KR20210155851A - 수송관 이상 징후 감지 시스템 - Google Patents

Abstract

본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템은, 기 설정된 시간 간격으로 수송관 정보를 수집하는 데이터 수집부; 상기 데이터 수집부에 의해 수집한 수송관 정보를 기 학습된 인공지능 모델을 통해 분석하여 수송관 내 모든 구간에 대한 압력, 온도 및 하이드레이트(Hydrate)를 예측하는 수송관 정보 분석부; 상기 수송관 정보 분석부에 의한 분석 결과를 기초로 수송관내 이상 징후를 감지하는 이상징후 감지부; 및 상기 수송관 정보 분석부 및 상기 이상징후 감지부에 의한 분석결과를 제공하는 분석결과 제공부를 포함할 수 있다.

Description

수송관 이상 징후 감지 시스템 {System for Detecting Anomaly in Pipeline}

본 출원은 수송관 이상 징후 감지 시스템에 관한 것이다.

최근 가스 및 석유의 막대한 수요와 생산이 용이한 지역에서의 고갈로 인해 고유가가 지속적으로 유지될 것으로 예상됨에 따라 심해와 같은 생산이 어려운 지역에서 자원을 획득하고 있다. 특히, 해저나 동토 지역과 같은 다양한 환경에서는 가스 및 석유 생산시 침전물이 형성되는데, 이는 수송관내 유동 안정성 측면에서 위험성을 증가시키는 주요 원인으로 작용한다. 그러나, 땅 속 깊이 매립되어 있는 수송관내에서 어떠한 유동이 일어나고 있는지에 대해 시각적으로 변화를 알기 어렵다.

따라서, 당해 기술분야에서는 수송관내의 전체 구간에 대한 유동 변화를 실시간으로 분석하여 수송관 내에서의 이상 징후를 조기에 감지하기 위한 방안이 요구되고 있다.

상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 수송관 이상 징후 감지 시스템을 제공한다.

상기 수송관 이상 징후 감지 시스템은, 기 설정된 시간 간격으로 수송관 정보를 수집하는 데이터 수집부; 상기 데이터 수집부에 의해 수집한 수송관 정보를 기 학습된 인공지능 모델을 통해 분석하여 수송관 내 모든 구간에 대한 압력, 온도 및 하이드레이트(Hydrate)를 예측하는 수송관 정보 분석부; 상기 수송관 정보 분석부에 의한 분석 결과를 기초로 수송관내 이상 징후를 감지하는 이상징후 감지부; 및 상기 수송관 정보 분석부 및 상기 이상징후 감지부에 의한 분석결과를 제공하는 분석결과 제공부를 포함할 수 있다.

덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따르면, 인공지능 모델을 통해 수송관내의 전체 구간에 대한 유동 변화를 실시간으로 추정하여 수송관 내에서의 이상 징후를 조기에 감지하도록 할 수 있다.

도 1은 본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따라 OLGA 프로그램을 이용하여 구축한 플랜트 현장 구조의 일 예를 도시하는 도면이다.
도 3은 하이드레이트 생곡선을 도시하는 도면이다.
도 4는 본 발명의 일 실시예에 따라 OLGA 프로그램을 이용하여 획득한 데이터 구조의 일 예를 도시하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 입력 및 출력 데이터의 일 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 인공지능 모델의 구조를 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템의 분석결과를 가시화한 일 예를 도시하는 도면이다.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.

도 1은 본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템의 구성도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템(100)은 데이터 수집부(110), 수송관 정보 분석부(120), 이상징후 감지부(130) 및 분석결과 제공부(140)를 포함하여 구성될 수 있다.

데이터 수집부(110)는 기 설정된 시간 간격으로 수송관 정보를 수집할 수 있다.

일 실시예에 따르면, 데이터 수집부(110)는 수송관으로 유입되는 유체(즉, 가스 등)의 유량, 수송관으로 유입되는 유체의 압력 및 온도, 그리고 수송관에서 유출되는 유체의 압력 및 온도 데이터를 실시간으로 수집할 수 있다.

수송관 정보 분석부(120)는 데이터 수집부(110)에 의해 수집한 수송관 정보를 인공지능 모델(121)을 통해 분석하기 위한 것이다.

일 실시예에 따르면, 수송관 정보 분석부(120)는 수집한 수송관 정보를 인공지능 모델(121)을 통해 분석하여 수송관내 모든 구간에 대한 압력, 온도 및 하이드레이트(Hydrate)를 예측할 수 있다. 이를 위해, 인공지능 모델(121)은 도 5를 참조하여 후술하는 바와 같은 입력 및 출력 데이터를 포함하는 학습 데이터를 이용하여 사전에 학습될 수 있다.

인공지능 모델(121)은 예를 들어 오토 인코더(Auto-Encoder), 스택 오토 인코더(Stacked Auto-Encoder), MLP(Multi-Layer Perceptron), LSTM(Long Short Term Memory) 등과 같은 다양한 기계학습 및 딥러닝 모델로 구현될 수 있다. 일 실시예에 따르면, 인공지능 모델(121)은 스택 오토 인코더 모델과 회귀(regression) 모델을 융합하여 구현될 수 있으며, 도 6은 본 발명의 일 실시예에 따른 인공지능 모델의 구조를 도시한다. 그러나, 본 발명에서 사용되는 인공지능 모델(121)이 반드시 이로 제한되는 것은 아니다

이상징후 감지부(130)는 수송관 정보 분석부(120)에 의한 분석 결과를 기초로 수송관내 이상 징후를 감지하기 위한 것이다.

일 실시예에 따르면, 이상징후 감지부(130)는 수송관 정보 분석부(120)에 의한 분석 결과를 기초로 수송관의 상태를 기 설정된 복수의 단계(예를 들어, 정상, 조기 위험, 위험 등) 중 어느 하나로 결정하여 이상 징후를 감지할 수 있다.

이를 위해, 이상징후 감지부(130)는 수송관 정보 분석부(120)에 의한 분석 결과, 즉 시간적 흐름에 따라 생성되는 하이드레이트가 증가하는 구간을 분석하여 이상 징후를 감지할 수 있으며, 예를 들어 다수결 기법, 앙상블 기법, 임계값 적용 기법 등 다양한 기법들을 적용하여 이상 징후를 감지할 수 있다.

분석결과 제공부(140)는 수송관 정보 분석부(120) 및 이상징후 감지부(130)에 의한 분석결과를 제공하기 위한 것이다.

일 실시예에 따르면, 분석결과 제공부(140)는 디스플레이 장치 등을 통해 수송관 정보 분석부(120)에서 예측된 하이드레이트의 볼륨(%)을 가시화하거나, 이상징후 감지부(130)에서의 감지 결과에 따라 알람(예를 들어, 정상, 조기 위험, 위험 단계별 상이한 알람)을 제공할 수 있다.

다른 실시예에 따르면, 분석결과 제공부(140)는 수송관 정보 분석부(120)에 의한 분석 결과들을 파일 형태로 제공하거나, 시스템 내 구비된 저장공간(미도시)에 저장할 수도 있다.

이하, 도 2 내지 도 9를 참조하여 본 발명의 실시예에 따른 수송관 이상 징후 감지 시스템에 대해 보다 구체적으로 설명하기로 한다.

우선, 인공지능 모델(121)의 학습 데이터로 활용하기 위한 하이드레이트 데이터 획득에 대해 설명한다.

수송관 내에 생성된 하이드레이트에 대한 데이터를 직접적으로 획하는 것은 비용 및 시스템 구성 측면에서 현실적으로 불가능하다. 이에, 본 발명의 실시예에서는 디지털 트윈(digital twin) 개념을 활용한다. 여기서, 디지털 트윈은 현실의 물리세계(physical)와 1:1 대응되는 가상의 디지털 세계를 만들어 현실의 문제를 해결하는 포괄적 개념을 의미하는 것으로, 본 발명의 일 실시예에서는 플랜트 및 수송관을 포함하는 현장의 구조를 OLGA 프로그램을 이용하여 구축하였다.

도 2는 본 발명의 일 실시예에 따라 OLGA 프로그램을 이용하여 구축한 플랜트 현장 구조의 일 예를 도시하는 도면으로, well은 수송관을 의미하고, Manifold는 복수의 수송관들이 모이는 곳을 의미하며, SEP(Separator)는 지상 플랜트를 의미한다.

하이드레이트 생성을 판단하기 위해 일반적으로 도 3에 도시된 바와 같은 하이드레이트 곡선을 활용할 수 있다. 즉, 시간에 따라 수송관으로 유입되는 유체의 압력과 온도에 따라 하이드레이트가 발생된다. 도 3을 참조하면, 수송관으로 유입되는 유체의 압력이 높아지고 온도가 낮아질수록 많은 양의 하이드레이트가 수송관 내에 생성된다. 즉, 유체의 온도 및 압력 조건에 따라 하이드레이트 생성 유무를 판단할 수 있게 된다.

이에 따라, 본 발명의 실시예에서는 도 2에 도시된 바와 같이 OLGA 프로그램을 이용하여 구축한 플랜트 현장 구조를 이용하여 Manifold로부터 SEP까지의 수송관(Pipeline)을 주요 타겟으로 하여 다양한 유체의 압력 및 온도에 따른 하이드레이트 생성 온도 및 하이드레이트 볼륨(%)을 구성하여 하이트레이트 데이터를 획득할 수 있다.

도 4는 본 발명의 일 실시예에 따라 OLGA 프로그램을 이용하여 획득한 데이터 구조의 일 예를 도시하는 도면으로, 현장에서 획득 가능한 유체의 압력 및 온도와 유량을 입력 데이터로 사용하여, OLGA 프로그램을 통해 수송관 전 구간에서의 압력 및 온도, 하이드레이트 생성 온도 및 하이드레이트 볼륨(%) 데이터를 획득할 수 있다. 여기서, Q value는 가스 유량을 나타내고, Nr은 관 구간, Z는 길이, BEHYD는 하이드레이트 볼륨(%), HYDTM는 하이드레이트 생성 온도, PT는 관 구간 압력, TM은 관 구간 온도를 의미한다.

일 실시예에 따르면, OLGA 프로그램을 이용하여 구축한 플랜트 현장 구조에서는 1개의 수송관이 123개의 구간으로 나누어져 있고, 각 구간에 대해 길이, 하이드레이트 볼륨(%), 하이드레이트 생성 온도, 압력 및 온도 데이터를 포함하며, 해당 데이터는 123구간 x 5 차원 형태 또는 615개 출력결과로 나타낼 수 있다.

이와 같이 획득한 데이터는 기 설정된 시간 간격에 따라 변화하는 수송관 내 정보를 나타내고, 시계열 형태로 표현될 수 있으며, 도 1에 도시된 인공지능 모델(121)의 학습 데이터로 사용될 수 있다.

도 5는 본 발명의 일 실시예에 따른 입력 및 출력 데이터의 일 예를 도시하는 도면으로, 좌측은 입력 데이터를 나타내고, 우측은 출력 데이터를 나타낸다.

도 5를 참조하면, 본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템(100)은 데이터 수집부(110)에 의해 기 설정된 시간 간격으로 수집한 수송관 정보, 즉, 수송관으로 유입되는 유체의 유량(가스량), 수송관으로 유입되는 유체의 압력 및 온도, 그리고 수송관에서 유출되는 유체의 압력 및 온도 데이터를 입력 데이터로 입력 받고, 수송관의 각 구간별 길이, 하이드레이트 볼륨(%), 하이드레이트 생성 온도, 압력 및 온도 데이터를 출력 데이터로 출력할 수 있다.

또한, 도 5에 도시된 바와 같은 출력 데이터는 예를 들어 *.csv 등과 같은 파일 형태로 저장될 수도 있다. 예를 들어, 데이터 수집부(110)에 의한 데이터 수집 일시와 함께 최대 하이트레이트 볼륨(%)에 해당하는 구간에 대한 정보가 저장되거나, 수송관의 각 구간 별 출력 데이터가 저장되는 등 다양한 형태로 저장될 수 있다.

도 7은 본 발명의 일 실시예에 따른 수송관 이상 징후 감지 시스템의 분석결과를 가시화한 일 예를 도시하는 도면으로, x축은 관 구간을 나타내고, y축은 하이드레이트 볼륨(%)을 나타낸다.

도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따르면 수송관의 각 구간별로 예측된 하이드레이트 볼륨(%)을 가시화하여 제공할 수 있다.

상술한 바와 같은 본 발명의 실시예에 따르면, 시간적 흐름에 따라 수집된 데이터를 이용하여 수송관내 전체 구간에 대한 정보를 분석하므로, 시간적 흐름에 따른 수송관내 양상을 파악할 수 있으며, 이를 기초로 이상 징후를 감지할 수 있다.

더 나아가, 시간적 흐름에 따라 분석된 수송관내 정보를 사용하므로 추가적인 계산량을 최소화할 수 있다. 다시 말해, 수송관내 이상 징후 감지를 위한 추가적인 속성 추출이 불필요하며, 서로 상이한 시간에 수집된 데이터를 분석한 결과를 재활용하여 이상 징후를 판단할 수 있다.

뿐만 아니라, 시공간적으로 연속적인 수송관내 정보를 활용하여 보다 신뢰성 있는 이상 징후 감지가 가능해진다.

본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.

100: 수송관 이상 징후 감지 시스템
110: 데이터 수집부
120: 수송관 정보 분석부
121: 인공지능 모델
130: 이상징후 감지부
140: 분석결과 제공부

Claims (8)

1. 기 설정된 시간 간격으로 수송관 정보를 수집하는 데이터 수집부;
   상기 데이터 수집부에 의해 수집한 수송관 정보를 기 학습된 인공지능 모델을 통해 분석하여 수송관 내 모든 구간에 대한 압력, 온도 및 하이드레이트(Hydrate)를 예측하는 수송관 정보 분석부;
   상기 수송관 정보 분석부에 의한 분석 결과를 기초로 수송관내 이상 징후를 감지하는 이상징후 감지부; 및
   상기 수송관 정보 분석부 및 상기 이상징후 감지부에 의한 분석결과를 제공하는 분석결과 제공부를 포함하는 수송관 이상 징후 감지 시스템.
   
2. 제 1 항에 있어서,
   상기 데이터 수집부는 수송관으로 유입되는 유체의 유량, 상기 수송관으로 유입되는 유체의 압력 및 온도, 그리고 상기 수송관에서 유출되는 유체의 압력 및 온도 데이터를 포함하는 수송관 정보를 수집하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.
   
3. 제 1 항에 있어서,
   상기 인공지능 모델은 입력 데이터 및 출력 데이터를 포함하는 학습 데이터를 이용하여 사전에 학습되며,
   상기 입력 데이터는 기 설정된 시간 간격으로 수집된 수송관으로 유입되는 유체의 유량, 상기 수송관으로 유입되는 유체의 압력 및 온도, 그리고 상기 수송관에서 유출되는 유체의 압력 및 온도 데이터를 포함하고,
   상기 출력 데이터는 상기 수송관의 각 구간별 길이, 하이드레이트 볼륨, 하이드레이트 생성 온도, 압력 및 온도 데이터를 포함하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.
   
4. 제 3 항에 있어서,
   상기 출력 데이터는 OLGA 프로그램을 이용하여 구축한 플랜트 현장 구조를 이용하여 획득하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.
   
5. 제 1 항에 있어서,
   상기 이상징후 감지부는 상기 수송관 정보 분석부에 의한 분석 결과를 기초로 시간적 흐름에 따라 생성되는 하이드레이트가 증가하는 구간을 분석하여 이상 징후를 감지하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.
   
6. 제 1 항에 있어서,
   상기 이상징후 감지부는 상기 수송관의 상태를 기 설정된 복수의 단계 중 어느 하나로 결정하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.
   
7. 제 6 항에 있어서,
   상기 분석결과 제공부는 상기 이상징후 감지부에서 결정된 단계에 따라 상이한 알람을 제공하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.
   
8. 제 1 항에 있어서,
   상기 분석결과 제공부는 상기 수송관 정보 분석부에서 예측된 수송관의 각 구간별하이드레이트 볼륨을 디스플레이 장치를 통해 가시화하여 제공하는 것을 특징으로 하는 수송관 이상 징후 감지 시스템.

Images