TY - JOUR JF - mdrsjrns JO - Modares Mechanical Engineering VL - 16 IS - 9 PY - 2016 Y1 - 2016/11/01 TI - Oil pipeline leak diagnosis using wavelet transform and statistical features with artificial neural network application TT - تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی‌های آماری همراه با کاربرد شبکه عصبی مصنوعی N2 - 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. SP - 107 EP - 112 AU - Zadkarami, Morteza AU - Shahbazian, Mehdi AU - Salahshoor, Karim AD - Petroleum university of technology KW - Leak diagnosis KW - Statistical feature KW - Wavelet transform KW - Artificial Neural Network UR - http://mme.modares.ac.ir/article-15-6988-fa.html ER -