kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2026-2(22)-4kaz44-2533Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ КООРДИНАТЫ УТЕЧКИ В МАГИСТРАЛЬНЫХ ТРУБОПРОВОДАХAPPLICATION OF A NEURAL NETWORK FOR DETERMINING THE LEAK LOCATION IN MAIN PIPELINEShttps://orcid.org/0000-0001-5445-4516СатыбалдинаД. К.SatybaldinaD. K.

Дана Каримтаевна Сатыбалдина – ассоциированный профессор, кандидат технических наук, и.о. профессора кафедры «Системный анализ и управление», 

010008, г. Астана, ул. Сатпаева, 2

Dana Karimtaevna Satybaldina – Associate Professor, Candidate of Technical Sciences, Acting Professor of the Department of Systems Analysis and Control,

010008, Astana, 2 Satpayev St.

satybaldina_dk@enu.kzhttps://orcid.org/0000-0002-6402-9633ШмитовН. Б.ShmitovN. B.

Нурбол Бейбитович Шмитов – докторант, специальность «Автоматизация и управление» кафедры «Системный анализ и управление», 

010008, г. Астана, ул. Сатпаева, 2

Nurbol Beibitovich Shmitov – PhD student in Automation and Control, Department of Systems Analysis and Control, 

010008, Astana, 2 Satpayev St.

nurbol-970817@mail.ruhttps://orcid.org/0000-0002-6560-6578ТешебаевН. М.TeshebayevN. M.

Нұрдаулет Мұратбекұлы Тешебаев – докторант, специальность «Интеллектуальные системы управления» кафедры Искусственного интеллекта и Big Data, 

050040, г. Алматы, пр. Аль-Фараби, 71

Nurdaulet Muratbekuli Teshebayev – PhD student in Intelligent Control Systems, Department of Artificial Intelligence and Big Data,

050040, Almaty, 71 Al-Farabi Ave.

nurdauletteshebaev@gmail.comhttps://orcid.org/0009-0006-3875-2883ЗакаринаА. Ж.ZakarinaA. Zh.

Айна Жанузаковна Закарина – PhD, старший преподаватель кафедры «Системный анализ и управление»,

010008, г. Астана, ул. Сатпаева, 2

Aina Zhanuzakovna Zakarina – PhD, Senior Lecturer of the Department of Systems Analysis and Control, 

010008, Astana, 2 Satpayev St.

zakarina_azh@enu.kzhttps://orcid.org/0000-0002-8320-2091КульниязоваК. С.KulniyazovaK. S.

Корлан Сагындыковна Кульниязова – старший преподаватель кафедры «Системный анализ и управление»,

010008, г. Астана, ул. Сатпаева, 2

Korlan Sagyndykovna Kulniyazova – Senior Lecturer of the Department of Systems Analysis and Control, 

010008, Astana, 2 Satpayev St.

kulniyazova_ks@enu.kzЕвразийский национальный университет им. Л.Н. ГумилеваКазахстанL.N. Gumilyov Eurasian National UniversityKazakhstanКазахский национальный университет им. Аль-ФарабиКазахстанAl-Farabi Kazakh National UniversityKazakhstan20262907202602(22)4050Copyright © Сатыбалдина Д.К., Шмитов Н.Б., Тешебаев Н.М., Закарина А.Ж., Кульниязова К.С., 20262026Сатыбалдина Д.К., Шмитов Н.Б., Тешебаев Н.М., Закарина А.Ж., Кульниязова К.С.Satybaldina D.K., Shmitov N.B., Teshebayev N.M., Zakarina A.Z., Kulniyazova K.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/2533

Трубопроводы широко используются для транспортировки воды, нефти, газа и других жидких и газообразных сред. Возникновение утечек в трубопроводных системах приводит к значительным потерям природных ресурсов и может создавать угрозу окружающей среде и общественной безопасности. В связи с этим задача своевременного обнаружения и локализации утечек является одной из актуальных проблем нефтегазовой отрасли. В работе рассматривается задача определения координаты утечки в трубопроводе на основе данных измерений давления с использованием методов искусственного интеллекта. Предложен подход к локализации утечек, основанный на аппроксимации зависимости падения давления от расхода утечки и расстояния до места утечки с применением радиально-базисной нейронной сети, реализованной в среде MATLAB. Экспериментальные данные получены в ходе испытаний системы обнаружения утечек при имитации различных режимов утечки. Результаты моделирования показали, что разработанная модель обеспечивает эффективную аппроксимацию исследуемой зависимости и позволяет определять координату утечки со среднеквадратичной погрешностью около 1,9 км для средних и крупных утечек, что подтверждает перспективность применения нейросетевых методов в задачах мониторинга трубопроводных систем.

Pipelines are widely used for the transportation of water, oil, gas, and other liquid and gaseous media. The occurrence of leaks in pipeline systems leads to significant losses of natural resources and may pose a threat to the environment and public safety. In this regard, the problem of timely leak detection and localization remains one of the most important challenges in the oil and gas industry. This paper addresses the problem of determining the leak location in a pipeline based on pressure measurement data using artificial intelligence methods. An approach to leak localization is proposed based on approximating the relationship between pressure drop, leak flow rate, and the distance to the leak location using a radial basis function neural network implemented in the MATLAB environment. Experimental data were obtained during testing of a leak detection system under simulated leak conditions with different operating modes. The simulation results demonstrate that the developed model provides an effective approximation of the studied relationship and allows the leak location to be determined with a root-mean-square error of approximately 1.9 km for medium and large leaks, confirming the potential of neural network-based methods for pipeline monitoring applications.

нейронная сетьутечка в трубопроводепадение давленияаппроксимация функциисистема обнаружения утечекneural networkpipeline leakpressure dropfunction approximationleak detection systemReferencesAdegboye M.A. Recent advances in pipeline monitoring and oil leakage detection technologies: Principles and approaches / M.A. Adegboye, W.K. Fung, A. Karnik // Sensors. – 2019. – Vol. 19. – 2548. https://doi.org/10.3390/s19112548.Adegboye M.A. Recent advances in pipeline monitoring and oil leakage detection technologies: Principles and approaches / M.A. Adegboye, W.K. Fung, A. Karnik // Sensors. – 2019. – Vol. 19. – 2548. https://doi.org/10.3390/s19112548. (In English).Arifin B. M. S., Li Z., Shah S. L., Meyer G. A., Colin A. A novel data-driven leak detection and localization algorithm using the Kantorovich distance // Computers & Chemical Engineering. – 2018. – Vol. 108. – P. 300-313. https://doi.org/10.1016/j.compchemeng.2017.09.022.Arifin B. M. S., Li Z., Shah S. L., Meyer G. A., Colin A. A novel data-driven leak detection and localization algorithm using the Kantorovich distance // Computers & Chemical Engineering. – 2018. – Vol. 108. – P. 300-313. https://doi.org/10.1016/j.compchemeng.2017.09.022. (In English).Li S.Z. Leak detection of water distribution pipeline subject to failure of socket joint based on acoustic emission and pattern recognition / S.Z. Li, Y.J. Song, G.Q. Zhou // Measurement. – 2018. – Vol. 115. – P. 39-44. https://doi.org/10.1016/j.measurement.2017.10.021.Li S.Z. Leak detection of water distribution pipeline subject to failure of socket joint based on acoustic emission and pattern recognition / S.Z. Li, Y.J. Song, G.Q. Zhou // Measurement. – 2018. – Vol. 115. – P. 39-44. https://doi.org/10.1016/j.measurement.2017.10.021. (In English).Zhang S. Pipeline deformation monitoring using distributed fiber optical sensor / S. Zhang, B. Liu, J. He // Measurement. – 2019. – Vol. 133. – P. 208-213. https://doi.org/10.1016/j.measurement.2018.10.021.Zhang S. Pipeline deformation monitoring using distributed fiber optical sensor / S. Zhang, B. Liu, J. He // Measurement. – 2019. – Vol. 133. – P. 208-213. https://doi.org/10.1016/j.measurement.2018.10.021. (In English).Pipeline rupture detection using real-time transient modelling and convolutional neural networks / J. Smith et al // Proceedings of the 12th International Pipeline Conference (IPC 2018), Calgary, Canada. – New York, NY: ASME, 2018. https://doi.org/10.1115/IPC2018-78426.Pipeline rupture detection using real-time transient modelling and convolutional neural networks / J. Smith et al // Proceedings of the 12th International Pipeline Conference (IPC 2018), Calgary, Canada. – New York, NY: ASME, 2018. https://doi.org/10.1115/IPC2018-78426. (In English).A novel location algorithm for pipeline leakage based on the attenuation of negative pressure wave / J. Li et al // Process Safety and Environmental Protection. – 2019. – Vol. 123. – P. 309-316. https://doi.org/10.1016/j.psep.2019.01.010.A novel location algorithm for pipeline leakage based on the attenuation of negative pressure wave / J. Li et al // Process Safety and Environmental Protection. – 2019. – Vol. 123. – P. 309-316. https://doi.org/10.1016/j.psep.2019.01.010. (In English).Deeppipe: A deep-learning method for anomaly detection of multi-product pipelines / J. Zheng et al // Energy. – 2022. – Vol. 259. – 125025. https://doi.org/10.1016/j.energy.2022.125025.Deeppipe: A deep-learning method for anomaly detection of multi-product pipelines / J. Zheng et al // Energy. – 2022. – Vol. 259. – 125025. https://doi.org/10.1016/j.energy.2022.125025. (In English).A small leakage detection approach for gas pipelines based on CNN / J. Li et al // Proceedings of the CAA Symposium on Fault Detection, Supervision and Safety for Technical Processes (SAFEPROCESS), Xiamen, China. – 2019. – P. 390-394. https://doi.org/10.1109/SAFEPROCESS45799.2019.9213371.A small leakage detection approach for gas pipelines based on CNN / J. Li et al // Proceedings of the CAA Symposium on Fault Detection, Supervision and Safety for Technical Processes (SAFEPROCESS), Xiamen, China. – 2019. – P. 390-394. https://doi.org/10.1109/SAFEPROCESS45799.2019.9213371. (In English).A two-stage deep-learning based detection method for pipeline leakage and transient conditions / I. Amini et al // Proceedings of the IEEE Electric Power and Energy Conference (EPEC), Edmonton, Canada. – 2020. – P. 1-5. https://doi.org/10.1109/EPEC48502.2020.9320021.A two-stage deep-learning based detection method for pipeline leakage and transient conditions / I. Amini et al // Proceedings of the IEEE Electric Power and Energy Conference (EPEC), Edmonton, Canada. – 2020. – P. 1-5. https://doi.org/10.1109/EPEC48502.2020.9320021. (In English).Deep learning identifies leak in water pipeline system using transient frequency response / Z. Liao et al // Process Safety and Environmental Protection. – 2021. – Vol. 155. – P. 355-365. https://doi.org/10.1016/j.psep.2021.09.033.Deep learning identifies leak in water pipeline system using transient frequency response / Z. Liao et al // Process Safety and Environmental Protection. – 2021. – Vol. 155. – P. 355-365. https://doi.org/10.1016/j.psep.2021.09.033. (In English).Cody R. Detecting leaks in water distribution pipes using a deep autoencoder and hydroacoustic spectrograms / R. Cody, B. Tolson, J. Orchard // Journal of Computing in Civil Engineering. – 2020. – Vol. 34. – 4020001. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000881.Cody R. Detecting leaks in water distribution pipes using a deep autoencoder and hydroacoustic spectrograms / R. Cody, B. Tolson, J. Orchard // Journal of Computing in Civil Engineering. – 2020. – Vol. 34. – 4020001. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000881. (In English).Лурье М.В. Проектирование и эксплуатация нефтепроводов: учебник для студентов технических вузов / М.В. Лурье, Б.Н. Мастобаев, А.Е. Сощенко. – М.: Инфра-Инженерия, 2023. – 384 с.Lur'e M.V. Proektirovanie i ehkspluatatsiya nefteprovodov: uchebnik dlya studentov tekhnicheskikh vuzov / M.V. Lur'e, B.N. Mastobaev, A.E. Soshchenko. – M.: Infra-Inzheneriya, 2023. – 384 s. (In Russian).Беккер А.А. Трубопроводный транспорт нефти и газа: учебное пособие / А.А. Беккер, В.А. Иванов. – СПб.: Лань, 2020. – 256 с.Bekker A.A. Truboprovodnyi transport nefti i gaza: uchebnoe posobie / A.A. Bekker, V.A. Ivanov. – SPb.: Lan', 2020. – 256 s. (In Russian).Peabody R. (Ed.) Handbook of pipeline engineering. – Cham: Springer, 2023.Peabody R. (Ed.) Handbook of pipeline engineering. – Cham: Springer, 2023. (In English).Булатов А.Ф. Повышение эффективности автоматизированной системы обнаружения утечек из нефтепродуктопроводов на основе интеллектуальных технологий / А.Ф. Булатов. – Уфа: УГАТУ, 2015. – 235 с.Bulatov A.F. Povyshenie ehffektivnosti avtomatizirovannoi sistemy obnaruzheniya utechek iz nefteproduktoprovodov na osnove intellektual'nykh tekhnologii / A.F. Bulatov. – Ufa: UGATU, 2015. – 235 s. (In Russian).Osiadacz A. Flow modelling and control in pipeline systems: A formal systematic approach / A. Osiadacz. – Cham: Springer, 2021. https://doi.org/10.1007/978-3-030-59246-2.Osiadacz A. Flow modelling and control in pipeline systems: A formal systematic approach / A. Osiadacz. – Cham: Springer, 2021. https://doi.org/10.1007/978-3-030-59246-2. (In English).Pipeline inspection and health monitoring technology: The key to integrity management / H. Lu et al. – Singapore: Springer, 2023. https://doi.org/10.1007/978-981-19-6798-6.Pipeline inspection and health monitoring technology: The key to integrity management / H. Lu et al. – Singapore: Springer, 2023. https://doi.org/10.1007/978-981-19-6798-6. (In English).

The authors declare that there are no conflicts of interest present.