الملخص
تتعرض الأنابيب الخرسانية سابقة الاجهاد (PCCP) إلى بعض المشاكل. التي توثر على تقييم حالة وأداء خطوط الانابيب بواسطة الفحص المباشر باستخدام تقنيات متمثلة في الرنين المغناطيسي والرصد الصوتي أو الرادار GPR. ومن الطرق العلمية شائعة الاستخدام فحص مقاطع محددة من خطوط الانابيب في أوقات معينة، نتيجة التكلفة العالية الناتجة من عملية الفحص المباشر وعدم القدرة على تطبيق تقنيات تحت ظروف التشغيل التي تسود داخل خطوط الانابيب. وقد تعطي اعمال الفحص المباشر صورة غير كاملة عن حالة خطوط الانابيب. ويمكن تحسين هذا الوضع عن طريق استخدام نماذج ذكية قادرة على التنبؤ بالوضع الحالي وأداء نظام خطوط الانابيب بناءً على نتائج الفحوصات السابقة لهذه الانابيب. لقد تم في هذه الدراسة تطوير نماذج للتنبؤ بانقطاع الاسلاك في أنابيب خرسانية سابقة الاجهاد (PCCP) باستخدام تقنيات الشبكات العصبية الاصطناعية (ANN)، حيث تم تطبيق هذه النماذج على البيانات الناتجة من عمليات الفحص بالرصد الصوتي على أنابيب خرسانية سابقة الاجهاد في مشروع النهر الصناعي. وقد أظهرت نماذج الشبكات العصبية توافق جيد جداً مع نماذج التدريب واعطت نتائج جيدة في التنبؤ. وتستخدم حالياً هذه النماذج بشكل روتيني في التنبؤ بانقطاعات اسلاك الانابيب الخرسانية سابقة الاجهاد بمشروع النهر الصناعي.
ABSTRACT
Many owners of Pre-stressed Concrete Cylinder Pipe (PCCP) around the world experience regular failures in their pipelines. The condition and performance of any water pipeline can be assessed by direct inspection using techniques such as electromagnetic resonance, acoustic monitoring, or GPR radar. It is common practice to inspect only a few sections of a pipeline at any point in time. This is largely due to the very high costs associated with direct inspection and the inability to apply direct inspection techniques under the operating conditions that prevail inside the pipeline. Thus, direct inspection activities can only provide a very incomplete picture of the state of the water mains. The situation can be improved with the use of intelligent models capable of predicting the current condition and performance of the pipeline system based on observations of historical conditions and inspection of the results. We have developed such models for PCCP wire break predictions using Artificial Neural Network (ANN) techniques. The models are applied to real-world acoustic monitoring data collected from the Man Made River Project (MRP) in Libya. The ANN models are in good agreement with the training patterns and show good prediction performance. The developed models are now routinely used for the prediction of PCCP wire breaks by MRP.
