CC BY
155
DOI: 10.24143/2072-9502-2018-2-43-52 УДК 681.5.08
Т. Р. Васильев, А. Г. Кокуев
КОНТРОЛЬ РАСХОДА НЕФТЕПРОДУКТОВ НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
Рассмотрен принцип действия параметрической системы обнаружения утечек в нефтепро-водных системах. Описана структура данной системы обнаружения утечек. Проанализированы факторы, влияющие на точность измерения расходомеров, применяемых в системе обнаружения утечек. Рассмотрены характеристики и особенности эксплуатации и монтажа ультразвуковых расходомеров. Проведен анализ работ, в которых рассматривается создание систем диагностики расходомеров. Описаны их преимущества и недостатки. Цель исследования - создание системы измерения расхода нефтепродуктов по косвенным параметрам, которая диагностировала бы состояние расходомера по его показаниям и позволяла дублировать средства измерения во время планового технического обслуживания или ремонта последних. В роли данной системы выступает виртуальный сенсор, который реализован на основе программного обеспечения и способен дублировать расходомер. Приведена структура нейронной сети, на основе которой строится данная система. Рассмотрен возможный пример применения данной системы измерения. Применение нейронной сети для решения данной задачи позволит создать математическую модель измерения, не зависящую от неконтролируемых параметров. Реализация данной нейронной сети позволит решить задачу искусственной генерации сигналов от датчиков, использующихся в вычислениях системы обнаружения утечек, на время их вывода. Приведены предварительные результаты исследований. Результаты, полученные в ходе реализации модели, сопоставлены с экспериментальными данными.
Ключевые слова: ультразвуковой расходомер, нейронная сеть, виртуальный сенсор, система обнаружения утечек, диагностика расходомеров, антифрикционная присадка.
Введение
Объем добычи нефти и газового конденсата в Российской Федерации в 2017 г. составил 546,800 млн т (10,981 млн баррелей в сутки). Основным средством транспортировки сырья является трубопроводный транспорт, обладающий следующими преимуществами: возможностью прокладки почти в любой местности, высокой производительностью перекачки, непрерывностью процесса, высоким уровнем автоматизации, экологичностью.
Для достижения экологичности (минимизации утечек нефти) применяются современные методы и технологии обеспечения целостности трубопровода и контроля утечек нефти. Система обнаружения утечек (СОУ) - автоматизированная информационная система, предназначенная для контроля целостности трубопровода. Одной из распространенных СОУ является параметрическая (рис. 1).
Рис. 1. Схема параметрической системы обнаружения утечек: АСУ ТП - автоматизированная система управления технологическим процессом; ПЛК - программируемый логический контроллер
Нефтепровод разделяется на несколько контрольных участков трубопровода, на входе и выходе которых устанавливаются расходомеры и - на равных интервалах - несколько датчиков давления и температуры.
Системы обнаружения утечек основаны на методе «давление - расход» и методе массового баланса. При применении метода «давление - расход» производится сопоставление измеренных величин давления и расхода в трубопроводе с величинами, рассчитанными при помощи математической модели для секции трубопровода. Суть метода массового баланса заключается в сравнении показаний расходомеров, установленных на входе и выходе каждого участка трубопровода. Проектировщики предъявляют строгие требования к погрешности измерения у применяемых расходомеров, т. к. это напрямую влияет на работоспособность всей системы. На практике существует ряд факторов, препятствующих выполнению подобных требований.
Ультразвуковые расходомеры
Для определения расхода нефти в магистральных трубопроводах большого диаметра применяют ультразвуковые расходомеры, т. к. они могут обеспечить бесконтактное измерение, не создают местных сопротивлений, не препятствуют прохождению диагностических и очистных устройств по трубопроводу. Сенсоры ультразвуковых расходомеров по типу установки на трубопровод разделяются на врезные и накладные. Врезные (рис. 2) размещены непосредственно в стенке трубопровода, а накладные устанавливаются поверх трубопровода (рис. 3).
Рис. 2. Ультразвуковой расходомер KROHNE UFM 500 с врезными сенсорами
Рис. 3. Ультразвуковой расходомер Сойш^шп 1010DVN с накладными сенсорами
Рассмотрим характеристики и особенности эксплуатации данных расходомеров.
Место монтажа ультразвуковых расходомеров определяет режим истечения измеряемого потока. Для обеспечения ламинарности потока выбирается прямолинейный участок - обычно это участок протяженностью не менее 10 диаметров трубопровода до места установки расходомера и 5 диаметров - после места установки [2].
Для накладных ультразвуковых расходомеров поверхность трубопровода в месте установки сенсоров должна быть тщательно обезжирена и очищена от краски, ржавчины и пыли, а поверхность сенсора должна быть смазана консистентной смазкой и плотно прилегать к трубопроводу.
При эксплуатации датчиков могут возникать ситуации некорректной работы, увеличения погрешности измерения или отказы. Причины могут быть различными. Ввиду особенностей трубопровода не всегда имеется возможность выполнения условий выбора прямолинейного участка, что приводит к нестабильной работе прибора с самого начала эксплуатации. По истечении определенного количества времени поверхность трубопровода загрязняется, и слой контактной смазки накладного сенсора требует замены. Для врезных же сенсоров негативным фактором является отложение парафина на стенках трубопровода.
Для снижения вероятности возникновения отказов оборудования разрабатываются планово-предупредительные мероприятия в виде системы плановых технических обслуживаний (ТО). Кроме того, данные средства измерения подлежат поверке, т. к. попадают в сферу распространения государственного метрологического контроля и надзора (Федеральный Закон № 102 «О единстве средств измерения»). Проведение данных мероприятий также приводит к временному выводу расходомеров из эксплуатации. Как следствие, увеличивается погрешность при обработке информации и скорости реагирования СОУ на обобщенном участке.
Цель данного исследования - создание системы диагностики ультразвуковых расходомеров и дублирования измерений расхода нефти в магистральном трубопроводе.
Состояние проблемы
На данный момент в России разработаны методы диагностики, которые позволяют оценивать состояние расходомера и производить корректировку поправочного коэффициента расходомера. Метод, описанный в статье [3], является одним из перспективных. Он основан на построении при помощи нейронной сети адаптивной балансовой модели системы инженерных сетей нефтегазодобычи, включающей в свой состав отдельные участки и объекты. Рассматриваемая в [3] модель позволяет выявить причины дисбаланса в системе инженерных сетей, а также рассчитать поправочные коэффициенты расходомера. «Структура ИС (инженерных сетей) представляется в виде НС (нейронной сети), т. е. НС является моделью инженерной сети. Веса НС представляют собой коэффициенты, характеризующие связь между дисбалансом и результатом измерения расхода (например, калибровочные коэффициенты средств измерения). Процесс обучения НС с определением параметров моделей узлов ИС на последующем интервале оценивания (калибровочных коэффициентов средств измерений (СИ), параметров технологических линий и притоков/утечек в узлах) выполняется на основе значений совокупности векторов дисбалансов и значений параметров технологических линий и притоков/утечек, полученных на предыдущем интервале оценивания. Обучение с подстройкой коэффициентов нейросе-тевой модели повторяется вплоть до достижения баланса откорректированных замеров параметров в узлах ИС» [4, с. 54].
Также подобная проблема рассматривается в работе [4]. В ней задача оперативного расчета поправочного коэффициента сводится к определению расхода жидкости в трубопроводе по вторичным параметрам. Расход Q зависит от давления P, содержания воды W, содержания растворенного газа Крго, содержания свободного газа Усг, содержания солей в безводной нефти С, содержания механических примесей Ы, плотности р, вязкости п [5]:
Q = f (р, W, Крго, С, Ы, р, п).
«Основная идея решения задачи состоит в том, чтобы по известным параметрам потока рассчитать расход и сравнить его с измеренным расходом. Если рассчитанный и измеренный расходы равны и близки по значению, принимается решение, что результат измерения расхода на данном потоке достоверен, т. е. СИ расхода функционирует правильно. Если эти расходы не равны, то принимается решение, что результат измерения недостоверен. В этом случае, зная измеренный и рассчитанный расходы, можно рассчитать поправочный коэффициент измерения расхода данного потока. Другими словами, зная остальные параметры потока, можно рассчитать расход потока» [4, с. 54].
«Отличия предложенного метода от рассмотренного в работе [3]:
- в данном методе НС моделирует работу только одного узла, а не все ИС;
- калибровочные коэффициенты вычисляются на основе выхода НС, который является рассчитанным значением расхода;
- при выполнении расчетов не требуется заново генерировать НС при изменении структуры ИС;
- для вычисления калибровочного коэффициента не требуется многократного обучения НС, необходимо лишь ее дообучение в процессе функционирования» [4, с. 56].
Однако данные работы предназначены для диагностики и расчета поправочных коэффициентов расходомера. Кроме этого, метод, предложенный в работе [4], не рассматривает влияние антифрикционной присадки, которая часто используется при транспортировке нефти.
Влияние антифрикционной присадки подробно рассматривается в работе [6].
Антифрикционная присадка (АФП) - специальная добавка, которая закачивается в трубопровод при транспортировке нефти. Основное назначение АФП - снижение турбулентности вдоль стенок трубопровода для уменьшения гидравлического сопротивления. Применение АФП позволяет сократить количество нефтеперекачивающих станций, повысить производительность трубопровода.
Антифрикционная присадка представляет собой полимер с определенной растворимостью в транспортируемой нефти. Антифрикционную присадку подают в трубопровод в незначительных концентрациях. Несколько миллионных долей способны снизить гидравлическое сопротивление на 30-50 %. Кроме этого, на практике выявлено, что существует предельная концентрация АФП, при превышении которой снижение гидравлического сопротивления незначительно [6].
Таким образом, АФП оказывает значительное влияние на гидравлическую модель потока в трубопроводе.
Применение виртуальных расходомеров
Для решения проблем, связанных с эксплуатацией ультразвуковых расходомеров, предлагаем применение системы, которая позволяла бы не только диагностировать, но и дублировать показания расходомера в случае отказа прибора или вывода его из эксплуатации во время планового ТО или ремонта.
В англоязычной литературе данные системы описываются как софт-сенсор или виртуальный сенсор (soft sensor/virtual sensor) [7].
Средство измерения - техническое средство, предназначенное для измерений. Когда мы говорим о средстве измерения, мы предполагаем, что речь идет о измерительном приборе либо преобразователе, например, термометре или преобразователе давления. Однако возможно реализовать средства измерения, использующие только информацию и существующие только в виде программного обеспечения. Виртуальный сенсор является математическими вычислениями либо обработкой данных, поступающих от технических средств измерения в режиме реального времени, либо результатов экспериментов или анализов, проводимых в лабораторных условиях.
Для лучшего понимания термина приведем пример простейшего виртуального расходомера (рис. 4).
Данный сенсор производит расчет расхода жидкости при заполнении или опорожнении резервуара на основе информации о параметрах резервуара и уровне жидкости в нем:
Рис. 4. Измерение расхода жидкости в зависимости от изменения уровня
F=V(L)dL/dt,
где L - уровень жидкости в резервуаре; V(L) - функция, описывающая объем жидкости при определенном значении уровня согласно градуировочной таблице резервуара; t - время.
Результатом дифференцирования функции V(L) является скорость изменения объема в резервуаре, которая указывает на расход жидкости в трубопроводе.
Таким образом, подобный виртуальный сенсор позволяет не применять дополнительный расходомер, упрощая систему управления в целом.
Большинство виртуальных сенсоров основано на вычислении линейных уравнений, аналогичных рассмотренным в примере. Однако все чаще внедряются технологии нечеткой логики и нейронных сетей.
Увеличение производительности современных вычислительных машин позволяет создавать измерительные системы, предоставляющие в режиме реального времени данные, которые ранее вычислялись специалистом вручную.
В источнике [8] излагаются основные направления применения виртуальных сенсоров. Во-первых, к каждому средству измерения предъявляются технические требования, которые определяют особенности конструкции средств измерений (без ограничения их технического совершенствования) в целях сохранения их метрологических характеристик в процессе эксплуатации средств измерений, достижения достоверности результата измерений, предотвращения несанкционированных настройки и вмешательства, а также требования, обеспечивающие безопасность и электромагнитную совместимость средств измерений. Порой отсутствует возможность соблюдения всех требований, предъявляемых к средству измерения. Виртуальный сенсор может стать решением задачи определения технологического параметра в подобной ситуации. Во-вторых, виртуальные сенсоры возможно применять для дублирования средств измерения на время проведения планового технического обслуживания либо ремонта последних. Переключение может быть реализовано при потере сигнала от прибора. В-третьих, виртуальные сенсоры можно применять для диагностирования работы оборудования путем сравнения сигналов от виртуальных сенсоров и существующих приборов. И, в-четвертых, применение виртуальных сенсоров позволяет сократить финансовые издержки за счет сокращения числа технических средств измерений.
Таким образом, можно сделать вывод о целесообразности применения виртуального расходомера.
Для решения проблемы расхода нефтепродуктов предлагается внедрение измерительной системы определения расхода по историческим данным процесса транспортировки.
Рассмотрим упрощенную схему типовой нефтеперекачивающей станции (НПС) (рис. 5).
Рис. 5. Упрощенная схема нефтеперекачивающей станции: МНА - магистральный насосный агрегат; УРД - узел регулирования давления; БКК - блок контроля качества нефти
Нефтеперекачивающая станция состоит из 2-х магистральных насосных агрегатов и узла регулирования давления, на выходе с НПС подключен блок-бокс АФП и блок контроля качества нефти. Осуществляется контроль следующих технологических параметров:
- РТ 1-1, РТ 1-2 - давление на входе/выходе МНА;
- ТТ 1-1, ТТ 1-2 - температура на входе/ выходе МНА;
- РТ 2-1 - давление на выходе УРД;
- РБТ 1-1 - перепад давления УРД;
- ТТ 2-1 - температура на выходе НПС;
- FT 2-1 - расход на выходе НПС;
- процент открытия УРД;
- статусы запорной арматуры НПС и насосов;
- расход АФП;
- параметры, измеряемые в БКК (плотность, вязкость, обводненность нефти, температура, давление).
Существуют три основных подхода к созданию виртуального расходомера: физическое моделирование, многомерная статистика и применение элементов искусственного интеллекта (нейронные сети, нечеткая логика и гибридные методы) [7]. Физическое моделирование зачастую не позволяет учитывать внешнее воздействие на модель, т. к. не все параметры системы возможно измерить. Многомерная статистика не позволяет оценивать расчетную величину при входных параметрах, которые ранее не были зафиксированы [9]. Таким образом, работа данной системы определения параметров основывается на применении нейронной сети, входными данными которой будут являться параметры, взаимосвязанные с ней.
Большинство нейронных сетей организованы слоями, которые состоят из нескольких взаимосвязанных узлов, содержащих функцию активации. Информация поступает на входной слой, связанный с одним или несколькими скрытыми слоями, в которых обработка данных проводится через систему взвешенных связей. Скрытые слои, в свою очередь, соединяются с выходным слоем, на котором выводится ответ нейронной сети (рис. 6) [10, 11].
Рис. 6. Общая структура нейронной сети
Расчет расхода в трубопроводе предполагается следующим методом.
В качестве входных параметров нейронной сети будут использоваться данные, получаемые от следующих преобразователей (рис. 7):
- РТ 1-2 - давление на выходе МНА;
- ТТ 1-2 - температура на выходе МНА;
- РТ 2-1 - давление на выходе УРД;
- РБТ 1-1 - перепад давления УРД;
- ТТ 2-1 - температура на выходе НПС;
процент открытия УРД; расход АФП;
- параметры, измеряемые в БКК (плотность, вязкость, обводненность нефти).
Рис. 7. Нейронная сеть измерения расхода нефти
В качестве контрольного параметра для обучения нейронной сети принимается БТ 2-1 -расход на выходе НПС. На рис. 7 количество скрытых слоев отражено условно.
На основе экспериментальных данных в среде МАТЬАБ КМТоо1 была построена модель нейронной сети измерения расхода нефти. Для проверки адекватности модели произведена выборка экспериментальных данных в течение трех дней. Плотность, вязкость, обводненность нефти, температура нефти постоянны. Значения давлений, процента открытия УРД и расхода АФП приведены в виде графика (рис. 8, 9).
Давление, кРа
■л
' 'и
-РТ 1-2 - давление на выходе МНА
--РТ 2-1 - давление на выходе УРД
----РТ 1-1 - давление на выходе МНА
.......РDТ 1-1 - перепад давления УРД
чл».
Ук1
Время, ч
Рис. 8. График 1 технологического режима НПС
Процент открытия УРД, % Расход АПФ, ppm
• Процент открытия УРД Расход АФП
Время, ч
Рис. 9. График 2 технологического режима НПС Результат моделирования приведен на рис. 10.
Расход, м3/ч
Измерение расхода нефти нейронной сетью
- FT 2-1 - расход на выходе НПС
Время, ч
Рис. 10. Сравнение показаний расходомера и нейронной сети
Согласно проведенному расчету относительная погрешность измерения расхода нефти полученной модели относительно расходомера БТ 2-1, установленного на выходе НПС, составила 5,6 %.
Заключение
Применение нейронной сети позволит создать математическую модель измерения расхода нефти в магистральном нефтепроводе, не зависящую от неконтролируемых параметров.
Реализация данной нейронной сети позволит решить задачу искусственной генерации сигналов от датчиков, использующихся в вычислениях СОУ, на время их вывода.
На данном этапе установлено, что нейронная сеть позволяет рассчитать расход нефти по параметрам технологического процесса при транспортировке нефти по трубопроводам.
Необходимы дополнительные исследования с целью повышения точности данной модели и проверки ее работоспособности в режиме реального времени.
СПИСОК ЛИТЕРА ТУРЫ
1. РЭ 7.30787.11.00. Ультразвуковой расходомер UFM 500/ UFM 500-030. Самара, 2006. 140 с.
2. Система 1010DVN. Стационарный ультразвуковой многофункциональный расходомер: ин-струкц. по эксплуат. Комбит, 2007. 220 с.
3. Зозуля Ю. И., Назипов Д. Ф., Ахметзянов Р. Р., Жильцов А. А. Нейросетевые технологии в решении задач анализа и диагностики состояния инженерных сетей // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2007. № 4. С. 25-31.
4. Фазлиахметов Т. И. Метод оперативной диагностики состояния расходомера и расчета его калибровочных коэффициентов на основе использования искусственных нейронных сетей // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2009. № 4. С. 53-56.
5. Басниев К. С., ДмитриевН. М., РозенбергГ. Д. Нефтегазовая гидромеханика. М.; Ижевск, 2005. 544 с.
6. Strelnikova S., Michkova D. Mathematical modeling of fluid motion in pipelines using drag reducing agents. PSIG-1315. PSIG Annual Meeting (16-19 April, Prague, Czech Republic). Pipeline Simulation Interest Group Publ., 2013. 11 p.
7. Fortuna L., Graziani S., Rizzo A., Xibilia M. G. Soft Sensors for Monitoring and Control of Industrial Processes. Springer, 2007. 271 p.
8. Liptak B. Instrument Engineers' Handbook. Vol. 1: Process Measurement and Analysis. CRC Press, 2003. 1920 p.
9. Lanasa P. J., Upp E. L. Fluid Flow Measurement. Elsevier Inc., 2014. 280 p.
10. Kim Ph. MATLAB Deep Learning. Apress, 2017. 151 p.
11. Хайкин С. Нейронные сети: полн. курс. М.: Издат. дом «Вильямс», 2006. 1104 с.
Статья поступила в редакцию 05.03.2018
ИНФОРМАЦИЯ ОБ АВТОРАХ
Васильев Тимур Рафаэльевич — Россия, 414056, Астрахань; Астраханский государственный технический университет; аспирант кафедры автоматики и управления; [email protected].
Кокуев Андрей Геннадьевич — Россия, 414056, Астрахань; Астраханский государственный технический университет; канд. техн. наук, доцент; зав. кафедрой автоматики и управления; [email protected].
T. R. Vasiliev, A. G. Kokuev
OIL PRODUCTS EXPORT CONTROL BASED ON ARTIFICIAL NEURAL NETWORK
Abstract. The operation principle of the parametric leak detection system in oil pipeline systems is considered. The structure of this leak detection system is described. Factors affecting the accuracy of flowmeters measurement used in leak detection are analyzed. Characteristics and fea-
tures of operation and installation of ultrasonic flowmeters are considered. The analysis of works which investigate creating diagnostic systems of flowmeters is carried out. Their advantages and disadvantages are described. The aim of the study is to develop a flow measurement system using indirect parameters, which could diagnose the state of its testimony and double measuring tools during their systematic maintenance or repair. A virtual sensor acts as a system and is implemented on the basis of software and is capable of duplicating the flowmeter. The structure of the neural network is given on the basis of which this system is built. A possible example of application of this measurement system has been considered. Application of neural network for solving this problem will allow to create a mathematical model of measurement that is not dependent on uncontrolled parameters. Implementation of this neural network solves the problem of artificial generation of signals from sensors used in the calculation of the system of detecting leaks at the time of their output. The preliminary results of the research are presented. The results obtained in the process of model realization are compared with experimental data.
Key words: ultrasonic flowmeter, neural network, virtual sensor, leak detection system, diagnostics of flowmeters, antifrictional agent.
1. RE 7.30787.11.00. Ul'trazvukovoi raskhodomer UFM 500/ UFM 500-030 [Operation Manual 7.30787.11.00. Ultrasonic flowmeter UFM 500/ UFM 500-030]. Samara, 2006. 140 p.
2. Sistema 1010DVN. Statsionarnyi ul'trazvukovoi mnogofunktsional'nyi raskhodomer: instruktsiia po eksplu-atatsii [System1010DVN. Stationary ultrasonic multipurpose flowmeter: operation manual]. Kombit, 2007. 220 p.
3. Zozulia Iu. I., Nazipov D. F., Akhmetzianov R. R., Zhil'tsov A. A. Neirosetevye tekhnologii v reshenii zadach analiza i diagnostiki sostoianiia inzhenernykh setei [Neuronetwork technologies in solving problems of analysis and diagnostics of engineering networks]. Avtomatizatsiia, telemekhanizatsiia i sviaz' v neftianoi promyshlennosti, 2007, no. 4, pp. 25-31.
4. Fazliakhmetov T. I. Metod operativnoi diagnostiki sostoianiia raskhodomera i rascheta ego kali-brovochnykh koeffitsientov na osnove ispol'zovaniia iskusstvennykh neironnykh setei [Operative diagnostic method of flowmeter and its calibrating coefficients in terms of using artificial neural networks]. Avtomatizatsiia, telemekhanizatsiia i sviaz' v neftianoi promyshlennosti, 2009, no. 4, pp. 53-56.
5. Basniev K. S., Dmitriev N. M., Rozenberg G. D. Neftegazovaia gidromekhanika [Oil and gas hydromechanics]. Moskow, Izhevsk, 2005. 544 p.
6. Strelnikova S., Michkova D. Mathematical modeling of fluid motion in pipelines using drag reducing agents. PSIG-1315 (PSIG Annual Meeting, 16-19 April, Prague, Czech Republic). Pipeline Simulation Interest Group Publ., 2013. 11 p.
7. Fortuna L., Graziani S., Rizzo A., Xibilia M. G. Soft Sensors for Monitoring and Control of Industrial Processes. Springer, 2007. 271 p.
8. Liptak B. Instrument Engineers' Handbook. Vol. 1: Process Measurement and Analysis. CRC Press, 2003. 1920 p.
9. Lanasa P. J., Upp E. L. Fluid Flow Measurement. Elsevier Inc., 2014. 280 p.
10. Kim Ph. MATLAB Deep Learning. Apress, 2017. 151 p.
11. Haykin S. Neural Networks: A Comprehensive Foundation. Prentice Hall, 1999. 842 p.
Vasiliev Timur Rafaelevich - Russia, 414056, Astrakhan; Astrakhan State Technical University; Postgraduate Student of the Department of Automation and Control; [email protected].
Kokuev Andrei Gennadievich - Russia, 414056, Astrakhan; Astrakhan State Technical University; Candidate of Technical Sciences, Assistant Professor; Head of the Department of Automation and Control; [email protected].
REFERENCES
The article submitted to the editors 05.03.2018
INFORMATION ABOUT THE AUTHORS
