RU2773626C1

RU2773626C1 - Detection and quantification of accumulated liquid in pipelines for transporting hydrocarbon fluid

Info

Publication number: RU2773626C1
Application number: RU2021110425A
Authority: RU
Inventors: Пранаб Нараян ДЖА; Шринивасан ДЖАГАННАТАН; Ратин ЧАТУРВЕДИ
Original assignee: Халлибертон Энерджи Сервисез, Инк.
Priority date: 2018-12-05
Filing date: 2019-07-18
Publication date: 2022-06-06

Abstract

FIELD: measuring.

SUBSTANCE: pressurising apparatus and pressure sensors can be applied to detect and quantify accumulated liquids in pipelines for the transporting hydrocarbon fluid. Pressure fluctuations can be detected by means of a pressure sensor, wherein pressure fluctuations occur in response to the output of a pressurising apparatus issuing a pressure signal in a pipe for transporting hydrocarbons. A change in the pipe diameter, caused by accumulation or deposition, can be estimated using an inverse model. Accumulations or depositions can be classified by applying a machine learning model to the pressure fluctuations. A change in the pipe diameter can be converted to an equivalent liquid volume for the locations of accumulations. The location and volume of an accumulation or deposition can be calculated and applied to determine the action with respect to the pipe to remove the accumulation or deposition.

EFFECT: possibility of predicting possible locations of liquid accumulation and estimating the amount of liquid condensate in a pipeline.

14 cl, 16 dwg

Description

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННУЮ ЗАЯВКУCROSS-REFERENCE TO RELATED APPLICATION

[0001] Настоящая заявка заявляет приоритет по предварительной заявке на патент США № 62/775,473, озаглавленной «Detecting and Quantifying Liquid Pools in Hydrocarbon Fluid Pipelines» и поданной 5 декабря 2018 г., которая полностью включена в данный документ посредством ссылки.[0001] This application claims priority to U.S. Provisional Application No. 62/775,473 entitled "Detecting and Quantifying Liquid Pools in Hydrocarbon Fluid Pipelines" filed December 5, 2018, which is incorporated herein by reference in its entirety.

ОБЛАСТЬ ТЕХНИКИFIELD OF TECHNOLOGY

[0002] Настоящее изобретение относится в целом к системам и способам применения в среде скважинной системы. В частности, но не в качестве ограничения, данное изобретение относится к обнаружению и количественному определению скоплений жидкости в трубопроводах для транспортировки углеводородного флюида.[0002] The present invention relates generally to systems and methods for use in a well system environment. In particular, and not by way of limitation, this invention relates to the detection and quantification of fluid accumulations in hydrocarbon fluid pipelines.

УРОВЕНЬ ТЕХНИКИBACKGROUND OF THE INVENTION

[0003] По нефте- и газопроводам по суше и под океаном могут транспортировать флюид из областей добычи в области хранения и распределения. Обеспечение целостности трубопровода на протяжении сотен километров может представлять собой сложную задачу. В случае трубопроводов для транспортировки природного газа даже небольшие колебания давления или температуры по длине могут приводить к образованию конденсата и последующему скоплению жидкости в низких областях внутри трубопровода. Конденсат и скопление жидкости могут приводить к образованию многофазной смеси флюидов, которая может снизить уровень добычи или способность транспортировки, а также эффективность трубопроводов. Скопление воды в низких областях трубопроводов также может вызывать коррозию. Возможность контролировать трубопроводы на предмет скопления жидкости может обеспечить бесперебойную подачу газа. Однако, может быть сложно прогнозировать возможные местоположения скопления жидкости. Кроме того, может быть сложно оценить количество конденсата жидкости в трубопроводе.[0003] Oil and gas pipelines over land and under the ocean can transport fluid from production areas to storage and distribution areas. Ensuring the integrity of a pipeline over hundreds of kilometers can be a challenge. In the case of pipelines for transporting natural gas, even small pressure or temperature fluctuations along the length can lead to the formation of condensate and subsequent accumulation of liquid in low areas within the pipeline. Condensation and fluid accumulation can lead to the formation of a multi-phase fluid mixture, which can reduce production or transportation capacity, as well as the efficiency of pipelines. The accumulation of water in low areas of pipelines can also cause corrosion. The ability to monitor pipelines for liquid accumulation can ensure an uninterrupted gas supply. However, it can be difficult to predict the possible locations of fluid accumulation. In addition, it can be difficult to estimate the amount of liquid condensate in the pipeline.

КРАТКОЕ ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВBRIEF DESCRIPTION OF GRAPHICS

[0004] На фиг. 1 представлен вид в поперечном разрезе примера нефте- и газопровода, содержащего скопления жидкости, в соответствии с некоторыми аспектами настоящего изобретения.[0004] In FIG. 1 is a cross-sectional view of an example oil and gas pipeline containing fluid accumulations, in accordance with some aspects of the present invention.

[0005] На фиг. 2 представлена функциональная схема вычислительного устройства, используемого для анализа данных о давлении для определения местоположения скопившейся жидкости в трубопроводе, в соответствии с некоторыми аспектами настоящего изобретения.[0005] FIG. 2 is a block diagram of a computing device used to analyze pressure data to locate accumulated fluid in a pipeline, in accordance with some aspects of the present invention.

[0006] На фиг. 3 представлена блок-схема процесса обнаружения скопления жидкости в трубопроводе в соответствии с некоторыми аспектами настоящего изобретения.[0006] FIG. 3 is a flow diagram of a process for detecting accumulation of fluid in a pipeline, in accordance with some aspects of the present invention.

[0007] На фиг. 4 представлено схематическое изображение части трубопровода с устройством создания давления и датчиком давления в соответствии с некоторыми аспектами настоящего изобретения.[0007] FIG. 4 is a schematic representation of a portion of a pipeline with a pressurization device and a pressure transducer in accordance with some aspects of the present invention.

[0008] На фиг. 5 представлен график, показывающий зависимость давления от времени, связанную с работой устройства создания давления, изображенного на фиг. 4, в соответствии с некоторыми аспектами настоящего изобретения.[0008] FIG. 5 is a graph showing pressure versus time associated with the operation of the pressurization device shown in FIG. 4 in accordance with some aspects of the present invention.

[0009] На фиг. 6 представлено схематическое изображение части трубопровода, в которой есть местоположение скопления жидкости, в соответствии с некоторыми аспектами настоящего изобретения.[0009] FIG. 6 is a schematic representation of a portion of a pipeline that has a fluid accumulation location, in accordance with some aspects of the present invention.

[0010] На фиг. 7 представлен график, показывающий зависимость давления от времени, связанную с работой устройства создания давления, изображенного на фиг. 6, в соответствии с некоторыми аспектами настоящего изобретения.[0010] FIG. 7 is a graph showing pressure versus time associated with the operation of the pressurization device shown in FIG. 6 in accordance with some aspects of the present invention.

[0011] На фиг. 8 представлена блок-схема процесса инверсии скопления в соответствии с некоторыми аспектами настоящего изобретения.[0011] FIG. 8 is a flow diagram of a cluster inversion process in accordance with some aspects of the present invention.

[0012] На фиг. 9 представлен график зависимости отношения площади скопления жидкости от отношения диаметра трубопровода в соответствии с некоторыми аспектами настоящего изобретения.[0012] FIG. 9 is a plot of liquid accumulation area ratio versus pipeline diameter ratio in accordance with some aspects of the present invention.

[0013] На фиг. 10 представлен график, изображающий выходные данные процесса, указывающие на объем и местоположение скопления, в соответствии с некоторыми аспектами настоящего изобретения. [0013] FIG. 10 is a graph depicting the output of a process indicative of the volume and location of an accumulation, in accordance with some aspects of the present invention.

[0014] На фиг. 11 представлено схематическое изображение области вычислительной гидрогазодинамики (CFD; computational fluid dynamics), которую могут использовать для создания имитационных моделей переходных состояний скопления газа и жидкости, в соответствии с некоторыми аспектами настоящего изобретения.[0014] FIG. 11 is a schematic representation of the field of computational fluid dynamics (CFD) that can be used to create simulation models of the transition states of gas and liquid accumulations, in accordance with some aspects of the present invention.

[0015] На фиг. 12 представлено моделирование CFD колебания воды в арматуре, показанной на фиг. 11, и известный профиль входного давления в соответствии с некоторыми аспектами настоящего изобретения.[0015] FIG. 12 is a CFD simulation of water vibration in the fitting shown in FIG. 11 and a known inlet pressure profile in accordance with some aspects of the present invention.

[0016] На фиг. 13 представлены два разных входных сигнала устройства создания давления и полученные в результате сигналы отражения, генерируемые CFD, в соответствии с некоторыми аспектами настоящего изобретения.[0016] FIG. 13 shows two different pressure device inputs and the resulting reflection signals generated by the CFD, in accordance with some aspects of the present invention.

[0017] На фиг. 14 представлен пример графического вывода данных модели машинного обучения для классификации препятствий в трубопроводе для транспортировки углеводородов в соответствии с некоторыми аспектами настоящего изобретения.[0017] FIG. 14 is an example of plotting a machine learning model for classifying obstacles in a hydrocarbon pipeline, in accordance with some aspects of the present invention.

[0018] На фиг. 15 представлено изображение нейронной сети, которую могут использовать для классификации скоплений и отложений, в соответствии с некоторыми аспектами настоящего изобретения.[0018] FIG. 15 is a depiction of a neural network that can be used to classify accumulations and deposits, in accordance with some aspects of the present invention.

[0019] На фиг. 16 представлена блок-схема реализуемого на компьютере процесса обнаружения и количественного определения скоплений жидкости в трубопроводах для транспортировки углеводородного флюида в соответствии с некоторыми аспектами настоящего изобретения.[0019] FIG. 16 is a flow diagram of a computer-based process for detecting and quantifying fluid accumulations in hydrocarbon fluid pipelines, in accordance with some aspects of the present invention.

ПОДРОБНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯDETAILED DESCRIPTION OF THE INVENTION

[0020] Некоторые аспекты и признаки относятся к обнаружению и количественному определению скоплений жидкости в трубопроводах для транспортировки углеводородного флюида. В трубопроводах для транспортировки углеводородного флюида могут образовываться скопления жидкости, что снижает общую скорость потока углеводородов. Местоположение скопления жидкости в газопроводе можно прогнозировать, а количество скопившейся жидкости можно оценить путем генерирования волны давления. Волну давления может генерировать устройство создания давления, установленное в трубопроводе для транспортировки углеводорода, такое как клапан, инжектор флюида или насос. Устройство создания давления может иметь заданный рабочий профиль, который можно сравнивать с зарегистрированным давлением, представляющим собой отражение волны давления от скопления жидкости в фиксированных местоположениях. Зарегистрированное давление может быть проанализировано, чтобы сделать выводы и оценить местоположение и количество скопившейся жидкости.[0020] Some aspects and features relate to the detection and quantification of fluid accumulations in hydrocarbon fluid pipelines. Liquid accumulations can form in pipelines for transporting hydrocarbon fluid, which reduces the overall flow rate of hydrocarbons. The location of the accumulation of liquid in the gas pipeline can be predicted, and the amount of accumulated liquid can be estimated by generating a pressure wave. The pressure wave may be generated by a pressure generating device installed in the hydrocarbon pipeline, such as a valve, fluid injector, or pump. The pressurization device may have a predetermined operating profile that can be compared to a recorded pressure, which is the reflection of a pressure wave from fluid accumulation at fixed locations. The recorded pressure can be analyzed to draw conclusions and estimate the location and amount of accumulated fluid.

[0021] Другие способы обнаружения жидкости в трубопроводах могут включать в себя интрузивные методы, такие как оптические измерения с использованием специальных устройств, которые могут обнаруживать жидкость только в проточных линиях трубопровода. В некоторых примерах настоящего изобретения не требуется установка или использование специальных интрузивных устройств. Вместо этого можно использовать существующие устройства создания давления и датчики давления, установленные в трубопроводах. Сигнал давления можно генерировать с помощью клапана, и этот сигнал давления можно регистрировать с помощью датчиков давления. Зарегистрированный сигнал может быть проанализирован для получения информации о скоплении жидкости. Например, местоположения и объемы скопившейся жидкости можно обнаружить с помощью сигнала давления и анализа отражений этого сигнала из-за скопления в трубопроводе. Отражения давления можно вычислить по возможному местоположению скопления жидкости в трубопроводе с помощью средства моделирования.[0021] Other methods for detecting liquid in pipelines may include intrusive methods, such as optical measurements using special devices that can only detect liquid in pipeline flow lines. In some examples of the present invention, the installation or use of special intrusive devices is not required. Instead, existing pressure generating devices and pressure sensors installed in pipelines can be used. A pressure signal can be generated by a valve and this pressure signal can be recorded by pressure sensors. The registered signal can be analyzed to obtain information about the accumulation of fluid. For example, the locations and volumes of accumulated liquid can be detected using a pressure signal and analysis of this signal's reflections due to accumulation in a pipeline. Pressure reflections can be computed from the possible location of fluid accumulation in a pipeline using a simulator.

[0022] В некоторых примерах существующие устройства создания давления можно использовать для определения местоположения и оценочного объема скопления жидкости в трубопроводе для транспортировки углеводорода. Устройства создания давления, работающие вдоль трубопровода для транспортировки углеводорода, могут создавать волну давления, которая распространяется через текучую среду по длине трубы. Датчики давления, расположенные в непосредственной близости от устройств создания давления, могут измерять и регистрировать отражения волны давления, или колебания давления, от объемов скопления жидкости. Сгенерированная волна давления может взаимодействовать с объемами скопления жидкости или другими выступающими материалами, накопленными вдоль трубопровода таким образом, что жидкостные карманы могут изменять падающую волну. Благодаря такому взаимодействию измененный сигнал может быть отражен и зарегистрирован датчиком давления. В некоторых примерах для анализа зарегистрированных колебаний давления для определения местоположения и объема скопления жидкости можно использовать алгоритмы машинного обучения, прямое моделирование и имитационные модели.[0022] In some examples, existing pressurization devices can be used to determine the location and estimated volume of fluid accumulation in a hydrocarbon pipeline. Pressurization devices operating along a hydrocarbon transport pipeline may generate a pressure wave that propagates through the fluid along the length of the pipeline. Pressure sensors located in close proximity to pressure generating devices can measure and record pressure wave reflections, or pressure fluctuations, from fluid accumulation volumes. The generated pressure wave may interact with fluid buildup volumes or other protruding materials accumulated along the pipeline such that the fluid pockets may modify the incident wave. Due to this interaction, the changed signal can be reflected and registered by the pressure sensor. In some examples, machine learning algorithms, direct modeling, and simulation models can be used to analyze recorded pressure fluctuations to determine the location and volume of fluid accumulation.

[0023] Иллюстративные примеры приведены для ознакомления читателя с обсуждаемым в данном документе общим объектом и не предназначены для ограничения объема раскрытых концепций. В нижеследующем описании представлены различные дополнительные признаки и примеры, но его не следует использовать для ограничения настоящего изобретения.[0023] Illustrative examples are provided to familiarize the reader with the general subject matter discussed herein and are not intended to limit the scope of the concepts disclosed. The following description presents various additional features and examples, but should not be used to limit the present invention.

[0024] На фиг. 1 представлен вид в поперечном разрезе нефте- и газопровода, содержащего скопления жидкости, в соответствии с одним примером. Конденсат или скопление жидкости может образовываться в трубопроводе для транспортировки углеводорода из-за геометрической конфигурации трубопровода. В частях трубопровода, имеющих более низкую отметку уровня по сравнению с частями трубопровода, имеющими более высокую отметку уровня, может возникать скопление жидкости под воздействием силы тяжести. Отводы или изгибы вдоль трубопровода также могут приводить к скоплению жидкости из-за характера потока жидкости внутри нелинейной трубы таким образом, что жидкость может скапливаться в месте изменения геометрической конфигурации или рядом с ним.[0024] FIG. 1 is a cross-sectional view of an oil and gas pipeline containing fluid accumulations, in accordance with one example. Condensation or accumulation of liquid may form in a hydrocarbon transport pipeline due to the geometry of the pipeline. Parts of the piping that have a lower elevation compared to parts of the piping that have a higher elevation may experience fluid accumulation due to gravity. Elbows or bends along the pipeline can also result in fluid accumulation due to the nature of the fluid flow within the non-linear pipe such that fluid can accumulate at or near the geometric change.

[0025] Скопления жидкости различных объемов могут образовываться во многих местоположениях вдоль одного трубопровода. Например, насосная среда 100 трубопровода может содержать насосную станцию 102 и приемную станцию 104. Насосная станция 102 может перекачивать углеводородные флюиды по трубопроводу 106 к приемной станции 104. Из-за геометрической конфигурации трубопровода первая промежуточная секция 108 трубы может содержать первое скопление 110 жидкости, а вторая промежуточная секция 112 трубы может содержать второе скопление 114 жидкости. В зависимости от геометрической конфигурации трубопровода и других факторов, таких как скорость потока в трубопроводе, с течением времени могут образовываться первое скопление 110 жидкости и второе скопление 114 жидкости, вызывая уменьшение общей скорости потока углеводорода. Первое скопление 110 жидкости и второе скопление 114 жидкости или любое дополнительное скопление жидкости или отложившийся материал могут находиться в любом местоположении вдоль трубопровода и могут иметь любой объем.[0025] Fluid pools of varying volumes may form at many locations along a single pipeline. For example, pipeline pumping fluid 100 may include a pumping station 102 and a receiving station 104. Pumping station 102 may pump hydrocarbon fluids through a pipeline 106 to a receiving station 104. Due to the geometry of the pipeline, the first intermediate pipe section 108 may contain a first fluid pool 110 and the second intermediate section 112 of the pipe may contain the second accumulation 114 of the liquid. Depending on the geometrical configuration of the pipeline and other factors such as flow velocity in the pipeline, a first fluid pool 110 and a second fluid pool 114 may form over time, causing a decrease in the overall hydrocarbon flow rate. The first fluid pool 110 and the second fluid pool 114 or any additional fluid pool or deposited material may be at any location along the pipeline and may be of any volume.

[0026] Трубопровод 106 может содержать множество устройств создания давления и датчиков давления, выходящих вдоль трубопровода 106, для обнаружения потенциального скопления жидкости вдоль различных частей трубопровода 106. Определение местоположения и объема скопления жидкости может обеспечить выполнение соответствующего корректирующего действия, которое может уменьшить или устранить скопление жидкости и, следовательно, увеличить скорость потока углеводорода до значения, близкого или равного идеальной скорости потока углеводорода.[0026] Conduit 106 may include a plurality of pressure generating devices and pressure sensors extending along conduit 106 to detect potential fluid accumulation along various portions of conduit 106. Determining the location and volume of fluid accumulation may allow appropriate corrective action to be taken that may reduce or eliminate accumulation. liquid and, therefore, increase the hydrocarbon flow rate to a value close to or equal to the ideal hydrocarbon flow rate.

[0027] На фиг. 2 представлена функциональная схема вычислительного устройства 200, используемого для анализа данных о давлении для определения местоположения скопившейся жидкости в трубопроводе в соответствии с одним примером.[0027] FIG. 2 is a block diagram of a computer 200 used to analyze pressure data to locate accumulated fluid in a pipeline, in accordance with one example.

[0028] Вычислительное устройство 200 может содержать процессор 202, шину 204, интерфейс 206 связи и запоминающее устройство 208. В некоторых примерах компоненты, показанные на фиг. 2 (например, процессор 202, шина 204, интерфейс 206 связи и запоминающее устройство 208), могут быть интегрированы в одну структуру. Например, компоненты могут находиться в одном корпусе. В других примерах компоненты, показанные на фиг. 2, могут быть распределены (например, в отдельных корпусах) и электрически связаны друг с другом.[0028] Computing device 200 may include a processor 202, a bus 204, a communications interface 206, and a storage device 208. In some examples, the components shown in FIG. 2 (eg, processor 202, bus 204, communications interface 206, and storage device 208) may be integrated into one structure. For example, the components may be in the same package. In other examples, the components shown in FIG. 2 may be distributed (eg in separate housings) and electrically connected to each other.

[0029] Процессор 202 может выполнять одну или более операций для реализации некоторых примеров настоящего изобретения для обнаружения скоплений жидкости в трубопроводе. Процессор 202 может выполнять команды, хранящиеся в запоминающем устройстве 208, для осуществления операций. Процессор 202 может содержать одно устройство обработки или множество устройств обработки. Неограничивающие примеры процессора 202 включают в себя программируемую пользователем вентильную матрицу (FPGA; Field-Programmable Gate Array), специализированную интегральную схему (ASIC; application-specific integrated circuit), микропроцессор и т.д.[0029] The processor 202 may perform one or more operations to implement some examples of the present invention to detect accumulations of liquid in a pipeline. The processor 202 may execute instructions stored in the memory 208 to perform operations. The processor 202 may include a single processor or multiple processors. Non-limiting examples of processor 202 include a Field-Programmable Gate Array (FPGA), an application-specific integrated circuit (ASIC), a microprocessor, and so on.

[0030] Процессор 202 может быть соединен с возможностью связи с запоминающим устройством 208 через шину 204. Энергонезависимое запоминающее устройство 208 может включать в себя любой тип запоминающего устройства, которое содержит сохраненную информацию при выключении питания. Неограничивающие примеры запоминающего устройства 208 включают в себя электрически стираемое и программируемое постоянное запоминающее устройство (EEPROM; electrically erasable and programmable read-only memory), флэш-память или любой другой тип энергонезависимого запоминающего устройства. В некоторых примерах по меньшей мере часть запоминающего устройства 208 может содержать носитель, с которого процессор 202 может считывать команды. Машиночитаемый носитель может включать в себя электронные, оптические, магнитные или другие запоминающие устройства, выполненные с возможностью предоставления процессору 202 машиночитаемых команд или другого программного кода. Неограничивающие примеры машиночитаемого носителя включают в себя (без ограничений) магнитный(е) диск(и), микросхему(ы) памяти, постоянное запоминающее устройство (ПЗУ), оперативное запоминающее устройство (ОЗУ), ASIC, сконфигурированный процессор, оптическое запоминающее устройство или любой другой носитель, с которого процессор компьютера может считывать команды. Команды могут включать в себя специфические для процессора команды, генерируемые компилятором или интерпретатором на основании кода, написанного на любом подходящем языке программирования, включая, например, C, C++, C# и т.д.[0030] Processor 202 may be communicatively coupled to memory 208 via bus 204. Non-volatile memory 208 may include any type of memory that contains stored information when the power is turned off. Non-limiting examples of memory 208 include electrically erasable and programmable read-only memory (EEPROM; electrically erasable and programmable read-only memory), flash memory, or any other type of non-volatile storage device. In some examples, at least a portion of memory 208 may include a medium from which processor 202 can read instructions. The computer-readable medium may include electronic, optical, magnetic, or other storage devices configured to provide processor 202 with computer-readable instructions or other program code. Non-limiting examples of computer-readable media include (without limitation) magnetic disk(s), memory chip(s), read-only memory (ROM), random access memory (RAM), ASIC, configured processor, optical storage, or any another medium from which the computer's processor can read instructions. The instructions may include processor-specific instructions generated by a compiler or interpreter based on code written in any suitable programming language, including, for example, C, C++, C#, and so on.

[0031] Интерфейс 206 связи можно использовать для связи с внешними системами или устройствами, такими как датчики, которые могут обнаруживать колебания давления в известных местоположениях. Данные о колебаниях давления, полученные посредством интерфейса 206 связи, могут быть переданы в запоминающее устройство 208 через шину 204. Запоминающее устройство 208 может хранить любые принятые данные о колебаниях давления для реализации некоторых примеров. Запоминающее устройство 208 может хранить характеристики данных о колебаниях давления и любые манипуляции с данными о колебаниях давления как сохраненные данные 214. Запоминающее устройство 208 может хранить данные о профиле давления, такие как профиль, представляющий волну давления, генерируемую устройством создания давления, как сохраненные данные 214.[0031] The communication interface 206 can be used to communicate with external systems or devices such as sensors that can detect pressure fluctuations at known locations. Pressure fluctuation data received via communication interface 206 may be transferred to memory 208 via bus 204. Memory 208 may store any received pressure fluctuation data to implement some examples. Memory 208 may store the characteristics of the pressure fluctuation data and any manipulation of the pressure fluctuation data as stored data 214. Memory 208 may store pressure profile data, such as a profile representing a pressure wave generated by the pressure generating device, as stored data 214 .

[0032] Запоминающее устройство 208 может содержать программный код для модуля 210 обработки машинного обучения и модуля 212 обработки инверсной модели. Модуль 210 обработки машинного обучения можно использовать для идентификации и классификации скоплений или отложений на основании данных о колебаниях давления. Модуль 212 обработки инверсной модели можно использовать для оценки локализованного изменения диаметра трубы из-за скопления или отложения. Модуль 212 обработки инверсной модели также можно использовать для преобразования изменения диаметра в эквивалентные объемы жидкости для местоположений скопления для определения диапазона местоположений и объемов скопления. В других примерах отдельный модуль обработки (не показан) в запоминающем устройстве 208 может определять диапазон местоположений и объемов скопления. Диапазон местоположений и объемов скопления может храниться в сохраненных данных 214.[0032] The memory 208 may contain program code for the machine learning processing module 210 and the inverse model processing module 212 . Machine learning processing module 210 can be used to identify and classify accumulations or deposits based on pressure fluctuation data. The inverse model processing module 212 can be used to estimate a localized change in pipe diameter due to accumulation or deposition. The inverse model processing module 212 can also be used to convert diameter change to equivalent fluid volumes for pool locations to determine a range of pool locations and volumes. In other examples, a separate processing module (not shown) in memory 208 may determine a range of locations and volumes of an accumulation. A range of aggregation locations and volumes may be stored in stored data 214.

[0033] На фиг. 3 представлена блок-схема процесса обнаружения скопления жидкости в трубопроводе в соответствии с одним примером настоящего изобретения. Существующие устройства создания давления и датчики давления можно использовать для определения местоположения и объема любого скопления жидкости, влияющего на скорость потока углеводорода вдоль трубопровода.[0033] FIG. 3 is a flowchart of a process for detecting accumulation of fluid in a pipeline, in accordance with one example of the present invention. Existing pressure generating devices and pressure transducers can be used to determine the location and volume of any accumulation of fluid that affects the flow rate of hydrocarbon along the pipeline.

[0034] В блоке 302 волна давления генерируется с помощью устройства создания давления. Существующее устройство, такое как клапан, инжектор флюида или насос, установленное в трубопроводе, может создавать волну давления, которая распространяется через текучую среду по длине трубы.[0034] At block 302, a pressure wave is generated by the pressure generation device. An existing device such as a valve, fluid injector, or pump installed in a pipeline may generate a pressure wave that propagates through the fluid along the length of the pipe.

[0035] В некоторых примерах может быть рассмотрена одна секция трубопровода. Можно использовать существующее устройство создания давления в трубопроводе и датчик давления, находящийся на известном расстоянии от клапана. Импульс давления может быть инициирован устройством создания давления, например быстрым срабатыванием клапана. Эта операция может представлять собой полное частичное или полное закрытие проточной линии трубопровода или открытие и закрытие статической линии трубопровода. Получаемые изменения давления могут распространяться по флюиду в трубе. Эта волна может взаимодействовать с жидкостью, скопившейся по длине трубы, что может изменять входной сигнал, генерируемый устройством создания давления. Измененный сигнал может быть отражен обратно и зарегистрирован датчиком как функция времени, что может быть использовано для построения профиля измеренного давления.[0035] In some examples, one section of pipeline may be considered. An existing line pressurization device and a pressure transducer at a known distance from the valve can be used. The pressure pulse may be initiated by a pressure generating device, such as a quick actuation of a valve. This operation may be a complete partial or complete closing of a pipeline flow line, or the opening and closing of a static pipeline line. The resulting pressure changes can propagate through the fluid in the pipe. This wave can interact with fluid accumulated along the length of the pipe, which can change the input signal generated by the pressure generating device. The modified signal can be reflected back and recorded by the sensor as a function of time, which can be used to build a profile of the measured pressure.

[0036] Например, на фиг. 4 представлено схематическое изображение части трубопровода 406 с устройством 402 создания давления и датчиком 404 давления в соответствии с одним примером настоящего изобретения. Как изображено на фиг. 4, устройство 402 создания давления представлено в виде клапана. В других примерах устройство создания давления может представлять собой инжектор флюида, насос или другое устройство, которое может управлять пропускной способностью углеводородов в трубопроводе. На фиг. 4 изображен узел, который может реализовывать примеры, описанные в данном документе. Узел может содержать часть трубы для транспортировки углеводородного флюида и устройство создания давления, расположенное в данной части трубы, для вывода волны давления во внутренней области части трубы. Узел может дополнительно содержать датчик давления, расположенный внутри или иным образом соединенный по текучей среде с частью трубы, для обнаружения колебаний давления волны давления и выходных сигналов, указывающих на колебания давления, для вычислительного устройства, чтобы определить местоположение и объем скопления или отложения в части трубы.[0036] For example, in FIG. 4 is a schematic representation of a portion of a conduit 406 with a pressurization device 402 and a pressure sensor 404 in accordance with one example of the present invention. As shown in FIG. 4, the pressure generating device 402 is in the form of a valve. In other examples, the pressurization device may be a fluid injector, pump, or other device that can control the flow of hydrocarbons in a pipeline. In FIG. 4 depicts a node that may implement the examples described in this document. The assembly may include a pipe portion for conveying hydrocarbon fluid and a pressure generating device located in the pipe portion for outputting a pressure wave in the interior of the pipe portion. The assembly may further comprise a pressure sensor located within or otherwise fluidly coupled to the pipe portion for detecting pressure fluctuations in the pressure wave and outputs indicative of pressure fluctuations for a computing device to determine the location and amount of accumulation or deposit in the pipe portion. .

[0037] На фиг. 5 представлен график, показывающий зависимость 502 давления от времени, связанную с работой устройства создания давления, изображенной на фиг. 4, в соответствии с одним примером настоящего изобретения. [0037] FIG. 5 is a graph showing pressure versus time 502 associated with the operation of the pressurizer shown in FIG. 4 in accordance with one example of the present invention.

[0038] На фиг. 4 устройство 402 создания давления может быть расположено на трубопроводе 406 без образования скоплений, а датчик 404 давления может быть расположен рядом с устройством 402 создания давления или в непосредственной близости от него. В примере термин «рядом» или «в непосредственной близости от» может указывать на то, что датчик 404 давления находится в пределах 5 метров от устройства 402 создания давления. Первоначально устройство создания давления может находиться в нерабочем состоянии или состоянии простоя. Например, в том случае, когда устройство 402 создания давления представляет собой клапан, клапан может находиться в закрытом состоянии. Датчик 404 давления может регистрировать импульсы отрицательного давления, создаваемые устройством 402 создания давления. При работе устройства 402 создания давления (например, клапан быстро открывается и закрывается в течение короткого периода времени, например менее 500 миллисекунд) устройство 402 создания давления может создавать волну давления, аналогичную показанной на фиг. 5. На фиг. 5 проиллюстрировано, что может происходить снижение давления вдоль трубопровода 406 в результате работы устройства 402 создания давления. Например, когда устройство 402 создания давления представляет собой клапан, открытие и последующее закрытие клапана, как показано на профиле 504 устройства создания давления на графике, могут создавать колебание давления, которое можно использовать в качестве базовой линии для сравнения с применениями, в которых предполагается скопление жидкости.[0038] FIG. 4, the pressure generating device 402 may be located on the conduit 406 without formation of accumulations, and the pressure sensor 404 may be located adjacent to the pressure generating device 402 or in close proximity to it. In an example, the term "near" or "in close proximity to" may indicate that the pressure sensor 404 is within 5 meters of the pressure generating device 402. Initially, the pressure generating device may be in an inoperative or idle state. For example, when the pressure generating device 402 is a valve, the valve may be in a closed state. The pressure sensor 404 can detect negative pressure pulses generated by the pressure generating device 402 . When the pressure generating device 402 is operated (eg, a valve opens and closes rapidly within a short period of time, such as less than 500 milliseconds), the pressure generating device 402 may generate a pressure wave similar to that shown in FIG. 5. In FIG. 5 illustrates that pressure reduction can occur along conduit 406 as a result of operation of pressurization device 402. For example, when the pressure generating device 402 is a valve, opening and then closing the valve, as shown in the pressure generating device profile 504 in the graph, can create a pressure swing that can be used as a baseline for comparison with applications where liquid accumulation is expected. .

[0039] В блоке 304 с помощью датчиков давления регистрируются колебания давления в известных местоположениях. Датчик давления может быть расположен в непосредственной близости от соответствующего устройства создания давления. Волна давления, генерируемая в блоке 302, может взаимодействовать с жидкостными карманами, накопленными вдоль трубопровода, причем жидкостные карманы изменяют падающую волну. Благодаря этому взаимодействию измененный сигнал отражается обратно и регистрируется датчиком давления.[0039] In block 304, pressure fluctuations at known locations are recorded using pressure sensors. The pressure sensor may be located in close proximity to the respective pressure generating device. The pressure wave generated at block 302 may interact with fluid pockets accumulated along the conduit, the fluid pockets modifying the incident wave. Due to this interaction, the changed signal is reflected back and registered by the pressure sensor.

[0040] На фиг. 6 представлено схематическое изображение части трубопровода с местоположением скопления жидкости в трубопроводе в соответствии с одним примером настоящего изобретения. На фиг. 7 представлен график, показывающий зависимость 702 давления от времени, связанную с работой устройства создания давления, изображенной на фиг. 6, в соответствии с одним примером настоящего изобретения. [0040] FIG. 6 is a schematic representation of a portion of a pipeline with the location of fluid accumulation in the pipeline, in accordance with one example of the present invention. In FIG. 7 is a graph showing pressure versus time 702 associated with the operation of the pressurizer shown in FIG. 6 in accordance with one example of the present invention.

[0041] Материал трубы, флюид и скорость звука могут быть известны при подготовке к определению местоположения и объема скопления жидкости на основании зарегистрированных колебаний давления. Волна давления, генерируемая устройством 402 создания давления, может перемещаться по трубопроводу 406 со скоростью звука и может взаимодействовать со скоплением 602 жидкости. Это возмущение сигнала может распространяться обратно к датчику 404 давления и впоследствии может быть зарегистрировано после задержки, соответствующей расстоянию между датчиком 404 давления и местоположением скопления 602 жидкости, как показано на фиг. 7.[0041] The pipe material, fluid, and sound velocity may be known in preparation for determining the location and volume of fluid accumulation based on recorded pressure fluctuations. The pressure wave generated by pressure generating device 402 may travel through conduit 406 at the speed of sound and may interact with fluid accumulation 602. This signal perturbation may propagate back to the pressure sensor 404 and subsequently be detected after a delay corresponding to the distance between the pressure sensor 404 and the location of the fluid accumulation 602, as shown in FIG. 7.

[0042] Например, когда устройство 402 создания давления представляет собой клапан, открытие и последующее закрытие клапана, как показано на профиле 504 устройства создания давления на графике, может создавать колебание давления. Колебание давления может создавать взаимодействие со скоплением 602 жидкости для создания профиля 704 отраженного сигнала. Профиль 704 отраженного сигнала может быть пропорционален профилю 504 устройства создания давления в зависимости от различных факторов, включая расстояние от устройства 402 создания давления и датчика 404 давления, объем скопления 602 жидкости, скорость волны давления, тип среды, в которой распространяется волна давления, и любого другого фактора, который может повлиять на скорость регистрации сигнала от момента его генерирования до момента его регистрации.[0042] For example, when the pressure generating device 402 is a valve, opening and then closing the valve, as shown in the pressure generating device profile 504 in the graph, can create a pressure fluctuation. The pressure fluctuation may interact with fluid accumulation 602 to create an echo profile 704 . The reflected signal profile 704 may be proportional to the pressure generating device profile 504 depending on various factors, including the distance from the pressure generating device 402 and the pressure sensor 404, the volume of fluid accumulation 602, the velocity of the pressure wave, the type of medium in which the pressure wave propagates, and any another factor that can affect the speed of signal registration from the moment of its generation to the moment of its registration.

[0043] Сигнал волны давления, представленный профилем 504 устройства создания давления, может быть отделен от профиля 704 отраженного сигнала путем вычитания сигнала, изображенного в зависимости 502 давления от времени, из сигнала, изображенного в зависимости 702 давления от времени. Это может выделить отраженный сигнал, вызванный скоплением 602 жидкости. Выделенный сигнал, полученный в результате сравнения зарегистрированных сигналов, изображенных на фиг. 5 и 7, можно использовать в качестве входных данных для инверсной модели.[0043] The pressure wave signal represented by the pressure generating device profile 504 can be separated from the reflected signal profile 704 by subtracting the signal plotted against 502 pressure versus time from the signal plotted against 702 pressure versus time. This can isolate the reflected signal caused by fluid accumulation 602. The extracted signal obtained by comparing the registered signals shown in FIG. 5 and 7 can be used as input to the inverse model.

[0044] Снова со ссылкой на фиг. 3, в блоке 306 используют инверсную модель для оценки локализованного изменения диаметра трубы из-за скопления и отложения. На основании профиля отраженного сигнала, определенного в блоке 304, инверсная модель может вычислить новое значение отложения для каждого местоположения, в котором было зарегистрировано скопление. Процесс инверсного моделирования может быть описан со ссылкой на фиг. 8. На фиг. 8 представлена блок-схема процесса инверсии скопления в соответствии с одним примером настоящего изобретения.[0044] Referring again to FIG. 3, at block 306, an inverse model is used to estimate a localized change in pipe diameter due to accumulation and deposition. Based on the echo profile determined in block 304, the inverse model may calculate a new deposition value for each location where an accumulation has been recorded. The inverse modeling process may be described with reference to FIG. 8. In FIG. 8 is a flow diagram of a cluster inversion process in accordance with one example of the present invention.

[0045] В блоке 802 первоначальную приближенную оценку отложения в каждой узловой точке сетки вводят в прямую модель. Приближенная оценка может быть основана на известных значениях местоположения и диаметра трубопровода для любого местоположения скопления жидкости. Например, рабочие чертежи трубопровода могут включать физические характеристики трубопровода в любом заданном местоположении. Диаметр трубы может быть использован для определения того, какой процент заданного диаметра может включать скопление или иным образом может быть заблокирован отложенным материалом.[0045] In block 802, an initial estimate of the deposition at each grid point is entered into the forward model. A rough estimate can be based on known values for the location and diameter of the pipeline for any location of fluid accumulation. For example, pipeline shop drawings may include the physical characteristics of the pipeline at any given location. The diameter of the pipe can be used to determine what percentage of a given diameter may contain accumulation or otherwise be blocked by deposited material.

[0046] В блоке 804 приближенную оценку местонахождения и объема отложения жидкости вводят в прямую модель. Профиль 504 устройства создания давления в блоке 806 также используют в качестве входных данных для прямой модели. Прямая модель может выдавать сигнал давления для известного изменения характеристик трубы (например, диаметра, скорости звука, плотности флюида и т.д.). В некоторых примерах прямая модель может быть реализована с помощью метода характеристик (MOC; Method of Characteristics), который можно использовать для решения системы дифференциальных уравнений в частных производных, описывающих распространение волн давления в трубе.[0046] In block 804, an approximate estimate of the location and volume of fluid deposition is entered into the forward model. The pressure device profile 504 at block 806 is also used as input to the forward model. The direct model can provide a pressure signal for a known change in pipe characteristics (eg, diameter, sound velocity, fluid density, etc.). In some examples, the direct model can be implemented using the method of characteristics (MOC; Method of Characteristics), which can be used to solve a system of partial differential equations describing the propagation of pressure waves in a pipe.

[0047] Прямую модель могут использовать в процессе обнаружения и оценки скопления. Прямая модель может описывать распространение импульса давления по трубе выше или ниже по потоку от клапана, включая отражения от поверхностей раздела и скоплений жидкости. Прямая модель может быть основана на решениях МОС системы дифференциальных уравнений в частных производных, описывающих распространение переходных процессов в потоке жидкости в трубопроводе. Трубопровод можно разделить на фиксированное количество (n) секций длиной Δx. Точка, соединяющая каждую из этих точек сетки, может называться узловой точкой сетки. Время, в течение которого должно быть вычислено давление, также подразделяется на небольшие шаги (Δt). Давление и скорость могут быть вычислены в каждой из этих узловых точек сетки, поскольку волна давления распространяется по трубе, пока не истечет общее время.[0047] A forward model may be used in the process of detecting and estimating a cluster. A direct model can describe the propagation of a pressure pulse through a pipe upstream or downstream of a valve, including reflections from interfaces and liquid accumulations. The direct model can be based on the MOS solutions of a system of partial differential equations describing the propagation of transients in a fluid flow in a pipeline. The pipeline can be divided into a fixed number (n) of sections of length Δx. The point connecting each of these grid points may be referred to as a grid point. The time over which the pressure must be calculated is also subdivided into small steps (Δt). The pressure and velocity can be computed at each of these grid nodes as the pressure wave propagates through the pipe until the total time has elapsed.

[0048] Прямая модель может содержать профиль устройства создания давления из блока 806, а диаметр и площадь в каждой узловой точке сетки известны заранее. Волна давления может взаимодействовать с переменным диаметром, когда она распространяется по трубе от устройства создания давления к другому концу трубы. В секциях, площадь которых изменена и отличается от средней площади трубы, давление может изменяться в соответствии с уравнениями сохранения массы и импульса, описанными в примерах ниже. Это отраженное давление в фиксированном местоположении датчика может быть получено в качестве выходных данных.[0048] The direct model may contain the profile of the pressurizer from block 806, and the diameter and area at each grid point are known in advance. The pressure wave can interact with a variable diameter as it propagates through the pipe from the pressurizer to the other end of the pipe. In sections whose area is changed and differs from the average area of the pipe, the pressure can be changed in accordance with the mass and momentum conservation equations described in the examples below. This reflected pressure at a fixed sensor location can be obtained as an output.

[0049] В блоке 808 определяют профиль смоделированного давления. Профиль смоделированного давления может быть определен на основании прямой модели, как описано в блоке 804, в котором используют начальные приближенные оценки диаметра трубы и профиля устройства создания давления, как описано соответственно в блоках 802 и 806.[0049] In block 808, the simulated pressure profile is determined. The simulated pressure profile may be determined from the forward model, as described in block 804, which uses initial guesses for the pipe diameter and pressure device profile, as described in blocks 802 and 806, respectively.

[0050] В блоке 810 вычисляют значение ошибки между смоделированным давлением и профилем отраженного сигнала. В блоке 812 профиль отраженного сигнала, представляющий измеренное сигнальное давление, возникающее в результате взаимодействия сгенерированной волны давления со скоплением жидкости, используют в качестве входных данных для блока 810. Параллельно профиль смоделированного давления, определенный в блоке 808, также используют в качестве входных данных для блока 810.[0050] In block 810, an error value between the simulated pressure and the echo profile is calculated. At block 812, an echo profile representing the measured signal pressure resulting from the interaction of the generated pressure wave with the fluid accumulation is used as input to block 810. In parallel, the simulated pressure profile defined in block 808 is also used as input to block 810.

[0051] В блоке 814 можно сравнить профиль отраженного сигнала и профиль смоделированного давления, чтобы определить значение ошибки. Если значение ошибки превышает установленное пороговое значение, отложение в каждой узловой точке сетки обновляют, как показано в блоке 816, и прямая модель может снова моделировать давление в каждой узловой точке сетки в трубе с использованием обновленных диаметров. Этот процесс обновления, описанный в блоках 804-816, может повторяться до тех пор, пока значение ошибки не станет меньше установленного порогового значения.[0051] In block 814, the echo profile and the simulated pressure profile can be compared to determine the error value. If the error value exceeds the set threshold, the deposition at each grid point is updated, as shown in block 816, and the direct model can again model the pressure at each grid point in the pipe using the updated diameters. This update process, described in blocks 804-816, may be repeated until the error value is less than a predetermined threshold.

[0052] В блоке 818 выводят оценочную толщину отложения в каждой узловой точке сетки и местоположении. Оценочную толщину отложения можно использовать в качестве входных данных для следующего процесса, описанного со ссылкой на фиг. 3. Оценочный набор значений отложения может быть выведен после того, как значение ошибки, определенной в блоке 814, станет меньше установленного порогового значения. Местоположение значительных отложений можно оценить на основании скорости звука в текучей среде в трубе.[0052] In block 818, an estimated deposit thickness is output at each grid point and location. The estimated deposit thickness may be used as input to the following process described with reference to FIG. 3. An estimated set of deposition values may be output after the error value determined in block 814 falls below a predetermined threshold. The location of significant deposits can be estimated based on the speed of sound in the fluid in the pipe.

[0053] В некоторых примерах оценочную толщину отложения можно использовать для определения эмпирической зависимости. На фиг. 9 представлен график зависимости отношения площади скопления жидкости от отношения диаметра трубопровода в соответствии с одним примером настоящего изобретения. Этот график показывает кривую, соответствующую данным, которые предоставили отражение давления от известного объема жидкости в трубе. Инверсный алгоритм, показанный на фиг. 8, можно использовать для оценки эквивалентных отложений, вызывающих это отражение давления. Полученный в результате диаметр трубы из-за скопления жидкости и других отложений материала может представлять собой выходные данные инверсной модели.[0053] In some examples, the estimated deposit thickness can be used to determine an empirical relationship. In FIG. 9 is a plot of liquid accumulation area ratio versus pipeline diameter ratio in accordance with one example of the present invention. This plot shows a curve corresponding to data that provided a reflection of pressure against a known volume of fluid in a pipe. The inverse algorithm shown in Fig. 8 can be used to estimate the equivalent deposits causing this pressure reflection. The resulting pipe diameter due to fluid buildup and other material buildup can be the output of an inverse model.

[0054] Одна из таких эмпирических формул представлена следующим образом:[0054] One such empirical formula is represented as follows:

.

[0055] Где

представляет собой отношение площади трубы, покрытой скопившейся жидкостью, к общей площади поперечного сечения трубы. В данном случае

представляет собой отношение эквивалентного диаметра без отложения к диаметру трубы. Кроме того,

,

и

представляют собой коэффициенты, определенные при подгонке. Можно получить другие типы уравнений, которые соответствуют набору данных. Далее приведен другой пример:[0055] Where

is the ratio of the area of the pipe covered by the accumulated liquid to the total cross-sectional area of the pipe. In this case

is the ratio of the equivalent diameter without deposits to the diameter of the pipe. Besides,

,

and

are the coefficients determined in the fitting. You can get other types of equations that fit the dataset. The following is another example:

.

[0056] Кроме того,

,

и

представляют собой коэффициенты, а

и

представляют собой то же, что и выше. Далее приведен еще один пример подгонки:[0056] In addition,

,

and

are coefficients, and

and

are the same as above. The following is another fitting example:

.

[0057] Как и раньше,

,

и

представляют собой коэффициенты, а

и

представляют собой то же, что указано выше. Существует несколько способов получить данные для этой эмпирической зависимости. В некоторых примерах данные для эмпирической зависимости могут быть получены с помощью лабораторных экспериментов, проводимых с различными трубами, флюидами, давлениями и объемами скопления жидкости.[0057] As before,

,

and

are coefficients, and

and

are the same as above. There are several ways to obtain data for this empirical relationship. In some examples, data for an empirical relationship can be obtained using laboratory experiments conducted with various pipes, fluids, pressures and volumes of fluid accumulation.

[0058] На фиг. 10 представлен график, изображающий выходные данные процесса, такого как процесс, показанный на фиг. 8, указывающие на объем и местоположение скопления, в соответствии с одним примером настоящего изобретения. Сигнал измеренного давления, используемый в качестве входных данных для инверсной модели, как описано на фиг. 8, можно использовать для вычисления соответствующего объема жидкости и вывода данных, например, в виде графика, показанного на фиг. 10. Например, снова со ссылкой на фиг. 3, зависимость и данные, определенные графиком на фиг. 10, что может быть результатом инверсного моделирования, описанного в блоке 306 и показанного на фиг. 8, можно использовать как входные данные для блока 308. В некоторых примерах данные для эмпирической зависимости могут быть получены с помощью имитационных моделей с использованием таких инструментов, как вычислительная гидрогазодинамика (CFD). Кроме того, эмпирические зависимости также можно получить с помощью обработки машинного обучения.[0058] FIG. 10 is a graph showing the output of a process such as the process shown in FIG. 8 indicating the volume and location of the accumulation, in accordance with one example of the present invention. The measured pressure signal used as input to the inverse model, as described in FIG. 8 can be used to calculate the corresponding liquid volume and output the data, for example in the form of a graph shown in FIG. 10. For example, again with reference to FIG. 3, the relationship and data plotted in FIG. 10, which may be the result of the inverse simulation described at block 306 and shown in FIG. 8 may be used as input to block 308. In some examples, empirical relationship data may be obtained from simulation models using tools such as computational fluid dynamics (CFD). In addition, empirical dependencies can also be obtained using machine learning processing.

[0059] В некоторых примерах отражение давления от объема скопления жидкости в трубе можно получить с помощью имитационных моделей CFD. Система дифференциальных уравнений в частных производных, которые описывают поток флюида, может быть решена в геометрической конфигурации трубы, в которой изначально содержатся воздух и вода в известных местоположениях. Приведенные ниже уравнения Навье-Стокса описывают движение сжимаемых или несжимаемых флюидов.[0059] In some examples, the reflection of pressure on the volume of liquid accumulation in the pipe can be obtained using CFD simulation models. A system of partial differential equations that describe fluid flow can be solved in a pipe geometry that initially contains air and water at known locations. The Navier-Stokes equations below describe the motion of compressible or incompressible fluids.

[0060] В данном случае u представляет собой поле скоростей, p - давление, τ - напряжение сдвига в флюиде, а f - любую внешнюю силу. Геометрическая конфигурация трубы с арматурой показана на фиг. 11. Сначала геометрическую конфигурацию можно разделить на ряд конечных объемов, называемых вычислительными ячейками, и этот процесс может создать сетку в указанной области. Дискретизированная форма приведенных выше уравнений может быть определена по каждому из этих элементов численно. Имитационные модели, подобные приведенным, включают геометрические конфигурации, которые могут содержать сотни тысяч или даже миллионы вычислительных ячеек.[0060] In this case, u is the velocity field, p is the pressure, τ is the shear stress in the fluid, and f is any external force. The geometric configuration of the pipe with fittings is shown in Fig. 11. First, the geometric configuration can be divided into a number of finite volumes, called computational cells, and this process can create a mesh in the specified area. The discretized form of the above equations can be determined numerically for each of these elements. Simulation models such as these include geometric configurations that may contain hundreds of thousands or even millions of computational cells.

[0061] На фиг. 11 представлено схематическое изображение области 1102 CFD, которую можно использовать для создания имитационных моделей переходных состояний скопления газа и жидкости, в соответствии с одним примером настоящего изобретения. Фиг. 11 может включать арматуру 1106, в которой скапливается жидкость. На границах 1104, 1108 можно ввести известное изменение давления, и соответствующие давление и скорость в каждой вычислительной ячейке могут быть вычислены с дискретными временными шагами вплоть до требуемого времени. Волна давления может проходить по трубе, взаимодействовать с арматурой и ее жидким содержимым и/или отражаться от них. Отраженное давление можно измерить в известном местоположении, аналогично использованию датчика давления в реальной среде трубопровода. Волна входного давления может быть вычтена из измеренного сигнала, а оставшийся сигнал может представлять собой отражение от скопления жидкости в арматуре 1106.[0061] In FIG. 11 is a schematic representation of a CFD region 1102 that can be used to create gas and liquid accumulation transient simulation models, in accordance with one example of the present invention. Fig. 11 may include an armature 1106 in which liquid accumulates. At boundaries 1104, 1108, a known change in pressure can be entered and the corresponding pressure and velocity in each computational cell can be calculated in discrete time steps up to the required time. The pressure wave may travel through the pipe, interact with and/or be reflected from the reinforcement and its fluid contents. The reflected pressure can be measured at a known location, similar to using a pressure transducer in a real pipeline environment. The inlet pressure waveform may be subtracted from the measured signal, and the remaining signal may be a reflection from fluid accumulation in valve 1106.

[0062] На фиг. 12 представлено моделирование CFD колебания воды в арматуре, показанной на фиг. 11, и известный профиль входного давления в соответствии с одним примером настоящего изобретения. Трубопровод 1202 может содержать арматуру 1204, имеющую нелинейную геометрическую конфигурацию, в которой вероятно образование скоплений жидкости. Колеблющаяся вода 1206 в арматуре 1204 может наблюдаться из-за прохождения импульса давления (не показан) по поверхности жидкости. Способ CFD может предоставить подробную информацию о давлении и скорости во всей моделируемой геометрической конфигурации трубопровода 1202. Однако, если датчик давления расположен на значительном расстоянии (например, много километров) от местоположения скопления жидкости, содержащего колеблющуюся воду 1206, моделирование CFD может не применяться напрямую для генерирования данных для этого местоположения, поскольку моделирование очень длинного трубопровода может быть слишком дорогостоящим процессом. Чтобы решить эту проблему, сигнал отражения может быть распространен на требуемое расстояние с использованием одномерной прямой модели с учетом потерь давления, но без скопления жидкости между местоположением измерения CFD и физическим местоположением датчика. Одномерная модель может моделировать давление в требуемом местоположении с использованием только части вычислительных затрат. Этот способ можно использовать для создания различных сценариев входных сигналов устройства создания давления и соответствующих отражений с помощью CFD. Эти отражения могут распространяться к требуемым местоположениям датчика.[0062] In FIG. 12 is a CFD simulation of water vibration in the fitting shown in FIG. 11 and a known inlet pressure profile in accordance with one example of the present invention. Conduit 1202 may include rebar 1204 having a non-linear geometric configuration that is likely to accumulate fluid. Fluctuating water 1206 in fixture 1204 may be observed due to the passage of a pressure pulse (not shown) across the liquid surface. The CFD method may provide detailed pressure and velocity information across the entire pipeline geometry being simulated 1202. However, if the pressure sensor is located at a considerable distance (eg, many kilometers) from the location of the fluid pool containing oscillating water 1206, CFD simulation may not be directly applicable to generating data for this location, since modeling a very long pipeline can be too costly. To solve this problem, the reflection signal can be propagated to the required distance using a one-dimensional direct model, taking into account pressure losses, but without fluid accumulation between the CFD measurement location and the physical location of the sensor. A one-dimensional model can model the pressure at a desired location using only a fraction of the computational cost. This method can be used to generate different scenarios for pressure device inputs and corresponding reflections using CFD. These reflections can propagate to desired sensor locations.

[0063] На фиг. 13 показаны два разных входных сигнала устройства создания давления и полученные в результате сигналы отражения, генерируемые CFD, в соответствии с одним примером настоящего изобретения. На типовых графиках показаны значения давления в зависимости от времени сгенерированных входных импульсов 1302, 1306 и полученных в результате соответствующих отраженных сигналов 1304, 1308.[0063] FIG. 13 shows two different pressure device inputs and the resulting reflection signals generated by the CFD, in accordance with one example of the present invention. The exemplary plots show the pressure versus time of the generated input pulses 1302, 1306 and the resulting corresponding echoes 1304, 1308.

[0064] Снова со ссылкой на фиг. 3 в блоке 308 скопления жидкости или отложения идентифицируют и классифицируют с помощью алгоритма машинного обучения. Сигнал, полученный в блоке 306, приводящий к данным, показанным на фиг. 310, можно использовать в качестве входных данных для алгоритма машинного обучения вычислительного устройства, чтобы отличать различные сценарии для каждой точки данных или местоположения - без скопления или отложения, со скоплением или отложением. Местоположение скоплений жидкости и отложения можно вычислить на основании времени отраженного сигнала и скорости звука в флюиде. Также величина отраженного сигнала может зависеть от объема жидкости.[0064] Again with reference to FIG. 3, at block 308, fluid accumulations or deposits are identified and classified using a machine learning algorithm. The signal received at block 306 resulting in the data shown in FIG. 310 may be used as input to a machine learning algorithm of a computing device to distinguish between different scenarios for each data point or location—non-aggregation or deposition, congestion or deposition. The location of fluid accumulations and deposits can be calculated based on the time of the reflected signal and the speed of sound in the fluid. Also, the magnitude of the reflected signal may depend on the volume of the liquid.

[0065] Первоначально из данных, соответствующих скоплению жидкости, определенному в блоке 306, модуль обработки машинного обучения может извлекать функции в частотной области и информацию о местоположении скопления или отложения. На основании этих функций модуль обработки машинного обучения может дополнительно классифицировать точки данных, относя их к скоплению или отложению. Например, скопление жидкости может иметь характеристики, отличные от характеристик отложения жидкости или материала таким образом, что эффективные скорости потока флюида, вызванные скоплением определенного объема, могут отличаться от эффективных скоростей потока флюида для отложений, имеющих тот же объем.[0065] Initially, from the data corresponding to the fluid accumulation determined in block 306, the machine learning processing module may extract frequency domain features and location information of the accumulation or deposit. Based on these features, the machine learning processing module can further classify the data points as aggregation or deposition. For example, a fluid accumulation may have characteristics different from those of fluid or material deposition such that the effective fluid flow rates caused by accumulation of a certain volume may differ from the effective fluid flow rates for deposits having the same volume.

[0066] Модели машинного обучения могут включать использование ряда точек данных для обучения модели и последующего ее подтверждения с помощью отдельных точек данных. Как только будет разработана модель, ее можно будет протестировать с помощью новых наборов данных. Модель машинного обучения может быть обучена с помощью определенного набора «функций», которые она может использовать для классификации нового набора входных данных. Эти функции можно тщательно выбирать в зависимости от физической природы проблемы, а также набора данных.[0066] Machine learning models may include using a series of data points to train the model and then validate it with individual data points. Once a model is developed, it can be tested with new datasets. A machine learning model can be trained with a specific set of "features" that it can use to classify a new set of inputs. These features can be carefully chosen depending on the physical nature of the problem as well as the data set.

[0067] В одном примере модель машинного обучения можно обучить с помощью следующих функций:[0067] In one example, a machine learning model can be trained using the following functions:

• initial_pulse_duration: Продолжительность импульса.• initial_pulse_duration: Duration of the pulse.

• Форма импульса - например, полученная с помощью быстрого преобразования Фурье (FFT; fast Fourier transform).• Pulse shape - for example, obtained using fast Fourier transform (FFT; fast Fourier transform).

• Диапазон измерения, например, с использованием FFT.• Measuring range, eg using FFT.

• Энергия в каждом элементе дискретизации по частоте в диапазоне.• The energy in each frequency bin in the band.

• initial_pulse_slope_min: Минимальный наклон линии наибольшего соответствия, включающей 500 точек (1/10 секунды).• initial_pulse_slope_min: The minimum slope of the line of best fit, including 500 points (1/10 of a second).

• initial_pulse_slope_max: Максимальный наклон линии наибольшего соответствия, включающей 500 точек (1/10 секунды).• initial_pulse_slope_max: The maximum slope of the line of best fit, including 500 points (1/10 of a second).

• initial_pulse_bwfilter_min: минимальное значение Баттерворта, стандартизированное средним значением и стандартным отклонением импульса в целом.• initial_pulse_bwfilter_min: The minimum Butterworth value, standardized by the mean and standard deviation of the overall pulse.

• Провал определяется как область, в которой наклон является постоянно отрицательным в течение периода самой большой продолжительности. Наклон представляет собой линию наибольшего соответствия, включающую 500 точек (1/10 секунды).• A dip is defined as an area where the slope is consistently negative over the longest period. The slope is the line of best fit, including 500 points (1/10 of a second).

• dip_bwfilter_min: минимальное значение Баттерворта.• dip_bwfilter_min: The minimum Butterworth value.

• dip_duration: Продолжительность времени, в течение которого наклон является отрицательным.• dip_duration: The length of time that the slope is negative.

• dip_fitted_min: минимальное подогнанное значение 500-й точки в области, в которой наклон является отрицательным в течение самого длительного периода, стандартизованного по среднему значению и стандартному отклонению импульса в целом.• dip_fitted_min: The minimum fitted value of the 500th point in the region where the slope is negative for the longest period, standardized by the mean and standard deviation of the entire pulse.

• dip_slope_min: минимальный наклон линии наибольшего соответствия в области, в которой наклон является отрицательным в течение самого длительного периода времени.• dip_slope_min: The minimum slope of the line of best fit in the region where the slope is negative for the longest period of time.

[0068] В некоторых примерах может быть проверен и применен алгоритм классификации, называемый моделью случайного леса, а также модель нейронной сети. Обе модели могут обеспечить разумную и приблизительно одинаковую точность проверенных данных.[0068] In some examples, a classification algorithm called a random forest model, as well as a neural network model, can be tested and applied. Both models can provide reasonable and approximately the same accuracy of the validated data.

[0069] В ответ на обнаружение того, что в трубопроводе образуется либо скопление, либо отложение, можно использовать модель машинного обучения, чтобы различать оба эти состояния. Графики отложения и скопления в частотной области с помощью способа FFT можно использовать для определения функций. Чтобы определить это различие, пять элементов дискретизации энергии могут быть входными переменными для модели машинного обучения (ML; machine learning). Эти переменные можно вычислить, сначала преобразовав переменную импульса давления в частотной области. Затем можно использовать частотный интервал от 5 до 100, масштабируя значения по максимальной частоте. В некоторых примерах можно использовать следующие элементы дискретизации по частоте (в Гц):[0069] In response to detecting that either an accumulation or a deposit is formed in the pipeline, a machine learning model can be used to distinguish between both of these conditions. Plots of deposition and accumulation in the frequency domain using the FFT method can be used to determine the features. To determine this difference, five energy bins can be input variables to a machine learning (ML) model. These variables can be computed by first transforming the pressure pulse variable into the frequency domain. You can then use a frequency interval from 5 to 100, scaling the values by the maximum frequency. In some examples, the following frequency bins (in Hz) can be used:

1) 5-10,1) 5-10,

2) 10-20,2) 10-20,

3) 20-30,3) 20-30,

4) 30-40,4) 30-40,

5) 40-50.5) 40-50.

[0070] Интегрирование методом трапеций можно использовать для выполнения интегрирования с заданными частотными интервалами для вычисления энергии в этих элементах дискретизации. Его можно осуществить по следующей формуле:[0070] Trapezoidal integration can be used to perform integration at specified frequency intervals to calculate the energy at these bins. It can be done using the following formula:

∫A² df.∫A ² df.

[0071] Где A представляет собой амплитуду, а f - частоту.[0071] Where A is amplitude and f is frequency.

[0072] Данные могут быть нормализованы перед выполнением модуля машинного обучения с использованием масштабирования мин-макс в соответствии со следующей зависимостью.[0072] The data may be normalized before executing the machine learning module using min-max scaling according to the following relationship.

[0073] Подвижное окно определенной фиксированной длины можно использовать для вычисления диапазона данных для классификации в пределах этого окна. Выходные данные алгоритма машинного обучения могут представлять собой идентификатор класса (например, 0 - для отсутствия жидкости или твердого вещества, 1 - для жидкости, 2 - для твердого вещества) как функция расстояния вдоль трубы. На фиг. 14 представлен пример графического вывода данных модели машинного обучения для классификации препятствий в трубопроводе для транспортировки углеводородов в соответствии с одним примером настоящего изобретения. Например, одна часть, или сетка, трубопровода может содержать начальное скопление 1402 жидкости, за которым следуют дополнительные местоположения в сетке по длине трубы, имеющие препятствия 1404, 1406, классифицируемые как отложения твердого вещества.[0073] A movable window of a certain fixed length can be used to calculate the range of data for classification within this window. The output of a machine learning algorithm can be a class identifier (for example, 0 for no liquid or solid, 1 for liquid, 2 for solid) as a function of distance along the pipe. In FIG. 14 is an exemplary plotting of a machine learning model for classifying obstacles in a hydrocarbon pipeline, in accordance with one example of the present invention. For example, one section, or grid, of the pipeline may contain an initial accumulation of liquid 1402 followed by additional locations in the grid along the length of the pipe having obstructions 1404, 1406 classified as solid deposits.

[0074] Хотя для классификации случаев скопления и отложения описана модель машинного обучения искусственной нейронной сети, можно использовать и другие модели машинного обучения. Искусственные нейронные сети могут представлять собой методы глубокого обучения, разработанные с использованием биологических нейронных сетей (центральных нервных систем, таких как мозг). Эти сети могут быть представлены как системы взаимосвязанных «нейронов», которые отправляют друг другу сообщения. Связи внутри сети можно систематически настраивать на основании входных и выходных данных, что делает их полезными для контролируемого обучения.[0074] Although an artificial neural network machine learning model has been described for classifying accumulation and deposition cases, other machine learning models can be used. Artificial neural networks can be deep learning techniques developed using biological neural networks (central nervous systems such as the brain). These networks can be thought of as systems of interconnected "neurons" that send messages to each other. Links within a network can be systematically tuned based on inputs and outputs, making them useful for supervised learning.

[0075] На фиг. 15 представлено изображение нейронной сети, которую могут использовать для классификации скопления и отложения, в соответствии с одним примером настоящего изобретения. Круги на фиг. 15 могут представлять нейроны, а линии могут представлять синапсы. Синапсы могут принимать входной импульс 1502 и умножать его на «вес» («мощность» входного импульса при определении выходного импульса) и добавлять смещение для каждого нейрона. Нейроны могут добавлять выходные импульсы синапсов и применять функцию активации. Обучение нейронной сети включает в себя калибровку значений «веса» путем повторения двух этапов: прямого распространения и обратного распространения.[0075] FIG. 15 is a depiction of a neural network that can be used to classify accumulation and deposition, in accordance with one example of the present invention. The circles in Fig. 15 may represent neurons and lines may represent synapses. Synapses can take an input pulse 1502 and multiply it by the "weight" (the "power" of the input pulse when determining the output pulse) and add a bias for each neuron. Neurons can add synapse outputs and apply an activation function. Training a neural network involves calibrating "weight" values by repeating two steps: forward propagation and back propagation.

[0076] При прямом распространении набор значений веса (например, W1, W2, W3) может применяться к входным данным для вычисления выходных данных. Эти значения веса могут быть выбраны случайным образом на основании распределения Гаусса во время первой итерации, когда осуществляется прямое распространение. Произведение входных данных суммируется с их соответствующим набором значений веса с получением первых значений для скрытых слоев 1504, 1506. Для получения окончательного значения по выходному сигналу 1508 функцию активации применяют к суммам скрытых слоев 1504, 1506. Назначение функции активации заключается в преобразовании входного сигнала в выходной сигнал 1508. Функция активации может быть пригодной для нейронных сетей для моделирования сложных нелинейных образов, которые могут отсутствовать в более простых моделях.[0076] In forward propagation, a set of weight values (eg, W1, W2, W3) may be applied to the input to calculate the output. These weight values may be randomly selected based on a Gaussian distribution during the first iteration when forward propagation is performed. The product of the input data is summed with their respective set of weight values to produce the first values for the hidden layers 1504, 1506. To obtain the final value from the output signal 1508, an activation function is applied to the sums of the hidden layers 1504, 1506. The purpose of the activation function is to convert the input signal to the output signal 1508. An activation function may be useful for neural networks to model complex non-linear patterns that may not be present in simpler models.

[0077] При обратном распространении может быть измерена допустимая погрешность выходного сигнала 1508, и значения веса могут быть соответственно скорректированы для уменьшения ошибки. Нейронные сети могут повторять как прямое, так и обратное распространение, пока значения веса не будут откалиброваны для точного прогнозирования выходного сигнала 1508.[0077] With back propagation, the error tolerance of the output signal 1508 can be measured and the weight values can be adjusted accordingly to reduce the error. The neural networks may repeat both forward and back propagation until the weight values are calibrated to accurately predict the output 1508.

[0078] Нормализацию данных могут использовать как этап предварительной обработки для изменения масштаба значений, чтобы они соответствовали определенному диапазону для обеспечения лучшей сходимости для обработки искусственной нейронной сети. Например, модель искусственной нейронной сети может быть построена на данных с использованием пяти входных переменных, двух скрытых слоев и одного выходного слоя с двадцатью восемью нейронами на каждом скрытом слое, как проиллюстрировано на фиг. 15.[0078] Data normalization can be used as a pre-processing step to rescale values to fit a certain range to provide better convergence for artificial neural network processing. For example, an artificial neural network model can be built on the data using five input variables, two hidden layers, and one output layer with twenty-eight neurons in each hidden layer, as illustrated in FIG. fifteen.

[0079] В некоторых примерах функцию активации блока линейной ректификации (RELU; Rectified Linear Unit) можно использовать для обеспечения улучшенной сходимости по сравнению с любой другой функцией. RELU может исключить и скорректировать задачу обращения градиентов в ноль. Данную функцию можно использовать для скрытого слоя, а функцию потерь «сигмоиды» - для выходного слоя. Оптимизатор «Адам» можно использовать для компиляции модели искусственной нейронной сети на основании показателя точности.[0079] In some examples, the Rectified Linear Unit (RELU) activation function can be used to provide improved convergence over any other function. RELU can eliminate and correct the problem of vanishing gradients. This function can be used for the hidden layer, and the "sigmoid" loss function for the output layer. The Adam optimizer can be used to compile an artificial neural network model based on an accuracy score.

[0080] В некоторых примерах процессы, описанные в блоках 306 и 308, могут выполняться в любом порядке. Например, процессы, описанные в блоке 306, могут быть реализованы для оценки локализованного изменения диаметра трубы, а затем могут быть использованы в качестве входных данных (например, относящихся к узловым входным данным) для машинного обучения, описанного в блоке 308. В качестве альтернативы, скопление может быть идентифицировано и классифицировано, как описано в блоке 308, а затем может быть использовано в качестве входных данных для инверсного моделирования, описанного в блоке 306. В некоторых примерах процессы, описанные в блоках 306 и 308, могут быть реализованы одновременно таким образом, что выходные данные инверсного моделирования и алгоритма машинного обучения могут непрерывно использоваться в качестве входных данных для каждого процесса.[0080] In some examples, the processes described in blocks 306 and 308 may be performed in any order. For example, the processes described in block 306 may be implemented to estimate a localized change in pipe diameter and then may be used as input (eg, relating to node inputs) to the machine learning described in block 308. Alternatively, the accumulation may be identified and classified as described in block 308, and then may be used as input to inverse modeling, described in block 306. In some examples, the processes described in blocks 306 and 308 may be implemented simultaneously such that that the output of inverse modeling and machine learning algorithm can be continuously used as input for each process.

[0081] Снова со ссылкой на фиг. 3, в блоке 310 изменение диаметра для местоположений скопления на основании выходных данных из блоков 306 и 308 преобразуется в эквивалентный объем жидкости. Вычисленные отложения можно преобразовать в эквивалентный объем с помощью корреляции, разработанной на основании экспериментальных данных и имитационных моделей. Это преобразование можно реализовать с помощью справочной таблицы или эмпирической формулы. Преобразованные объемы, полученные на основании выходных данных блока 306, могут отличаться в зависимости от того, был ли объем классифицирован как скопление жидкости или отложение материала, как описано в блоке 308. Кроме того, диаметры могут быть преобразованы в эквивалентный объем жидкости или твердого вещества в каждой узловой точке сетки на основании корреляции, которая была разработана на основании описанных примеров.[0081] Again with reference to FIG. 3, at block 310, the change in diameter for the accumulation locations based on the output from blocks 306 and 308 is converted to an equivalent volume of fluid. The calculated deposits can be converted to an equivalent volume using a correlation developed from experimental data and simulation models. This transformation can be implemented using a lookup table or an empirical formula. The converted volumes obtained from the output of block 306 may differ depending on whether the volume has been classified as a liquid or material deposit, as described in block 308. In addition, diameters may be converted to an equivalent volume of liquid or solid in each grid point based on the correlation that was developed based on the described examples.

[0082] В блоке 312 выводят диапазон местоположения и объема скопления жидкости или твердого вещества. Преобразованный объем, определенный в блоке 310, может быть выведен вычислительным устройством на устройство отображения или другую систему, которая может использовать информацию для выполнения или инициирования процесса корректировки, чтобы изменить или уменьшить препятствие, вызванное скоплением или отложением. Например, преобразованный объем может быть выведен на устройство отображения, чтобы дать оператору команду сместить или восстановить сетку или часть трубопровода таким образом, что геометрическая конфигурация трубопровода может быть изменена для удаления или уменьшения областей скопления жидкости или отложения твердых веществ. [0082] At block 312, a range of location and volume of liquid or solid accumulation is output. The converted volume determined in block 310 may be output by the computing device to a display device or other system that may use the information to perform or initiate an adjustment process to change or reduce the obstruction caused by buildup or buildup. For example, the converted volume may be output to a display device to instruct an operator to relocate or repair a grid or pipeline section such that the pipeline geometry can be reconfigured to remove or reduce areas of liquid accumulation or solids deposition.

[0083] На фиг. 16 представлена блок-схема процесса обнаружения и количественного определения скоплений жидкости в трубопроводах для транспортировки углеводородного флюида в соответствии с одним примером. Другие примеры могут включать в себя больше этапов, меньше этапов, другие этапы или другой порядок этапов, описанных со ссылкой на фиг. 16. Например, процессы, описанные в блоках 304 и 306, могут быть реализованы в любом порядке, причем выходные данные первого реализованного блока 304 или 306 могут быть использованы в качестве входных данных для второго реализованного блока. Этапы, показанные на фиг. 16, описаны со ссылкой на компоненты, показанные на фиг. 2. Некоторые или все этапы, показанные на фиг. 16, могут быть реализованы с использованием вычислительного устройства 200, показанного на фиг. 2.[0083] FIG. 16 is a flow diagram of a process for detecting and quantifying fluid accumulations in hydrocarbon fluid pipelines in accordance with one example. Other examples may include more steps, fewer steps, different steps, or a different order of the steps described with reference to FIG. 16. For example, the processes described in blocks 304 and 306 may be implemented in any order, with the output of the first implemented block 304 or 306 being used as input to the second implemented block. The steps shown in FIG. 16 are described with reference to the components shown in FIG. 2. Some or all of the steps shown in FIG. 16 may be implemented using the computing device 200 shown in FIG. 2.

[0084] В блоке 1602 принимаются колебания давления, обнаруженные датчиком давления. Датчик давления может находиться в трубе для транспортировки углеводородного флюида. Колебания давления могут возникать в результате работы устройства создания давления, расположенного внутри трубы, причем устройство создания давления может работать для вывода сигнала давления. Колебания давления могут представлять собой сигналы, отраженные от препятствий в трубе, таких как скопления жидкости или отложения материала, в ответ на сигнал, или волну, давления, генерируемую устройством создания давления. Датчики давления могут измерять величину колебаний давления, причем величину и время от момента генерирования сигнала давления до момента измерения колебаний давления можно использовать для определения местоположения и объема скопления жидкости или отложения твердого вещества.[0084] At block 1602, pressure fluctuations detected by the pressure sensor are received. The pressure sensor may be located in the hydrocarbon fluid transport pipe. Pressure fluctuations may result from the operation of a pressure generating device located within the pipe, the pressure generating device may be operated to output a pressure signal. The pressure fluctuations may be signals reflected from obstructions in the pipe, such as fluid accumulations or material deposits, in response to a pressure signal or wave generated by the pressurization device. Pressure sensors can measure the magnitude of pressure fluctuations, and the magnitude and time from when the pressure signal is generated to when the pressure fluctuations are measured can be used to determine the location and amount of fluid accumulation or solid deposition.

[0085] В некоторых примерах вычислительное устройство может передавать сигнал или команду устройству создания давления, чтобы привести устройство создания давления к генерированию сигнала давления. Команда может выполняться автоматически в соответствии с планом проведения испытаний или экспериментом, выполняемым вычислительным устройством. В некоторых примерах вычислительное устройство может получать команду от инженера по трубопроводам или оператора, выдающего вычислительному устройству команду на передачу сигнала команды устройству создания давления.[0085] In some examples, the computing device may send a signal or command to the pressure generating device to cause the pressure generating device to generate a pressure signal. The command may be executed automatically in accordance with a test plan or experiment performed by a computing device. In some examples, the computing device may be instructed by a pipeline engineer or operator instructing the computing device to transmit a command signal to the pressure generating device.

[0086] В некоторых примерах устройство создания давления может представлять собой клапан, инжектор флюида, насос или любое другое устройство, способное передавать сигнал давления в текучей среде. В некоторых примерах датчик давления может быть расположен в непосредственной близости от устройства создания давления. Расположение датчика давления рядом с устройством создания давления может уменьшить количество коррекций ошибок, необходимых для определения зависящей от времени зависимости между сигналом давления и измеренными колебаниями давления. Например, измерение колебаний давления с помощью датчика давления, который находится на значительном расстоянии от устройства создания давления, может требовать корректировки расстояния для обеспечения того, чтобы время от момента генерирования сигнала давления до момента обнаружения колебаний давления учитывало изменение расстояния. Для сравнения, измерение колебаний давления с помощью датчика давления, который находится в непосредственной близости от устройства создания давления, может уменьшить или исключить коррекцию ошибок в отношении расстояния, поскольку оба устройства расположены на одинаковом или почти одинаковом расстоянии от скопления жидкости или отложения материала. [0086] In some examples, the pressure generating device may be a valve, fluid injector, pump, or any other device capable of transmitting a pressure signal to a fluid. In some examples, the pressure sensor may be located in close proximity to the pressurization device. Positioning the pressure sensor near the pressure generating device can reduce the number of error corrections needed to determine the time-dependent relationship between the pressure signal and the measured pressure fluctuations. For example, measuring pressure fluctuations with a pressure transducer that is at a considerable distance from the pressure generating device may require distance adjustments to ensure that the time from the time the pressure signal is generated to the time the pressure fluctuations are detected takes into account the change in distance. By comparison, measuring pressure fluctuations with a pressure transducer that is in close proximity to the pressurization device can reduce or eliminate distance error correction because both devices are located at the same or nearly the same distance from a buildup of liquid or material buildup.

[0087] В блоке 1604 локализованное изменение диаметра трубы оценивают с помощью инверсной модели. Инверсная модель может быть реализована согласно примеру, включая процессы, показанные на фиг. 8. Локализованное изменение диаметра трубы можно назвать эффективным диаметром трубы. В связи с этим часть диаметра может включать скопление жидкости или отложение материала, которое может блокировать часть трубы. Таким образом, локализованное изменение диаметра трубы может представлять собой эффективный диаметр трубы таким образом, что поток углеводородов может распространяться только через эффективный диаметр трубы. Локализованное изменение диаметра трубы можно измерить как расстояние между поверхностью скопления или отложения и поверхностью противоположного конца трубы.[0087] At block 1604, a localized change in pipe diameter is estimated using an inverse model. The inverse model may be implemented according to an example, including the processes shown in FIG. 8. The localized change in pipe diameter can be called the effective pipe diameter. As such, the diameter portion may include fluid accumulation or material deposition that may block the pipe portion. Thus, a localized change in pipe diameter may represent an effective pipe diameter such that hydrocarbon flow can only propagate through the effective pipe diameter. The localized change in pipe diameter can be measured as the distance between the surface of the accumulation or deposit and the surface of the opposite end of the pipe.

[0088] В некоторых примерах инверсное моделирование может включать в себя генерирование оценочного значения локализованного изменения диаметра трубы и генерирование профиля смоделированного давления с использованием прямой модели на основании сигнала давления и оценочного значения локализованного изменения диаметра трубы, как описано в некоторых примерах. Инверсная модель может включать в себя этапы определения значения ошибки между профилем смоделированного давления и колебаниями давления, как описано в некоторых примерах. Инверсное моделирование может дополнительно включать в себя обновление прямой модели с использованием обновленного оценочного значения локализованного изменения диаметра трубы и повторение этапов генерирования оценочного значения, генерирования профиля смоделированного давления и определения значения ошибки до тех пор, пока значение ошибки не станет меньше порогового значения. Обновление прямой модели инверсного моделирования может обеспечить более точную оценку инверсной моделью локализованного изменения эффективного диаметра трубы, вызванного любым имеющимся в наличии скоплением жидкости или отложением материала. [0088] In some examples, inverse modeling may include generating a localized pipe diameter change estimate and generating a simulated pressure profile using a forward model based on the pressure signal and the localized pipe diameter change estimate, as described in some examples. The inverse model may include the steps of determining an error value between the simulated pressure profile and pressure fluctuations, as described in some examples. The inverse simulation may further include updating the forward model using an updated estimate of the localized pipe diameter change and repeating the steps of generating the estimate, generating the simulated pressure profile, and determining an error value until the error value is less than a threshold value. Updating the direct inverse simulation model can provide the inverse model with a more accurate estimate of the localized change in effective pipe diameter caused by any fluid accumulation or material deposition present.

[0089] На этапе 1606 скопление или отложения идентифицируют и классифицируют путем применения модели машинного обучения к колебаниям давления. Модель машинного обучения может классифицировать любые идентифицированные препятствия внутри трубы как жидкость, твердое вещество или материал другого типа, как описано в некоторых примерах.[0089] At 1606, the accumulation or deposits are identified and classified by applying a machine learning model to pressure fluctuations. The machine learning model can classify any identified obstructions inside the pipe as liquid, solid, or other type of material, as described in some of the examples.

[0090] В блоке 1608 локализованное изменение диаметра трубы преобразуют в эквивалентный объем жидкости для местоположений скопления. Идентифицированные и классифицированные скопления или отложения, определенные в блоке 1606, можно преобразовать в эквивалентный объем с помощью корреляции, разработанной на основании экспериментальных данных или имитационных моделей. Это преобразование можно реализовать с помощью справочной таблицы или эмпирической формулы. Диаметры могут быть преобразованы в эквивалентный объем жидкости или твердого вещества в каждой узловой точке сетки на основании корреляции, которая была разработана, как описано в некоторых примерах.[0090] At block 1608, the localized change in pipe diameter is converted to an equivalent volume of fluid for the accumulation locations. The identified and classified accumulations or deposits, determined in block 1606, can be converted to an equivalent volume using a correlation developed from experimental data or simulation models. This transformation can be implemented using a lookup table or an empirical formula. Diameters can be converted to an equivalent volume of liquid or solid at each grid point based on a correlation that has been developed as described in some of the examples.

[0091] В блоке 1610 выводят местоположение и объем скопления или отложения. Местоположение и объем скопления жидкости или отложения материала, которые выводятся, можно использовать для определения корректирующего действия в отношении трубы для удаления или уменьшения скопления или отложения. Вычислительное устройство может выводить информацию о местоположении и объеме скопления или отложения на устройство отображения или другую систему, которая может использовать информацию (например, журналы регистрации данных) для выполнения или инициирования процесса корректировки, чтобы изменить или уменьшить препятствие, вызванное скоплением или отложением. Например, преобразованный объем может быть выведен на устройство отображения, чтобы дать оператору команду сместить или восстановить сетку или часть трубопровода таким образом, что геометрическая конфигурация трубопровода может быть изменена для удаления или уменьшения областей скопления жидкости или отложения твердых веществ.[0091] At block 1610, the location and volume of the accumulation or deposit is output. The location and amount of fluid buildup or material buildup that is removed can be used to determine corrective action on the pipe to remove or reduce the buildup or buildup. The computing device may output information about the location and amount of buildup or buildup to a display device or other system that can use the information (eg, data logs) to perform or initiate a correction process to change or reduce an obstruction caused by buildup or buildup. For example, the converted volume may be output to a display device to instruct an operator to displace or repair a grid or pipeline section such that the pipeline geometry can be reconfigured to remove or reduce areas of liquid accumulation or solids deposition.

[0092] В некоторых примерах вычислительное устройство может анализировать местоположение и объем скопления или отложения, чтобы определить команду для инициирования корректирующего действия, которая может выводиться на устройство отображения или другие системы отдельно или вместе с местоположением и объемом отложения. Вычислительное устройство может анализировать местоположение и объем скопления или отложения вместе с известными физическими характеристиками трубопровода, чтобы определить корректирующее действие для вывода. Например, вычислительное устройство может содержать хранилища данных, содержащие физические характеристики трубопровода, такие как местоположение, диаметр, геометрическая конфигурация и отметка уровня. С помощью этих физических характеристик вычислительное устройство может определить на основании объема и местоположения, определенных в блоке 1608, и вывести соответствующую корректирующую команду, чтобы вызвать действие, такое как подъем части трубопровода на более высокую отметку уровня, регулирование потока углеводорода, проходящего через трубопровод, или команду на ремонт, замену или очистку части трубопровода.[0092] In some examples, the computing device may analyze the location and volume of a buildup or deposit to determine a command to initiate corrective action, which may be output to a display device or other systems alone or in conjunction with the location and volume of the deposit. The computing device may analyze the location and volume of the accumulation or deposit along with the known physical characteristics of the pipeline to determine corrective action to infer. For example, the computing device may contain data stores containing the physical characteristics of the pipeline, such as location, diameter, geometry, and elevation. With these physical characteristics, the computing device can determine, based on the volume and location determined in block 1608, and issue an appropriate corrective command to cause an action such as raising a portion of the pipeline to a higher elevation, controlling the flow of hydrocarbon through the pipeline, or a command to repair, replace or clean part of the pipeline.

[0093] В некоторых аспектах системы, устройства и способы обнаружения и количественного определения скоплений жидкости в трубопроводах для транспортировки углеводородного флюида обеспечены в соответствии с одним или более из нижеследующих примеров.[0093] In some aspects, systems, devices, and methods for detecting and quantifying fluid accumulations in pipelines for transporting hydrocarbon fluid are provided in accordance with one or more of the following examples.

[0094] Пример 1 представляет собой узел, содержащий: трубу для транспортировки углеводородного флюида; устройство создания давления, расположенное в части трубы, для вывода волны давления во внутренней области части трубы; и датчик давления, соединенный по текучей среде с частью трубы, для обнаружения колебаний давления волны давления и вывода сигнала, указывающего на колебания давления, на вычислительное устройство, которое определяет (i) местоположение скопления или отложения и (ii) объем в части трубы.[0094] Example 1 is an assembly comprising: a pipe for transporting a hydrocarbon fluid; a pressurizing device located in the pipe part for outputting a pressure wave in the inner region of the pipe part; and a pressure sensor fluidly coupled to the pipe part for detecting pressure fluctuations of the pressure wave and outputting a signal indicative of the pressure fluctuations to a computing device that determines (i) the location of the buildup or deposit and (ii) the volume in the pipe part.

[0095] Пример 2 представляет собой узел согласно примеру 1, отличающийся тем, что сигнал, указывающий на колебания давления, может использоваться вычислительным устройством для определения местоположения скопления или отложения и определения объема в части трубы путем: оценки локализованного изменения диаметра труба, вызванного скоплением или отложением, с помощью инверсной модели; идентификации и классификации скоплений или отложений путем применения модели машинного обучения к колебаниям давления; преобразования локализованного изменения диаметра трубы в эквивалентный объем жидкости для местоположений скопления; и вывода местоположения и объема скопления или отложения, применяемых для определения действия в отношении трубы для удаления скопления или отложения. [0095] Example 2 is an assembly according to example 1, characterized in that a signal indicative of pressure fluctuations can be used by a computing device to locate a buildup or deposit and determine volume in a portion of a pipe by: evaluating a localized change in pipe diameter caused by buildup or deposition, using an inverse model; identification and classification of accumulations or deposits by applying a machine learning model to pressure fluctuations; converting the localized change in pipe diameter to an equivalent volume of fluid for accumulation locations; and outputting the location and volume of the accumulation or deposit used to determine the action on the pipe to remove the accumulation or deposit.

[0096] Пример 3 представляет собой узел согласно примеру 2, отличающийся тем, что инверсную модель применяют для оценки с помощью вычислительного устройства локализованного изменения диаметра трубы, вызванного скоплением или отложением, путем: генерирования оценочного значения локализованного изменения диаметра трубы; генерирования профиля смоделированного давления с помощью прямой модели на основании волны давления и оценочного значения локализованного изменения диаметра трубы; определения значения ошибки между профилем смоделированного давления и колебаниями давления; и обновления прямой модели с помощью обновленного оценочного значения локализованного изменения диаметра трубы и повторения этапов генерирования оценочного значения, генерирования профиля смоделированного давления и определения значения ошибки до тех пор, пока значение ошибки не станет меньше порогового значения.[0096] Example 3 is the node according to example 2, characterized in that the inverse model is used to estimate, using a computing device, a localized change in pipe diameter caused by accumulation or deposition, by: generating an estimated value of a localized change in pipe diameter; generating a simulated pressure profile with a forward model based on the pressure wave and an estimated localized change in pipe diameter; determining an error value between the simulated pressure profile and pressure fluctuations; and updating the direct model with the updated localized pipe diameter change estimate and repeating the steps of generating the estimate, generating the simulated pressure profile, and determining the error value until the error value is less than a threshold value.

[0097] Пример 4 представляет собой узел согласно примерам 1-3, отличающийся тем, что устройство создания давления содержит клапан, инжектор флюида или насос.[0097] Example 4 is an assembly according to examples 1-3, characterized in that the pressurization device comprises a valve, a fluid injector, or a pump.

[0098] Пример 5 представляет собой узел согласно примерам 1-4, отличающийся тем, что датчик давления расположен в непосредственной близости от устройства создания давления.[0098] Example 5 is an assembly according to examples 1-4, characterized in that the pressure sensor is located in close proximity to the pressure generating device.

[0099] Пример 6 представляет собой узел согласно примерам 1-5, отличающийся тем, что колебания давления возникают в результате взаимодействия волны давления с объемом скапливающейся жидкости в местоположении скопления или отложения.[0099] Example 6 is the node according to examples 1-5, characterized in that the pressure fluctuations result from the interaction of the pressure wave with the volume of accumulating liquid at the location of the accumulation or deposit.

[00100] Пример 7 представляет собой энергонезависимый машиночитаемый носитель, содержащий программный код, выполняемый устройством обработки, для предписывания устройству обработки: принимать сигнал, указывающий на колебания давления, обнаруженные датчиком давления в трубе для транспортировки углеводородного флюида в ответ на вывод устройством создания давления в трубопроводе сигнала давления; оценивать локализованное изменение диаметра трубы, вызванное скоплением или отложением, с помощью инверсной модели; идентифицировать и классифицировать скопления или отложения путем применения модели машинного обучения к колебаниям давления; преобразовывать локализованное изменение диаметра трубы в эквивалентный объем жидкости для местоположений скопления; и выводить (i) местоположение скопления или отложения и (ii) объем, применяемые для определения действия в отношении трубы для удаления скопления или отложения.[00100] Example 7 is a non-volatile computer-readable medium containing program code executable by a processing device for causing the processing device to: receive a signal indicative of pressure fluctuations detected by a hydrocarbon fluid pipe pressure sensor in response to an output from the pipeline pressurization device pressure signal; evaluate a localized change in pipe diameter caused by accumulation or deposition using an inverse model; identify and classify accumulations or deposits by applying a machine learning model to pressure fluctuations; convert the localized change in pipe diameter to an equivalent volume of fluid for accumulation locations; and output (i) the location of the accumulation or deposit and (ii) the volume used to determine the action on the pipe to remove the accumulation or deposit.

[00101] Пример 8 представляет собой энергонезависимый машиночитаемый носитель согласно примеру 7, отличающийся тем, что энергонезависимый машиночитаемый носитель содержит программный код, выполняемый устройством обработки, для предписывания устройству обработки: оценивать локализованное изменение диаметра трубы, вызванное скоплением или отложением, с помощью инверсной модели путем: генерирования оценочного значения локализованного изменения диаметра трубы; генерирования профиля смоделированного давления с помощью прямой модели на основании сигнала давления и оценочного значения локализованного изменения диаметра трубы; определения значения ошибки между профилем смоделированного давления и колебаниями давления; и обновления прямой модели с помощью обновленного оценочного значения локализованного изменения диаметра трубы и повторения этапов генерирования оценочного значения, генерирования профиля смоделированного давления и определения значения ошибки до тех пор, пока значение ошибки не станет меньше порогового значения.[00101] Example 8 is a non-volatile computer-readable medium according to Example 7, characterized in that the non-volatile computer-readable medium contains program code executable by the processing device for causing the processing device to: evaluate a localized pipe diameter change caused by accumulation or deposition using an inverse model by : generating an estimated value of the localized change in pipe diameter; generating a simulated pressure profile with a direct model based on the pressure signal and the estimated localized change in pipe diameter; determining an error value between the simulated pressure profile and pressure fluctuations; and updating the direct model with the updated localized pipe diameter change estimate and repeating the steps of generating the estimate, generating the simulated pressure profile, and determining the error value until the error value is less than a threshold value.

[00102] Пример 9 представляет собой энергонезависимый машиночитаемый носитель согласно примерам 7-8, отличающийся тем, что энергонезависимый машиночитаемый носитель содержит программный код, выполняемый устройством обработки, для предписывания устройству обработки: передавать команду на устройство создания давления для предписывания устройству создания давления генерировать сигнал давления, при этом колебания давления, обнаруженные датчиком давления, представляют собой отражения сигнала указанного сигнала давления. [00102] Example 9 is a non-volatile computer-readable medium according to examples 7-8, characterized in that the non-volatile computer-readable medium contains program code executable by the processing device to cause the processing device to: send a command to the pressure generating device to cause the pressure generating device to generate a pressure signal , wherein the pressure fluctuations detected by the pressure sensor are signal reflections of said pressure signal.

[00103] Пример 10 представляет собой энергонезависимый машиночитаемый носитель согласно примерам 7-9, отличающийся тем, что датчик давления расположен в непосредственной близости от устройства создания давления.[00103] Example 10 is a non-volatile computer-readable medium according to examples 7-9, characterized in that the pressure sensor is located in close proximity to the pressure generating device.

[00104] Пример 11 представляет собой энергонезависимый машиночитаемый носитель согласно примерам 7-10, отличающийся тем, что энергонезависимый машиночитаемый носитель содержит программный код, выполняемый устройством обработки, для предписывания устройству обработки: классифицировать скопления или отложения в местоположении скопления или отложения как жидкость или твердое вещество.[00104] Example 11 is a non-volatile computer-readable medium according to examples 7-10, characterized in that the non-volatile computer-readable medium contains program code executable by the processing device to cause the processing device to: classify the accumulations or deposits at the location of the accumulation or deposits as a liquid or a solid .

[00105] Пример 12 представляет собой энергонезависимый машиночитаемый носитель согласно примерам 7-11, отличающийся тем, что устройство создания давления содержит клапан, инжектор флюида или насос.[00105] Example 12 is the non-volatile computer-readable medium of Examples 7-11, characterized in that the pressurization device comprises a valve, fluid injector, or pump.

[00106] Пример 13 представляет собой энергонезависимый машиночитаемый носитель согласно примерам 7-12, отличающийся тем, что локальное изменение диаметра трубы измеряют как расстояние между поверхностью скопления или отложения и поверхностью противоположного конца трубы.[00106] Example 13 is the non-volatile computer-readable medium of Examples 7-12, characterized in that the local change in pipe diameter is measured as the distance between the surface of the accumulation or deposit and the surface of the opposite end of the pipe.

[00107] Пример 14 представляет собой реализуемый на компьютере способ, включающий: прием колебаний давления, обнаруженных датчиком давления в трубе для транспортировки углеводородного флюида, в ответ на вывод устройством создания давления в трубе сигнала давления; оценку локализованного изменения диаметра трубы, вызванного скоплением или отложением, с помощью инверсной модели; идентификацию и классификацию скопления или отложения путем применения модели машинного обучения к колебаниям давления; преобразование локализованного изменения диаметра трубы в эквивалентный объем жидкости для местоположений скопления; и вывод (i) местоположения скопления или отложения и вывод (ii) объема, применяемый для определения действия в отношении трубы для удаления скопления или отложения. [00107] Example 14 is a computer-implemented method including: receiving pressure fluctuations detected by a hydrocarbon fluid conduit pressure sensor in response to a conduit pressure output of a pressure signal; estimating a localized change in pipe diameter caused by accumulation or deposition using an inverse model; identification and classification of accumulation or deposits by applying a machine learning model to pressure fluctuations; converting the localized change in pipe diameter to an equivalent volume of fluid for accumulation locations; and output (i) the location of the accumulation or deposit and output (ii) the volume used to determine the action on the pipe to remove the accumulation or deposit.

[00108] Пример 15 представляет собой реализуемый на компьютере способ согласно примеру 14, дополнительно включающий: передачу команды на устройство создания давления для приведения устройства создания давления к генерированию сигнала давления, при этом колебания давления, обнаруженные датчиком давления, представляют собой отражения сигнала указанного сигнала давления. [00108] Example 15 is a computer-implemented method according to Example 14, further comprising: sending a command to the pressure generating device to cause the pressure generating device to generate a pressure signal, wherein the pressure fluctuations detected by the pressure sensor are signal reflections of said pressure signal .

[00109] Пример 16 представляет собой реализуемый на компьютере способ согласно примерам 14-15, отличающийся тем, что оценка локализованного изменения диаметра трубы, вызванного скоплением или отложением, с помощью инверсной модели дополнительно включает: генерирование оценочного значения локализованного изменения диаметра трубы; генерирование профиля смоделированного давления с помощью прямой модели на основании сигнала давления и оценочного значения локализованного изменения диаметра трубы; определение значения ошибки между профилем смоделированного давления и колебаниями давления; и обновление прямой модели с помощью обновленного оценочного значения локализованного изменения диаметра трубы и повторение этапов генерирования оценочного значения, генерирования профиля смоделированного давления и определения значения ошибки до тех пор, пока значение ошибки не станет меньше порогового значения.[00109] Example 16 is the computer-implemented method of Examples 14-15, wherein estimating a localized pipe diameter change caused by accumulation or deposition using an inverse model further comprises: generating a localized pipe diameter change estimate; generating a simulated pressure profile with a forward model based on the pressure signal and an estimate of the localized change in pipe diameter; determining an error value between the simulated pressure profile and pressure fluctuations; and updating the forward model with the updated localized pipe diameter change estimate and repeating the steps of generating the estimate, generating the simulated pressure profile, and determining an error value until the error value is less than a threshold value.

[00110] Пример 17 представляет собой реализуемый на компьютере способ согласно примерам 14-16, отличающийся тем, что датчик давления расположен в непосредственной близости от устройства создания давления.[00110] Example 17 is a computer-implemented method according to examples 14-16, characterized in that the pressure sensor is located in close proximity to the pressure generating device.

[00111] Пример 18 представляет собой реализуемый на компьютере способ согласно примерам 14-17, отличающийся тем, что локализованное изменение диаметра трубы измеряют как расстояние между поверхностью скопления или отложения и поверхностью противоположного конца трубы.[00111] Example 18 is a computer-implemented method according to examples 14-17, characterized in that the localized change in pipe diameter is measured as the distance between the surface of the accumulation or deposit and the surface of the opposite end of the pipe.

[00112] Пример 19 представляет собой реализуемый на компьютере способ согласно примерам 14-18, отличающийся тем, что классификация скопления или отложения включает классификацию скопления или отложения как жидкости или твердого вещества.[00112] Example 19 is the computer-implemented method of Examples 14-18, wherein classifying the accumulation or deposit includes classifying the accumulation or deposit as a liquid or solid.

[00113] Пример 20 представляет собой реализуемый на компьютере способ согласно примерам 14-19, отличающийся тем, что устройство создания давления содержит клапан, инжектор флюида или насос.[00113] Example 20 is the computer-implemented method of Examples 14-19, wherein the pressurization device comprises a valve, fluid injector, or pump.

[00114] Вышеприведенное описание некоторых вариантов реализации, включая проиллюстрированные варианты реализации, представлено только с целью иллюстрации и описания и не предназначено для того, чтобы быть исчерпывающим или ограничивать данное изобретение точными раскрытыми формами. Возможны многочисленные модификации, адаптации, комбинации и варианты использования без отклонения от объема данного изобретения.[00114] The foregoing description of certain embodiments, including the illustrated embodiments, is provided for purposes of illustration and description only and is not intended to be exhaustive or to limit the invention to the exact forms disclosed. Numerous modifications, adaptations, combinations and uses are possible without departing from the scope of the present invention.

Claims

1. A unit for detecting and quantifying fluid accumulations in pipelines for transporting hydrocarbon fluid, comprising:

a pipe for transporting hydrocarbon fluid;

a pressurization device located in the pipe part for outputting a pressure wave in the inner region of said pipe part; and

a pressure sensor fluidly connected to the specified part of the pipe to detect pressure fluctuations of the pressure wave and output a signal indicating pressure fluctuations to a computing device that determines (i) the location of the accumulation or deposit and (ii) the volume in the specified part of the pipe,

whereby a signal indicative of pressure fluctuations is used by the computing device to locate the accumulation or deposit and determine the volume in said section of the pipe by:

estimation of a localized change in pipe diameter caused by accumulation or deposition using an inverse model;

identification and classification of accumulations or deposits by applying a machine learning model to pressure fluctuations;

converting the localized change in pipe diameter to an equivalent volume of fluid for accumulation locations; and

inferring the location and volume of the buildup or deposit used to determine the action on the pipe to remove the buildup or deposit.

2. The assembly of claim 1, wherein the inverse model is used to evaluate, with a computing device, a localized change in pipe diameter caused by accumulation or deposition by:

generating an estimate of the localized change in pipe diameter;

generating a simulated pressure profile with a forward model based on the pressure wave and an estimate of the localized change in pipe diameter;

determining an error value between the simulated pressure profile and pressure fluctuations; and

updating the direct model with the updated estimate of the localized change in pipe diameter and repeating the steps of generating the estimate, generating the simulated pressure profile, and determining the error value until the error value is less than a threshold value.

3. Node according to any one of paragraphs. 1, 2, in which the pressurization device comprises a valve, a fluid injector, or a pump.

4. Node according to any one of paragraphs. 1, 2, in which the pressure sensor is located within 5 meters of the pressure generating device.

5. Node according to any one of paragraphs. 1, 2, in which pressure fluctuations result from the interaction of the pressure wave with the volume of accumulating liquid at the location of the accumulation or deposit.

6. A computer-implemented method for detecting and quantifying fluid accumulations in hydrocarbon fluid pipelines, comprising:

receiving pressure fluctuations detected by the pressure sensor in the hydrocarbon fluid conveying conduit in response to outputting a pressure signal by the conduit pressure generating device;

estimating a localized change in pipe diameter caused by accumulation or deposition using an inverse model;

identification and classification of accumulation or deposits by applying a machine learning model to pressure fluctuations;

deriving (i) the location of the accumulation or deposit and deriving (ii) the volume used to determine the action on the pipe to remove the accumulation or deposit.

7. The method of claim 6, further comprising:

sending a command to the pressure generating device to cause the pressure generating device to generate a pressure signal, wherein the pressure fluctuations detected by the pressure sensor are reflections of said pressure signal signal.

8. The method of claim 6, wherein estimating a localized change in pipe diameter caused by accumulation or deposition using an inverse model further comprises:

generating an estimate of the localized change in pipe diameter;

generating a simulated pressure profile with a forward model based on the pressure signal and an estimate of the localized change in pipe diameter;

updating the forward model with the updated localized pipe diameter change estimate; and repeating the steps of generating the estimate, generating the simulated pressure profile, and determining an error value until the error value is less than a threshold.

9. The method of claim. 6, in which the pressure sensor is located within 5 meters from the pressure device.

10. The method of claim. 6, in which the localized change in the diameter of the pipe is measured as the distance between the surface of the accumulation or deposition and the surface of the opposite end of the pipe.

11. The method of claim 6 wherein classifying the accumulation or deposit includes classifying the accumulation or deposit as a liquid or solid.

12. The method of claim 6, wherein the pressurization device comprises a valve, fluid injector, or pump.

13. The method of claim. 6, in which the pressure fluctuations result from the interaction of the pressure wave with the volume of accumulating liquid at the location of the accumulation or deposit.

14. A non-volatile computer-readable medium containing program code executable by the processing device for instructing the processing device to perform a computer-implemented method according to any one of paragraphs. 6-13.