Текущее состояние. Современные системы транспортировки нефти по трубопроводам сталкиваются с проблемами точного определения коэффициента заполнения трубопровода, особенно на самотечных участках, где традиционные методы измерения оказываются неэффективными. Существующие подходы, такие как номинальное принятие коэффициента заполнения равным 1 или использование данных расходомеров, не учитывают сложные режимы течения многофазных потоков, что может приводить к ошибкам в коммерческом учете и рискам потерь продукта. Перспективы решения этих проблем связаны с применением алгоритмов компьютерного зрения и машинного обучения для классификации режимов течения и более точного расчета коэффициента заполнения.

Решаемая научная проблема. Основная идея исследования заключается в разработке алгоритмической модели для определения режимов течения нефти на самотечных участках трубопроводов с использованием методов машинного обучения. Гипотеза состоит в том, что применение нейросетевых алгоритмов, таких как ResNet-50, позволит точно классифицировать режимы течения и улучшить расчет коэффициента заполнения. Задачи исследования включают:

1. Анализ и моделирование наиболее вероятных режимов течения с использованием ПО Ansys.

2. Разработку метода определения коэффициента заполнения на основе метода Ньютона-Гаусса.

3. Создание и тестирование модели нейронной сети для классификации изображений режимов течения.

4. Валидацию модели на реальных данных и проектирование экспериментального участка трубопровода для дальнейших исследований.

Методы исследования. Исследование выполнялось в следующей последовательности.

1. Моделирование режимов течения. С использованием Ansys Fluent были смоделированы 8 наиболее вероятных режимов течения, включая Dispersed flow, Stratified flow и Annular mist flow.

2. Разработка алгоритма. Для определения коэффициента заполнения трубопровода использовался метод Ньютона-Гаусса с элементами векторной графики.

3. Создание датасета и обучение модели. Для классификации изображений применялась архитектура ResNet-50, выбранная благодаря ее высокой точности и способности работать с глубокими нейронными сетями. Модель была протестирована на 700 изображениях, а ее качество оценено с помощью метрик ROC-AUC и матрицы ошибок.

4. Валидация. Результаты показали высокую точность для некоторых режимов (например, Slug flow и Waved flow), в то время как для других (например, Dispersed flow) потребовалась дополнительная оптимизация.

Для обоснования выбора методов и оборудования авторы провели сравнительный анализ различных архитектур нейронных сетей (CNN, GAN, Feature-based, Zero-shot) и выбрали ResNet-50 как наиболее подходящую для задачи.

Детали исследования. В исследовании рассматривается проблема определения коэффициента заполнения на самотечных участках нефтепроводов, где невозможно напрямую измерить уровень заполнения труб. Для решения задачи была разработана алгоритмическая модель, способная классифицировать режим течения в трубопроводе на основе изображений, полученных с помощью программного моделирования в Ansys Fluent. Были выделены восемь типов течения, наиболее вероятных при мультифазных потоках, таких как Dispersed Flow, Stratified Flow и Annular Mist Flow.

Для анализа и классификации использовались современные методы компьютерного зрения и машинного обучения, включая сверточные нейронные сети (CNN), генеративные состязательные сети (GAN), feature-based подходы и zero-shot классификацию. Наиболее эффективной оказалась модель ResNet-50, показавшая высокую точность на нескольких классах.

Также была предложена и реализована методика численного определения коэффициента заполнения с использованием метода Ньютона-Гаусса. Разработан эскиз физической установки — самотечного участка с системой измерительных датчиков (кольцо конденсаторов/электродов), который может использоваться для валидации компьютерных моделей.

Обучение проводилось на собственном датасете (700 изображений, 8 классов, более 100 синтетических изображений на класс). Оценка по ROC-AUC и матрице ошибок показала высокую точность для Slug и Waved Flow, но меньшую — для Dispersed Flow из-за визуального сходства с другими режимами.

Заключение. Проведенное исследование подтвердило возможность использования алгоритмов машинного зрения для классификации режимов течения на самотечных участках трубопроводов. Разработанная модель на основе ResNet-50 показала высокую точность классификации отдельных режимов и может быть основой для систем автоматического мониторинга коэффициента заполнения трубопроводов.

Следующим этапом станет реализация физического прототипа установки с кольцом конденсаторов и интеграция программного комплекса для валидации работы модели на реальных объектах. Полученные результаты могут быть внедрены в системы диспетчерского контроля линейных участков магистральных трубопроводов, повысив точность учета перекачиваемых объемов и минимизируя коммерческие потери.