Розробка системи підтримки ухвалення рішень для предиктивного теплового контролю в трубопровідних системах

Simple item page
dc.contributor.authorНоваковський, П. О.
dc.contributor.authorNovakovskyi, P.
dc.date.accessioned2026-08-24T12:26:53Z
dc.date.issued2026
dc.description.abstractРозроблена система підтримки ухвалення рішень (DSS) для прогнозного теплового керування трубо­проводами ґрунтується на створенні цифрового двійника, який відображає геометрію, матеріали, серед­овище та датчики трубопроводу. Така модель дає змогу прогнозувати розподіл температур, виявляти аномалії, моделювати втрати тепла та формувати керувальні дії в реальному часі. У центрі системи працює модуль прогнозування, який оцінює майбутній стан температурного поля на основі поточних даних і фізичних закономірностей теплопередачі. Для цього використовують як емпіричні моделі, так і нейромережеві предиктори. Навчання моделі виконується до досягнення високої точності, після чого вона інтегрується в DSS і може оновлюватися за новими даними. Нечітка логіка в системі дає змогу враховувати невизначеність, оперуючи поняттями типу «перегрів» чи «нестабільність». Вхідні дані пере­творюються на ступені належності до цих понять, після чого застосовують нечіткі правила ухвалення рішень. Результати цих правил перетворюються на конкретні дії системи, наприклад, зниження потуж­ності нагріву. Крім того, система містить модуль навчання з підкріпленням, який автоматично вдоско­налює стратегію керування, аналізуючи наслідки дій у змінних умовах. Він обирає ті дії, які забезпечують підтримання температур у допустимих межах, енергоефективність та запобігання аваріям. Для вра­хування впливу сегментів один на одного застосовують імовірнісні графові моделі – Байєсівські мережі, які моделюють поширення теплових ефектів уздовж трубопроводу. У процесі експериментальної пере­вірки модель DSS продемонструвала високу точність: результати симуляцій підтвердили, що система здатна точно відтворювати реальні температурні профілі трубопроводу. Обґрунтовано, що система забезпечує можливість масштабування на складні мережеві трубопровідні структури, включно з розга­луженими магістралями та багатокомпонентними вузлами. Розширена інтеграція цифрового двійника з реальними сенсорними даними дає змогу виявляти потенційні відхилення та прогнозувати розвиток несправностей задовго до їх фактичного прояву. Установлено, що вдосконалений процес прогнозування сприяє адаптивному керуванню тепловими режимами, що знижує експлуатаційні витрати та підвищує загальну надійність трубопровідної інфраструктури. Доведено, що застосування комбінованого підходу, який поєднує методи штучного інтелекту, математичного моделювання та нечіткої логіки, підвищує стійкість системи до шумів, неповноти даних та нелінійної поведінки фізичних процесів. Також проведе­но пілотну експериментальну оцінку з використанням набору даних SCADA моніторингу трубопровідних систем нафтогазової галузі, що охоплює 12 місяців безперервних вимірювань із частотою 1 Гц. Прогно­зування температур реалізовано на основі наскрізної нейронної мережі, орієнтованої на короткострокові інкрементальні зміни температури, у поєднанні з керуванням на базі алгоритму Proximal policy optimization. Отримані результати підтвердили високу точність прогнозування та ефективність адаптивного керу­вання: середній час повного циклу ухвалення рішень не перевищував 18,5 мс, а параметр накопиченої дис­контованої нагороди зріс на 74 % з одночасним зменшенням його дисперсії більш ніж на 60 %.
dc.description.abstractThe developed Decision Support System (DSS) for predictive thermal control of pipelines is based on a standardized digital twin that represents the geometry, materials, environmental conditions, and sensor layout of the pipeline. This virtual model enables accurate simulation of heat transfer, detection of anomalies, modeling of heat losses, and generation of control actions in real time. At the core of the system lies a forecasting module that predicts future temperature distributions based on current conditions and physical heat transfer patterns. These predictions are generated using empirical models or neural network-based predictors, trained to high accuracy and continuously updated as new data becomes available. The DSS incorporates fuzzy logic to manage uncertainty by using linguistic variables such as “overheating”, “low gradient”, and “instability”. Sensor inputs are transformed into degrees of membership to these concepts, which are then processed through expert-defined fuzzy rules. The outcome is translated into concrete control actions, such as adjusting heating power, through a defuzzification process. A reinforcement learning module is also integrated to autonomously refine control strategies. By interacting with the pipeline model, it learns optimal decisions that maintain thermal stability, minimize energy consumption, and prevent hazardous conditions. To capture causal dependencies between pipeline segments, the DSS employs Bayesian networks, which model how thermal effects propagate along the structure. These probabilistic graphs help assess how local heating can influence adjacent segments and overall system behavior. In experimental validation using M2PLink simulation software, the DSS demonstrated high predictive accuracy. The comparison between predicted and simulated temperature distributions showed strong alignment, confirming the system’s ability to replicate real thermal dynamics and respond effectively to operational changes. It is substantiated that the system provides the ability to scale to complex network pipeline structures, including branched trunks and multi-component nodes. The extended integration of the digital twin with real sensor data allows to detect potential deviations and predict the development of faults long before their actual manifestation. It is established that the improved forecasting process contributes to adaptive control of thermal regimes, which reduces operating costs and increases the overall reliability of the pipeline infrastructure. It is proven that the use of a combined approach, which combines methods of artificial intelligence, mathematical modeling and fuzzy logic, increases the system’s resistance to noise, incomplete data and nonlinear behavior of physical processes. An additional pilot experimental evaluation was also conducted using an independent SCADA dataset for monitoring oil and gas pipeline systems, covering 12 months of continuous measurements sampled at a frequency of 1 Hz. Temperature forecasting was implemented using a feedforward neural network focused on short-term incremental temperature changes, combined with control based on the Proximal Policy Optimization algorithm. The obtained results confirmed high forecasting accuracy and effective adaptive control: the average duration of the complete decision-making cycle did not exceed 18.5 ms, while the cumulative discounted reward increased by 74% with a simultaneous reduction of its variance by more than 60%.
dc.identifier.citationНоваковський П. О. Розробка системи підтримки ухвалення рішень для предиктивного теплового контролю в трубопровідних системах. Науковий Журнал Метінвест Політехніки. Серія: Технічні науки. 2026. No 6. С. 42-51. DOI: https://doi.org/10.32782/3041-2080/2026-6-5
dc.identifier.doihttps://doi.org/10.32782/3041-2080/2026-6-5
dc.identifier.issn3041-2080
dc.identifier.issn3041-2099
dc.identifier.orcidhttps://orcid.org/0009-0007-8418-7747
dc.identifier.urihttps://dspace.mipolytech.education/handle/mip/3853
dc.language.isouk
dc.publisherТОВ «ТЕХНІЧНИЙ УНІВЕРСИТЕТ «МЕТІНВЕСТ ПОЛІТЕХНІКА»
dc.subjectцифровий двійник
dc.subjectнечітка логіка
dc.subjectнавчання з підкріпленням
dc.subjectБайєсівська мережа
dc.subjectдефа­зифікація
dc.subjectмарковський процес ухвалення рішень
dc.subjectdigital twin
dc.subjectfuzzy logic
dc.subjectreinforcement learning
dc.subjectBayesian network
dc.subjectdefuzzification
dc.subjectMarkov decision process
dc.titleРозробка системи підтримки ухвалення рішень для предиктивного теплового контролю в трубопровідних системах
dc.title.alternativeDevelopment of a decision support subsystem for predictive thermal control in pipeline systems
dc.typeArticle

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Розробка системи підтримки ухвалення рішень для предиктивного теплового контролю в трубопровідних системах.pdf
Size:
976.01 KB
Format:
Adobe Portable Document Format
Download

Collections

№ 6 2026