Аналіз ризику Ex-spool 16' mol: погляд на машинне навчання та експериментальні результати
| Autor: | Taufik Aditiyawarman, Johny Wahyuadi Soedarsono, Agus Paul Setiawan Kaban, Rini Riastuti, Haryo Rahmadani, Mohammad Pribadi, Rizal Tresna Ramdhani, Sidhi Aribowo, Suryadi Suryadi |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: |
аналіз першопричин
Wall thinning Applied Mathematics Mechanical Engineering Energy Engineering and Power Technology Sand Abrasion мультиколлінеарна матриця Пірсона стирання піском Root-cause-analysis Industrial and Manufacturing Engineering Computer Science Applications Control and Systems Engineering стоншення стін Management of Technology and Innovation Environmental Chemistry Supervised Machine Learning Electrical and Electronic Engineering Pearson Multicollinear Matrix Food Science контрольоване машинне навчання |
| Zdroj: | Eastern-European Journal of Enterprise Technologies; Vol. 3 No. 12 (117) (2022): Materials Science; 20-33 Eastern-European Journal of Enterprise Technologies; Том 3 № 12 (117) (2022): Матеріалознавство; 20-33 |
| ISSN: | 1729-3774 1729-4061 |
| Popis: | The paper reports the development of a Risk-Based Inspection (RBI)-Machine Learning perspective. The Optical Emission Spectrometry (OES), Tensile and Hardness Test, Scanning Electron Microscope (SEM), Energy Dispersive X-Ray Spectroscopy (EDS), Sulfate Reducing Bacteria Check, and X-Ray Diffraction (XRD) was used to analyze the root cause of the pipeline’s failure. Corrosion attack shows at the cross-section microstructure based on SEM results. Carbon, Manganese, Phosphorous, and sulfur’s chemical composition is dramatically lower than the standard API 5L Grade X42. Siderite and hematite dominate the composition of the corroded area as a result of CO2 dissolving in water. In contrast, hematite is generated due to the pipe and outdoor atmosphere reaction. Severe local wall thinning of the sand abrasion causes the degradation of the material’s mechanical properties and increases the corrosion rate. This result amplifies by the development of Machine Learning (ML) of Pearson Multicollinear Matrix and Supervised ML (Random Forest, Support Vector Machine, and Linear Regression) to estimate the corrosion degradation of the material. The source of datasets provided by ILI inspection includes the calculated PoF Remaining Useful Life (RuL) as input data, while Probability of Failure (PoF) prediction serves as output data. The Random Forest shows superior predictions of 92.18 %, with the lowest validation loss of 0.0316. The modeling result confirms the experimental outcome. This work demonstrates the implementation strategy to reduce the analysis time, minimize human bias, and serve as a reliable reference tool and guideline to maintain the integrity of the subsea pipelines. У документі повідомляється про розробку концепції перевірки на основі ризиків та машинного навчання для пом'якшення наслідків. Для аналізу першопричини відмови трубопроводу використовували оптичну емісійну спектрометрію, тест на розтягування і твердість, скануючий електронний мікроскоп, енергодисперсійну рентгенівську спектроскопію, перевірку сульфатредукуючих бактерій і рентгенівську дифракцію. Корозійна дія проявляється на мікроструктурі поперечного перерізу за результатами скануючого електронного мікроскопа. Хімічний склад вуглецю, марганцю, фосфору та сірки значно нижчий, ніж у стандартного API 5L класу X42. У складі корродованої ділянки переважають сидерит та гематит внаслідок розчинення СО2 у воді. Навпаки, гематит утворюється через реакції труби та зовнішньої атмосфери. Сильне локальне стоншування стінки в результаті піскоструминного стирання викликає погіршення механічних властивостей матеріалу і збільшує швидкість корозії. Цей результат посилюється за рахунок розробки машинного навчаннямультиколлінеарної матриці Пірсона та контрольованого машинного навчання (випадковий ліс, метод опорних векторів та лінійна регресія) для оцінки корозійної деградації матеріалу. Джерело наборів даних, надане інспекцією ILI, включає розрахунковий термін корисного використання прогнозу ймовірності відмови в термін корисного використання, що залишився, як вхідні дані, тоды як прогноз ймовірності відмови) служить як вихідні дані. Випадковий ліс показує чудові прогнози 92,18% із найменшими втратами перевірки 0,0316. Результат моделювання підтверджує результати експерименту. Ця робота демонструє стратегію впровадження, що дозволяє скоротити час аналізу, звести до мінімуму вплив людського фактора та служити надійним довідковим інструментом та керівництвом для підтримки цілісності підводних трубопроводів. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|