Решение задач предиктивной аналитики безгидратной эксплуатации промысловых газопроводов с применением алгоритмов машинного и глубокого обучения

Abstract

Актуальность. Ранняя идентификация рисков образования газовых гидратов является важной задачей при эксплуатации промысловых газопроводов, которая зависит от множества динамически изменяющихся во времени переменных работы самой системы. Дополнительным аспектом, осложняющим задачу идентификации начала процессов кристаллизации газовых гидратов, представляется неоднородность газовых смесей, их влагосодержания и ионного состава воды, что делает мониторинг процесса в реальном времени практически невозможным в условиях применения существующих программных продуктов, которым требуется значительное время на подготовку и проведение расчётов. Цель. Продемонстрировать возможность использования алгоритмов машинного и глубокого обучения, включая метод K-средних и многослойный персептрон, для анализа рисков гидратообразования в промысловых газопроводах в режиме, приближенном к реальному времени. Исследование ориентировано на проверку применимости интеллектуальных подходов к задаче прогнозирования условий начала образования кристаллических структур гидратов с опорой на существующие методы термодинамического расчёта. Результаты и выводы. Продемонстрирована возможность применения нейросетевых алгоритмов в задачах прогнозирования начала процесса образования газогидратов, а также дополнительно подтверждена их высокая обобщающая способность. Для корректной работы алгоритма авторами выделяется несколько его основных этапов, включая предобработку исходных данных, их анализ, формирование обучающей выборки, подбор гиперпараметров для обучения модели, ее обучение и валидация. Результаты прогнозирования с применением нового, разработанного авторами алгоритма в сравнении с существующими математическими моделями расчета гидратообразования свидетельствуют о высокой степени его валидности, целесообразности дальнейшей его интеграции в существующие системы в целях автоматизации процессов обнаружения образования газовых гидратов. Своевременное обнаружение и предупреждение гидратообразования направлено на обеспечение безопасности эксплуатации промысловых систем сбора, а также повышение оперативности принятия управленческих решений с целью минимизации сопутствующих рисков

Relevance. Early identification of gas hydrate formation risks is a critical task in the operation of field gas pipelines, as it depends on a wide range of dynamically changing system parameters. An additional complication in identifying the onset of gas hydrate crystallization processes lies in the heterogeneity of gas mixtures, their moisture content, and water ionic composition, which makes real-time monitoring virtually impossible when using existing software products that require significant time for data preparation and calculation. Aim. To demonstrate the feasibility of applying machine learning and deep learning algorithms, including the k-means method and multilayer perceptron, for analyzing hydrate formation risks in field gas pipelines under conditions close to real time. The study aims at evaluating the applicability of intelligent approaches to the task of predicting the onset of hydrate crystal formation, based on existing thermodynamic calculation methods. Results and conclusions. The results confirm the possibility of using neural network algorithms to predict the onset of gas hydrate formation processes and additionally demonstrate their strong generalization capabilities. For correct algorithm operation, the authors outline several key stages, including preprocessing of the input data, data analysis, training sample formation, hyperparameter selection, model training, and validation. Forecasting results obtained using the new algorithm developed by the authors, in comparison with existing mathematical models for hydrate formation calculation, indicate a high level of validity and justify the further integration of this approach into existing systems to automate the detection of gas hydrate formation. Timely detection and prevention of hydrate formation are aimed at ensuring the safe operation of field collection systems and improving the efficiency of management decisions to minimize associated risks