基于长期振动声学测量的原油管道清管作业预测
信号处理
2021-09-27 v1 机器学习
摘要
本文提出了一种创新的机器学习方法，利用长期振动声学测量对原油主干管线中所需的清管作业进行自动化预测。Eni公司（e-vpms监测系统）在意大利北部一条输油管道（长度100 km，管径16英寸）上，沿管线以30-35 km相对间距的离散点收集了两年的历史压力信号。为加快工作进度并核对作业日志，我们实现了一个工具，可自动高亮显示该管线上已执行的历史清管作业。该工具能够在观测到的压力测量中检测出由行进中的清管器所产生的声学噪声。所有数据集均经过重新分析，并利用现场数据验证来指导决策树回归器（DTR）。由管段间压头损失计算得到的若干统计指标被输入DTR，其自动输出指示管道可能需要清管的概率值。该流程应用于每对相邻监测站的振动声学信号，使得所提出的预测性维护策略能够跟踪各管段的状态，从而确定管道中哪一部分闭塞程度最高，以优化清理作业。通过评估回归问题统计分析中常用的指标（如均方根误差（RMSE））来衡量预测精度。
引用
@article{arxiv.2109.11812,
title = {Predicting pigging operations in oil pipelines},
author = {Riccardo Angelo Giro and Giancarlo Bernasconi and Giuseppe Giunta and Simone Cesari},
journal= {arXiv preprint arXiv:2109.11812},
year = {2021}
}
备注
Proceeding of Pipeline Technology Conference (PTC) 2021, Berlin