Сегодня на смену традиционным методам мониторинга и прогнозирования коррозионных потерь приходят алгоритмы искусственного интеллекта, которые учатся предсказывать развитие дефектов по огромным массивам данных. Об этой теме мы говорим на секции цифрового материаловедения в рамках нашей конференции, а сегодня мы задаем вопросы о том, как машинное обучение меняет подходы к предиктивной аналитике в трубопроводном транспорте, одному из экспертов конференции – кандидату технических наук, руководителю направления «Нефтегазовый инжиниринг» научно-технологического комплекса «Новые технологии и материалы», Ивану Андреевичу Голубеву.
Иван Андреевич, на сколько сегодня распространено использование ИИ в борьбе с коррозией?
Иван Голубев: Начну с того, что обозначу актуальность проблемы потерь, связанных с коррозией. В России протяжённость трубопроводов исчисляется десятками тысяч километров, и большая их часть подвержена коррозии. В зависимости от типа трубопровода коррозионные механизмы различаются. Так, промысловые трубопроводы подвержены внутренней коррозии из-за воздействия агрессивных сред, в частности, содержащих CO₂ и H₂S; магистральные трубы страдают от внешней коррозии и коррозионного растрескивания под напряжением; технологические трубопроводы НПЗ и ГПЗ подвержены ускоренной коррозии из-за высоких температур и давлений. Эти трубопроводы требуют постоянного мониторинга для обеспечения надежности и безопасной работы, однако для разных механизмов коррозии используются отличающиеся алгоритмы.
Как сегодня осуществляется мониторинг и прогнозирование коррозионных процессов?
Иван Голубев: Главная задача – спрогнозировать развитие дефектов и оценить остаточный ресурс трубы. Но учитывая множество факторов – режимы эксплуатации, состав среды, свойства материалов, активность грунта и др. – традиционные методы расчетов и упрощенных моделей коррозии показывают ограниченную эффективность.
На смену им приходят интеллектуальные инструменты с элементами искусственного интеллекта и машинного обучения, по-простому, есть расчетная прогностическая модель коррозии, зашитая в ПО, которая анализирует огромные массивы исторических данных и находит сложные зависимости, недоступные человеку.
Алгоритм обучается на массиве информации, собранной с объекта исследования:
1. Режимы эксплуатации: давление, температура, скорость потока, их изменения во времени.
2. Свойства среды: химический состав транспортируемого продукта, наличие примесей, концентрация агрессивных агентов (CO₂, H₂S) и т.д.
3. Результаты диагностики: внутритрубной и ультразвуковой – ключевой источник данных. Именно эти данные, собираемые годами, являются основой набора данных для обучения моделей.
Алгоритмы ИИ анализируют исторические данные дефектоскопии, сопоставляя их с параметрами эксплуатации, и выявляют закономерности роста разных типа дефекта. В результате система не просто фиксирует текущее состояние, но и строит вероятностный прогноз развития дефектов во времени, позволяя определить, когда именно размер повреждения достигнет критического значения. Это позволяет точно определить критические сроки для ремонта или замены участков трубопровода.
Есть ли успешные примеры внедрения таких технологий?
Иван Голубев: Да, одним из к примеров является решение компании АО «Транснефть Диаскан». С 1997 года они аккумулируют и анализируют данные диагностики по всей системе трубопроводов, что позволяет повысить эффективность мониторинга и оптимизировать обследования, исключая участки с низкой вероятностью выхода из строя. С 2022 года в компании используют искусственный интеллект для автоматизации процессов поиска и классификации дефектов в трубопроводных системах. Технология компьютерного зрения позволяет нейронным сетям эффективно распознавать и анализировать визуальные данные, полученные в ходе диагностики.
Однако есть сложности, которые ограничивают пока масштабное распространение подобных инструментов в отрасли:
– недостаточно качество данных. При отсутствии у компании собственного диагностического оборудования, или постоянной подрядной организации возникают сложности с разной погрешностью и разными протоколами передачи данных у различных приборов. Это снижает точность информации о локализации дефекта и скорости его развития, что напрямую влияет на адекватность итоговой прогнозной модели.
– пробелы в данных. Междиагностический период (до 5 лет) формирует пропуски в наборе данных. Отсутствующие данные о развитии дефекта заполняются методами экстраполяции, физического моделирования (описывают процесс деградации с точки зрения взаимодействия среды с материалом) и различными допущениями, что также вносит погрешность в конечный прогноз.
Исходя из этой проблематики, какие вы видите перспективы развития применения ИИ инструментов для прогноза коррозии?
Иван Голубев: Для повышения точности нужны комплексные усилия:
• Совершенствование диагностического оборудования и стандартизация данных.
• Развитие гибридных моделей, сочетающих физические модели коррозии и искусственный интеллект.
• Активный обмен опытом между нефтегазовыми компаниями, исследовательскими институтами, производителями оборудования и сервисными организациями.
Только такой подход позволит создать более эффективные и доступные решения, повышающие надежность отечественной трубопроводной системы.
Чем занимается ваша команда в этом направлении?
Иван Голубев: Мы разрабатываем подход, сочетающий физические модели и искусственный интеллект. Командой мы разрабатываем модели углекислотной коррозии, описывающие процессы деградации промысловых трубопроводов с учетом взаимодействия среды, эксплуатации, материала. Об этом, конечно, нужно говорить в деталях, поэтому позже раскроем подробнее эту тему. Совмещаем эти модели с ИИ, чтобы повысить качество прогнозов, особенно когда данных с диагностических приборов мало.
Разработка подобного подхода требует междсциплинарных компетенций: математического моделирования, коррозии, знания газогидродинамики, трубопроводных систем, области IT, дата-сайентисты, понимание методов диагностики.
Подход, сочетающий физические модели и искусственный интеллект, позволит помимо снижения затрат на диагностику и повышения точности моделей ИИ, в перспективе управлять режимом эксплуатации и влиять на ресурс безопасной эксплуатации.
Подводя итог, хочу подчеркнуть – это направление крайне актуально, поэтому следующем году на конференции 19-21 мая 2026 г. мы планируем провести круглый стол на тему искусственного интеллекта и предиктивной аналитики коррозионных. Ждем желающих присоединиться к дискуссии на конференции и в нашем сообществе в Telegram @nerzhaveikaspbpu
