Magistralinio dujotiekio automatinio valdymo sistemos tyrimas
Novickij, Vitalij | |
Šablinskas, Andrius | |
Malyško, Veronika | |
Novickij, Vitalij | |
Plonis, Darius | |
Staigvila, Gediminas | |
Stankevič, Voitech | |
Žurauskienė, Nerija |
Šiuo metu, atsižvelgiant į dujų pramonės poreikius, plėtojami platūs magistralinio dujotiekio vamzdynų tinklai. Literatūros analizėje apžvelgta viena iš pagrindinių sudėtingos magistralinio dujotiekio sistemos sudedamųjų dalių - magistralinio dujotiekio automatinio valdymo sistemos. Išanalizuotos gilaus mokymosi algoritmų taikymo galimybės dujotiekio sektoriuje, kurios turi didelį potencialą pagerinti įvairius veiklos aspektus, nuo dujų srauto prognozavimo ir gedimų aptikimo iki energijos efektyvumo ir priežiūros darbų planavimo. Tikslus vamzdynų tinklų hidraulinės būklės įvertinimas yra labai svarbus vamzdynų projektavimo ir saugos valdymo srityse. Vis dėlto prognozuoti dujotiekių tinklų su įvairia įranga ir konstrukcijomis slėgį tebėra sudėtinga. Siekiant įveikti šį iššūkį, šiame tyrime siūlomas sudaryti naujas dujų vamzdynų tinklų slėgio prognozavimo modelis, pagrįstas įrangos įterpimo neuroniniu tinklu. Sudarytame modelyje į neuroninio tinklo modelį įterpiami skirtingi įrangos modeliai. Šiame modelyje neuroninis tinklas naudojamas sutelkti dėmesį į magistralinio dujotiekio vamzdynų tinklo ryšio charakteristikų mokymąsi, kad būtų pasiektas didesnis prognozavimo tikslumas. Šiame tyrime pirmiausia nagrinėjami įvairūs įrangos įterpimo neuroniniu tinklu modelio įterpimo deriniai, siekiant įvertinti slėgį dujotiekio tinklo sistemoje. Tada apmokytas modelis taikomas slėgiui dujotiekio tinkle prognozuoti. Optimalus įrangos įterpimo neuroninio tinklo modelis rodo 0,92 % vidutinę prognozavimo paklaidą magistralinio dujotiekio vamzdyne, o tai yra mažiau nei paprastojo neuroninio tinklo - 3,46 % . Šio tyrimo rezultatai rodo, kad siūlomas įterpimo neuroninio tinklo modelis yra veiksmingas tiksliai prognozuojant slėgį įvairiuose dujų perdavimo vamzdynų tinkluose, nes sumažina mokymosi proceso sudėtingumą.
Currently, considering the needs of the gas industry, extensive networks of pipeline systems for a gas main pipeline are being developed. In the literature review, one of the main components of a complex gas main pipeline system, the automatic control system of the gas main pipeline, is examined. The possibilities of applying deep learning algorithms in the gas pipeline sector are analyzed, which have great potential to improve various aspects of operations, from gas flow forecasting and fault detection to energy efficiency and maintenance work planning. Accurate assessment of the hydraulic condition of pipeline networks is crucial in the fields of pipeline design and safety management. However, forecasting pressure in gas pipeline networks with various equipment and constructions remains challenging. To overcome this challenge, this study proposes a new pressure forecasting model for gas pipeline networks based on a neural network with equipment embedding. Various equipment models are embedded in the neural network model in this proposed model. In this model, the neural network is used to focus on learning the characteristics of the gas main pipeline network connection in order to achieve higher forecasting accuracy. In this study, various combinations of equipment embedding in the neural network model are first studied to evaluate pressure in the gas pipeline network system. The trained model is then applied to forecast pressure in the gas pipeline network. The optimal equipment embedding neural network model shows an average forecasting error of 0.92 % in the gas main pipeline, which is less than a simple neural network - 3.46 %. The results of this study indicate that the proposed equipment embedding neural network model is effective in accurately predicting pressure in various gas transmission pipeline networks, reducing the complexity of the learning process.
Elektronikos fakultetas / Faculty of Electronics (05) |
Vilniaus Gedimino technikos universitetas / Vilnius Gediminas Technical University (111950243) |