сети. Для задач бинарной классификации более всего подходит многослойный персептрон с несколькими скрытыми слоями. В данном случае характеристики слоев персептрона следующие. 12 нейронов на входном слое, что соответствует количеству факторов-признаков, далее три скрытых слоя с 17, 51 и 17 нейронами соответственно и выходной слой состоит из одного нейрона. Для скрытого слоя число нейронов подбиралось экспериментально в зависимости от точности прогноза нейронной сети. Нейрон в выходном слое отвечает за выдачу результатов прогноза о наличии или отсутствии КРН-дефектов на участке МГ.

        Нейроны соседних слоев персептрона соединяются между собой так называемыми синоптическими связями, имеющими определенные весовые коэффициенты [7].

        Входной слой предназначен для подачи на него в неизменном виде числовых значений из обучающего и проверочного множества. На скрытом и выходном слоях происходит преобразование входных данных согласно алгоритму работы персептрона.

        Скрытый и выходной слои являются обучаемыми, именно от них в большей степени зависит результат прогноза; каждый нейрон данных слоев включает в себя взвешенный сумматор и нелинейный элемент, содержащий функцию F активации нейрона. В качестве функции активации лучше всего подошел сигмоид Ферми, который способен выдавать непрерывное значение итогового показателя, что лучшим образом влияет на показатель точности прогноза.

Результаты и обсуждения

        Ранее была частично затронута методика прогнозирования КРН дефектов с помощью балльно-факторного анализа. Поскольку разработанная нейросетевая модель предполагает заменить этот метод, то следует провести сравнение. Сравнение двух методик проводилось на одних и тех же 56 участках. По результатам диагностики и предварительно проведенных исследований, было известно, что на 31 участке обнаружены КРН дефекты и суммарная длина поврежденных участков составила 603 метра.

        Факторный анализ указывает так же на 31 участок, и казалось бы, что это 100% точность, но лишь 18 из них являются действительно дефектными. Нейросеть же указала на 36 дефектных участков, из которых 27 действительно повреждены. Стоит также отметить, что в графе «неверно идентифицированные участки» речь идет как об участках, которые были указаны, как дефектные, а на деле нет, так и наоборот: где дефектный участок был пропущен. То есть нейросеть ошиблась в идентификации на 13 участков из 56, а факторный анализ на 26 участках.

        Таким образом, можно сравнить точность прогнозирования наличия или отсутствия дефектных участков: точность предиктивного анализа нейросети составила 77%, а точность балльно-факторного анализа – 56%.

        На практике, применение факторного анализа или нейросетевого моделирования необходимо для указания на участки, на которых следует провести поверхностные обследования. Это подземные участки газопроводов, где невозможно использовать внутритрубную диагностику. Для того чтобы осуществить поверхностные обследования, требуется провести шурфовку участков, то есть, раскопать интересующий участок трубы, далее необходимо снять с него изоляцию, подготовить поверхность к неразрушающему контролю и провести непосредственно обследования. Используются следующие методы: для начала проводится визуально-измерительный контроль, далее проводят обследования вихретоковым методом и магнитопорошковым. Возможно применять эти методы по несколько циклов для достижения наилучшего результата. После выявления дефектных участков, необходимо провести капитальный ремонт, в рамках которого они будут заменены [6].

        Методика прогнозирования может указать и на нормальный участок, на котором после обследований не было обнаружено дефектов. В этом случае требуется нанести обратно изоляцию и закопать участок [9].

        На обследование 10 метров трубопровода требуется около 150 000 рублей в случае, если в дальнейшем будет проводиться кап ремонт по замене секций. В случае, когда обследования не выявили дефектов, затраты составляют в районе 200 000 рублей за 10 метров трубы. Это обусловлено дополнительными земляными работами и работами по нанесению изоляции.

        Таким образом, подходя к сравнению экономической привлекательности двух методов, мы видим следующие цифры. В случае с факторным анализом было потрачено в два раза больше денег на обследования участков, где в последствии не было обнаружено дефектов. Поскольку нейросетевой анализ обладает большей точностью, то и полезные затраты получились тоже больше. Однако, несмотря на это, в конечном итоге применение нейросетевого метода оказалось не только точнее, но и выгоднее почти на полтора миллиона рублей.

Заключение

        В завершение хотелось выделить направления, по которым возможна дальнейшая работа. Во-первых, для придания унификации методу необходимо определить границы применения определенного набора данных. Имеется ввиду на каких территориях и участках можно использовать определенную выборку, насколько она будет соответствовать почвенным характеристикам и выдавать приемлемую точность. Во-вторых, в области нейросетевого моделирования и машинного обучения качество результата во многом зависит от объема рассматриваемой выборки. Если удастся увеличить количество участков, то это позитивно отразится на результате. Также уместно было бы увеличить количество рассматриваемых параметров. Например, в выборке есть информация по кислотности грунта, но не затронута щелочная характеристика. Любой другой статистический параметр по участкам добавил бы точности к исследованию. И наконец, возвращаясь к унификации, можно было бы собрать данные с принципиально разных участков для возможности использования алгоритма в различных природных условиях.

        Основные этапы данной работы: создание нейросетевой модели распространения КРН на участках, разработка прототипа программного приложения, сравнение качественных и количественных характеристик предлагаемого метода и существующего. Также была рассмотрена возможность внедрения ПО в компанию-исполнитель, затраты на обучение одного специалиста использовать алгоритм и подготавливать данные оценены в 2380 рублей.

Конфликт интересов Не указан.

Conflict of Interest None declared.

Список литературы / References

1. Кантюков Р. Р. Модель интеллектуального прогнозирования стресс-коррозионной поврежденности магистральных газопроводов. / Р.Р. Кантюков, И.В. Ряховских, Д.А. Мишарин / Повышение надежности магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением. –C. 89.
2. Мирзоев А. М. Нейросетевая модель стресс-коррозионной поврежденности участков линейной части магистральных газопроводов. / А.М. Мирзоев, М.С. Иващенко, А.И. Маршаков // Научно-технический сборник – вести газовой науки – C. 108.
3. Планирование диагностических и ремонтных работ на участках линейной части магистральных газопроводов ООО «Газпром трансгаз Югорск», подверженных коррозионному растрескиванию под напряжением. / С.В. Нефедов, И.В. Ряховских, Р.И. Богданов и др. // Научно-технический сборник – вести газовой науки. – C. 88.
4. Особенности проявления коррозионного растрескивания под напряжением магистральных газопроводов на территории Российской Федерации. / Р.И. Богданов, И.В. Ряховских, Т.С. Есиев и др. / Научно-технический сборник – вести газовой науки. –C. 12.
5. Сильвестров С. А. Инкубационный период развития коррозионного растрескивания под напряжением на магистральных трубопроводах. / С.А. Сильвестров, А.К. Гумеров // Строительство и эксплуатация нефтегазопроводов, баз и хранилищ. – С. 95.
6. СП 36.13330.2012 Магистральные трубопроводы.
7. Качала В. В. Основы теории систем и системного анализа. / Качала В.В. – 210 с.
8. Методические указания по проведению анализа риска для опасных производственных объектов газотранспортных предприятий оао «газпром» , СТО Газпром 2.2.3.351.2009
9. ГОСТ Р 55999-2014. Внутритрубное техническое диагностирование газопроводов. Общие требования.
10. Шарнина Г. С. Анализ методов предотвращения коррозионного растрескивания под напряжением магистральных газопроводов / Г. С. Шарнина, Р. Р. Абдрахманов // Деловой журнал Neftegaz.RU. – 2019. – № 10(94). – С. 94-96.

Список литературы на английском языке / References in English

1. Kantyukov R. R. Model intellectualnogo prognozirovaniya stress-corrosionnoy povrezhdennosti magistralnikh gasoprovodov [The model of intelligent forecasting of stress-corrosion damage of main gas pipelines]. / R.R. Kantyukov, V. Ryakhovskikh, D.A. Misharin //Povishenie nadezhnosti magistralnikh gasoprovodov podverzhennikh corrozionnomu rastreskivaniu pod napryazheniem [Improving the reliability of main gas pipelines subject to stress corrosion cracking]. – p. 89 [in Russian]
2. Mirzoev A. M. Neirosetevaya model stress-corrosionnoy povrezhdennosti uchastkov lineinoy chasti magixsralnikh gazoprovodov [Neural network model of stress-corrosion damage of sections of the linear part of the main gas pipelines]. / M. Mirzoev, M.S. Ivashchenko, A.I. Marshakov // Nauchno-tekhnicheskiy sbornik – Vesti Gazovoy Nauki [Scientific and technical collection - News Of Gas Science]. – p. 108. [in Russian]
3. Planirovanie diagnosticheskikh I remontnikh rabot na uchastkakh lineinoy chasti magixtralnikh gazoprovodov OOO “Gazprom transgaz Ugorsk”, podverzhennikh rastreskivaniu pod napryazheniem Nefedov [Planning of diagnostic and repair works on the sections of the linear part of the Gazprom Transgaz Yugorsk gas trunk pipelines subject to stress corrosion cracking]. / S.V. Nefedov, I.V. Ryakhovskikh, R.I. Bogdanov et al. / Nauchno-tekhnicheskiy sbornik – Vesti Gazovoy NaukI [Scientific and technical collection - News Of Gas Science]. – p. 88. [in Russian]
4. Osobennosti poyavleniya cprrpzionnogo rastrescivaniya pod napryazheniem magistralnikh gazoprovodov na territorii Rossiiskoy Federatcii [Features of the manifestation of corrosion cracking under stress of main gas pipelines on the territory of the Russian Federation.] / R.I. Bogdanov, I.V. Ryakhovskikh, T.S. Yesiev et al. //Nauchno-tekhnicheskiy sbornik – Vesti Gazovoy Nauki [Scientific and technical collection - News Of Gas Science]. – p. 12. [in Russian]
5. Icubatsionniy period razvitiya corrozionnogo rastrescivaniya pod napryazheniem na magistralnikh gazoprovodakh. [Incubation period of development of stress corrosion cracking on trunk pipelines]. / S.A. Silvestrov, A.K. Gumerov // Stroitelstvo i expluatatsiya neftegazoprovodov, baz I khranilish [Construction and operation of oil and gas pipelines, bases and storage facilities]. – p. 95.[in Russian]
6. SP 36.13330.2012 magistralnie truboprovodi[Main pipelines] [in Russian]
7. Osnovi teorii system I sistemnogo analiza [Fundamentals of systems theory and system analysis]. / Kachala V.V., 210 p. [in Russian]
8. Metodicheskie ukazaniya po provedeniu analiza riska dlya opasnikh ob’ectov gazotransportnikh predpriyatiy OAO “Gazprom”, STO Gazprom 2.2.3.351.2009 [Guidelines For Conducting Risk Analysis For Hazardous Production Facilities Of Gazprom Gas Transportation Enterprises, Gazprom Service Station 2.2.3.351.2009][in Russian]
9. GOST R 55999-2014 vnutritrubnoye tekhnicheskoye diagnostirovanie gazoprovodov. Obschie trebovaniya [GOST R 55999-2014. In-line technical diagnostics of gas pipelines. General requirements]. [in Russian]
10. Sharnina, G. S. Analiz metodov predotvrashcheniya korrozionnogo rastreskivaniya pod napryazheniyem magistralnykh gazoprovodov[Analysis of methods for preventing corrosion cracking under stress of main gas pipelines]. / G. S. Sharnina, R. R. Abdrakhmanov // Delovoy zhurnal Neftegaz.RU [Business Journal Neftegaz.RU]. – 2019. – № 10(94). – Pp. 94-96. [in Russian]