19921

۱۹۹۲۱

تشخيص نشتي خطوط لوله انتقال نفت وگاز با استفاده از روش هاي زمان واقعي

كارشناسي ارشد

كنترل

۹۵-۹۷

۱۳۹۷/۰۶/۳۰

دكتر عليرضا محمد شهري

دكتر سيد حسن هاشم آبادي

برق

در حال حاضر در سراسر دنيا از شبكه‌هاي عظيم خطوط لوله، براي انتقال و توزيع گاز طبيعي، نفت خام و ساير محصولات سبك نفتي استفاده مي‌شود. پديده نشت يكي از مهم‌ترين مسائلي است كه از لحاظ ايمني عملكرد خطوط لوله را تحت تأثير قرار مي‌دهد. وقوع نشت مخاطرات بسياري اعم از آلودگي‌هاي زيست محيطي، اتلاف سرمايه و تلفات جاني را سبب مي‌شود. بنابراين نظارت بر خط لوله و شناسايي نشت از اهميت ويژه‌اي برخوردار مي‌باشد، اين امر سبب پيدايش روش‌هاي متنوع براي پياده‌سازي سامانه‌هاي شناسايي نشت شده است. هر يك از آنها داراي مزايا و معايبي مي‌باشند. در اين تحقيق روش‌هاي مختلف تشخيص نشتي معرفي و بررسي شده‌اند. پس از بررسي روش‌هاي موجود، با استفاده از شبكه‌هاي عصبي، روشي نرم‌افزاري مبتني بر اندازه‌گيري پارامترهاي خط لوله طراحي شده است. در اين روش از سه شبكه مجزا براي شناسايي نشتي، موقعيت مكاني نشت و تخمين نرخ دبي نشت استفاده گرديده است. داده‌هاي مورد استفاده براساس شبيه‌سازي خط لوله غرب كارون- اميديه در نرم‌افزار‌ اُلگا بدست آمده اند. اثر نويز بر روي داده‌هاي ورودي و عملكرد هر يك از شبكه‌ها مورد بررسي قرار گرفته است. شبكه اول عهده دار شناسايي شرايط نرمال و نشت مي‌باشد، اين شبكه در غياب و حضور نويز به ترتيب قادر به شناسايي صحيح 100% و 96.6% از الگوهاي تعريف شده مي‌باشد. شبكه دوم وظيفه شناسايي موقعيت مكاني نشت را برعهده دارد كه در غياب و حضور نويز به ترتيب قادر به شناسايي صحيح 100% و 96% از الگوهاي مكاني تعريف شده مي‌باشد. شبكه سوم براي تخمين نرخ دبي نشت طراحي شده است، اين شبكه قادر به تخمين دبي نشت‌هاي كوچك تا 1% دبي ورودي مي‌باشد. تخمين دبي نشت با ميانگين مربعات خطاي 0.58، از ميانگين دقتي برابر با 1.31%، در نقاط مختلف خط لوله برخوردار است. واژگان كليدي: شناسايي نشت، شناسايي الگو، موقعيت يابي نشت، نشت در خطوط ‌لوله، شبكه عصبي

1397/10/15

Leak Detection in Oil & Gas Pipelines Based on Real Time Methods

1/5/2019 12:00:00 AM

Abstract: Massive pipeline networks are currently used around the globe to transfer and distribute natural gas, crude oil and other lightweight petroleum products. Leakage is one of the most important issues affecting the integrity of pipelines. The occurrence of leakage entails numerous hazards including environmental pollution, capital loss and human casualty. As a result, pipeline monitoring and leak detection are of utmost significance. This has led to the development of various methods of implementing leak detection systems each of which has its own advantages and disadvantages. In this research, the different ways of detecting leaks are introduced and studied. After a survey of the existing methods, a software method based on measuring the pipeline parameters is designed using neural networks. In this method, three distinct neural networks are used for leak detection, leak localization and leak rate estimation. The data used here were obtained from a simulation of the Western Karun-Omidieh pipeline in the OLGA Pipeline Simulation software. The influence of noise on the input data and the performance of each of the neural networks is investigated. The first neural network is tasked with identifying normal and leakage conditions. This network is capable of correctly recognizing 100% and 96.6% of the predefined patterns in the absence and presence of noise, respectively. The second neural network is responsible for localizing the leakage and is able to recognize, in the absence and presence of noise, respectively 100% and 96% of the predefined location patterns. The third neural network is designed to estimate the leakage flow rate and can estimate leakage flow rates as small as 1% of the entry flow. With a mean squared error of 0.58, the leakage flow estimation has an average accuracy of 1.31% at various points along the pipeline. Keywords: leak detection, pattern recognition, leak localization, pipeline leakage, neural network