НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ЗАГРЯЗНЕНИЯ АТМОСФЕРНОГО ВОЗДУХА КОМПРЕССОРНЫМИ СТАНЦИЯМИ МАГИСТРАЛЬНЫХ ГАЗОПРОВОДОВ

С. Н. Костарева, И. Р. Байков, О. В. Смородова, С. А. Киселева

Аннотация


Введение
Оперативный временной контроль основных параметров эксплуатации газоперекачивающих агрегатов (ГПА) компрессорных станций является залогом высокого качества оценки текущего состояния системы. При этом существующие стационарные измерительные устройства могут быть эффективно агрегированы с расчетными моделями прогнозирования динамики технологического процесса магистрального транспорта газа.
Цели и задачи
Известно, что количество выбросов оксидов азота и углерода с выхлопными газами ГПА коррелирует с процессами старения и износа агрегатов. В статье решается актуальная задача развития методов моделирования количества выбросов как аргумента технического состояния ГПА.
Методы
База данных для решения поставленной задачи может быть обеспечена стационарной системой контроля основных показателей ГПА, находящихся в режиме компримирования магистрального газа.
На практике для оценки осложнения экологического состояния окружающей природной среды применяются автоматизированные системы мониторинга. Однако высокая стоимость подобного оборудования на нефтегазовом рынке препятствует их повсеместному применению.
Показано, что содержание NOx и CO в продуктах сгорания топливного газа ГПА имеет значимую корреляционную связь с температурой газов, частотой вращения и температурой наружного воздуха на входе в компрессор. Этот факт обосновывает необходимость многопараметрического моделирования концентраций оксидов азота и углерода. Решение практических задач техногенного характера весьма продуктивно в пределах реализации нейросетевой модели.
Результаты
На основе значений основных технологических параметров ГПА построены нейронные сети для оценки выбросов оксидов азота и углерода от агрегатов ГПУ-10 «Волна» с погрешностью менее 7 %.

Ключевые слова


технологический параметр;газоперекачивающий агрегат;выбросы в атмосферу;нейронная сеть;сигмоид;technological parameter;gas pumping unit;air emissions;neural network;sigmoid;

Полный текст:

PDF

Литература


Костарева С.Н. Совершенствование методов диагностирования технического состояния газоперекачивающих агрегатов на основе данных производственного мониторинга: дисс. … канд. техн. наук. Уфа: УГНТУ, 2002. 163 с.

Байков И.Р., Китаев С.В., Шаммазов И.А. Перспективы энергоресурсосбережения в условиях длительно эксплуатируемой газотранспортной системы // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2012. № 4. С. 9-13.

Байков И.Р., Китаев С.В., Талхин С.Р. Эксплуатация энергомеханического оборудования в современных условиях // Нефтегазовое дело. 2007. Т. 5. № 1. С. 159-162.

Иванов Э.С. Особенности моделирования режимов работы газоперекачивающих агрегатов компрессорных станций магистрального транспорта газа в современных условиях эксплуатации // Электронный научный журнал «Нефтегазовое дело». 2012. № 5. С. 99-123. URL: (дата обращения: 25.12.2018).

Байков И.Р., Смородова О.В., Костарева С.Н. Оценка технического состояния ГКУ с помощью вибродиагностики // Газовая промышленность. 2001. № 4. С. 39-41.

Байков И.Р., Китаев С.В., Смородов Е.А., Гольянов А.И. Уточнение методики определения технического состояния газоперекачивающих агрегатов // Известия высших учебных заведений. Проблемы энергетики. 2001. № 3-4. С. 3-7.

Байков И.Р., Смородова О.В., Костарева С.Н. Прогностическая модель эмиссии вредных веществ в выхлопных газах ГТУ // Известия высших учебных заведений. Проблемы энергетики. 2004. № 1-2. С. 122-128. URL: (дата обращения: 25.12.2018).

Байков И.Р., Китаев С.В., Фарухшина Р.Р. Определение показателей энергоэффективности газоперекачивающих агрегатов с применением нейронных сетей // Электронный научный журнал «Нефтегазовое дело». 2015. № 1. С. 141-152. URL: http://ogbus.ru/files/ogbus/issues/1_2015/ ogbus_1_2015_p141-152_BaikovIR_ru.pdf (дата обращения: 25.12.2018).

Байков И.Р., Китаев С.В., Шаммазов И.А. Применение нейронных сетей для прогнозирования добычи углеводородного сырья // Известия высших учебных заведений. Нефть и газ. 2005. № 3. С. 60-64. URL: https://elibrary.ru/ download/elibrary_24639555_36320168.pdf (дата обращения: 25.12.2018)

Осовский С. Нейронные сети для обработки информации: пер. с польск. / Перевод И.Д. Рудинского. М.: Финансы и статистика, 2004. 344 с.

Каменев А.С., Королев С.Ю., Сокотущенко В.Н. Нейромоделирование как инструмент интеллектуализации энергоинформа-ционных сетей. М.: ИЦ «Энергия», 2012. 124 с.

Алексеев Д.В. Приближение функций нескольких переменных нейронными сетями // Фундаментальная и прикладная математика. 2009. Т. 15. № 3. С. 9-21. URL: https://elibrary.ru/ download/elibrary_12996342_40485360.pdf (дата обращения: 25.12.2018).

Funahashi K. On the Approximate Realization of Continuous Mappings by Neural Networks // Neural Networks. 1989. Vol. 2, No. 3. P. 183-192.

Hornick K., Stinchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators // Neural Networks. 1989. Vol. 2, No. 5. P. 359-366.

White H., Gallant A.R., Hornik K., Stinchcombe M., Wooldridge J. Artificial Neural Networks: Approximation and Learning Theory. Cambridge, MA: Blackwell, 1992.

R. Yager L. Zadeh. (Eds.) Fuzzy Sets, Neural Networks and Soft Computing. Van Nostrand Reinhold. New York, 1994.

Mohamad H. Fundamentals of Artificial Neural Networks. Cambridge, MIT Press, 1995.

Winograd S., Cowan J.D. Reliable Computation in the Presence of Noise. Cambridge, MIT Press, 1963. 247 p.

Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in The Brain // Psychological Review. 1958. No. 65. P. 386-408.

Widrow B. Generalization and Information Storage in Networks of Adaline «Neurons» // Washington, D.C.: Sparta, 1962. P. 435-461.




DOI: http://dx.doi.org/10.17122/ntj-oil-2019-2-97-106

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2019 С. Н. Костарева, И. Р. Байков, О. В. Смородова, С. А. Киселева

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.