Publication: Boru hatlarında arıza durumlarının grafi̇k evri̇şi̇mli̇ si̇ni̇r ağları (GCN) ile tespi̇ti̇
Abstract
Boru hatları enerji kaynaklarının taşınmasından su kaynaklarının iletilmesine kadar geniş bir yelpazede kullanılmaktadır. Ancak boru hatlarından sızan petrol ve gazlar çevreye ciddi zararlar verebilmektedir. Bu nedenle boru hattı arızalarının doğru bir şekilde tespiti ekonomik kayıpları önlemek ve çevreyi korumak için son derece önemlidir. Bu çalışmada boru hatları graflar ile temsil edilmektedir. Boru hatlarında meydana gelen sızıntı veya tıkanıklık gibi arızaları tespit etmek için grafik temelli makine öğrenmesi modeli GCN önerilmektedir. GCN modelinin ihtiyaç duyduğu veriler beş farklı senaryo için toplanmış ve her bir senaryo için veri setleri oluşturulmuştur. GCN modelinin arıza tespit performansı diğer grafik makine öğrenme modelleri; RGCN, SGC, PPNP/ APPNP, GAT, HinSAGE ve GraphSAGE ile kıyaslanmıştır. Ayrıca arızaların önceden tahmin edilmesi amacıyla sızıntı ve tıkanma senaryosu ele alınmıştır. Bu bağlamda, GCN modelinin arızaların önceden tahmin edebilme performansı klasik makine öğrenme modeli Destek Vektör Makinesinin (SVM) performansı ile kıyaslanmıştır. Bir sızıntı senaryosu üzerinden arızaya müdahale önceliği incelenmiştir. Boru hatlarındaki arızaların tespiti için literatürde tespit edilen makine öğrenme modellerinin %78,51 ile %99 arasında performansa sahip oldukları görülmektedir. Bu çalışma kapsamında ise GCN, GraphSAGE, HinSAGE ve RGCN algoritmalarının sırasıyla %91, %90, %87 ve %89 doğruluk oranlarıyla arıza tespiti yapabildiği görülmektedir. Bu sonuçlar, GCN modelinin literatürdeki ortalamanın üzerinde bir performans sergilediğini göstermektedir. Gelecekteki çalışmalarda boru hatlarındaki arızaların yerinin tespit edilmesi üzerine odaklanılacaktır.
Pipelines are used in a wide range from the transportation of energy resources to the transmission of water resources. However, oil and gas leaking from pipelines can cause serious damage to the environment. Therefore, accurate detection of pipeline failures is extremely important to prevent economic losses and protect the environment. In this study, pipelines are represented by graphs. A graph-based machine learning model GCN is proposed to detect failures such as leaks or blockages occurring in pipelines. The data required by the GCN model were collected for five different scenarios and data sets were created for each scenario. The fault detection performance of the GCN model has been compared with other graphical machine learning models; RGCN, SGC, PPNP/ APPNP, GAT, HinSAGE and GraphSAGE. In addition, the leakage and blockage scenario has been considered in order to predict the failures in advance. In this context, the predictive failure performance of the GCN model was compared with the performance of the classical machine learning model Support Vector Machine (SVM). The priority of failure response over a leak scenario has been examined. It is observed that the machine learning models identified in the literature for the detection of Decrements in pipelines have a performance between 78.51% and 99%. Within the scope of this study, it is seen that GCN, GraphSAGE, HinSAGE and RGCN algorithms can perform fault detection with 91%, 90%, 87% and 89% accuracy rates respectively. These results show that the GCN model has an above-average performance in the literature. Future studies will focus on determining the location of failures in pipelines.
Pipelines are used in a wide range from the transportation of energy resources to the transmission of water resources. However, oil and gas leaking from pipelines can cause serious damage to the environment. Therefore, accurate detection of pipeline failures is extremely important to prevent economic losses and protect the environment. In this study, pipelines are represented by graphs. A graph-based machine learning model GCN is proposed to detect failures such as leaks or blockages occurring in pipelines. The data required by the GCN model were collected for five different scenarios and data sets were created for each scenario. The fault detection performance of the GCN model has been compared with other graphical machine learning models; RGCN, SGC, PPNP/ APPNP, GAT, HinSAGE and GraphSAGE. In addition, the leakage and blockage scenario has been considered in order to predict the failures in advance. In this context, the predictive failure performance of the GCN model was compared with the performance of the classical machine learning model Support Vector Machine (SVM). The priority of failure response over a leak scenario has been examined. It is observed that the machine learning models identified in the literature for the detection of Decrements in pipelines have a performance between 78.51% and 99%. Within the scope of this study, it is seen that GCN, GraphSAGE, HinSAGE and RGCN algorithms can perform fault detection with 91%, 90%, 87% and 89% accuracy rates respectively. These results show that the GCN model has an above-average performance in the literature. Future studies will focus on determining the location of failures in pipelines.