Application of machine learning to ILI datadenoising
Description
Full text not available
Abstract
Dette prosjektet har som mål å anvende maskinlæring i filtreringsprosessen av data fra inline-inspeksjon (ILI) av olje- og gassrørledninger. Rørledningen er utsatt for korrosjon, både innvendig og utvendig. Konsekvensene av lekkasje fra en rørledning er potensielle store skader på miljøet. Det gjennomføres regelmessige inspeksjoner for å få innsikt i rørledningens gjenværende kapasitet. Inspeksjonsdataen er utsatt for måleusikkerhet, i tillegg til støyete og feilaktige dataavlesninger. Derfor er det nødvendig med filtrering av dataen, før den brukes til å beregne den gjenværende kapasiteten til den aktuelle rørledningen. De eksisterende metodene er regelbaserte og fokuserer på graden av variasjon i dataene. Svakheten ved de eksisterende metodene er at de kan undervurdere den gjenværende kapasiteten på grunn av de implementerte sikkerhetsfaktorene. Ved å bruke en maskinlæringsmodell, nærmere bestemt et konvolusjonelt nevralt nettverk, lærer modellen mønsteret i dataene som er vanskelig å tilpasse med dagens regelbaserte systemer. Fordi det ikke finnes et merket datasett, måtte treningsdata til maskinlæringsmodellen bli simulert. Simuleringene er basert på ekte in-line inspeksjonsdata fra en rørledning.
Treningen av modellen var en suksess og den konvergerte med en lav feilrate. I tillegg viser lav feilrate på testdatasett at modellen kan generalisere til forskjellige variasjoner i den simulerte dataen. En casestudie på både simulert og ekte ILI-data er gjennomført for å evaluere ytelsen til maskinlæringsfilteret. Tilfredsstillende resultater viser at man kan trene en modell på simulert data og bruke den samme modellen på ekte data. Imidlertid bør erfarne ingeniører gjennomgå metodene og resultatene for å sikre at ML-filteret kan fungerer trygt. This project aims to apply machine learning methods in denoising in-line inspection (ILI) data from oil and gas pipelines. The pipelines are subject to corrosion, both internally and externally. A potential consequence of leakage from a pipeline is significant damage to the surrounding environment. In-line inspections are regularly carried out to get insight into the pipeline’s remaining capacity. The ILI data is subject to measurement uncertainty, along with noisy and erroneous data readings. Therefore, some form of denoising, or filtering, is necessary before using the data to calculate the remaining capacity of the pipeline in question. The existing methods are rule-based and focus on the degree of variation in the data. In some situations, these filters underestimate the remaining capacity due to the implemented safety factors. Using a machine learning model, more specifically a convolutional neural network (CNN), we capture patterns in the data that are hard to model with the current rule-based systems. Because no labelled dataset exists, data needed to be simulated to create a training set for the machine learning model. The simulations are based on real in-line inspection data from a pipeline.
Training the model was a success, converging at a low error rate. Low error rates on test datasets show that the model can generalise to different variations in the simulated data. A case study on both simulated and real ILI data is conducted to evaluate the performance of the machine learning filter. Satisfying results show that one can train a model on simulated data and apply the same model to real data. However, experienced engineers should further review the methods and results to ensure that the ML filter can operate safely.