پیش‌بینی خرابی خطوط لوله آسیب‎دیده با کمک شبیه‌سازی اجزاء محدود برهمکنش سیال-سازه و شبکه عصبی

نوع مقاله : مقاله مستقل

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی مکانیک، دانشگاه صنعتی بابل

2 دانشیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی بابل

3 استادیار، دانشکده مهندسی مواد و صنایع، دانشگاه صنعتی بابل

4 استادیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی بابل

5 دانشجوی دکتری، دانشکده مهندسی مکانیک، دانشگاه صنعتی نوشیروانی بابل

چکیده

بروز شکست در خطوط لوله سبب خسارات زیادی از جمله آسیب به محیط‌ زیست و منابع طبیعی و تحمیل هزینه‌های بالای تعمیرات می‌گردد. لذا در این پژوهش با بهره‌گیری از شبیه‎سازی اجزاء محدود پدیده برهمکنش سیال- جامد بین سیال عبوری و لوله آسیب‌ دیده، توزیع تنش و خرابی در لوله آسیب‌دیده مورد بررسی شده است. با توجه به زمانبر بودن شبیه‌سازی برهمکنش سازه-سیال با روش اجزاء محدود، از یک شبکه عصبی مصنوعی نیز به ‌منظور پیش‌بینی رفتار خطوط لوله آسیب‌ دیده استفاده‌ شده تا بتواند با تغییر شرایط کاری یا آسیب لوله رفتار آن را پیش‎بینی نماید. جهت آموزش این شبکه عصبی مصنوعی از الگوریتم انتشار بازگشتی بهره گرفته شده است. به این منظور، ابتدا بیشینه تنش‌ها در لوله معیوب برای مقادیر مختلف سرعت سیال، اندازه، فاصله و عمق آسیب با روش اجزاء محدود محاسبه و به عنوان تابع هدف در نظر گرفته شده است. سپس از مقادیر به دست آمده برای آموزش شبکه عصبی استفاده گردیده است. برای بدست آوردن ساختار بهینه شبکه عصبی و افزایش دقت آن، مقادیر پارامترهای طراحی با روش تاگوچی تعیین شده است. نتایج به‌ دست‌ آمده نشان دادند که ترکیب روش اجزا، محدود برای تحلیل برهمکنش سازه-سیال و روش شبکه عصبی مصنوعی، ابزار مناسبی برای بررسی و پیش‌بینی شکست در لوله‌های معیوب است.

کلیدواژه‌ها


[1] Weng G, Ding J, Cao J, Hui Y (2023) Experiment and numerical simulation of stress detection for oil and gas pipelines based on magnetic stress coupling of pipeline steel. Structures 55:2478–2490.
[2] Huang Z, Shuai J (2023) Performance evaluation method of oil and gas pipeline integrity management. J Loss Prev Process Ind 84:105099.
[3] Woldesellasse H, Tesfamariam S (2023) Risk analysis of onshore oil and gas pipelines: Literature review and bibliometric analysis. J Infrastruct Intell Resil 100052.
[4] Xie Y, Gao C, Wang P, Qu X, Cui H (2023) Research on vibration fatigue damage identification of oil and gas pipeline under the condition of measured noise injection. Appl Ocean Res 134:103512.
[5] Yao J, Liang W, Xiong J (2022) Novel intelligent diagnosis method of oil and gas pipeline defects with transfer deep learning and feature fusion. Int J Press Vessels Pip 200:104781.
[6] Woldesellasse H, Tesfamariam S (2023) Failure assessment of oil and gas transmission pipelines using an integrated Bayesian belief network and GIS model. Int J Press Vessels Pip 205:104984.
[7] Netto TA, Ferraz US, Estefen SF (2005) The effect of corrosion defects on the burst pressure of pipelines. J Constr Steel Res 61:1185–1204.
[8] Fekete G, Varga L (2012) The effect of the width to length ratios of corrosion defects on the burst pressures of transmission pipelines. Eng Fail Anal 21:21–30.
[9] Xu LY, Cheng YF (2012) Reliability and failure pressure prediction of various grades of pipeline steel in the presence of corrosion defects and pre-strain. Int J Press Vessels Pip 89:75–84.
[10] Choi K-H, Lee C-S, Ryu D-M, Koo B-Y, Kim M-H, Lee J-M (2016) Comparison of computational and analytical methods for evaluation of failure pressure of subsea pipelines containing internal and external corrosions. J Mar Sci Technol 21:369–384.
[11] Xu W-Z, Li CB, Choung J, Lee J-M (2017) Corroded pipeline failure analysis using artificial neural network scheme. Adv Eng Softw 112:255–266.
[12] Bruère VM, Bouchonneau N, Motta RS, Afonso SMB, Willmersdorf RB, Lyra PRM, Torres JVS, de Andrade EQ, Cunha DJS (2019) Failure pressure prediction of corroded pipes under combined internal pressure and axial compressive force. J Braz Soc Mech Sci Eng 41:172.
[13] Kong D, Huang X, Xin M, Xian G (2020) Effects of defect dimensions and putty properties on the burst performances of steel pipes wrapped with CFRP composites. Int J Press Vessels Pip 186:104139.
[14] Gholami H, Shahrooi S, Shishesaz M (2021) A new approach for prediction of the remaining strength of pipeline with external defects. Eng Fail Anal 130:105754.
[15] Li Y, Sakonder C, Paredes M (2023) Plastic collapse analysis in multiaxially loaded defective pipe specimens at different temperatures. J Pipeline Sci Eng 3:100092.
[16] Benjamin AC, Freire JLF, Vieira RD, Diniz JLC, De Andrade EQ (2005) Burst Tests on Pipeline Containing Interacting Corrosion Defects. 24th Int. Conf. Offshore Mech. Arct. Eng. Vol. 3. ASMEDC, Halkidiki, Greece, pp 403–417
[17] Vieira RE, Mansouri A, McLaury BS, Shirazi SA (2016) Experimental and computational study of erosion in elbows due to sand particles in air flow. Powder Technol 288:339–353.
[18] Alaei E, Afrasiab H, Dardel M (2020) Analytical and numerical fluid–structure interaction study of a microscale piezoelectric wind energy harvester. Wind Energy 23:1444–1460.
[19] Afrasiab H, Movahhedy MR, Assempour A (2011) Finite element and analytical fluid-structure interaction analysis of the pneumatically actuated diaphragm microvalves. Acta Mech 222:175.
[20] Dikshit MK, Puri AB, Maity A (2017) Modelling and application of response surface optimization to optimize cutting parameters for minimizing cutting forces and surface roughness in high-speed, ball-end milling of Al2014-T6. J Braz Soc Mech Sci Eng 39:5117–5133.
 
[21] Tahani M, Rabbani A, Kasaeian A, Mehrpooya M, Mirhosseini M (2017) Design and numerical investigation of Savonius wind turbine with discharge flow directing capability. Energy 130:327–338.
[22] Bhavsar PN, Patel JN (2020) Event-based rainfall–run-off modeling and uncertainty analysis for lower Tapi Basin, India. ISH J Hydraul Eng 26:353–362.
[23] Savolainen H, Pfäffli P (1983) Neurotoxicity of furfuryl alcohol vapor in prolonged inhalation exposure. Environ Res 31:420–427.