عنوان مقاله :
طراحي سيستم تشخيص نشتي خطوط لوله با استفاده از شبكه عصبي برروي بستر اسكاداي شركت ملي نفت ايران
عنوان به زبان ديگر :
Design of Pipeline leak Detection System using Neural Network on Scada Platform of National Iranian Oil Company
پديد آورندگان :
زاده باقري، اميد دانشگاه آزاد اسلامي واحد مرودشت - دانشكده فني مهندسي - گروه مهندسي برق، مرودشت، ايران , صالحي زاده، محمدرضا دانشگاه آزاد اسلامي واحد مرودشت - دانشكده فني مهندسي - گروه مهندسي برق، مرودشت، ايران , نقوي، وحيد پژوهشگاه صنعت نفت - پرديس توسعه صنايع پايين دستي - پژوهشكده مهندسي - گروه طراحي ابزار دقيق، تهران، ايران , معطري، مزدا دانشگاه آزاد اسلامي واحد مرودشت - دانشكده فني مهندسي - گروه مهندسي برق، مرودشت، ايران
كليدواژه :
نشتي خطوط لوله , اسكاد , الگا , همتاي ديجيتال , شبكه عصبي مصنوعي
چكيده فارسي :
وقوع نشتي در خطوط انتقال نفت و گاز ممكن است باعث مشكلات جدي از قبيل انفجارها، آلودگي محيط زيست و از بين رفتن انرژي و منابع مالي گردد. به منظور جلوگيري از بروز اين اتفاقات يا كاهش تلفات آنها، تشخيص زود هنگام نشتي در خطوط لوله از اهميت بالايي برخوردار است. براي اين منظور مي‌توان از يك بخش تشخيص نشتي كه برروي زيرساخت يك سيستم اسكادا قرار گرفته است استفاده نمود. در اين مقاله، ابتدا با استفاده از نرم‌افزار الگا نشتي‌هايي با اندازه‌هاي مختلف و در فواصل متفاوت برروي يك خط لوله انتقال نفت شبيه‌سازي گرديد. پس از آن، خروجي داده‌هاي شبيه‌ساز الگا كه شامل فشار و جريان نقاط مختلف خط لوله هستند به‌كمك ابزار Power Query و Dax Studio جهت تحليل آماده‌سازي شدند. در ادامه، داده‌ها وارد نرم‌افزار متلب گرديد و شبكه عصبي مصنوعي به منظور شناسايي اندازه و محل نشتي طراحي و آموزش داده شد. در نهايت، اين بخش به‌عنوان همتاي ديجيتالي از آن خط لوله برروي سيستم اسكادا قرار خواهد گرفت و با استفاده از استانداردهاي متداول صنعتي به‌صورت برخط داده‌هاي لازم را جهت پايش وضعيت خط لوله دريافت مي‌نمايد و در صورت وقوع نشتي هشدارهاي لازم و اطلاعات مربوطه را صادر مي‌نمايد.
چكيده لاتين :
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.
