Разработка позволит вывести на новый уровень мониторинг качества газа при транспортировке и поставке потребителям, а главное, намного более оперативно реагировать на нештатные ситуации.
«Учитывая значение газотранспортной системы для экономики, инновации, повышающие безопасность и надежность снабжения, сегодня очень важны», — подчеркнул один из разработчиков нейросетевой модели, доцент кафедры автоматизации технологических процессов Губкинского университета Иван Брокарев.
Технология успешно прошла испытания на реальных производственных объектах, которые подтвердили, что точность измерений с помощью нового метода соответствует нормативным требованиям для коммерческого учета. Результаты исследования опубликованы в журнале «Вестник Томского государственного университета».
В рамках проекта ученые разработали специальную нейросеть, которую обучили на большом объеме данных, включающих показатели более миллиона газовых смесей. Ученые также реализовали модель псевдогаза — виртуального двойника природного газа, который математически описывает многообразие возможных смесей. Эти инструменты позволили сократить количество необходимых для измерения параметров до немногих ключевых — скорости звука в газе, его теплопроводности и концентрации углекислого газа. Требуемые показатели качества газа нейросеть определяет самостоятельно на основе анализа исходных данных.
Для сравнения, при традиционном способе анализа с помощью газового хроматографа оценивается концентрация нескольких десятков компонентов, а сама процедура исследования пробы занимает до 40 минут.
На втором этапе проекта ученые создали методику многоэтапной оценки точности анализа с помощью нейросети — дополнительную «страховку» достоверности каждого полученного результата. Также был исследован компактный измерительный модуль, снимающий необходимые показатели и передающий их на вычислительный блок, который можно устанавливать на узлах учета и других объектах газотранспортной системы.
«Около 99% анализов качества природного газа сегодня выполняется с помощью традиционных методов. Главный из них — газовая хроматография. Такие приборы дороги – стоимость одного хроматографа может достигать десятков млн рублей, громоздки и требуют регулярного и дорогого технического обслуживания. К тому же, это медленный процесс, а на узлах коммерческого учета, где надо фиксировать параметры в реальном времени, такие задержки осложняют работу. Наш метод позволяет в реальном времени анализировать качество природного газа с помощью коммерчески доступных измерительных приборов суммарной стоимостью до сотен тысяч рублей», — пояснил Иван Брокарев.
На сегодня доля альтернативных методов анализа газа в мире не превышает 1%. Внедрение нейросетевого подхода может стать первым шагом к изменению этого баланса, сделав постоянный контроль качества газа быстрым, доступным и повсеместным.
Разработанная коллективом ученых технология может быть доработана под разные задачи, например, для анализа природного газа промышленного назначения, для анализа биогаза и СПГ, мониторинга газа после гидроразрыва пласта на месторождениях и другие.
Общая протяженность газотранспортной системы России составляет более 180 тысяч км. Она является самой протяженной в мире. Основная часть газотранспортной системы входит в состав Единой системы газоснабжения (ЕСГ) России. ЕСГ представляет собой уникальный технологический комплекс, включающий в себя объекты добычи, переработки, транспортировки, хранения и распределения газа в европейской части России и Западной Сибири.
Качество природного газа определяет эффективность и безопасность цепочки его поставок — от заводов и электростанций до бытовых плит. При этом состав газа из разных месторождений и даже из одного трубопровода часто меняется. Это создает проблему для точного учета, справедливой цены и стабильной работы оборудования. Стандартные методы контроля качества газа плохо справляются с новыми вызовами: ростом доли трудноизвлекаемых запасов и нетрадиционных источников газа (СПГ, биогаза), а также требованиями к оперативной точности учета. Разработка ученых и инженеров-исследователей Губкинского университета и ИПУ РАН — часть глобального тренда на цифровизацию и интеллектуализацию нефтегазовой отрасли.