دوره ۱۶، شماره ۹ - ( ۹-۱۳۹۵ )                   جلد ۱۶ شماره ۹ صفحات ۱۱۲-۱۰۷ | برگشت به فهرست نسخه ها

‎ 20.1001.1.10275940.1395.16.9.38.7

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zadkarami M, Shahbazian M, Salahshoor K. Oil pipeline leak diagnosis using wavelet transform and statistical features with artificial neural network application. Modares Mechanical Engineering 2016; 16 (9) :107-112
URL: http://mme.modares.ac.ir/article-15-6988-fa.html
زادکرمی مرتضی، شهبازیان مهدی، سلحشور کریم. تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی‌های آماری همراه با کاربرد شبکه عصبی مصنوعی. مهندسی مکانیک مدرس. ۱۳۹۵; ۱۶ (۹) :۱۰۷-۱۱۲

URL: http://mme.modares.ac.ir/article-۱۵-۶۹۸۸-fa.html

تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی‌های آماری همراه با کاربرد شبکه عصبی مصنوعی
مرتضی زادکرمی۱ ، مهدی شهبازیان* ۱، کریم سلحشور۱
۱- دانشگاه صنعت نفت
چکیده:   (۶۳۵۶ مشاهده)
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.
واژه‌های کلیدی: تشخیص نشتی، ویژگی آماری، تبدیل موجک، شبکه عصبی مصنوعی
متن کامل [PDF 396 kb]   (۶۸۰۴ دریافت)    
نوع مقاله: مقاله پژوهشی کامل | موضوع مقاله: اتوماسیون
دریافت: 1395/4/12 | پذیرش: 1395/5/6 | انتشار: 1395/6/21
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.