توسعه چارچوب دیجیتال توین مبتنی بر شبیه سازی برای پیش بینی عمر باقیمانده تجهیزات تحت فشار در واحد بازرسی فنی پتروشیمی

تجهیزات تحت فشار در صنایع پتروشیمی مانند مخازن، لوله ها و مبدل ها به دلیل شرایط عملیاتی سخت و تماس با محیط های خورنده، در معرض خرابی ناگهانی هستند. روش های سنتی بازرسی دوره ای اغلب محافظه کارانه، پرهزینه و فاقد پیش بینی دقیق هستند. این مطالعه چارچوب دیجیتال توین ارائه می دهد که با مدل سازی فیزیکی خوردگی و شبیه سازی شرایط عملیاتی متعدد، داده های آموزشی تولید کرده و بدون نیاز به داده واقعی، مدل های یادگیری ماشین و فیزیک اطلاعاتی برای پیش بینی عمر باقیمانده (RUL) تجهیزات آموزش می دهد. صدها سناریوی عملیاتی با تنوع در دما، فشار و ترکیب سیال طراحی شده و مدل های LSTM و PINN روی آن ها آموزش داده شده اند. نتایج نشان می دهد مدل PINN عملکرد بهتری دارد و خطای پیش بینی را کاهش می دهد. این چارچوب می تواند ابزاری موثر برای زمان بندی بهینه بازرسی های فنی باشد و هزینه های ناشی از خرابی ناگهانی را کاهش دهد.

کلیدواژه ها:

دیجیتال توین ، پیش بینی عمر باقیمانده (RUL) ، شبکه عصبی LSTM ، مدل PINN ، بازرسی فنی