Прогнозирование отказов нефтегазопроводов с помощью методов машинного обучения: систематический обзор
Prediction of oil and gas pipeline failures through machine learning approaches: A systematic review
2023-08-16
SCID: 54.1/88x92pmb
Discuss with AI
искусственные нейронные сетимашинное обучениенефтегазопроводыпрогнозирование отказов трубопроводовметод опорных векторов
Figures from the paper
Abstract (AI)
Трубопроводы играют ключевую роль в транспортировке нефти и газа, однако утечки могут иметь серьезные последствия, включая пожары, травмы, загрязнение окружающей среды и повреждение имущества. Поэтому обеспечение целостности трубопроводов имеет решающее значение для безопасного и устойчивого энергоснабжения. Стремительное развитие технологий машинного обучения (МО) создает благоприятные возможности для разработки прогностических моделей, способных эффективно решать эти задачи. Настоящая обзорная статья главным образом посвящена новизне применения методов машинного и глубокого обучения, в частности искусственных нейронных сетей (ИНС), машин опорных векторов (SVM) и гибридных алгоритмов машинного обучения (HML), для прогнозирования различных отказов трубопроводов в нефтегазовой отрасли. В отличие от существующих неполных обзоров дефектов трубопроводов, в данной статье специально рассматриваются применение методов МО, параметры и надежность данных для этой цели. В статье обобщены исследования в данной области, представлено последовательное обсуждение, а также выявлены мотивы и проблемы, связанные с использованием МО для прогнозирования различных типов дефектов трубопроводов. Обзор также включает библиометрический анализ литературы, в котором выделены распространенные методы МО, изучаемые виды отказов и экспериментальные испытания. Кроме того, в таблицах подробно представлены различные типы отказов, часто используемые алгоритмы МО и источники данных, сопровождаемые критическим обсуждением. На основании представленного выше всестороннего обзора установлено, что методы МО, особенно ИНС и SVM, позволяют точно прогнозировать отказы нефтегазопроводов по сравнению с традиционными методами. Однако для дальнейшего повышения точности и сокращения времени прогнозирования настоятельно рекомендуется комбинировать несколько алгоритмов МО. Сопоставление прогностических моделей МО, основанных на данных натурных наблюдений, экспериментов и моделирования, для различных отказов трубопроводов может способствовать созданию надежных и экономичных систем мониторинга всей трубопроводной сети. Ожидается, что данный систематический обзор поможет понять...
Key Findings
1
Согласно обзору, методы на основе искусственных нейронных сетей и машин опорных векторов обеспечивают точное прогнозирование отказов нефтегазовых трубопроводов по сравнению с традиционными методами.
2
Библиометрический анализ выявляет наиболее распространенные методы машинного обучения, исследуемые виды отказов и применяемые экспериментальные подходы.
3
Объединение нескольких алгоритмов машинного обучения и использование полевых, экспериментальных и имитационных данных может повысить точность и скорость прогнозирования, обеспечивая экономичный мониторинг всей сети трубопроводов.
4
В обзоре систематически рассматриваются методы машинного и глубокого обучения, особенно искусственные нейронные сети, машины опорных векторов и гибридные алгоритмы, для прогнозирования отказов нефтегазовых трубопроводов.
5
В отличие от более общих обзоров, работа специально оценивает методы машинного обучения, входные параметры, надежность данных, типы отказов, алгоритмы и источники данных для прогнозирования дефектов трубопроводов.
Research Object
нефтегазопроводы и их отказы
Research Subject
прогнозирование отказов трубопроводов на основе машинного обучения, включая влияние выбора алгоритма и надёжности данных на точность и время прогнозирования
Publication Details
Publication Date
2023-08-16
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest