Nghiên cứu ứng dụng mạng neural nhân tạo để dự đoán tốc độ ăn mòn Carbon Dioxide (CO2) trong đường ống dẫn dầu khí
Ăn mòn trong đường ống do tác nhân Carbon Dioxide (CO2) là vấn đề đáng
quan tâm trong công nghiệp dầu khí. Trong nghiên cứu này, nhóm tác giả
đề xuất phương pháp tiếp cận mới để dự đoán tốc độ ăn mòn do Carbon
Dioxide (CO2) trong đường ống, ứng dụng phương pháp máy học, cụ thể là
mạng Neural nhân tạo (ANN). Sau khi tiến hành thu thập, chọn lọc đặc
trưng, tiền xử lý dữ liệu, tập dữ liệu phục vụ cho nghiên cứu bao gồm 40
điểm dữ liệu với 9 đặc trưng (features). Mô hình mạng ANN đã được xây
dựng với 2 lớp ẩn có kích thước lần lượt là 18 node và 9 node; với hàm kích
hoạt lần lượt là ReLU và Sigmoid. Nhóm tác giả sử dụng các thuật toán
Early Stopping và RMSprop để tăng độ chính xác của mô hình ANN, giảm
ảnh hưởng của bộ dữ liệu nhỏ. Mô hình dự đoán theo tiêu chuẩn Norsok M-
506 cũng được áp dụng để so sánh hiệu quả với mô hình mạng neural nhân
tạo. Các chỉ tiêu bao gồm căn bậc hai sai số bình phương trung bình
(RMSE), sai số tuyệt đối trung bình (MAE), hệ số xác định (R2). Kết quả
nghiên cứu cho thấy dự đoán của mô hình mạng neural nhân tạo đạt các
chỉ tiêu R2 = 0.938, RMSE = 0,014, MAE = 0,011 tốt hơn nhiều so với mô hình
thực nghiệm theo tiêu chuẩn Norsok M-506.
cho lớp ẩn tiếp theo. Hàm ReLU đã được chứng minh là giúp việc huấn luyện học máy và học sâu (deep learning) nhanh hơn rất nhiều, nguyên do đạo hàm của nó bằng 0 với x ≤ 0, và bằng 1 khi x>0. Công thức của hàm ReLU và hàm Sigmoid lần lượt như (6), (7). RELU: f(x) = max (0,x) (f(x) = 0 với x ≤ 0, f(s) = x với x >0) Sigmoid: 𝑓(𝑥) = 1 1+𝑒−𝑥 Đồ thị của 2 hàm như Hình 3 Hàm mất mát được sử dụng là hàm sai số bình phương trung bình, có công thức như (8). 𝑚𝑠𝑒 = 1 𝑛 ∑ (𝑦𝑖 − �̂�𝑖) 2𝑛 𝑖=1 Một vài thuật toán tối ưu đào tạo lan truyền ngược thường được sử dụng Gradient Decent (đạo hàm đi ngược), Stochastic Gradient Descent (SGD), thuật toán Levenberg- Marquardt Algorithm (LMA), Scaled Conjugate Gradient (SCG), Pola-Ribiere conjugate gradient (PCG), Adadelta (Matthew, 2012), Adam, Adagrad và Bảng 1. Kết quả phân tích tương quan giữa các đặc trưng đầu vào. (5) (6) (7) (8) Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 95 những thuật toán khácNhóm tác giả sử dụng thuật toán RMSprop (Geoffrey, 2014). Thuật toán này có ưu điểm tốc độ học (learning rate) tự động điều chỉnh, thay đổi lớn với các dữ liệu khác biệt nhiều và các thay đổi nhỏ cho các dữ liệu ít khác biệt; và nhanh chóng đạt được giá trị cực tiểu toàn cục. Kỹ thuật Early stopping - dừng thuật toán trước khi hàm mất mát quá nhỏ, giúp tránh hiện tượng quá khớp (overfitting) cũng được áp dụng trong nghiên cứu này. Các thiết lập Early stopping gồm: chỉ tiêu đánh giá là sai số tuyệt đối trung bình, và số epoch tối đa bằng 50 (epoch - số lần duyệt qua tất cả các điểm dữ liệu) trước khi giá trị chỉ tiêu đánh giá của bộ dữ liệu xác thực có chiều hướng tăng lên. 3. Kết quả nghiên cứu và thảo luận Với mô hình mạng neural nhân tạo được xây dựng như mục trên, tập dữ liệu huấn luyện và xác thực được sử dụng để đào tạo mạng. Cùng với việc áp dụng kỹ thuật Early Stopping, quá trình đào tạo kết thúc với số lần lặp (epoch) bằng 1293. Sự thay đổi của chỉ tiêu - sai số tuyệt đối trung bình của tập huấn luyện và tập xác thực trong Hình 4. Bảng 2 cho thấy mô hình mạng neural nhân tạo cho kết quả dự báo khá tốt với giá trị hệ số xác định của tập dữ liệu kiểm tra R2=0,868. Chỉ số R2 của tập dữ liệu kiểm tra thấp hơn tập dữ liệu huấn luyện và xác thực là do số lượng các điểm dữ liệu còn ít. Các chỉ số đánh giá của mô hình mạng neural nhân tạo dự đoán tốc độ ăn mòn trên toàn bộ tập dữ liệu lần lượt có giá trị RMSE = 0,014, MAE = 0,011, R2 = 0,938. Ảnh hưởng của từng thông số đầu vào (áp suất CO2, độ pH, tuổi ) lên tốc độ ăn mòn chưa được xét đến và sẽ đề cập đến trong những nghiên cứu sau. Các kết quả dự đoán tốc độ ăn mòn của trên bộ dữ liệu được so sánh Hình 2. Mô hình mạng neural nhân tạo dự đoán tốc độ ăn mòn. Hình 3. Đồ thị hàm số Sigmoid và ReLU. 96 Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 với thực tế và được minh họa trong Hình 5. Sử dụng mô hình thực nghiệm dự đoán ăn mòn CO2 theo tiêu chuẩn Norsok M-506 để tính toán bộ dữ liệu, nhóm tác giả thu được các chỉ số đánh giá RMSE = 0,064, MAE = 0,048, R2 = -0,364. Hệ số xác định âm cho thấy kết quả dự đoán mô hình Norsok M-506 chưa mô phỏng được thực tế bộ dữ liệu trên. Mạng neural nhân tạo cho thấy khả năng dự đoán vượt trội hơn so với mô hình thực nghiệm theo tiêu chuẩn Norsok M-506. Bảng 3 so sánh hiệu suất của các mô hình dự đoán tốc độ ăn mòn. Hình 6 minh họa giá trị tốc độ ăn mòn dự đoán của các mô hình so với tốc độ ăn mòn thực tế. Tập dữ liệu RMSE MAE R2 Huấn luyện và xác thực 0,010 0,008 0,962 Kiểm tra 0,020 0,017 0,868 Mô hình RMSE MAE R2 Tiêu chuẩn Norsok M-506 0,064 0,048 -0,364 Mô hình mạng neural nhân tạo 0,014 0,011 0,938 Hình 4. Early stopping: sai số tuyệt đối trung bình của tập huấn luyện và tập xác thực. Bảng 2. Các chỉ tiêu của mạng neural nhân tạo dự đoán tốc độ ăn mòn. Hình 5. Đồ thị hồi quy của mạng neural nhân tạo dự đoán tốc độ ăn mòn. Bảng 3. Hiệu suất của các mô hình dự đoán tốc độ ăn mòn. Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 97 4. Kết luận Tốc độ ăn mòn là một thông số quan trọng để xác định sự phát triển ăn mòn trong đường ống. So sánh các phương pháp dự đoán tốc độ ăn mòn bằng mô hình mạng neural nhân tạo và mô hình thực nghiệm Norsok M - 506 cho thấy sự vượt trội của phương pháp mới: thông qua các chỉ số như: hệ số xác định (R2), sai số bình phương trung bình (MSE), căn bậc hai sai số bình phương trung bình. Điều đó đã chứng minh mô hình mới có thể là công cụ dự đoán khá chính xác tốc độ ăn mòn. Phương pháp này có thể sử dụng trong nghiên cứu cũng như trong thực tế đánh giá tốc độ ăn mòn trong do CO2 tùy thuộc vào điều kiện cụ thể tuyến ống. Tài liệu tham khảo Bassam, A., Toledo, D. O., Hernandez, J. A., 2009. Artificial neural network for the evaluation of CO2 corrosion in a pipeline steel. J. Solid State Electrochem 13, 773-780. Bersani, C., Citro L., Gagliardi, R. V., Sacile, R., & Tomasoni, A. M., 2010. Accident occurence evaluation in the pipeline transport dangerous goods. Chemical Engineering Transactions. Geoffrey Hinton, 2014. CSC321 - Introduction to Neural Networks and Machine Learning. Giulia De Masi, Roberta Vichi, Manuela Gentile, 2014. A Neural Network Predictive Model of Pipeline Internal Corrosion Profile. 2014 First International Conference on Systems Informatics. Modelling and Simulation. Hahnloser, R.; Sarpeshkar, R.; Mahowald, M. A.; Douglas, R. J.; Seung, H. S, 2000. "Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit". Nature. Han, Jun; Morag, Claudio, 1995. The influence of the sigmoid function parameters on the speed of backpropagation learning. In Mira, José; Sandoval, Francisco. From Natural to Artificial Neural Computation. 195-201 IYASELE, Edgar Omondiale, OYATOGUN Modupe Grace, 2018. Development of a Computer Software for Determining the Corrosion Rate of Oil Pipelines in CO2 Environment Using Modified NORSOK M-506 Model. International Journal of Scientific & Engineering Research. Kexi Liao, Quanke Yao, Xia Wu and Wenlong Jia, 2012. A Numerical Corrosion Rate Prediction Method for Direct Assessment of Wet Gas Gathering Pipelines Internal Corrosion. Energies. Matthew D. Zeiler, 2012. ADADELTA: an adaptive learning rate method. Google Inc. https://arxiv.org/abs/1212.5701 Mazura Mat Din Norafida Ithnin, Azlan Md. Zain, Norhazilan Md Noor, Maheyzah Md Siraj and Rosilawati Md. Rasol. 2015. An artificial neural network modeling for pipeline corrosion growth prediction, ARPN Journal of Engineering and Applied Sciences. Hình 6. Đồ thị hồi quy các mô hình dự đoán tốc độ ăn mòn. 98 Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 Mohaghegh S, 1995. Neural network: What it can do for petroleum engineers. Society of Petroleum Engineers. Mohamed Layouni, 2014. A Survey on the Application of Neural Networks in the Safety Assessment of Oil and Gas Pipelines. IEEE Symposium on Computational Intelligence for Engineering Solutions (CIES). NACE SP0102, 2010. Standard Practice - In-Line Inspection of Pipelines. NACE International Publishing. Houston, TX, USA, 2010 NACE SP0110, 2010. Wet Gas Internal Corrosion Direct Assessment Methodology for Pipelines. NACE International Publishing. NACE SP0116, 2016. Multiphase Flow Internal Corrosion Direct Assessment (MP-ICDA) Methodology for Pipelines. NACE International Publishing. NACE SP0206, 2016-SG, 2016, Internal Corrosion Direct Assessment Methodology for Pipelines Carrying Normally Dry Natural Gas (DG-ICDA). NACE International Publishing. NORSOK STANDARD M-506, Edition 3, June 2017. “CO2 corrosion rate calculation model”. duktkatalogen/Produktpresentasjon/?Produc tID=923800 Obaseki M, Nwankwojike B. N và Abam, F.I, 2017, Artificial Neural Network Simulation Model for Predicting Oil and Gas Pipeline Corrosion Rate in Nigerian Niger Delta, FUPRE Journal of Scientific and Industrial Research. Pierre R. Roberge, 2002. Handbook of corrosion engineering. Mc Graw Hill. Robert J Schalkoff, 1997. Artificial Neural Networks, Vol.1, McGraw-Hill New York. Roft Nyborg, 2005. Controlling Internal Corrosion in Oil and Gas Pipelines. Institute for Energy Technology (IFE). Roft Nyborg. 2009. Guidelines for prediction of CO2 corrosion in oil and gas production systems. Institute for Energy Technology. Na Uy. ABSTRACT Applying artificial neural networks to predict carbon dioxide (CO2) corrosion rate in oil and gas pipeline Hung Phung Nguyen, Vinh Duc Le, Truong Hung Trieu Faculty of Oil and Gas, Hanoi University of Mining and Geology, Vietnam Carbon dioxide (CO2) corrosion is one of the major concerns in oil and gas industry. This work attempted to apply Machine Learning method - Artificial Neural Network (ANN) to predict CO2 corrosion rate in pipeline. After collecting, selecting features, pre-processing, a dataset of 40 data with 9 features of pipeline operating parameters has been used for research. Applying newest optimizer RMSprop with algorithm Early-Stopping increases accuracy and reduces the effect of small dataset. An Artificial Neural Network is developed, which has 2 hidden layers with 18 nodes and 9 nodes with activate functions ReLU and Sigmoid in sequence. The empirical model Norsok M-506 was applied to compare performances of models. Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), coefficient of determination (R2) were used as evaluating indicators. The predicted corrosion rates of artificial neural network model R2 = 0.938, RMSE = 0,014, MAE = 0,011 provided higher performance than empirical model Norsok M-506.
File đính kèm:
- nghien_cuu_ung_dung_mang_neural_nhan_tao_de_du_doan_toc_do_a.pdf