автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Моделирование процессов коррозионных повреждений магистральных трубопроводов для оценки технического и техногенного рисков

На правах рукописи

□03053258 БЕСХЛЕБНОВА Галина Александровна

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ КОРРОЗИОННЫХ ПОВРЕЖДЕНИЙ МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ ДЛЯ ОЦЕНКИ ТЕХНИЧЕСКОГО И ТЕХНОГЕННОГО РИСКОВ

Специальность 05.13.18 Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Уфа 2007

003053258

Работа выполнена на региональной кафедре математики и информатики Всероссийского заочного финансово-экономического института (филиал в г. Уфе)

Научный руководитель д-р техн. наук, проф.

ГОРБАТКОВ Станислав Анатольевич

Официальные оппоненты д-р физ.-мат. наук, проф.

ЖИТНИКОВ Владимир Павлович

д-р. техн. наук, проф. ГАРЕЕВ Алексей Габдуллович

Ведущая организация Институт проблем транспорта

энергоресурсов (г. Уфа)

Защита диссертации состоится 6 марта 2007 г. в 10-00 на заседании диссертационного совета Д-212.288.03 Уфимского государственного авиационного технического университета по адресу: 450000, г. Уфа, ул. К. Маркса, 12.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан 31 января 2007 года.

Ученый секретарь диссертационного совета д-р техн. наук, проф.

В.В. Миронов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы

В последнее время обостряются проблемы надежной эксплуатации магистральных газо- и нефтетрубопроводов вследствие их старения и ускорения процессов коррозии металла труб. Общая коррозия металла на большинстве участков усугубляется тем, что изоляционные покрытия полностью выработали свой ресурс. Большое распространение получила коррозия под напряжением, с ее проявлениями связано до 32% аварийных ситуаций на газопроводных системах. На большинстве предприятий нефтегазового комплекса не представляется возможным проведение сплошного ремонта участков магистральных трубопроводов. В сложившихся условиях крайне важно иметь достоверную оценку коррозионных повреждений и скорости распространения коррозии трубопроводов. Необходимо создание научной основы определения остаточного ресурса трубопроводов, выбора оптимальных технологий ремонтных работ в различных природно-климатических условиях. В такой ситуации представляется единственно возможным классификация дефектов по степени их «опасности» для принятия оптимальных решений приоритетного, последовательного устранения наиболее опасных участков с учетом технических и финансовых возможностей. Таким образом, прогнозирование остаточного ресурса эксплуатации трубопроводов и составление графиков ремонтных работ является важной научно-технической проблемой, требующей разрешения в ближайшее время. Вопросы оценки остаточного ресурса участков трубопроводов рассмотрены в работах А.Г. Гумерова, И.Г. Абдуллина, Л.П. Худяковой, A.M. Болотнова, А.Г, Гареева, Д.М. Нургалиева, М.А. Башаева; также в работах иностранных ученых R.D. Kane, D. Gray, C.R.Torres и др. Работы H.A. Махутова, H.H. Пекарникова, B.N. Leis и др. отражают различные аспекты технической диагностики трубопроводов. Работы отечественных ученых В.Е. Селезнева, В.В. Алешина, С.Н. Прялова, В.В. Кобякова, С.Е. Кутукова посвящены численному моделированию и информационным технологиям режимов эксплуатации магистральных трубопроводов. Разработкой технологий нейросетевого моделирования в различных прикладных аспектах занимались А.И. Галушкин, A.A. Ежов, С.А. Шумский, В.И. Васильев, Б.Г. Ильясов и др. Однако вопросы оперативного принятия решений по составлению планов выборочного ремонта участков трубопроводов не являются достаточно широко рассмотренными.

В настоящей работе предлагается на основе прогнозных оценок, полученных в результате нейросетевого моделирования коррозионных дефектов, ранжировать участки нефтепроводов для определения очередности их вывода в ремонт. Поскольку в литературе нет публикаций по созданию динамических многофакторных нелинейных прогнозных моделей коррозионных разрушений подземных трубопроводов, имеющих катодную защиту, тема работы актуальна.

Цель и задачи исследования

Целью исследования является оценка технического и техногенного рисков на основе динамической многофакторной математической модели коррозионных повреждений участков магистральных трубопроводов.

Для достижения этих целей были поставлены и решены следующие задачи:

1. Провести анализ условий возникновения и развития коррозионных повреждений участков магистральных трубопроводов и выявить факторы, описывающие коррозионную ситуацию на моделируемом объекте.

2. Разработать специальные методы пред- и постпроцессорной обработки данных и на их основе создать нейросетевые динамические многофакториые модели относительной глубины коррозионных повреждений участков магистральных трубопроводов, которые должны обладать высоким качеством (адекватностью и точностью) в условиях сильного зашумления данных.

3. Разработать вероятностную модель для оценки технического риска аварии участка магистрального трубопровода на основе взвешенного показателя, содержащего свертку прогнозной величины глубины коррозии и расчетной скорости коррозии.

4. Разработать оптимизационную модель определения наиболее опасных участков трубопровода.

5. Разработать на основе применения нечеткой логики модель ранжирования участков магистральных трубопроводов с учетом обобщенного показателя технического и техногенного рисков и синтезировать на ее основе план вывода в ремонт участков.

6. Провести апробацию разработанных моделей и оценить их эффективность на основе натурных экспериментов для отдельных участков трубопроводов.

Методы исследования

При решении поставленных в работе задач использовались: методы теории вероятностей и математической статистики, методы нейросетевого моделирования, методы системного анализа, методы нечеткой логики, методы прогнозирования, методы корреляционного и регрессионного анализа, методы оптимизации.

На защиту выносятся:

1. Итерационная процедура формирования пространства входных факторов для нейросетевой модели оценки глубины коррозии.

2. Нейросетевая динамическая многофакторная модель оценки относительной глубины коррозионных повреждений магистральных трубопроводов.

3. Вероятностная модель оценки технического риска аварии на участке магистрального трубопровода.

4. Оптимизационная модель определения наиболее опасных участков трубопровода.

5. Модель ранжирования участков трубопроводов по векторному критерию технического и техногенного рисков.

6. Результаты апробации разработанных моделей и методов и оценка их эффективности.

Научная новизна

1. Новизна предложенной экспертной процедуры формирования пространства входных факторов заключается в том, что в этой процедуре спецификация модели связывается с показателями качества обучения вспомогательных ней-росетей (субмоделей), что позволяет управлять качеством модели уже на стадии

постановки задачи прогнозирования технического риска разрушения трубопровода.

2. Новизна построенной нейросетевой динамической многофакторной модели (НСМ) оценки относительной глубины коррозионных повреждений состоит во введении оригинальной итерационной процедуры очистки кластера базы данных от аномальных точек, что предопределяет требуемое качество аппроксимации; а также процедуры модифицированного обобщенного перекрестного подтверждения результатов моделирования, что позволяет получить количественную оценку доверительного интервала прогноза.

3. Новизна вероятностной модели технического риска состоит в выборе его числовой меры в виде взвешенного критерия, первая составляющая которого равна коэффициенту риска превышения прогнозной глубиной коррозионного разрушения заданного уровня, а вторая - равна относительной скорости развития коррозии, что позволяет приблизить оценку технического риска к реальным условиям.

4. Новизна оптимизационной модели определения наиболее опасных участков трубопроводов заключается во введении векторного критерия оптимизации, равного взвешенной сумме глубины коррозии и ее скорости, а также в применении метода ЛП,-поиска, обеспечивающего равномерное зондирование многомерной области поиска пробными точками.

5. Новизна модели ранжирования участков трубопроводов состоит во введении в процедуру ранжирования комплексного показателя, учитывающего как технический, так и техногенный риски. Это позволяет количественно учесть факторы неопределенности при планировании ремонтных работ.

Практическая значимость работы

1. Нейросетевая динамическая модель коррозионных повреждений позволяет получать прогнозное значение относительной глубины коррозии участков магистральных трубопроводов, что необходимо для оценки остаточного ресурса участка трубопровода.

2. Предложенная методика ранжирования участков по степени опасности аварии позволяет составить план выборочного ремонта нефтепроводных участков, имеющих коррозионные повреждения.

3. Разработанный подход к моделированию коррозионных повреждений может использоваться при построении моделей других прикладных объектов и процессов (коррозионных процессов подземных и надземных хранилищ, стальных строительных конструкций и др.).

Диссертационное исследование проведено в рамках хоздоговорной НИР № 0134/ПР-03 (2004 г.) «Методики проведения факторного анализа коррозионных повреждений магистральных нефтепроводов, выявление причин возникновения и развития коррозии и выработка рекомендаций по ее предотвращению» (заказчик -ООО «Институт ВНИИСТ», г. Москва). Практическая значимость результатов подтверждается их внедрением в научные исследования лаборатории технологии и технических средств электрохимической защиты ООО «Институт ВНИИСТ», а также в учебный процесс в филиале Всероссийского заочного финансово-экономического института в г. Уфе.

Апробация работы

Основные положения диссертационной работы докладывались и обсуждались на следующих научно-теоретических конференциях: XIV Международная конференция по нейрокибернетике (Ростов-на-Дону, 2005); Международная учебно-научно-практическая конференция «Трубопроводный транспорт - 2005» (Уфа, 2005); Шестой Всероссийский симпозиум по прикладной и промышленной математике, осенняя (открытая) сессия (Сочи, 2005); VIII Всероссийская научно-техническая конференция «Нейроинформатика - 2006» (Москва, 2006).

Публикации

Основные результаты диссертационной работы отражены в 11 публикациях, в том числе в виде 6 научных статей, в 4 сборниках материалов конференций и свидетельства Роспатента об официальной регистрации программы для ЭВМ; из них 6 публикаций в рецензируемых журналах из перечня ВАК.

Объем и структура работы

Диссертация включает в себя введение, 4 главы, заключение, библиографию и Приложение. Работа содержит 151 страницу сквозной нумерации. Список литературы состоит из 101 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, сформулированы цель и задачи исследования, охарактеризованы научная новизна, практическая значимость результатов работы и положения, выносимые на защиту.

В первой главе рассмотрены известные способы и методы оценки остаточного ресурса участков трубопроводов, имеющих коррозионные дефекты. Отмечено, что одной из основных причин высокой аварийности трубопроводов является коррозия. Перечислены факторы, которые могут влиять на скорость коррозии. Отмечено, что одним из основных способов борьбы с коррозией является катодная защита. Потенциал катодной защиты входит в модель в качестве независимой переменной. Анализ условий моделирования показал:

1. Применение методов регрессионного анализа для построения нелинейной динамической модели дало отрицательные результаты. Причинами являются: нарушение предпосылок регрессионного анализа, в частности, наличие нелинейной взаимосвязи удельного электрического сопротивления грунта и глубины залегания трубы (мультиколлинеарность переменных). Коэффициенты регрессионной модели оказались статистически незначимыми.

2. В теории нейросетей недостаточно исследован вопрос об адекватности получаемых моделей. Дело в том, что достижение приемлемых расхождений между экспериментом y¡ и расчетом уг:

J,=\{y,~y,)ly\^(o- i = \,...,N tesí; (1)

где i - номер точки обучающего и тестового множества; Ntes, - общее число тестовых точек; со - экспертно задаваемое число, не является гарантией адекватности модели. Во-первых, в силу квадратичного критерия приближения при обучении НСМ (модификации синаптических весов) даже хорошо обученная нейросеть

"имеет право" на значительные ошибки в малом числе тестовых точек. Во-вторых, нет никаких сведений об ошибках в пространстве между тестовыми точками и тем более при удалении за границы эксперимента, что принципиально необходимо для прогнозных задач. Поэтому вопрос об оценке адекватности прогнозной НСМ потребовал разработки специального подхода.

3. Третья особенность — невозможность введения лаговых переменных (переменных, относящихся к предшествующим периодам времени), которые в ряде случаев позволяют существенно улучшить качество динамической модели, из-за того, что в данных мало временных отсчетов, и они расположены в области эксперимента нерегулярно.

4. Четвертая особенность исследуемой модели состоит в том, что требуется достижение достаточно высокой точности прогноза (порядка 20 процентов при сильной зашумленности данных). Сильная зашумленность данных связана с тем, что результаты измерений, получаемых двумя способами: методами внутритруб-ной диагностики (с использованием инспекционного снаряда «Ультраскан») или методом дополнительного дефектоскопического контроля (ДДК) иногда значительно (более чем в 5 раз) различаются. Кроме того, в массиве исходных данных встречаются пропуски значений некоторых из переменных.

5. Пятой особенностью задачи является наличие качественных переменных в модели («марка стали» - более двадцати значений, «тин грунта» - семь значений, «тип изоляционного покрытия» - более двадцати значений).

Выявленные особенности моделирования глубины коррозионного дефекта потребовали разработки оригинальной процедуры спецификации переменных по методу экспертных оценок с «дообучением экспертов» по следующей схеме.

1) Исходя из сложившихся представлений в данной предметной области, группа экспертов формирует начальное приближение спецификации переменных,

= = ,...,<>). (2)

2) Строится нейросетевая модель (НСМ) и на ее основе получается ряд од-нофакторных функциональных зависимостей вида

у<0) = //0)(х;); j = 1,«о; хк= coast; k*j, l = l,m0. (3)

Подобные зависимости должны хорошо интерпретироваться в предметной области.

3) НСМ и зависимости вида (2) предъявляются экспертам для анализа и интерпретации. Эксперты вносят корректировку в спецификацию:

Хт ..,*!;>); ?<" =Ы".->Л,,,...,зС) (4)

4) Для скорректированной спецификации

^0) f0> снова строится НСМ, и результаты моделирования снова предъявляются экспертам и т.д.

5) Процесс «дообучения» экспертов продолжается до тех пор, пока простое изменение спецификации уже не будет существенно улучшать НСМ.

В настоящей работе на основе изложенной экспертной процедуры был определен состав независимых переменных: глубина залегания трубы в грунте L; диаметр трубы D; удельное сопротивление грунта р\ разность потенциалов труба — грунт U; длительность эксплуатации секции трубы t. В качестве основной моделируемой величины, характеризующей коррозионное повреждение, выбрана от-

носителыгая глубина дефекта У, определяемая по формуле 7 = где 8 - глубина коррозионного дефекта, Н - толщина стенки трубы (рис.1). Учет качественных переменных произведен путем образования кластеров исходных данных по естественному морфологическому признаку (в кластер включены данные, относящиеся к одному и тому же типу грунта и к одной и той же марке стали труб).

-г- I -изоляция; ] 2- стажа трубы;

3 - корр озионное р азрушение;

4 - катодная станция,

5 -распределенные аноды; - 6-глубина корр соионн ого дефекта;

/ "'"Ть Я - толщина стасси трубы

I -I........... Г- ^ I-1

Рис. 1. Схема катодной защиты трубопровода от коррозии

Нейросетевая модель зависимости относительной глубины коррозионного дефекта от вектора независимых переменныхX = (хь х2, х3, х4, х5, 0 можно представить в виде

¥ = Р(Х,Ж) + е, (5)

где х, - глубина залегания трубы в грунте (м); х2 - диаметр трубы (мм); х3 -удельное электрическое сопротивление грунта (Омм); х4 - разность потенциалов труба - грунт (В); х5 - расчетная скорость образования дефекта (мм/год); (- время эксплуатации секции трубы, измеряемое в месяцах; т.е. время явно выделено в векторе X; Ь\*) - функция нейросетевого отображения, Ж - матрица синаптиче-ских весов, е - случайная ошибка.

Специфика рассматриваемой нейросетевой модели определяет специальные методы ее построения, включающие:!) структурирование модели (формирование «русел»), позволяющее управлять ее качеством на ранних стадиях моделирования; 2) обобщенное перекрестное подтверждение результатов моделирования как обоснование адекватности модели.

Во второй главе приведено описание специальных методов пред- и постпроцессорной обработки зашумленных данных, на основе которых разработаны нейросетевые динамические многофакторные модели глубины коррозионных повреждений участков магистральных трубопроводов. Для построения таких моделей предлагается провести иерархическое структурирование базы данных (иерархия образования «русел»), представленное на рис. 2. Под «руслами» понимается подобласть в пространстве входных и выходных переменных, в которой можно с требуемой степенью адекватности построить математическую модель с малым числом независимых переменных. В области «русла» появляется возможность прогнозирования поведения системы на требуемый срок. Опишем предложенную структуру иерархии образования «русел», основанную на системном подходе к разработке модели.

Рис. 2. Иерархия образования «русел»

• уровень I соответствует формированию обучающего Г2,, тестирующего £12 и экзаменующего Оэ множеств в базе входных данных;

• уровень II соответствует первому этапу образования "русел" в пространстве состояний, связанному с алгоритмами предобработки данных (спецификация и фильтрация переменных, кластеризация, нормализация, очистка кластеров от аномальных наблюдений);

• уровень III соответствует второму этапу образования "русел", связанному с выбором архитектуры НСМ, вида активационных функций и собственно извлечением знаний, т.е. обучением нейросети и ее тестированием;

• уровень IV связан с получением нескольких независимых (различающихся по архитектуре, алгоритму обучения, виду активационных функций) НСМ согласно модификации метода обобщенного перекрестного подтверждения. Итерационная процедура сглаживания данных в сформированном кластере

состоит в следующем. Производится выявление и отбраковка «аномальных» точек. Для каждой точки пространства состояний сформированного кластера вычисляется относительная ошибка <У. расчетного значения моделируемой переменой у.

У1 ~у\

Уг

;еП = П1иа2, (6)

где у^ - значения выходной переменной в массиве исходных данных и расчетные соответственно; г - номер точки в выборке сформированного кластера; 5 —

номер итерации в процессе отбраковки «аномальных» точек. О,, 02- обучающее и тестирующее множества примеров; «и»— знак дизъюнкции. Точка считается

СО О*)

«аномальной», если выполнено неравенство > е , где е - экспертно задаваемое число на каждом 5-ом шаге итерационного процесса. «Аномальные» точки исключаются из дальнейшего обучения и тестирования, в результате чего выборка кластера становится более однородной. На редуцированной выборке строится новая НСМ, для которой повторяется процедура выявления и устранения «аномальных» точек. Итерационный процесс по проведению сглаживания данных в кластере останавливается при выполнении следующего условия: достигается минимум величины <5^, выбранной в качестве числовой меры точности модели, или ее приемлемый уровень е. Репрезентативность выборки при очистке кластера не нарушается, т.к. в сформированном кластере имеется достаточно большое число примеров. НСМ, полученная на последнем этапе итерационного процесса, и есть искомая математическая модель; а кластер, очищенный с помощью вышеописанной процедуры, и есть ядро «русла», которое выявляет сама нейросеть с помощью проецирования входных сигналов и нелинейной аппроксимации.

Рассмотрим структурно-функциональную схему информационной системы прогноза коррозионных повреждений (ИСПКП) (рис.3). Эта схема отражает информационное взаимодействие отдельных моделей, построенных по задачам 2-5 в проводимом исследовании, и показывает место разрабатываемой гибридной модели, состоящей из перечисленных выше моделей, в общей системе ИСПКП.

Условные обозначения для рис. 3: Е - внешняя среда; ОУ - объект управления; УТь ..., УТя - участки трассы трубопровода с номерами 1, ..., Я; ¿/](/А.),..., иЯк(1к) - принятые решения в виде материальных потоков (информации, инвестиций, технологических операций); БМ - блок мониторинга; СУБД — система управления базой данных в БМ; БДМ - база данных мониторинга; ДДК - дополнительный дефектоскопический контроль; ВТД - внутритрубная диагностика; И - интерфейс; - поток входной информации; ИЗ - подсистема извлечения знаний; БД - база данных; ЭДь ..., ЭДн -элементы данных (кортежи) с номерами 1, ..., /•/; )),> ( / = 1,^) - кортеж с номером г

в БД; г - номер обучающего примера, г = 1,//; г* - момент времени наблюдения, к = [1,7]; х(1к) - и-мерный вектор независимых переменных; >>(/*) - зависимая переменная; ОНСМ - обобщенная нейросетевая модель; НСМ|, ..., НСМо - нейросетевые модели кластеров с номерами 1, 2, ..., g, ..., С; ВММ|, ..., ВММь - вложенные математические нейросетевые субмодели с номерами 1, ..., £; - расчетные значения моделируемой случайной величины у

в момент времени наблюдения % - номер кластера, g = \,G■,q - номер независимой НСМ в процедуре МОПП; ПП - подсистема прогноза; БДФ|,..., БДФез - блоки динамических

£

Рис.3. Структурно - функциональная схема ИСПКП

функциональных зависимостей с номерами 1, 2, ..., q, ..., совпадающими с номерами НСМ обобщенного перекрестного подтверждения; МОППь ..., МОППс - блоки, реализующие процедуры МОПП в кластерах 1, ..., С, Рь Ро - вероятности МОПП; НС - нейросеть; БУДЗ и П -блок усреднения динамических зависимостей _р(/) и расчет прогноза; ПСПР - подсистема синтеза плана ремонта; БДВВ - блок данных внешних ведомств (МЧС, геоинформационной системы и др.); (I ) - поток информации от БДВВ; ПОР - подсистема оценки рисков (технических и техногенных); РТ - технический риск; РТГ - техногенный риск; БР - блок ранжирования; {/*} - номера ранжированных участков трубопровода; ЭСПР - экспертная система принятия решений; БВУ - блок под держки процедуры выработки управляющих воздействий; БЗ - база знаний; ЛПР - лицо, принимающее решение.

На основе структурно - функциональной схемы ИСПКП предложен рабочий алгоритм для синтеза плана выборочного ремонта участков трубопроводов.

В третьей главе приведены математические модели, разработанные по задачам 2-5 настоящего исследования, а также описываются вычислительные эксперименты по нахождению прогнозного значения глубины коррозии на отдельном участке трубопровода.

Математическая модель прогноза глубины коррозии для участков магистральных трубопроводов

Протокол результатов измерений, полученных по данным внутритрубной диагностики или методом ДДК, представлен в виде таблицы прецедентов коррозионной ситуации на участках трубопроводов (таблица 1).

Таблица 1. Таблица прецедентов коррозионной ситуации

Наблюдаемая ситуация {Р} Факторы модели, характеризующие коррозионную ситуацию Глубина коррозионного дефекта У

X, X7 Хп

Р1 х;,} X<" X?

Р2 х<2) уО)

Рн X™

Требуется найти прогнозную модель Р(Х,1¥), осуществляющую отображение вектора входных переменных X в множество {У}:

(7)

с погрешностью прогнозирования

Н-

тт тах

уСО

(8)

удовлетворяющую условию Н < Д, где функция ¡^(Х, (V) - нейросетевая модель,

IV - матрица синаптических весов, Д>0 - заданное число, I — номер точки в кластере; ^ - номер НСМ из семейства МОПП. Аппроксимация функции многих переменных по заданному набору прецедентов {Р} выполнена многослойным (2

слоя) персептроном:

У, = Ч Е - )). (9)

/=1

Здесь Л(ц) - функция гиперболического тангенса; - синаптические веса

соответственно 1-го и 2-го скрытых слоев нейронов; Зс,- - нормированные значения входной переменной х,; ¡=1,2,...,«; п - число входных переменных, вj - порог возбуждения у-го нейрона; г, к - номер нейрона 1-го, 2-го скрытых слоев,; пь п2 - число нейронов 1-го, 2-го слоев. Критерий обучения - минимум величины ошибки

Ет=1-Ьу]-У1?, (10)

где ^ - значениеу-го выхода НС, У] — экспериментальное значениеу-го выхода НС, р - число нейронов в выходном слое. С целью повышения однородности данных в кластере проведена итерационная процедура очистки данных от аномальных точек. Из кластера исключаются точки, номера которых ¿к> определяются условием:

{|(*)}:|г.(Ч>е,; к=1,2, (П)

Здесь к — номер итерации, 8{к) - погрешность вычисления по числовой мере (6); £] - заданный уровень погрешности Б(к). В кластере остаются точки с номерами

61т<ек-, /(*>е(Д,иП2)[. (12)

Оценка адекватности НСМ из семейства МОПП и получение прогноза проводились в соответствии с выражениями (13)-(15):

У,-Уи.

<>4; ¡ = 1,ЛГ/£!,; д = \,т. (13)

{д}'-1т7 = тах у

Если выполнено неравенство

Р = ™/2>Р*, (14)

где Р — экспериментальная вероятность; Р — экспертно заданное значение доверительной вероятности; (2 - общее число независимых НСМ в процедуре МОПП; т — число НСМ, подтвердивших свою адекватность по мере (13), то НСМ можно считать адекватной и, усреднив все параллельные оценки НСМ из

процедуры МОПП, получить прогноз глубины коррозии:

— « т * /

ИО = !>',(' ую- 05)

Нечеткая модель ранжирования участков Общий риск аварии участка трубопровода К(1) определяется как нечеткая

модель:

*(0 = Fm(r,(i),r2(/)). (16)

Здесь rl(t) - технический риск аварии, r2(t) - техногенный риск аварии рассматриваемого участка трубопровода, t — длительность эксплуатации участка.

Г,(г) =4,,(/)./= П}; r2(t) = {r2l(tyj = \J\. (17)

L - число участков данного трубопровода. Считаем r^t), r2(t,) R(t) нечеткими величинами:

1/ = Ь/ >MW)\s = 1.....5; [0,1]; (18)

'2/ = к 7 Ж/)}. v = 1,..., V ; //(^) [0,1] ; (19)

Ri = \R,p/rtRf)\p = U.,P-, //(*/")->[<U]. (20)

Рассматривается множество объектов C={C/,C?, ..., С/}, каждый из которых обладает набором признаковХ={х/, х2, ..., хт}. Ранжирование объектов производится с помощью отображения X —> Z :

Z=G{X); Z = |z(,f = VL;}: Vzf'.z'2' eZ,z,(" <z]2). (21)

Вычислительные эксперименты по подтверждению предложенных подходов к построению НСМ прогноза относительной глубины коррозии проводились на основе статистической выборки отобранных в кластер данных (тип грунта 2, марка стали 17Г1С). В образованном кластере содержалось 375 примеров.

Таблица 2. Результаты отбраковки аномальных точек

Величина Первая итерация отбраковки точек Последняя итерация отбраковки точек

При обучении При перекрестном подтверждении При обучении При перекрестном подтверждении

Количество прогонов 10000 10000 10000 5811

Минимальная средне-квадратическая ошибка (MSE) 0,0019 0,0079 0,000065 0,00066

Процедура отбраковки аномальных точек по финишному критерию минимальной среднеквадратической ошибки МБЕ дала следующие результаты (таблица 2): при обучении произошло существенное уменьшение величины МБЕ - более чем в 20 раз. При этом было отбраковано 24 точки.

Анализ динамических кривых вида (3) показал (рис. 4):

1. Все динамические кривые хорошо согласуются с физическими представлениями в своей предметной области. По оси времени на этих кривых можно выделить условно три характерных участка: 1) начальный участок; 2) участок линейного роста глубины коррозии; 3) участок насыщения.

«s 0.7 1 £

-е- 0,6 -ä

« 0.5 -s ю

j? о-4 -I

I 0.3

Л

ё 0.2 Н ti 0,1 -г

100 200 300 400 500

Длительность эксплуатации (месяцы)

600

-У Output (1)

---Y Output (2)

—•— Y Output (3)

-Y Output (4)

-Y Output (5)

-Y Output (6)

-Y Output (7)

-Y Output tS)

--Y Output (0)

-Y Output (10)

- •£*. - Ряд наблюдаемых значений

Рис. 4. Обобщенно - перекрестное подтверждение нейросетевого моделирования (тип грунта 7; марка стали 17Г1С)

2. Одинаковый качественный характер динамических «пучков» кривых говорит о том, что эти кривые отражают скрытую электрохимическую закономерность коррозии, т.е. временной тренд процесса.

Итоговая прогнозная нейросеть получена в результате простого арифметического усреднения выходов нейросетей из семейства МОПП. Разработанная НСМ выдает прогнозные значения глубины коррозии при подстановке в итоговую модель входных данных. По итоговым НСМ можно сравнить динамику коррозионных процессов для различных кластеров (рис. 5). _ о.е

§: о.5

i о.л ю

£ О.З

I

1 0.2

I 0.1 -

^ О

- Итоговая модель 1 (тип грунта 7: марка стали П7ГЮ)

- Итоговая модель 2 (тип грунтаЗ: марка стали 17Г1С)

200 400 еоо

Длительность эксплуатации (месяцы)

Рис. 5. Сравнение динамики коррозии для различных типов грунтов

Четвертая глава посвящена разработке методики вывода в ремонт участков трубопроводов. В этой же главе приводится разработанный на основе ИСДКП рабочий алгоритм по построению прогнозной НСМ для определения глубины коррозии и синтезу плана выборочного ремонта участков трубопровода с учетом технического и техногенного рисков. Опишем кратко процедуру составления плана выборочного ремонта участков трубопроводов, имеющих коррозионные дефекты.

1 2 з л 5 в 7 е а Ю111^131'1151в1?181аго

Номер учпсткч

■Функция принадлежности □ Функция Принадлежности ^¡^ ш Ранг

Рис 6. Ранжирование участков по степени опасности

Предлагается провести ранжирование участков не только но степени опасности самой аварии трубопровода, вызванной коррозионным разрушением трубы, но и по возможному ущербу от аварии. Таким образом, в общем риске аварии выделяются две составляющие: технический и техногенный риски. В качестве числовой меры технического риска выбран коэффициент риска, принимающий значения от О до да. Чем больше вероятность неблагоприятного события, тем выше коэффициент риска. Предлагается коэффициент риска Кт рассчитывать по формуле:

P(Y>y) V(t) Km = w, -—+ w, ——

P(Y<y) Упип

(22)

где P(Y > у)— вероятность неблагоприятного события У > у, a P{Y <у) ~ вероятность благоприятного события, состоящего в том, что относительная величина глубины коррозии К будет меньше прогнозного значения у; V(t) - скорость коррозии исследуемого участка в момент времени t, ^ - максимальная скорость коррозии в кластере; wj ,wi — веса показателей глубины и скорости коррозии. Техногенный риск аварии в работе оценивался экспертно. Функциями принадлежности технического и техногенного рисков задается нечеткое подмножество «опасный участок». Для проектирования системы нечеткого вывода с целью определения опасных участков введено следующее правило:

IF ("A" OR ("В" AND "С")) THEN "D", (23)

где все логические операции нечеткие, а входящие в правило утверждения имеют следующий смысл: А - участок трубопровода очень опасен; В - участок опасен; С - участок критичен с экологической точки зрения; D - рекомендуется провести профилактические работы на участке. Предложенная система нечеткой логики возводила провести ранжирование участков по степени опасности (рис.6). Ранг 1 получил участок 15, первым подлежащий ремонту из числа 20 рассматриваемых участков. Ранг 20 - участок 9, который ремонтироваться будет последним. Таким образом, сформировано упорядоченное множество участков трубопроводов для проведения выборочного ремонта.

В приложении содержатся результаты имитационного моделирования решения задачи оптимизации (по нахождению участков магистрального нефтетру-бопровода с максимальным значением векторного критерия, учитывающего как глубину коррозионного дефекта, так и скорость коррозии), осуществленного методом ЛПХ -поиска.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Установлено, что данные для моделирования глубины коррозионных повреждений участков магистральных трубопроводов сильно зашумлены, кроме того, имеется мало временных отсчетов наблюдений. Это обуславливает разработку специальной итерационной процедуры формирования пространства входных факторов для нейросетевой модели оценки глубины коррозии.

2. Поскольку требуется обеспечить приемлемую точность модели (20%), для создания нейросетевой динамической многофакторной модели разработаны специальные методы пред- и постпроцессорной обработки данных, позволяющие получить НСМ с заданными уровнями адекватности и точности.

3. Разработана вероятностная модель для оценки технического риска аварии участка магистрального трубопровода. Выбор числовой меры риска в виде взвешенного критерия коэффициента риска, определяющего превышение прогнозной величиной относительной глубины коррозионного дефекта заданного уровня, и относительной скорости коррозии позволил дифференцировать две рисковые ситуации: как по оставшемуся ресурсу трубы, так и по скорости приближения к этому ресурсу.

4. Разработана оптимизационная модель определения наиболее опасных участков трубопровода по векторному критерию оптимизации, учитывающему как относительную глубину коррозионного дефекта, так и скорость коррозии, что позволило ранжировать участки только по показателю технического риска.

5. Разработана на основе нечеткой логики модель ранжирования участков трубопроводов по векторному показателю технического и техногенного рисков, что позволило приблизить процедуру ранжирования к реальным условиям и учесть экономические показатели ущерба от техногенных последствий аварии.

6. Теоретические предложения по технологии моделирования апробированы на большом количестве вычислительных экспериментов, а также на ряде натурных экспериментов. Эффективность разработанных моделей подтверждается их хорошими прогностическими свойствами: расчетные значения по модели отличаются от экспериментальных в среднем на величину, не превышающую 20 процентов.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ В рецензируемых журналах из списка ВАК

1. Апробация новой технологии камеральных проверок и отбора налогоплательщиков для выездных проверок на базе нейросетевых математических моделей / С.А. Горбатков, В.В. Саше-чев, Т.Н. Мехова, Г.А. Бесхлебнова, Б.Г. Колбин, Н.И. Лучникова // Нейрокомпьютеры: разработка, применение. М.: 2004. № 9. С. 57-71.

2. Итерационный алгоритм формирования «русел» для прогнозной нейросетевой модели коррозионных повреждений магистральных трубопроводов / Горбатков С.А., Бесхлебнова Г.А. // Информационные технологии. М.: 2005. №12. С.57-63.

3. Построение нейросетевых математических моделей в технических и экономических системах в условиях искажения входных данных / С.А. Горбатков, Д.В. Полупанов, Г.А. Бесхлебнова, A.M. Солнцев, A.A. Чапкович // Обозрение прикладной и промышленной математики. М.: 2005. Т. 12. Вып.2. С.337-338.

4. Структурно-функциональная схема информационной системы диагностики коррозионных повреждений участков / С.А. Горбатков, Г.А. Бесхлебнова // Обозрение прикладной и промышленной математики. М.: 2005. Т.12. Вып.4. С. 936-937.

5. Синтез оптимального плана вывода в ремонт участков трубопроводов на основе алгоритмов нечеткой логики / Г.А. Бесхлебнова // Обозрение прикладной и промышленной математики. М.: 2005. Т.12. Вып.4. С. 913-915.

В других изданиях

6. Свидетельство об официальной, регистрации программы для ЭВМ № 2003611917. Программа поиска ЛПТ - оптимальных точек в многомерном факторном пространстве / С.А. Горбатков, Е.В. Парфенов, Н.Т. Габдрахманова, Г.А. Бесхлебнова // М.: Роспатент. 20.08.2003

7. Обеспечение адекватности нейросетевых моделей процессов коррозии магистральных трубопроводов на основе использования общесистемных законов кибернетики / С.А. Горбатков, Г.А. Бесхлебнова // XIV Международная конференция по нейрокибернетике. Ростов-на-Дону. 2005. С. 92-95.

8. Метод прогнозирования глубины коррозионных разрушений магистральных трубопроводов на основе нейросетевых моделей / С.А. Горбатков, Г.А. Бесхлебнова // Трубопроводный транс-порт-2005: Материалы докладов учебно-научно-практической конференции. Редкол.: А.М. Шаммазов и др. Уфа: ДизайнПолиграфСервис. 2005. С.70-72.

9. Использование нейросетевых и нечетких алгоритмов для составления планов ремонтных работ участков магистральных трубопроводов / С.А. Горбатков, Г.А. Бесхлебнова, И.А. Баранова // Основные направления повышения эффективности экономики, управления и качества подготовки специалистов: Сборник статей III Международной научно-практической конференции. Пенза. 2005. С. 151-153.

10. Технология нейросетевого моделирования коррозионных процессов магистральныхтрубопроводов / С.А. Горбатков, Г.А. Бесхлебнова // Научная сессия МИФИ-2006. VIII Всероссийская научно-техническая конференция Нейроинформатика-2006: Сборник научных трудов. В 3-х частях. 4.2. М.: МИФИ. 2006. С. 156-164.

11. Алгоритм построения нейросетевой математической модели процессов коррозии нефтяных трубопроводов / Г.А. Бесхлебнова, С.А. Горбатков, A.M. Болотнов, М.А. Башаев // Вестник

компьютерных и информационных технологий. М.: 2006. № 2. С. 22-32.

|

Диссертант ' /) Г.А. Бесхлебнова

БЕСХЛЕБНОВА Галина Александровна

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ КОРРОЗИОННЫХ ПОВРЕЖДЕНИЙ МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ ДЛЯ ОЦЕНКИ ТЕХНИЧЕСКОГО И ТЕХНОГЕННОГО РИСКОВ

Специальность 05.13.18 Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 29.01.2007 г. Формат 60х 84 1/16. Бумага офсетная. Печать плоская. Гарнитура Times New Roman. Усл. печ. л. 1,0. Усл. кр.-отт. 0,9. Тираж 100 экз. Заказ № 20.

ГОУ ВПО Уфимский государственный авиационный технический университет Центр оперативной полиграфии УГАТУ 450000, Уфа-центр, ул. К. Маркса, 12

Список принятых сокращений.

Введение.

Глава 1.ПОСТАНОВКА ЗАДАЧ И АНАЛИЗ ОСОБЕННОСТЕЙ МОДЕЛИРОВАНИЯ.

1.1. Определение остаточного ресурса фубоироводов (задача npoi позирования).

1.2. Оценка опасности коррозионных дефектов.

1.3. Постановка задачи построения npoi но зной нейросегевой модели коррозионных разрушений магистральных трубопроводов.

1.4. Формализованная постановка задачи нейросетевою моделирования

1.5. Анализ особенностей моделирования

1.6. Постановка многокри i ериальной задачи ранжирования учас i ков с учетом технического и техногеннот рисков коррозионных повреждений.

Прикладная и теоретическая актуальность темы исследований

Интенсивная зксплуаыция \iaiисгральных фубонроводов России с ежегодной транспортировкой более 500 млн. гонн неф ж [36] привела к юм>, чю основная час1Ь магистральных нефтепроводов требует выполнения значи ильного объема работ по реконструкции. Средняя стоимость ремонта составляет $140-150 тыс./км. Практика показала, что выборочным ремонтом на предприятиях "Газпрома" и "Транснефти" охвачено около 1,5% от общего числа обнаруженных дефектов. Таким образом, основная масса обнаруженных дефектов не ремонтируется. В основном, ло коррозионные дефекгы [61,97] Дпя ремонт-но-восс1анови1ельных pa6oi всех эксплуатируемых неф1епроводов потребуег-ся свыше 30 лет. В 2001 году на долю коррозии приходилось до 40% аварийных сигуаций 01 всех аварий на российских газопроводах [36] Из-за опасное in серьезных аварий в связи с развивающейся коррозией производительность газотранспортной системы уже уменьшилась на 60 млрд. кубических метров газа в год. Очевидно, что для устойчивого функционирования и развития нефтегазовой промышленности необходимо в кратчайшие сроки восстановить проекшую производительность магистралей Для этого требуется провести ремонт и реконструкцию действующих фубонроводов. На большинстве предприятий неф-гегазового комплекса не представляется возможным проведение сплошною ремонта участков магистральных фубонроводов В сложившихся условиях крайне важно иметь достоверную оценку коррозионных повреждений и скорости распространения коррозии трубопроводов. Необходимо создание научной основы определения остаточного ресурса трубопроводов, выбора оптимальных технологий ремонтных работ в различных природно-климатических условиях. В гакой си1уации представляется единственно возможным классификация дефектов по степени их «опасности» для принятия оптимальных решений приоритетного, последовательного устранения наиболее опасных учааков с учетом технических и финансовых возможностей Таким образом, прогнозирование остаточного ресурса жен iwuiuni фубонроводов и соилвгение графиков ремонтных работ является важной научно-технической проблемой, требующей разрешения в ближайшее время. Вопросы оценки осматочного ресурса участков трубопроводов рассмофены в работах [36,64,77,93,97]. Рабо1Ы [64,65,68,77] отражают различные аспекты технической диагносшки трубопроводов Работы [46,49,77] посвящены численному моделированию и информационным 1е\-нологиям режимов эксплуатции ма1 истральных трубопроводов Однако вопросы оперативного приняшя решений по соствлеиию планов выборочною ремонта участков трубопроводов не являются достаточно широко рассмотренными. В настоящей работе предлагается на основе прогнозных оценок, полученных в результате нейросетевою моделирования коррозионных дефекюв, ранжировать участки нефтепроводов для определения очередности их вывода в ремонт. Поскольку в литера!уре нет публикаций по созданию динамических многофакторных нелинейных протозных моделей коррозионных разрушений подземных фубопроводов, имеющих каюдную запит. ]ема рабшы аыуа п.нл

Цель и задачи исследования Целью исследования являегся оценка технического и гехногенною рисков на основе динамической многофакторной магематической модели коррозионных повреждений участков магисфальных фубопроводов.

Для достижения этих целей были поставлены и решены следующие задачи:

1. Провести анализ условий возникновения и развшия коррозионных повреждений участков магистральных трубопроводов и выяви п> факюры, описывающие коррозионную сшуацию на моделируемом объеме

2. Разработать специальные методы пред- и постпроцессорной обработки данных и на их основе создав нейросе1евые динамические многофакюрные модети относительной глубины коррозионных повреждений участков магисфальных трубопроводов, которые должны обладать высоким качеством (адекватностью и точностью) в условиях сильного зашумления данных.

3. Разработать вероятностную модель для оценки технического риска аварии участка ма! истрального трубопровода на основе взвешенною показа[еля, содержащею свертку прогнозной величины глубины коррозии и расчешой скорости коррозии.

4. Разработать оптимизационную модель определения наиболее опасных учаа-ков трубопровода.

5. Разработать на основе применения нечеткой лошки модель ранжирования участков ма! истральных трубопроводов с учеюм обобщенного показателя технического и 1ехногеннот рисков и син1езирова!ь на ее основе п ын вывода в ремонг учасшж

6. Провести апробацию разработанных моделей и оцени 1ь их эффекшвность на основе натурных экспериментов для отдельных участков трубопроводов.

Научная новизна

1 Новизна предложенной экспершой процедуры формирования пространства входных факторов заключаемся в том, чю в этой процедуре спецификация модели связывается с показателями качества обучения вспомокиельных нейросе1ей (субмоделей), чю позво 1яе1 управ шь качеспзом моде ш уже на стадии постановки задачи прогнозирования технического риска разрушения трубопровода.

2. Новизна построенной нейросетевой динамической многофакторной модели (НСМ) оценки относительной 1лубины коррозионных повреждений состойI во введении оригинальной итерационной процедуры очистки кластера базы данных от аномальных точек, что предопределяет требуемое качество аппроксимации; а 1акже процедуры модифицированною обобщенною перекрестного подтверждения резулыаюв моделирования, чю позволяй получить количественную оценку доверительною интервала прогноза

3. Новизна вероятностной модели технического риска состоит в выборе его числовой меры в виде взвешенною кршерия, первая составляющая ко юрою равна коэффициенту риска превышения прогнозной глубиной коррозионного разрушения заданного уровня, а вторая - равна относительной скорости развития коррозии, что позволяет приблизить оценку технического риска к реальным условиям.

4. Новизна от имитационной модели определения наиболее опасных учасчков трубопроводов заключается во введении веморною критерия оптимизации, равного взвешенной сумме глубины коррозии и ее скорости, а также в применении метода ЛПт-поиска, обеспечивающего равномерное зондирование многомерной области поиска пробными точками.

5. Новизна модели ранжирования учасчков трубопроводов сосюиг во введении в процедуру ранжирования комплексною показателя, учитывающего как технический, 1ак и техногенный риски. Это позволяет количественно учесть факторы неопределенноеIи при планировании ремонтных работ.

Научная новизна раСнны иод1вер/идае1ся приоритетными публикациями автора [6-8,23-31].

Практическая значимость работы

I. Нейросетевая динамическая модель коррозионных повреждений позволяе1 получать прогнозное значение 1лубины коррозии учасчков магистральных трубопроводов, что необходимо для оценки остаточного ресурса учаечка трубопровода.

2 Предложенная методика ранжирования учасчков по степени оиасносчи аварии позволявI составить план выборочного ремоша нефтепроводных учасчков, имеющих коррозионные повреждения.

3.Разработанный подход к моделированию коррозионных повреждении может использоваться при построении моделей других прикладных объекчов и процессов (коррозионных процессов подземных и надземных хранилищ, стальных строительных конструкций и др.).

Практическая значимость рабогы подтверждается актом об использовании результатов диссертации в НИР № 0134/11Р-03, а 1акже одобрением доклада автора на Международной научно-практической конференции «Трубопроводный транспорт -2005» в г. Уфе (8-9 декабря 2005 I.).

Научные положения, выносимые на защиту 1. Итерационная процедура формирования пространства входных факторов для нейросетевои модели оценки глубины коррозии.

2. Нейросетевая динамическая многофаморная модель оценки оI ностельнои глубины коррозионных повреждений магистральных трубопроводов.

3. Вероятностная модель оценки технического риска аварии на участке магистрального трубопровода.

4. Ошимизационная модель определения наиболее опасных учас1ков трубопровода.

5. Модель ранжирования участков трубопроводов по векюрному критерию технического и техногенной) рисков

6. Результаты апробации разработанных моделей и мегодов и оценка их зф-фективносш

Использованные методы При решении поставленных в работе задач использовались: теория вероятностей и математическая сгагистика, методы нейросегевого моделирования, меюды системного анализа, методы нечеткой логики, методы прогнозирования, методы корреляционного и регрессионного анализа, методы имитационного моделирования, методы ошимизации.

Апробация работы Работа апробировалась в процессе выполнения прикладной научно-исследоватепьской рабош на тему «Методики прове гения факюрною ана пил коррозионных повреждений магистральных нефтепроводов, выявление причин возникновения и развития коррозии и выработка рекомендаций по ее предотвращению», которая была выполнена с участием автора в Башкирском государ-С1 венном университет в 2004г. (Заказчик - Всероссийский научно-исследовательский институт строительства трубопроводов, г. Москва) Технический отчет принят и одобрен Заказчиком (см. копию акта-приемки сдачи НИР). В материалах диссертации имеется акт о внедрении результатов диссертации в исследовательской деятельности ООО «Инсшг>т В1ШИСI»

Результаты и положения исследовательской рабош докладыва шсь и обсуждались на следующих научно-технических и научно-практических конференциях:

1. XIV Международная конференция но нейрокибернегике, i. Ростов-на-Дону, 2005.

2. Международная учебно-научно-пракшческая конференция « I psóonpo-водный транспорт - 2005», г. Уфа, 2005.

3. VIII Всероссийская научно-техническая конференция «Нейроинформа-тика - 2006», г. Москва, 2006

По теме диссертационного исследования опубликовано 11 печатных рабок

Объем и структура работы

Диссертационная работа включает в себя Введение, четыре главы, Заключение, список литературы и Приложение и содержит 152 с границы сквозной нумерации, из коюрых 9 стр. списка лигературы, 3 ci р. Приложении.

4.6. Основные результаты и выводы по главе 4

1. Решена методом ЛПХ - поиска с использованием результатов нейросетевого моделирования задача многокритериальной оптимизации нахождения участков трубопроводов, кригичных по взвешенному кригерию, учитывающем) как относительную глубину коррозионного дефекга, так и скорость коррозии

2. Рассмотрена постановка задачи выбора, каковой является задача по составлению плана выборочного ремоша участков трубопроводов Намечены пуш ее решения.

3. Предложена схема реализации рабочего алгоритма по построению прогнозной нейросетевой модели коррозионных разрушений, надстраиваемой нечеткой моделью лот ического вывода

4. Проведена декомпозиция общего риска аварии утастка на технический и техногенный риски, рассмотрены способы числовой оценки обоих видов риска

5. Рассмотрены возможные числовые меры в качестве измерителей техническою риска. Предложено в качестве меры техническою риска использовав коэффициент риска. 1ехногеиныи риск предложено в задаче оценивать экспертно

6. Проведено ранжирование участков трубопроводов по степени их опасности с учетом технического и техногенного рисков. Для этого использованы алгоритмы нечеткой ло! ики

заключение

1. В работе показано, что условия построения динамической нейросетевои прогнозной модели глубины коррозионных повреждений оказались сложными из-за: 1 )сильной зашумленности исходных данных, 2)невозможнос]и введения лаговых переменных; 3)наличием большого числа качественных переменных 3)необходимостью создания новой методики проверки адеквашости модели, поскольку традиционные способы проверки не применимы в силу нарушения предпосылок ре! рессионного анашза 1яже1ые ус ювия моделирования дополнительно осложняются требованиями к обеспечению гочности моде ш на уровне 5. 10%, поскольку ошибка в прогнозе увеличивает технический и техногенный риски аварии. При этом показано, что сложные условия моделирования могут быть ослаблены за счсч проведения зффекшвных процедур пред- и постобработки данных.

2. Для ослабления негативных последствий тяжелых условий моделирования разработн концептуальный базис по построению неиросе1евы\ мо !е 1еи. содержащий оригинальные предложения решения задачи простого синтеза для очистки кластера си аномальных наблюдений.

3. На этапе спецификации модели предложено использовать итерационную процедуру «дообучения эксперюв» При коррек!ировке экспер!ами состава переменных модели ючность модели существенно повысилась, огносшельная ошибка модели снизилась со 150% до 20%.

4. Показано, что возможно управление качеством модели на ранних стадиях моделирования с помощью образования «русел». Величина нормированной среднеквадратической ошибки существенно снпзпмсь с 0,01 (в первой итерации) до 0,0016 (в последней итерации), г. е. в 23,5 раза, что свидетельствует об эффективное!и итерационной процедуры формирования «русел»

5. С помощью метода У///г -поиска осуществлено нахождение наиболее информативных участков «русел», в которых досшгается максимальное значение векюрного критерия.

6. Показано, чю оценка адекважости полученных нейросегевых зависимое 1еи глубины коррозии от выбранных факторов (таких как длительность эксплуатации участка трубопровода, глубина залегания фубы, диаметр трубы, разность потенциалов труба-земля, тип фунта, марка с шли трубы, удельное сопрошвление грунта) может быть усыновлена на основе обобщенною перекрестного подтверждения нейросетевых моделей.

7. Предложенная функциональная информационная схема ИСДКП позволила создать рабочий алгориш по построению эффективной иро1 нозной НСМ

8. На этапе син1еза плана ремонжых работ проведена декомпозиция общего риска на техническую и техногенную сосгав шющие 1акая декомпозиция позволяет разработать нечеткую модель определения опасности участка. Данная оптимизационная модель служит основой поддержки принятия решении ЛПР по составлению графика вывода в ремонт учасгков магистральных трубопроводов и открывает принципиальную возможность учсма экономических показакмеи. связанных с технотенным риском, в принимаемых ЛПР решениях.

1. Аверкин А И, Батыришн И 3, Бшиун А Ф, Тарасов В Б, Cinoe В Б 11ечег-кие множества в моделях управления и искусственного интеллекта. /Под ред. Д.А.Поспелова М.: Наука, 1986 -312 с.

2. Айвазян С А , Мхитарян В С Прикладная статистика и основы эконометрики. Учебник для вузов М.: ЮПИ ГИ, 1998 -1001с.

3. Анохин И К Принципиальные вопросы общей теории функциональных систем. В кн. От моделей поведения к искусственному интеллекту. / Под ред. В.Г. Редько.// М.: КомКнига, 2006. 456 с.

4. Бакусов Л.М Методы и модели причинно-структурного анализа в исследовании самоорганизующихся систем. М.: Машиностроение, 2005. - 229 с.

5. Балаба К В Экспертное оценивание техногенного риска при транспортировке нефти для управления безопасностью в промышленном регионе: Автореферат дисс. k.i.h. Уфа: УГАТУ, 2005.

6. Бесмебнова Г А , Горбатков С А Итерационный алгоритм формирования "русел" для прогнозной нейросетевой модели коррозионных повреждений магистральных трубопроводов. Информационные технологии 2005, №12, с.57-63.

7. Бесхлебнова Г А. Синтез оптимального плана вывода в ремонт участков трубопроводов на основе алгоритмов нечеткой логики. Обозрение прикладной и промышленной математики. 2005, 1.12, вын.4, с. 913-915.

8. Бесхлебнова ГА , Горбатков С А , Болотное А М, Башаев М.А Алюритм построения нейросетевой математической модели процессов коррозии нефтяных трубопроводов Вестник компьютерных и информационных технологий. 2006, №2, с. 22-32

9. Бородавкин П.П, Синюков А М Прочность магистральных трубопроводов. -М.: Недра, 1984.-286 с.

10. Бубтк ИЦ, Гочичев ИИ, Горбатков С А, Смирнов А В Теоретические основы разработки технолотии налоговой"» контроля и управчения. Уфа-РИО БашГУ, 2004. 334 с.

11. Бубчик НД, Попенов С В, Секерин А Б Управление финансовыми и банковскими рисками. Учебное пособие. Уфа: Альтернатива РИЦ, 1998. - 254 с.

12. Букаев Г И, Бубчик ИД, Горбатков С А, Саттаров РФ Модернизация системы Hanoiового контроля на основе нейроссмевых информационных технологий. М.: Наука, 2001. -344 с.

13. Васичьев В И, Жернаков С В Экспертные системы Управление эксплуатацией сложных 1ехнических объектов Уфа. УГА ГУ, 2003. - 106 с

14. Васичьев Ф П Численные методы решения эксфемальных задач- Уч пособие для вузов. 2-е изд. М.: Наука, 1988. 552 с.

15. Вентцель Е С. Теория вероятностей. М/ Наука, 1969. 528 с.

16. Внутри фубная диагностика магистральных трубопроводов, http://Sci 1 ecLibrary ru/

17. Вочкова ВН, Денисов А А. Основы теории систем и системного анализа СПб.: Изд-во СПб. технического университета, 1977. 510 с.

18. Габдрахманова ИТ Иейросетевое моделирование камеральных налоговых проверок торговых предприятий и оптимизация их постнало!ового дохода-Автореф. дисс. к.т.н. Уфа: УГАТУ, 2003.

19. Галушкин А И. Теория нейронных сетей. Кн. 1. Уч. пособие для вузов. М.: ИПРЖР, 2000.-416 с.

20. Гареев А Г, Абдулчин ИГ Прогнозирование коррозионно-механических разрушений магистральных фубопроводов //Нефть и газ: Межвуз. сб. на-учн.ск Уфа: УГНГУ, 1997.-Вып. 1.-С. 163-165.

21. Гчазов И П Эволюция электрохимической защиш. Шменциал. 1998, № 34. (www.vniist.ru)

22. Горбаиь А //, Россиев Д А Нейронные сети на персональном компькнере. СПб.: Наука, 1996.-276 с

23. Горбатков С А, Бесхлебнова ГА Структурно-функциональная схема информационной системы диагностики коррозионных повреждений участков магистральных трубопроводов Обозрение прикладной и промышченной математики. 2005, т. 12, вып.4, с 936-937

24. Горбатков С А , Парфенов Е В, Габдрахманова II Т, Бесхлебнова Г А Программа поиска ЛП ошимальных точек в многомерном факторном пространстве1 Свид. об офиц. per. программ для ЭВМ № 200 361 19 17 от 20.08.2003г. М.: РОСПАТЕНТ.

25. Горбатков С А , Почупанов Д В, Бес\ ¡ебнова ГА и др Повышение устойчивости нейросетевых моделей налогового контроля с использованием общесистемных закономерностей Обозрение прикладной и промышленной математики. 2004, т.11, в.4, с.337-338.

26. Горбатков С А , По пианов Д В , Бесмебнова ГА и др Построение нейросетевых математических моделей в технических и экономических системах в условиях искажения входных данных. Обозрение прикладной и промытленной математики 2005, т. 12, в 2, с 337-338.

27. Гражданкин А И, Дегтярев ДВ, Лисанов МВ , Печеркин А С Основные показатели риска в терминах теории вероятностей//Безопасность труда в промышленности. 2002.-№7 - с 35-39.

28. Доугерти К Введение в эконометрику. Учебник. 2-е изд. / Пер. с аны. М . ИНФРА-М, 2004. -432 с.

29. Ежов А А , Шучский С А Нейрокомпыотинг и ею применения в экономике и бизнесе (серия «Учебники жономико-аналитического института МИФИ» под. ред. проф. В.В. Хариюнова). М.: МИФИ, 1998. - 224 с.

30. Заде Л А Понятие лингвистической переменной и ее применение к понятию приближенного решения. М.: Мир, 1976. 166 с.

31. Ивсшцов ОМ Безопасность трубопроводных сисчем//Нефгетазовая вер гикал ь 2002. № 12.

32. Иосеечь ЮЯ, Кленов ГЭ Математические методы расчета электрохимической коррозии и защиты металлов. Справ, изд М.: Металлургия, 1984. -272 с

33. Капица С II, Курдюмое С //, Машнецкии Г Г Синергегика и прогнозы будущего. М.: "Наука", 1997. 286 с.

34. Карпенко IIП, Манукьяи Д А , Фуругян М Г Проблемы оценки экологическою риска. Проблемы управления безопасностью сло/кных сисгем- Материалы 8-й Международной конференции. М. И11У, 2000.

35. Катучев А.Н, Северцев НА Исследование операций: принципы принятия решений и обеспечение безопасности. Учеб. пособие для вузов. М • Физи-ко-магемагическая лигерагура, 2000. - 120 с

36. Кеше Г Коррозия металлов. Физико-химические принципы и актуальные проблемы. Пер. с нем. М.: Металлургия, 1984 -400 с.

37. Комарцова Л Г., Максимов А В Нейрокомпьютеры Учеб. пособие для вузов. 2-е изд., гтерераб и дои - М. Изд-во МП У им. Н.Э Баумана, 2004. -400 с.

38. Комашипский В И, Смирнов Д А Нейронные сети и их применение в системах управления и связи М.- Горячая линия - Телеком, 2002 - 94 с

39. РД 03-418-01 "Методические указания по проведению анализа риска опасных производственных объектов» // Угв. Пост. Госгортехнадзора России от 10.07.01 №30

40. Коротких ЮГ, Вочков И А , Маковкин ГА Математическое моделирование процессов деформирования и разрушения конструкционных материалов -11.11ов1 ород- изд-во ВГАВ1, 1996

41. Красков В А Иванов В А Критериальный анализ необходимости выполнения ремонтных работ на подводных переходах // Сборник научных трудов «Вопросы состояния и перепекIивы развития нефтегазовых объектов Западной Сибири» 1юмень. 1юмГНГУ, 2004. - с. 18 - 23.

42. Кругчов В В, Дчи М И Интеллектуальные информационные системы-компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Издательство Физико-математическои литературы, 2002 - 256 с

43. Кусимов С.Т, Ичьясоь Б Г, Ис маги юва Л А , Всчеева Р Г Итттеллекту алыюе управление производственными системами. М.: Машиностроение, 2001. -327 с.

44. Кушуков СЕ, Бадиков ФИ, Самиг. пин ГХ Использование ингелтекту-альных систем в мониторинге режимов жеплуагации нефгеирово-дов//Электроиный журнал «Нефтегазовое дело», 2004, с. 1-14 //http:www.ogbus.ru

45. Ларичев О И Теория и методы нринягия решений. Учебник. Изд. второе, перераб. и доп. М.: Л01 ос, 2003. - 392 с.

46. Ливанов М В, Печеркин А С, Сидоров В И. и др Оценка риска аварий на линейной части магистральных нефтепроводов. Безопасность труда в промышленности. 1998, № 9, с 50-56

47. Лю Б Теория и практика неопределенною программирования/Пер с аш ч М.: БИНОМ. Лаборатория знаний, 2005 416 с.

48. Мачин А С, Мухин В И Исследование систем управления. Учебник для вузов. 2-е и зд - М. Издательский дом ГУ ВШЭ, 2004. - 400 с.

49. Мачинецкий Г Г, Курдюиов СП Нелинейная динамика и проблемы прошо-за. Вес i ник Российской Академии наук, 1.71, № 3, 2001, с. 210-232.

50. Математические методы принятия решений в экономике: Учебник/11од ред В.А. Колемаева/ Государственный Университет Управления. М.: ЗАО «Финстатинформ», 1999. - 386 с.

51. Махутов Н А , Пермяков В И, Разумовский И А , Шабуневич В И Дефекю-скопический контроль трубопроводов эксплуатационных скважин. Сантехника, оюпление, кондиционирование 2004, № 8

52. Мееров И Б Применение нрофаммною комплекса для проведения вычислительного эксперимента по моделированию процессов исчерпания ресурса// Электронный журнал «Исследовано в России» http:///humal аре lelarn iu/articles/2004/252 pdf

53. Методы робастного, нейро-нечеткою и адаптивного управления: Учебник/ Под. ред. Н.Д.Егупова. М : Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

54. Минаев Ю И, Фичимонова О Ю, Бенамауер Лиес Методы и алгоритмы решения задач идентификации и прожозирования в условиях неопределенности в нейросетевом ло1 ическом базисе. М.: Горячая линия-1 елеком, 2003 -205 с.

55. Моисеев ИП Математические задачи системного анализа. М.: Наука. Физ-малит. 1981 -488 с

56. Мясников В А Анализ разрушений магистральных нефтепроводов//! 11С "Магистральные и промысловые трубопроводы: проектирование, сфоигель-ство, эксплуатация, ремонт". М.: РГУ нефти и 1аза им. И.М Губкина, вып. 1,2003 -с 42-45

57. Назаров А В, Лоскутов А И Нейросетевые шп оритмы npoi нозирования и оптимизации систем. СПб.: 11аука и техника, 2003. 384 с.

58. Нейронные сети. STATISTIC A Neural Networks: Пер. с англ. М.: Горячая линия - Телеком. 2001. - 182 с.

59. Нерафушающий контроль и диа1 носчика. Справочник под ред. В В. Клюева. М. Машиносчроение, 1995 -488 с.

60. Нургачиеь ДМ, Диагностический контроль трубопроводов повышение надежности и ресурса их работы. //VII ДМВ "Диагностика-97" - М : ИРЦ "Газпром", 1997. Т.2 - с 70-75

61. Орловский С А Проблемы принятия решений при нечеткой исходной информации М.: Наука. Главная редакция физико-математической литературы, 1981.-208 с.

62. Осовский С. Нейронные сети для обработки информации / Пер. с польского. М.: Финансы и сгатисика, 2004. - 344 с.

63. Пекарников И И Мониторинг и диагностика трубопроводных систем. -Трубопроводный транспорт нефти 2005, №7.

64. Перегудов ФИ, Тарасенко ФП Введение в сисчемныи анализ1 Учеб.пособие для вузов. М/ Высш. шк., 1989. - 367 с

65. Правила безопасности трубопроводов США http /7орь dot <ю\'

66. РД 03-418-01. Методические указания по проведению анализа риска опасных производственных объектов (утв. Пось Госгортехнадзора России № 30 от 10.07.2001 г.).

67. Редько В Г Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. Изд. 3-е. М.: КомКнига, 2005. - 224 с. (Синергетика: от прошлою к будущему )

68. Ржевская С В Материаловедение: Учеб. для вузов. М.: Лотос, 2004 -424 с.

69. Рудой В М, Останин НИ, Зайков ЮII Проектирование катодной зашиты подземных трубопроводов. Екатеринбург: ГОУ ВПО УГТУ - УПИ, 2005 -29 с.

70. Саати Т Принятие решений. Метод анализа иерархий. Пер. с англ. М.: Радио и связь, 1993 -320 с.

71. Самарский А А Введение в численные методы. М.: Наука. I л. ред. физ -мат. Лит., 1987.-288 с.

72. Селезнев В Е, А чешин В В , Прялов СII Основы численного моделирования магистральных трубопроводов/ Под. ред. В.Е. Селезнева. М.: КомКнита. 2005.-496 с

73. Системный анализ и принятие решений: Словарь-справочник: Учеб. пособие для вузов /11од ред В.11. Волковой, В.Н. Козлова. М.: Высш. шк., 2004 -616с.

74. Собо1ь И М, Статииков Р Ь Выбор ошималытых параметров в зачаче со многими критериями. М ■ Наука, 1981. 110 с.

75. СтагЭксперт. Программные продукты серии ОЛИМП. М. ЮНИ1 И, 1996.

76. Терминоло1 ия по нефтепроводам, 1шр://\\\\уу яа^Ып щ/

77. Управление риском: Риск Устойчивое развитие Синергетика М."Наука, 2000.-431 с.

78. Хайкин С Нейронные сети: полный курс, 2-е издание. : Пер. с ант л. М . Издательский дом «Вильяме», 2006. - 1104 с

79. Центр статистических исследований. Меры риска. УАЯ. ЬПрУДууууу тксотго! ги/пьктуаг/ь1шп1

80. Цыгичко ВII. Руководителю о принятии решений. - 2-е изд , испр и дон. -М.: ИНФРА-М, 1996.-272 с.

81. Черкасов НМ, ГтОки\ ИФ, Гумеров КМ, Субаев И У Асмол и новые изоляционные материалы для подземных трубопроводов. М : ООО «Ие-дра-Бизнесцентр», 2005 - 205 с.

82. Черноруцкий И Г. Методы принятия решений СПб БХВ-Петербурт. 200^ -416с.

83. Шапкин А С Экономические и финансовые риски. Оценки, управление, портфель инвестиций 2-е изд. - М Издаамьско-тортовая корпорация «Дашков и К"», 2003 - 544 с

84. Шнайдер А А Влияние дефектов и структуры стали на работоспособность нефтегазопроводов. Автореферат дисс. . к.г.н. Уфа: УГН ГУ, 2002.

85. Юсупова Н.И. Критические ситуации и принятие решений при управпении в условиях помех. Уфа: Гилем, 1997. - 112 с.

86. Ярушкина Н Г Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. - 320 с.

87. С R Torres, JCSimek, В N Leis, ТА Bubemk, J В Nestleroth, R В Fumcmi. Developments in detecting and assessing the seveiitv of mechanical damage -Pipeline rehabilitation and Maintenance, Prague, September 4-8, 2000.

88. Malmetsky G G, Potapov А В Channels and Jakers Neural View of Complex Dynamics // Izv. VUZ, vol.6, № 4, 1998, p. 18-29.

89. Neveibvie С, Pi таре I NeuroSolunion 3.0. User's quide end reference manual. Ganesville: Neuro Dimension Inc., 1997.

90. Probabilistic Risk Assessment Training Materials for NASA mangers and Practitioners, NASA, 2002.

91. Stress Coriosion Cracking Management m Bui led Pipelines (USA Pipeline Security Management). //Oil and Gas Journal (USA). Decembei 2005. - p. 56

92. Tokens F. Detecting strange attractors in turbulence //Dynamical systems and turbulence / Lect. Notes in Math., 898, p. 336 381. Springer, Berlin, 1981

93. Taylor В, Dan ah M Rule Extraction as a Formal Method for the Verification and Validation of Neural Networks//lnternational Joint Conference on Neuial Networks, Montreal, 2005.

94. Zadeh, L A., Fuzzy sets, Information and Control, Vol 8, p.338-353,1965.

95. Zhang, G , В Eddy Patuwo, et al Forecasting with artificial neural networks: 'I he state ol the art// International Journal of Forecasting 14(1), p 35-62, 1998