KR102413399B1 - Leak diagnosis system for offshore plant pipelines based on machine learning - Google Patents

Leak diagnosis system for offshore plant pipelines based on machine learning Download PDF

Info

Publication number
KR102413399B1
KR102413399B1 KR1020200181090A KR20200181090A KR102413399B1 KR 102413399 B1 KR102413399 B1 KR 102413399B1 KR 1020200181090 A KR1020200181090 A KR 1020200181090A KR 20200181090 A KR20200181090 A KR 20200181090A KR 102413399 B1 KR102413399 B1 KR 102413399B1
Authority
KR
South Korea
Prior art keywords
pipeline
leak
neural network
network model
flow rate
Prior art date
Application number
KR1020200181090A
Other languages
Korean (ko)
Inventor
김주현
이영수
Original Assignee
전북대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 전북대학교산학협력단 filed Critical 전북대학교산학협력단
Priority to KR1020200181090A priority Critical patent/KR102413399B1/en
Application granted granted Critical
Publication of KR102413399B1 publication Critical patent/KR102413399B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Abstract

본 발명은 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템에 관한 것으로, 이는 해양 플랜트의 파이프라인을 동적 모델링한 파이프라인 모델; 상기 파이프라인의 유량, 압력, 온도와 누출 상태간 상관관계가 학습된 신경망 모델; 상기 파이프라인 모델을 통해 누출 상태에 따른 유량, 압력 및 온도 변화를 반복 시뮬레이션하는 파이프라인 시뮬레이션부; 상기 파이프라인 시뮬레이션부의 시뮬레이션 결과에 기반하여, 유량, 압력 및 온도를 입력 조건으로 가지고 누출 상태를 출력 조건으로 가지는 다수의 학습 데이터를 생성하는 학습 데이터 생성부; 상기 다수의 학습 데이터를 통해 신경망 모델을 기계 학습시키는 신경망 학습부; 및 파이프라인의 실제 유량, 압력, 온도를 측정한 측정 데이터가 획득되면, 상기 신경망 모델을 통해 상기 측정 데이터에 대응되는 누출 상태를 예측 및 통보하는 신경망 진단부를 포함할 수 있다. The present invention relates to a machine learning-based offshore plant pipeline leak diagnosis system, comprising: a pipeline model that dynamically models a pipeline of an offshore plant; a neural network model in which the correlation between the flow rate, pressure, temperature and leakage state of the pipeline is learned; a pipeline simulation unit that repeatedly simulates changes in flow rate, pressure, and temperature according to a leak state through the pipeline model; a learning data generator configured to generate a plurality of learning data having a flow rate, pressure, and temperature as input conditions and a leakage state as an output condition, based on the simulation results of the pipeline simulation unit; a neural network learning unit for machine learning a neural network model through the plurality of learning data; and a neural network diagnosis unit for predicting and notifying a leak state corresponding to the measured data through the neural network model when measured data obtained by measuring the actual flow rate, pressure, and temperature of the pipeline are obtained.

Description

기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템{Leak diagnosis system for offshore plant pipelines based on machine learning}Leak diagnosis system for offshore plant pipelines based on machine learning

본 발명은 해양 플랜트의 파이프라인의 누출 상태를 예측 및 진단할 수 있도록 하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템에 관한 것이다.The present invention relates to a machine learning-based offshore plant pipeline leak diagnosis system capable of predicting and diagnosing a leak state of a pipeline of an offshore plant.

해양 플랜트는 바다에 매장되어 있는 석유, 가스와 같은 해양 자원들을 발굴, 시추, 생산하는 활동을 수행한다. Offshore plants perform activities that excavate, drill, and produce marine resources such as oil and gas stored in the sea.

해양 플랜트는 도 1에서와 같이 해상 시설(10), 다수의 생산정(reservoir)(20), 및 해상 시설(10)와 생산정(20)간을 연결하는 다수의 파이프라인(30)으로 구성되어, 생산정(20)에서 시추된 석유 또는 가스를 파이프라인을 통해 해상 시설(10)로 운송하도록 한다. The offshore plant consists of an offshore facility 10, a plurality of production wells (reservoir) 20, and a plurality of pipelines 30 connecting between the offshore facility 10 and the production well 20 as shown in FIG. As such, the oil or gas drilled in the production well 20 is transported to the offshore facility 10 through a pipeline.

이와 같이 구성되는 해양 플랜트의 경우, 파이프라인의 누출 발생은 막대한 경제적 손실과 환경 오염을 야기할 수 있다. In the case of an offshore plant configured in this way, leakage of pipelines may cause enormous economic loss and environmental pollution.

이에 외부 방법(Exterior methods), 시각/생물학 방법(Visual/Biological methods), 내부/연산 기반 방법(Interior/Computational based methods)과 같이 파이프라인 누출 진단을 위한 여러 가지 기술들이 제안되고 있다. Accordingly, various techniques for diagnosing pipeline leaks have been proposed, such as exterior methods, visual/biological methods, and interior/computational based methods.

그러나 외부 방법은 대부분 기존 시스템에 물리적인 장치 등을 추가해야 하며, 길이가 긴 파이프라인에 적용하기 위해서는 막대한 비용이 발생하는 단점이 있으며, 시각/생물학 방법은 진단의 정확성과 신속성을 고려할 때 현실성이 떨어지는 단점을 가진다. However, most external methods require adding a physical device to the existing system, and have the disadvantage of incurring a huge cost to be applied to a long pipeline. has the disadvantage of falling.

내부/연산 기반 방법은 파이프라인을 동적 모델링한 파이프모델을 구축하고, 이를 통해 필드 생산 데이터, 시스템 운영 데이터 혹은 컴퓨터를 통한 연산을 통해 누출 발생을 진단하는 것으로, 이는 누출 위치와 누출 크기 모두를 동시에 진단하지는 못하는 한계를 가진다. The internal/computation-based method builds a pipe model that dynamically models the pipeline, and then diagnoses the leak through field production data, system operation data, or computation through a computer. It has limitations that cannot be diagnosed.

국내공개특허 제10-2017-0045674호(공개일자 : 2017.04.27)Domestic Patent Publication No. 10-2017-0045674 (published date: 2017.04.27)

이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 파이프라인 시뮬레이션 기법과 인공지능 기법을 결합하여 파이프라인의 누출 상태를 보다 정확하게 진단할 수 있는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템을 제공하고자 한다. In order to solve the above problems, the present invention provides a machine learning-based offshore plant pipeline leak diagnosis system that can more accurately diagnose the leak state of a pipeline by combining a pipeline simulation technique and an artificial intelligence technique want to

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The object of the present invention is not limited to the object mentioned above, and other objects not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the following description.

상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면 해양 플랜트의 파이프라인을 동적 모델링한 파이프라인 모델; 상기 파이프라인의 유량, 압력, 온도와 누출 상태간 상관관계가 학습된 신경망 모델; 상기 파이프라인 모델을 통해 누출 상태에 따른 유량, 압력 및 온도 변화를 반복 시뮬레이션하는 파이프라인 시뮬레이션부; 상기 파이프라인 시뮬레이션부의 시뮬레이션 결과에 기반하여, 유량, 압력 및 온도를 입력 조건으로 가지고 누출 상태를 출력 조건으로 가지는 다수의 학습 데이터를 생성하는 학습 데이터 생성부; 상기 다수의 학습 데이터를 통해 신경망 모델을 기계 학습시키는 신경망 학습부; 및 파이프라인의 실제 유량, 압력, 온도를 측정한 측정 데이터가 획득되면, 상기 신경망 모델을 통해 상기 측정 데이터에 대응되는 누출 상태를 예측 및 통보하는 신경망 진단부를 포함하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템을 제공한다. As a means for solving the above problems, according to an embodiment of the present invention, a pipeline model that dynamically models a pipeline of an offshore plant; a neural network model in which the correlation between the flow rate, pressure, temperature and leakage state of the pipeline is learned; a pipeline simulation unit that repeatedly simulates changes in flow rate, pressure, and temperature according to a leak state through the pipeline model; a learning data generator configured to generate a plurality of learning data having a flow rate, pressure, and temperature as input conditions and a leakage state as an output condition, based on the simulation results of the pipeline simulation unit; a neural network learning unit for machine learning a neural network model through the plurality of learning data; and a neural network diagnosis unit that predicts and notifies a leak state corresponding to the measured data through the neural network model when the measured data obtained by measuring the actual flow rate, pressure, and temperature of the pipeline is obtained. A leak diagnosis system is provided.

상기 누출 상태는 누출 위치와 누출 크기로 세분화되는 것을 특징으로 한다. The leak state is characterized in that it is subdivided into a leak location and a leak size.

상기 신경망 학습부는 상기 다수의 학습 데이터 중 일부를 통해 상기 신경망 모델을 반복 학습시키고, 나머지 일부를 통해 상기 신경망 모델의 정확도를 검증하되, 상기 신경망 모델의 정확도가 기 설정된 목표치를 만족시키면 상기 신경망 모델의 반복 학습을 종료하는 것을 특징으로 한다. The neural network learning unit repeatedly learns the neural network model through some of the plurality of learning data, and verifies the accuracy of the neural network model through the remaining part, but when the accuracy of the neural network model meets a preset target value, the neural network model It is characterized in that the repeated learning is terminated.

상기 신경망 모델은 입력 레이어, 히든 레이어, 및 출력 레이어의 구조를 가지며, 아담 최적화 알고리즘을 최적화 알고리즘, LReLU(Leaky Rectified Linear Unit)를 활성 함수로, 결정계수(R-Squared)와 MAE(Mean Absolute Error)를 비용함수로 가지는 것을 특징으로 한다. The neural network model has a structure of an input layer, a hidden layer, and an output layer, using an Adam optimization algorithm as an optimization algorithm, a Leaky Rectified Linear Unit (LReLU) as an activation function, a coefficient of determination (R-Squared) and a mean absolute error (MAE) ) as a cost function.

상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면 해양 플랜트의 파이프라인을 동적 모델링한 파이프라인 모델을 구축하는 단계; 상기 파이프라인 모델을 통해 누출 상태에 따른 유량, 압력 및 온도 변화를 반복 시뮬레이션하는 단계; 상기 파이프라인 시뮬레이션 결과에 기반하여, 유량, 압력 및 온도를 입력 조건으로 가지고 누출 상태를 출력 조건으로 가지는 다수의 학습 데이터를 생성하는 단계; 상기 다수의 학습 데이터를 통해 신경망 모델을 기계 학습시키는 단계; 및 파이프라인의 실제 유량, 압력, 온도를 측정한 측정 데이터가 획득되면, 상기 신경망 모델을 통해 상기 측정 데이터에 대응되는 누출 상태를 예측 및 통보하는 단계를 포함하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 방법을 제공한다. As a means for solving the above problems, according to another embodiment of the present invention, the method comprising: constructing a pipeline model in which a pipeline of an offshore plant is dynamically modeled; repeatedly simulating flow rate, pressure, and temperature changes according to leak conditions through the pipeline model; generating a plurality of learning data having a flow rate, pressure, and temperature as input conditions and a leakage state as an output condition, based on the pipeline simulation result; machine learning a neural network model through the plurality of training data; and predicting and notifying a leak state corresponding to the measured data through the neural network model when the measured data measuring the actual flow rate, pressure, and temperature of the pipeline is obtained. Diagnostic methods are provided.

본 발명은 파이프라인 시뮬레이션 기법과 인공지능 기법을 결합하여 실제 현장 모델과 자료에 기반한 누출 상태 진단 동작을 수행할 수 있도록 한다. 특히, 파이프라인 운영시 발생되는 기초 물성값만 활용하여 누출 신호를 감지하고 정확한 누설 위치와 누설 크기를 예측 및 통보할 수 있도록 함으로써, 운영사가 사고에 보다 신속히 대응할 수 있도록 한다. The present invention combines a pipeline simulation technique and an artificial intelligence technique to perform a leak state diagnosis operation based on an actual field model and data. In particular, by using only the basic property values generated during pipeline operation to detect a leak signal and predict and notify the exact leak location and leak size, the operator can respond more quickly to accidents.

또한 파이프라인 모델에 적용되는 유체 종류를 다양화한 후, 이를 시뮬레이션 결과에 기반하여 신경망 모델을 기계 학습할 수 있도록 함으로써, 오일/가스뿐만 아니라 물과 화학 유체 등 파이프라인을 운송수단으로 활용하는 모든 유체 유동관에 범용적으로 적용될 수 있도록 한다. In addition, after diversifying the types of fluids applied to the pipeline model, the neural network model can be machine learned based on the simulation results. Make it universally applicable to the fluid flow pipe.

도 1은 일반적인 해양 플랜트 개념도를 도시한 도면이다.
도 2은 본 발명의 일 실시예에 따른 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 해양 플랜트 파이프라인 누출 진단 방법을 개략적으로 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 파이프라인 모델의 구현예를 도시한 도면이다.
도 5은 본 발명의 일 실시예에 따른 측정 데이터로 이용될 변수 선정 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 신경망 모델의 구현 예를 도시한 도면이다. 1 is a view showing a general conceptual diagram of an offshore plant.
2 is a diagram illustrating a machine learning-based offshore plant pipeline leak diagnosis system according to an embodiment of the present invention.
3 is a diagram schematically illustrating a method for diagnosing a leak in an offshore plant pipeline according to an embodiment of the present invention.
4 is a diagram illustrating an implementation example of a pipeline model according to an embodiment of the present invention.
5 is a view for explaining a process of selecting a variable to be used as measurement data according to an embodiment of the present invention.
6 is a diagram illustrating an implementation example of a neural network model according to an embodiment of the present invention.

이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.The following is merely illustrative of the principles of the invention. Therefore, those skilled in the art will be able to devise various devices that, although not explicitly described or shown herein, embody the principles of the present invention and are included within the spirit and scope of the present invention. Further, it is to be understood that all conditional terms and examples listed herein are, in principle, expressly intended solely for the purpose of enabling the concept of the present invention to be understood, and not limited to the specifically enumerated embodiments and states as such. should be

또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.Moreover, it is to be understood that all detailed description reciting the principles, aspects, and embodiments of the invention, as well as specific embodiments, are intended to cover structural and functional equivalents of such matters. It should also be understood that such equivalents include not only currently known equivalents, but also equivalents developed in the future, i.e., all devices invented to perform the same function, regardless of structure.

따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.Thus, for example, the block diagrams herein are to be understood as representing conceptual views of illustrative circuitry embodying the principles of the present invention. Similarly, all flowcharts, state transition diagrams, pseudo code, etc. may be tangibly embodied on computer-readable media and be understood to represent various processes performed by a computer or processor, whether or not a computer or processor is explicitly shown. should be

도 2은 본 발명의 일 실시예에 따른 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템을 도시한 도면이다. 2 is a diagram illustrating a machine learning-based offshore plant pipeline leak diagnosis system according to an embodiment of the present invention.

도 2를 참고하면, 본 발명의 시스템은 해양 플랜트의 파이프라인을 동적 모델링한 파이프라인 모델(111)과 상기 파이프라인의 유량, 압력, 온도와 누출 상태간 상관관계가 학습된 신경망 모델(112), 상기 파이프라인 모델(111)을 통해 누출 상태에 따른 유량, 압력 및 온도 변화를 반복 시뮬레이션하는 파이프라인 시뮬레이션부(120), 상기 파이프라인 시뮬레이션 결과에 기반하여, 유량, 압력 및 온도를 입력 조건으로 가지고 누출 상태를 출력 조건으로 가지는 다수의 학습 데이터를 생성하는 학습 데이터 생성부(130), 상기 다수의 학습 데이터를 통해 신경망 모델을 기계 학습시키는 신경망 학습부(140) 및 파이프라인의 실제 유량, 압력, 온도를 측정한 측정 데이터가 획득되면, 상기 신경망 모델을 통해 상기 측정 데이터에 대응되는 누출 상태를 예측 및 통보하는 신경망 진단부(150) 등을 포함한다. Referring to FIG. 2 , the system of the present invention provides a pipeline model 111 that dynamically models the pipeline of an offshore plant and a neural network model 112 in which the correlation between the flow rate, pressure, temperature and leakage state of the pipeline is learned. , a pipeline simulation unit 120 that repeatedly simulates changes in flow rate, pressure, and temperature according to the leak state through the pipeline model 111, and based on the pipeline simulation result, the flow rate, pressure and temperature as input conditions The learning data generating unit 130 that generates a plurality of learning data having a leak state as an output condition, the neural network learning unit 140 machine learning the neural network model through the plurality of learning data, and the actual flow rate and pressure of the pipeline , and a neural network diagnosis unit 150 that predicts and notifies a leak state corresponding to the measured data through the neural network model when the measured data obtained by measuring the temperature is obtained.

즉, 본 발명은 파이프라인 모델(111)과 신경망 모델(112)을 동시 구비하고, 이들을 이용하여 파이프라인 시뮬레이션 기술과 인공지능 기술을 결합하여 해양 플랜트내 파이프라인의 누출 발생 상태를 보다 신속 정확하게 진단할 수 있도록 한다. That is, the present invention has a pipeline model 111 and a neural network model 112 at the same time, and uses them to combine pipeline simulation technology and artificial intelligence technology to more quickly and accurately diagnose the state of leakage of pipelines in offshore plants. make it possible

이하, 도 3 내지 도 5를 참고하여 해양 플랜트 파이프라인 누출 진단 방법에 대해 보다 상세히 설명하기로 한다. Hereinafter, a method for diagnosing a leak in an offshore plant pipeline will be described in more detail with reference to FIGS. 3 to 5 .

도 3은 본 발명의 일 실시예에 따른 해양 플랜트 파이프라인 누출 진단 방법을 개략적으로 도시한 도면이다. 3 is a diagram schematically illustrating a method for diagnosing a leak in an offshore plant pipeline according to an embodiment of the present invention.

도 3에 도시된 바와 같이, 본 발명의 누출 진단 방법은 크게 파이프라인 모델 구축 단계(S1), 파이프라인 시뮬레이션 단계(S2), 학습 데이터 생성 단계(S3), 신경망 모델 학습 단계(S4) 및 신경망 모델 기반 누출 상태 진단 단계(S5) 등을 포함한다. As shown in Figure 3, the leak diagnosis method of the present invention is largely a pipeline model building step (S1), a pipeline simulation step (S2), a training data generation step (S3), a neural network model training step (S4), and a neural network and a model-based leak state diagnosis step (S5) and the like.

먼저, 파이프라인 모델 및 신경망 모델 구축 단계(S1)에서는 파이프라인 모델을 구축하도록 한다. First, in the pipeline model and neural network model construction step (S1), the pipeline model is built.

파이프라인 모델은 파이프라인의 설계도 및 운영 조건 기반으로 파이프라인을 동적 모델링하여, 실제 파이프라인과 유사한 파이프라인 모델을 만들 수 있다. A pipeline model can create a pipeline model similar to an actual pipeline by dynamically modeling a pipeline based on the pipeline blueprint and operating conditions.

파이프라인 모델은 도 4에서와 같이 파이프의 재질, 길이, 직경과 같은 파이프의 규격 정보는 물론 유체의 종류, 외부 환경 등 매우 다양한 인자를 입력받을 수 있으며, 특정 운영조건에서 유체가 어떠한 유량, 압력, 온도 등으로 거동할지 각 인자 간의 복잡한 관계식을 통해 분석 가능하도록 한다. As shown in FIG. 4, the pipeline model can receive a wide variety of factors such as the type of fluid and the external environment, as well as pipe specification information such as the material, length, and diameter of the pipe. It is possible to analyze whether it behaves with , temperature, etc. through a complex relational expression between each factor.

특히, 파이프라인 내 누출이 발생한 가상의 상황을 묘사하고 싶은 경우, 파이프라인 모델에 누출 규모와 누출 위치를 입력하여 파이프라인 모델이 기 등록된 관련 관계식을 통해 누출 규모와 누출 위치에 대응되는 유량, 압력, 온도 등의 변화를 컴퓨터 연산할 수 있도록 한다. 즉, 누출로 인한 유량, 압력, 온도 등의 변화를 사전에 분석할 수 있도록 한다. In particular, if you want to describe a hypothetical situation where a leak has occurred in the pipeline, input the leak size and leak location into the pipeline model, Allows computer calculation of changes in pressure, temperature, etc. In other words, it is possible to analyze changes in flow rate, pressure, temperature, etc. due to leakage in advance.

파이프라인 시뮬레이션 단계(S2)에서는 서로 상이한 누출 위치와 누출 크기를 가지는 다수의 누출 상태를 정의한 후, 누출 상태 변화에 따른 각종 변수 변화 패턴을 파이프모델을 통해 반복 시뮬레이션한다. In the pipeline simulation step S2, after defining a plurality of leak states having different leak locations and leak sizes, various variable change patterns according to the leak state change are repeatedly simulated through the pipe model.

예를 들어, 표 1에서와 같이 파이프라인을 700여 구간으로 나누어 누출 위치를 세분화하고, 누출 크기를 1cm에서 5cm까지 0.5cm의 간격으로 총 9개로 세분화하여 다수의 누출 상태를 정의할 수 있다. For example, as shown in Table 1, the leak location is subdivided by dividing the pipeline into about 700 sections, and the leak size can be subdivided into a total of 9 pieces ranging from 1 cm to 5 cm at 0.5 cm intervals to define multiple leak states.

그리고 누출 상태를 가변하면서 파이프라인 모델을 반복 시뮬레이션함으로써, 누출 상태 변화에 따른 각종 변수 변화 패턴을 파악하도록 한다. In addition, by repeatedly simulating the pipeline model while changing the leak state, various variable change patterns according to the change in the leak state are identified.

누출 상태leak condition MinMin MaxMax interval sizeinterval size # case# case 누출 크기(cm)Leak size (cm) 1One 55 0.50.5 99 누출 위치(m)Leak location (m) 00 ≒ 13,000≒ 13,000 ≤ 20≤ 20 ≒ 700≒ 700

그리고 누출 발생으로 영향을 받는 변수를 파악하기 위해 누출 규모와 위치에 따라 변수별 민감도 분석을 수행하여, 누출 발생에 가장 많은 영향을 변수들을 선별한다. In order to identify the variables affected by the occurrence of leakage, sensitivity analysis is performed for each variable according to the size and location of the leak, and the variables that have the most influence on the occurrence of leakage are selected.

예를 들어, 도 5에서와 같이 누출 발생에 의해 유량, 압력 및 온도의 3가지 변수가 가장 영향을 많이 받을 경우, 이들 3개의 변수를 측정 데이터로 선정할 수 있을 것이다. For example, when three variables of flow rate, pressure, and temperature are most affected by leakage as shown in FIG. 5 , these three variables may be selected as measurement data.

이하에서는 설명의 편이를 위해 유량, 압력 및 온도를 측정 데이터로 이용하는 경우에 한해 설명하였지만, 누출 진단을 위한 측정 데이터에 이용되는 변수의 종류는 차후 시스템 구현 환경 등에 의해 다양하게 변경될 수 있음은 물론 당연할 것이다. Hereinafter, for convenience of explanation, only the case where flow rate, pressure, and temperature are used as measurement data have been described. It would be natural.

다만, 이와 같은 파이프라인 시뮬레이션은 누출 상태에 대한 연산 결과만 제공하기 때문에, 시뮬레이션 단일 방법으로는 누출 상태 진단을 정확하게 수행할 수 없는 한계가 있다. However, since such a pipeline simulation provides only the calculation results for the leak state, there is a limitation in that the leak state diagnosis cannot be accurately performed with a single simulation method.

한편, 기계 학습은 학습을 통해 자동으로 개선하는 컴퓨터 알고리즘으로 훈련 데이터를 통해 서로의 관계를 찾아내고 학습된 속성을 기반으로 예측하는 데 초점이 맞춰져 있다. 이는 해당 작업을 아주 빠른 속도로 365일 24시간 내내 자동으로 수행할 수 있다는 장점이 있다. 즉, 파이프라인 내 누출사고와 같이 신속하고 정확한 진단이 요구되는 분야에서 인공지능 기술과의 연계가 매우 필요하다 할 수 있다.On the other hand, machine learning is a computer algorithm that automatically improves through learning, focusing on finding relationships with each other through training data and making predictions based on learned properties. This has the advantage of being able to perform the task automatically 24 hours a day, 365 days a year at a very high speed. In other words, it can be said that connection with artificial intelligence technology is very necessary in fields that require quick and accurate diagnosis, such as leaks in pipelines.

이에 본 발명에서는 파이프라인 시뮬레이션 이외에 기계 학습(머신 러닝)을 추가 도입하여 누출 상태 진단을 보다 정확하게 수행할 수 있도록 한다. Accordingly, in the present invention, machine learning (machine learning) is additionally introduced in addition to pipeline simulation to more accurately perform leak state diagnosis.

학습 데이터 생성 단계(S3)에서는 단계 S2의 파이프라인 시뮬레이션 결과에 기반하여 유량, 압력 및 온도를 입력 조건으로 가지고 누출 상태를 출력 조건으로 가지는 대용량의 누출 데이터를 생성한다. In the learning data generation step (S3), based on the pipeline simulation result of step S2, a large amount of leakage data having a flow rate, pressure, and temperature as input conditions and a leakage state as an output condition is generated.

그리고 다수의 누출 데이터 중에서 대부분(예를 들어, 90%) 학습 데이터로, 나머지 일부분(예를 들어, 10%)는 테스트 데이터로 획득하도록 한다.And most (eg, 90%) of the leak data is acquired as training data, and the remaining part (eg, 10%) is acquired as test data.

신경망 모델 학습 단계(S4)에서는 학습 데이터를 통해 신경망 모델을 반복 학습하면서 레이어간 하이퍼파라미터를 조정함으로써, 신경망 모델의 예측 정확도를 향상시키도록 한다. 또한 테스트 데이터(즉, 학습에 사용되지 않은 누출 데이터)를 통해 신경망 모델의 정확도를 검증한 후, 정확도가 기 설정된 목표치를 만족시키면서 신경망 모델의 반복 학습을 종료한다. In the neural network model learning step S4, the prediction accuracy of the neural network model is improved by adjusting the hyperparameters between layers while repeatedly learning the neural network model through training data. In addition, after verifying the accuracy of the neural network model through the test data (ie, leak data not used for training), the iterative learning of the neural network model is terminated while the accuracy satisfies a preset target value.

참고로, 본 발명의 신경망 모델을 입력 레이어, 히든 레이어, 및 출력 레이어 구조로 구현될 수 있다. For reference, the neural network model of the present invention may be implemented as an input layer, a hidden layer, and an output layer structure.

신경망 모델은 예를 들어, 도 6에서와 같이, 유량, 압력, 온도를 입력받는 하나의 입력 레이어, 세 개의 히든 레이어, 누출 크기와 누출 위치를 출력하는 하나의 출력 레이어로 구성되는 총 5개의 레이어로 구성될 수 있으나, 이에 한정될 필요는 없다. For example, as in FIG. 6 , the neural network model consists of one input layer that receives flow rate, pressure, and temperature, three hidden layers, and one output layer that outputs the leak size and leak location. It may consist of, but need not be limited thereto.

그리고 아담 최적화 알고리즘을 최적화 알고리즘, LReLU(Leaky Rectified Linear Unit)를 활성 함수로, 결정계수(R-Squared)와 MAE(Mean Absolute Error)를 비용함수로 가지도록 구현될 수 있으나, 이의 구체적 구현 방법 또한 차후 다양하게 변화될 수도 있음은 물론 당연하다. In addition, the Adam optimization algorithm can be implemented to have an optimization algorithm, LReLU (Leaky Rectified Linear Unit) as an activation function, and a coefficient of determination (R-Squared) and MAE (Mean Absolute Error) as cost functions. Of course, it can be changed in various ways in the future.

신경망 모델 기반 누출 상태 진단 단계(S5)에서는 해양 플랜트를 통해 파이프라인의 현재 유량, 압력, 온도를 실시간 측정한 측정 데이터를 획득한다. In the neural network model-based leak state diagnosis step (S5), measurement data obtained by measuring the current flow rate, pressure, and temperature of the pipeline in real time through the offshore plant is acquired.

그리고 측정 데이터를 신경망 모델에 입력하여, 신경망 모델을 통해 현재 유량, 입력, 온도에 대응되는 누출 크기와 누출 위치를 예측하고, 이를 진단 데이터로써 시스템 관리자에 제공하도록 한다. Then, the measured data is input to the neural network model, the leak size and leak location corresponding to the current flow rate, input, and temperature are predicted through the neural network model, and this is provided to the system administrator as diagnostic data.

또한 누출 크기와 누출 위치가 기 설정치 이상임이 확인되면, 경고 메시지를 추가 생성 및 출력함으로써, 누출 발생에 대한 후속 조치가 즉각 취해질 수 있도록 한다.In addition, when it is confirmed that the leak size and leak location are more than the preset values, a warning message is additionally generated and output, so that follow-up actions can be taken immediately.

이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.In the above, preferred embodiments of the present invention have been illustrated and described, but the present invention is not limited to the specific embodiments described above, and it is common in the technical field to which the present invention pertains without departing from the gist of the present invention as claimed in the claims. Various modifications can be made by those having the knowledge of

Claims (5)

해양 플랜트의 파이프라인을 동적 모델링한 가상의 파이프라인 모델;
상기 파이프라인의 유량, 압력, 온도와 누출 상태간 상관관계가 학습된 신경망 모델;
서로 상이한 누출 위치와 누출 크기를 가지는 다수의 누출 상태를 정의한 후, 상기 파이프라인 모델을 통해 누출 상태 변화에 따른 유량, 압력 및 온도 변화를 반복 시뮬레이션하는 파이프라인 시뮬레이션부;
상기 파이프라인 시뮬레이션부의 시뮬레이션 결과에 기반하여, 유량, 압력 및 온도를 입력 조건으로 가지고 누출 위치 및 누출 크기를 출력 조건으로 가지는 다수의 학습 데이터를 생성하는 학습 데이터 생성부;
상기 다수의 학습 데이터를 통해 신경망 모델을 기계 학습시키는 신경망 학습부; 및
파이프라인의 실제 유량, 압력, 온도를 측정한 측정 데이터가 획득되면, 상기 신경망 모델을 통해 상기 측정 데이터에 대응되는 누출 위치와 누출 크기를 예측 및 통보하는 신경망 진단부를 포함하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템. A virtual pipeline model that dynamically models the pipeline of an offshore plant;
a neural network model in which the correlation between the flow rate, pressure, temperature and leakage state of the pipeline is learned;
a pipeline simulation unit defining a plurality of leak states having different leak locations and leak sizes, and then repeatedly simulating changes in flow rate, pressure, and temperature according to changes in leak state through the pipeline model;
a learning data generator for generating a plurality of learning data having a flow rate, pressure, and temperature as input conditions and a leak location and a leak size as output conditions, based on the simulation result of the pipeline simulation unit;
a neural network learning unit for machine learning a neural network model through the plurality of learning data; and
When the measured data measuring the actual flow rate, pressure, and temperature of the pipeline is obtained, the machine learning-based marine plant including a neural network diagnosis unit predicting and notifying the leak location and the leak size corresponding to the measured data through the neural network model Pipeline leak diagnostic system. 삭제delete 제1항에 있어서, 상기 신경망 학습부는
상기 다수의 학습 데이터 중 일부를 통해 상기 신경망 모델을 반복 학습시키고, 나머지 일부를 통해 상기 신경망 모델의 정확도를 검증하되, 상기 신경망 모델의 정확도가 기 설정된 목표치를 만족시키면 상기 신경망 모델의 반복 학습을 종료하는 것을 특징으로 하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템. According to claim 1, wherein the neural network learning unit
Iteratively trains the neural network model through some of the plurality of training data, and verifies the accuracy of the neural network model through the remaining part, but when the accuracy of the neural network model meets a preset target value, iterative learning of the neural network model is terminated A machine learning-based offshore plant pipeline leak diagnosis system, characterized in that 제1항에 있어서, 상기 신경망 모델은
입력 레이어, 히든 레이어, 및 출력 레이어의 구조를 가지며, 아담 최적화 알고리즘을 최적화 알고리즘, LReLU(Leaky Rectified Linear Unit)를 활성 함수로, 결정계수(R-Squared)와 MAE(Mean Absolute Error)를 비용함수로 가지는 것을 특징으로 하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템. The method of claim 1, wherein the neural network model is
It has the structure of an input layer, a hidden layer, and an output layer, and the Adam optimization algorithm is the optimization algorithm, LReLU (Leaky Rectified Linear Unit) is the active function, and the coefficient of determination (R-Squared) and MAE (Mean Absolute Error) are the cost functions. Machine learning-based offshore plant pipeline leak diagnosis system, characterized in that it has 해양 플랜트의 파이프라인을 동적 모델링한 가상의 파이프라인 모델을 구축하는 단계;
서로 상이한 누출 위치와 누출 크기를 가지는 다수의 누출 상태를 정의한 후, 상기 파이프라인 모델을 통해 누출 상태 변화에 따른 유량, 압력 및 온도 변화를 반복 시뮬레이션하는 단계;
상기 파이프라인 시뮬레이션 결과에 기반하여, 유량, 압력 및 온도를 입력 조건으로 가지고 누출 위치 및 누출 크기를 출력 조건으로 가지는 다수의 학습 데이터를 생성하는 단계;
상기 다수의 학습 데이터를 통해 신경망 모델을 기계 학습시키는 단계; 및
파이프라인의 실제 유량, 압력, 온도를 측정한 측정 데이터가 획득되면, 상기 신경망 모델을 통해 상기 측정 데이터에 대응되는 누출 위치와 누출 크기를 예측 및 통보하는 단계를 포함하는 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 방법.constructing a virtual pipeline model in which a pipeline of an offshore plant is dynamically modeled;
after defining a plurality of leak states having different leak locations and leak sizes, repeatedly simulating flow rate, pressure, and temperature changes according to leak state changes through the pipeline model;
generating, based on the pipeline simulation result, a plurality of learning data having a flow rate, pressure, and temperature as input conditions and a leak location and a leak size as output conditions;
machine learning a neural network model through the plurality of training data; and
When the measured data measuring the actual flow rate, pressure, and temperature of the pipeline is obtained, a machine learning-based offshore plant pipe comprising the step of predicting and notifying the leak location and the leak size corresponding to the measured data through the neural network model How to diagnose a line leak.
KR1020200181090A 2020-12-22 2020-12-22 Leak diagnosis system for offshore plant pipelines based on machine learning KR102413399B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200181090A KR102413399B1 (en) 2020-12-22 2020-12-22 Leak diagnosis system for offshore plant pipelines based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200181090A KR102413399B1 (en) 2020-12-22 2020-12-22 Leak diagnosis system for offshore plant pipelines based on machine learning

Publications (1)

Publication Number Publication Date
KR102413399B1 true KR102413399B1 (en) 2022-06-28

Family

ID=82268532

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200181090A KR102413399B1 (en) 2020-12-22 2020-12-22 Leak diagnosis system for offshore plant pipelines based on machine learning

Country Status (1)

Country Link
KR (1) KR102413399B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115164115A (en) * 2022-07-05 2022-10-11 福州大学 Gas pipeline leakage rate prediction method based on physical model driven machine learning
WO2024041669A1 (en) * 2022-11-11 2024-02-29 常州大学 Offshore oil-spill area prediction method and system, and medium

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090005998A (en) * 2007-07-10 2009-01-14 김형윤 Systems and methods of generating diagnostic images for structural health monitoring
KR20170045674A (en) 2015-10-19 2017-04-27 대우조선해양 주식회사 Unmanned operation system and method for offshore plant
JP6223436B2 (en) * 2012-05-30 2017-11-01 サイトロニク リミテッドＣｙｔｒｏｎｉｑ．， Ｌｔｄ． System for monitoring physical changes in offshore structures, method for monitoring physical changes in offshore structures, and control method through real-time monitoring of physical changes on offshore structures
JP2019527817A (en) * 2016-06-22 2019-10-03 サウジ アラビアン オイル カンパニー Systems and methods for rapid prediction of hydrogen induced cracking (HIC) in pipelines, pressure vessels and piping systems and actions related thereto
JP2020063955A (en) * 2018-10-16 2020-04-23 千代田化工建設株式会社 Fluid leakage detection system, fluid leakage detection device, and learning device
WO2020209566A1 (en) * 2019-04-08 2020-10-15 서울대학교산학협력단 Artificial neural network-based nuclear magnetic resonance and magnetic resonance spectroscopy data processing method and apparatus thereof
JP2020170244A (en) * 2019-04-01 2020-10-15 株式会社東芝 Information processing system, information processing device, method, and program

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090005998A (en) * 2007-07-10 2009-01-14 김형윤 Systems and methods of generating diagnostic images for structural health monitoring
JP6223436B2 (en) * 2012-05-30 2017-11-01 サイトロニク リミテッドＣｙｔｒｏｎｉｑ．， Ｌｔｄ． System for monitoring physical changes in offshore structures, method for monitoring physical changes in offshore structures, and control method through real-time monitoring of physical changes on offshore structures
KR20170045674A (en) 2015-10-19 2017-04-27 대우조선해양 주식회사 Unmanned operation system and method for offshore plant
JP2019527817A (en) * 2016-06-22 2019-10-03 サウジ アラビアン オイル カンパニー Systems and methods for rapid prediction of hydrogen induced cracking (HIC) in pipelines, pressure vessels and piping systems and actions related thereto
JP2020063955A (en) * 2018-10-16 2020-04-23 千代田化工建設株式会社 Fluid leakage detection system, fluid leakage detection device, and learning device
JP2020170244A (en) * 2019-04-01 2020-10-15 株式会社東芝 Information processing system, information processing device, method, and program
WO2020209566A1 (en) * 2019-04-08 2020-10-15 서울대학교산학협력단 Artificial neural network-based nuclear magnetic resonance and magnetic resonance spectroscopy data processing method and apparatus thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115164115A (en) * 2022-07-05 2022-10-11 福州大学 Gas pipeline leakage rate prediction method based on physical model driven machine learning
WO2024041669A1 (en) * 2022-11-11 2024-02-29 常州大学 Offshore oil-spill area prediction method and system, and medium

Similar Documents

Publication Publication Date Title
Ding et al. Application of randomized algorithms to assessment and design of observer-based fault detection systems
US11555573B2 (en) Computational risk modeling system and method for pipeline operation and integrity management
Mashford et al. Leak detection in simulated water pipe networks using SVM
Quiñones-Grueiro et al. Robust leak localization in water distribution networks using computational intelligence
KR102413399B1 (en) Leak diagnosis system for offshore plant pipelines based on machine learning
Kościelny et al. The application of a graph of a process in HAZOP analysis in accident prevention system
US11651119B2 (en) Detection of defects within physical infrastructure by leveraging AI
Berardi et al. Active leakage control with WDNetXL
US20230221206A1 (en) Method for leakage detection
Caputo et al. An inverse approach for piping networks monitoring
Kammoun et al. Leak detection methods in water distribution networks: a comparative survey on artificial intelligence applications
Ma et al. A real-time method to detect the leakage location in urban water distribution networks
Romano et al. Burst detection and location in water distribution systems
Timofeev et al. Machine learning based predictive maintenance of infrastructure facilities in the cryolithozone
Malykhina et al. Spatial-temporal digital twin models as a direction for the development of cross-cutting digital technologies
Liang et al. Data-driven digital twin method for leak detection in natural gas pipelines
Kourd et al. Early FDI based on residuals design according to the analysis of models of faults: application to DAMADICS
Keprate et al. Use of digital twins for process safety management
Kozaev et al. Simulation of emergency situations on main gas pipeline with MATLAB Simulink
Przystałka et al. Optimal placement of sensors and actuators for leakage detection and localization
Sztyber Sensor placement for fault diagnosis using graph of a process
Oladele et al. Detection of Leakages in a Pipeline Network based on Hydraulic Laboratory Modelling with Artificial Intelligence
CN113063100A (en) Pipeline leakage detection method and device
Ebisi et al. Machine Learning Schemes for Leak Detection in IoT-enabled Water Transmission System
Sukarno et al. Leak detection modeling and simulation for oil pipeline with artificial intelligence method

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant