طراحی سیستم تشخیص نشتی خطوط لوله با استفاده از شبکه عصبی برروی بستر اسکادای شرکت ملی نفت ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی برق، دانشکده فنی مهندسی، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

2 گروه طراحی ابزار دقیق، پژوهشکده مهندسی، پردیس توسعه صنایع پایین دستی، پژوهشگاه صنعت نفت، تهران، ایران

چکیده

وقوع نشتی در خطوط انتقال نفت و گاز ممکن است باعث مشکلات جدی از قبیل انفجارها، آلودگی محیط زیست و از بین رفتن انرژی و منابع مالی گردد. به منظور جلوگیری از بروز این اتفاقات یا کاهش تلفات آنها، تشخیص زود هنگام نشتی در خطوط لوله‌ از اهمیت بالایی برخوردار است. برای این منظور می‌توان از یک بخش تشخیص نشتی که برروی زیرساخت یک سیستم اسکادا قرار گرفته است استفاده نمود. در این مقاله، ابتدا با استفاده از نرم‌افزار الگا نشتی‌هایی با اندازه‌های مختلف و در فواصل متفاوت برروی یک خط لوله انتقال نفت شبیه‌سازی گردید. پس از آن، خروجی داده‌های شبیه‌ساز الگا که شامل فشار و جریان نقاط مختلف خط لوله هستند به‌کمک ابزار Power Query و Dax Studio جهت تحلیل آماده‌سازی شدند. در ادامه، داده‌ها وارد نرم‌افزار متلب گردید و شبکه عصبی مصنوعی به منظور شناسایی اندازه و محل نشتی طراحی و آموزش داده شد. در نهایت، این بخش به‌عنوان همتای دیجیتالی از آن خط لوله برروی سیستم اسکادا قرار خواهد گرفت و با استفاده از استانداردهای متداول صنعتی به‌صورت برخط داده‌های لازم را جهت پایش وضعیت خط لوله دریافت می‌نماید و در صورت وقوع نشتی هشدارهای لازم و اطلاعات مربوطه را صادر می‌نماید.
 

کلیدواژه‌ها


عنوان مقاله [English]

Design of Pipeline leak Detection System using Neural Network on Scada Platform of National Iranian Oil Company

نویسندگان [English]

  • Omid Zadehbagheri 1
  • Mohammad Reza Salehizadeh 1
  • Vahid Naghavi 2
  • Mazda Moattari 1
1 Department of Electrical Engineering, Marvdasht Branch, Islamic Azad University, Marvdasht, Iran
2 Instrumentation Design Department, Engineering Division, Faculty of Research and Development in Downstream Petroleum Industry, Research Institute of Petroleum Industry (RIPI), Tehran, Iran
چکیده [English]

Leaks in oil and gas pipelines could cause serious problems such as explosions, environmental pollution, and the loss of energy and financial resources. Early detection of leaks in pipelines is critical to prevent or reduce the occurrence of these losses. For this purpose, a leak detection module located on the infrastructure of a Scada system can be used. In this paper, first, Olga simulates leaks of different sizes and distances on oil pipeline. The output of the Olga, which includes the pressure and flow of different parts of the pipeline, was prepared for analysis using Power Query and Dax Studio tools. The data was entered into MATLAB and the artificial neural network was designed and trained to identify the size and location of the leak. Eventually, this module will be placed on the Scada system as a digital twin of that pipeline and will receive the necessary online data to monitor the condition of the pipeline using the industrial protocols.
 

کلیدواژه‌ها [English]

  • Pipeline leakage
  • Scada
  • OLGA
  • Digital twin
  • Artificial Neural Network
[1]. Boaz L, Kaijage S, Sinde R (2014) An overview of pipeline leak detection and location systems, in Proceedings of the 2nd Pan African International Conference on Science, Computing and Telecommunications (PACT), 133–137.##
[2]. رضایی ع (1395) “مروری بر فن‌آوری‌های مورد استفاده در تشخیص نشت خطوط انتقال گاز, in دومین کنفرانس ملی علوم و مهندسی کامپیوتر و فن‌آوری اطلاعات. ##
[3]. El-Shiekh T M (2010) Leak detection methods in transmission pipelines, Energy Sources, Part A Recover. Utilization, and Environmental Effects, 32, 8: 715–726. ##
[4]. Azimi A, Khaliji F, Shabani M (2013) Simultaneous estimation of flow rate and location of leakage in natural gas pipeline using Levenberg-Marquardt method, Modares Mechanical Engineering, 13, 4: 13–24. ##
[5]. Bai Y, Bai Q (2014) Subsea pipeline integrity and risk management. Gulf Professional Publishing. ##
[6]. Adegboye M A, Fung W K, Karnik A (2019) Recent advances in pipeline monitoring and oil leakage detection technologies: principles and approaches, Sensors, 19, 11: 2548. ##
[7]. Afebu K O, Abbas A J, Nasr G G, Kadir A (2015) Integrated leak detection in gas pipelines using OLGA simulator and artificial neural networks,  In Abu Dhabi International Petroleum Exhibition and Conference. Society of Petroleum Engineers. ##
[8]. Ma I, Ferraz N, Garcia A C B, via F, Bernardini C (2008) Artificial neural networks ensemble used for pipeline leak detection systems, in International Pipeline Conference, 48579: 739–747. ##
[9]. Boyer S A (2009) SCADA: supervisory control and data acquisition. International Society of Automation. ##
[10]. Dagle J (2010) Introduction of Human machine Interface (HMI). ##
[11]. Saad A Y (2002) Securing supervisory control and data acquisition systems, Cyber security risk assessment for SCADA and DCS networks, 81, 7: 55–56. ##
[12]. Boyer S A (2004) SCADA - Supervisory and Data Acquisition. ##
[13]. Morsi I, El-Din L M (2014) SCADA system for oil refinery control, Journal of Measurment, 47, 1: 5–13 . ##
[14]. M. Ayala and M. Rijo, Control Engineering Practice SCADA system with predictive controller applied to irrigation canals, Control Engineering Practice, 21, 870–886: 2013. ##
[15]. Carrera R, Verde C, Cayetano R (2015) A SCADA Expansion for Leak Detection in a Pipeline, Sensors, 2300, 2320: 2340.
[16]. OPC. [Online]. Available: https://opcfoundation.org/.##
[17]. زاده باقری ا، م. صالحی‌زاده ر، صالحی م (1397) طراحی و پیاده‌سازی سیستم هوشمند کنترل سرپرستی و اکتساب داده (اسکادا) به‌منظور کنترل، مانیتور و تحلیل رفتار پارامترهای مهم فرآیندی تاسیسات شرکت ملی نفت ایران، نشریه کنترل صنعتی. ##