این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۶، شماره ۹، صفحات ۱۰۷-۱۱۲
عنوان فارسی تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی‌های آماری همراه با کاربرد شبکه عصبی مصنوعی
چکیده فارسی مقاله نشتی‌های خط لوله نفت اگر مورد توجه واقع نشود می‌تواند منجر به خسارت‌‌‌‌‌‌های بزرگی گردد. اولین گام برای مقابله موثر با این نشتی‌ها، تشخیص محل وقوع آن‌ها است. در مقاله‌ی حاضر یک روش جدید آشکارسازی و جداسازی عیوب (FDI) مبتنی بر داده‌ پیشنهاد می‌شود که نه تنها قادر است وقوع عیب نشتی و محل آن را آشکار سازد بلکه می‌تواند وخامت (اندازه‌ی) نشتی را نیز با دقت زیاد تخمین بزند. در مطالعه‌ی حاضر، خط لوله‌ی گلخاری- بینک که در جنوب ایران واقع شده، در نرم افزار الگا مدل‌سازی گردیده است که داده‌های مورد نیاز برای آموزش سیستم FDI را فراهم می‌نماید. سناریوهای مختلف نشتی بر مدل اعمال می‌گردد و نرخ دبی خروجی و فشار ورودی متناظر به عنوان داده‌های آموزش ثبت می‌شود. داده‌های بدست آمده در حوزه‌ی زمان به حوزه‌ی موجک انتقال داده می‌شوند. سپس ویژگی‌های آماری داده‌ها از دو حوزه‌ی موجک و زمان استخراج می‌گردد. ویژگی‌های بدست آمده به یک شبکه‌ی عصبی چندلایه‌ی پرسپترون (MLPNN) به عنوان سیستم FDI اعمال می‌گردد. نتایج نشان می‌دهد که سیستم مبتنی بر ویژگی‌های آماری موجک عملکرد بهتری نسبت به سیستم مبتنی بر ویژگی‌های آماری حوزه‌ی زمان دارد. همچنین سیستم پیشنهادی می‌تواند محل و وخامت نشتی را با نرخ هشدار غلط (FAR) اندک و نرخ طبقه‌بندی صحیح (CCR) بسیار زیاد تشخیص دهد.
کلیدواژه‌های فارسی مقاله تشخیص نشتی، ویژگی آماری، تبدیل موجک، شبکه عصبی مصنوعی،
عنوان انگلیسی Oil pipeline leak diagnosis using wavelet transform and statistical features with artificial neural network application
چکیده انگلیسی مقاله Oil pipeline leakages, if not properly treated, can result in huge losses. The first step in tackling these leakages is to diagnose their location. This paper employs a data-driven Fault Detection and Isolation (FDI) system not only to detect the occurrence and location of a leakage fault, but also to estimate its severity (size) with extreme accuracy. In the present study, the Golkhari-Binak pipeline, located in southern Iran, is modeled in the OLGA software. The data used to train the data-driven FDI system is acquired by this model. Different leakage scenarios are applied to the pipeline model; then, the corresponding inlet pressure and outlet flow rates are recorded as the training data. The time-domain data are transformed into the wavelet domain; then, the statistical features of the data are extracted from both the wavelet and the time domains. Each of these features are then fed into a Multi-Layer Perceptron Neural Network (MLPNN) which functions as the FDI system. The results show that the system with the wavelet-based statistical features outperforms that of the time-domain based features. The proposed FDI system is also able to diagnose the leakage location and severity with a low False Alarm Rate (FAR) and a high Correct Classification Rate (CCR).
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مرتضی زادکرمی |
دانشگاه صنعت نفت
سازمان اصلی تایید شده: دانشگاه صنعت نفت (The petroleum university of technology)

مهدی شهبازیان |
دانشگاه صنعت نفت
سازمان اصلی تایید شده: دانشگاه صنعت نفت (The petroleum university of technology)

کریم سلحشور |
دانشگاه صنعت نفت
سازمان اصلی تایید شده: دانشگاه صنعت نفت (The petroleum university of technology)

نشانی اینترنتی http://mme.modares.ac.ir/article_15214_268e1e7497c537f862c6503cdbf25dd4.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-227207.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات