پیش بینی ترک و خستگی حرارتی تجهیزات تحت فشار نفت و گاز با رویکرد یادگیری ماشین و HSE

خستگی حرارتی یکی از مهم ترین مکانیزم های تخریب در تجهیزات تحت فشار صنایع نفت و گاز است که می تواند در اثر سیکل های مکرر گرمایش و سرمایش منجر به ایجاد و رشد ترک، کاهش عمر بهره برداری تجهیزات و افزایش احتمال وقوع حوادث فرایندی شود. با توجه به اهمیت پیش بینی رفتار ترک در مدیریت یکپارچگی تجهیزات و کاهش ریسک های ایمنی، پژوهش حاضر با هدف بررسی قابلیت تلفیق مکانیک شکست و یادگیری ماشین برای پیش بینی رشد ترک ناشی از خستگی حرارتی انجام شده است. در این مطالعه، ابتدا مفاهیم مکانیک شکست و پارامترهای موثر بر رشد ترک شامل ضریب شدت تنش، نرخ رشد ترک، فشار کاری، دامنه و نرخ تغییرات دما، تعداد سیکل های حرارتی و ویژگی های هندسی تجهیزات مورد بررسی قرار گرفت. سپس با مرور مطالعات مرتبط، نقش تحلیل های عددی مبتنی بر روش المان محدود و استانداردهای ارزیابی یکپارچگی تجهیزات در استخراج داده های مهندسی تبیین شد. در ادامه، کاربرد الگوریتم های یادگیری ماشین نظیر Random Forest و XGBoost در مدل سازی روابط پیچیده میان پارامترهای عملیاتی و شاخص های خرابی مورد ارزیابی قرار گرفت. نتایج بررسی ها نشان داد که روش های مبتنی بر مکانیک شکست از دقت فیزیکی بالایی در تحلیل رفتار ترک برخوردار هستند، در حالی که الگوریتم های یادگیری ماشین توانایی مناسبی در پیش بینی رفتار آینده تجهیزات و برآورد عمر باقی مانده دارند. بر این اساس، چارچوب تلفیقی پیشنهادی با ترکیب دانش مکانیک شکست، تحلیل های عددی و قابلیت های یادگیری ماشین می تواند به عنوان ابزاری موثر برای پیش بینی نرخ رشد ترک، تخمین عمر باقی مانده تجهیزات و ارزیابی ریسک مورد استفاده قرار گیرد. همچنین به کارگیری این رویکرد می تواند زمینه توسعه سامانه های پایش هوشمند، نگهداری پیش بینانه و بازرسی مبتنی بر ریسک را فراهم کرده و به افزایش قابلیت اطمینان تجهیزات و ارتقای سطح ایمنی، بهداشت و محیط زیست در صنایع نفت و گاز کمک کند.

کلیدواژه ها:

خستگی حرارتی ، رشد ترک ، مکانیک شکست ، یادگیری ماشین ، عمر باقی مانده تجهیزات