Теоретичні та прикладні аспекти формування системи контролю відкладень у магістральних трубопроводах
DOI:
https://doi.org/10.33271/crpnmu/86.115Ключові слова:
магістральний трубопровід, контроль відкладень, моніторинг, прогнозування, інгібування, очищення скребками, управління потоком, парафінові відкладенняАнотація
Мета. Розробити теоретичні засади та структуру інтегрованої системи контролю відкладень у магістральних трубопроводах, що поєднує прогнозування, моніторинг, запобігання та видалення органічних і неорганічних відкладень для забезпечення гідравлічної та термічної ефективності трубопроводу.
Методика. Застосовано системний аналіз науково-технічних джерел. Запропоновано концептуальну модель, що включає діагностичну, прогностичну, превентивну та реагувальну підсистеми. Діагностична підсистема забезпечує моніторинг параметрів потоку та стану внутрішньої поверхні, прогностична – моделювання росту відкладень, превентивна – хімічне інгібування й термогідравлічне регулювання, реагувальна – очищення та аварійні заходи.
Результати. Сформульовано принципи системи: безперервність, адаптивність, багаторівневість, пріоритет профілактики та енергоефективність. Розроблено структурну схему, що охоплює збір даних про температуру, тиск, витрату та диференційний тиск, 1D термогідравлічне моделювання з підмоделлю росту відкладень, прийняття рішень за порогами спрацьовування та економічним оптимумом, а також дозування інгібітора, запуск скребка й зміну режиму перекачування. Очікується зменшення аварійних зупинок на 40–70 %, витрат на очищення на 20–35 % та збільшення міжремонтного періоду в 1,5–2 рази. Розглянуто ділянку нафтопроводу довжиною 200 км із вмістом парафінів 18 %.
Наукова новизна. Вперше запропоновано цілісну концепцію контролю відкладень, що інтегрує зворотний зв’язок, предиктивне управління та ризик-орієнтоване планування з технологіями вбудованого моніторингу, інтелектуального очищення й автоматизованого дозування. Запропоновано критерій економічної доцільності втручання з урахуванням вартості очищення, втрат пропускної здатності та енергоспоживання.
Практична значимість. Система придатна для трубопроводів різного діаметра, протяжності та типу нафти, забезпечує автоматизацію рішень щодо очищення, оптимізацію витрати реагентів і зниження ризику аварій. Очікуваний економічний ефект становить 15–30 % річних експлуатаційних витрат.
Посилання
1. Матеріали міжнародної науково-практичної конференції «Екогеофорум-2017: Актуальні проблеми та інновації» (22–25 березня 2017 р.). (2017). Івано-Франківськ.
2. Rastsvietaiev, V. O., Yavorska, V. V., Vasylchenko, D. O., Yashyn, D. O., & Ko-roviaka, M. Ye. (2026). Justification of technological solutions for methods of prediction and control of deposits in trunk pipelines. Technical Engineering, 1(97), 498–506. https://doi.org/10.26642/ten-2026-1(97)-498-506
3. Gurbanov, G., Gasimzade, A., & Abdullayeva, Z. (2026). Study on the effect of new composi-tions on the breakdown of stable water-in-oil emulsions. Nafta-Gaz, 82(2), 146–155. https://doi.org/10.18668/NG.2026.02.04
4. Rastsvietaiev, V. O. (2026). Research on the mechanisms of deposit formation and development of a comprehensive system for combating them in trunk pipelines. Науковий вісник ДонНТУ, 2(17), 18–28. https://doi.org/10.31474/2415-7902-2026-2-17-18-28
5. Haddad, J., Alfaqs, F., Pashchenko, O., Khomenko, V., & Rastsvietaiev, V. (2026). Dynamics of the destruction of paraffin deposits in oil–gas systems under cyclic pressure. Journal of Engi-neering and Applied Science, 73(1), Article 160. https://doi.org/10.1186/s44147-026-01007-5
6. Rastsvietaiev, V., Aziukovskyi, O., Babenko, M., Vasylchenko, D., & Yashyn, D. (2026). Inno-vative approaches to managing deposit formation processes in main pipeline systems. Collection of Research Papers of National Mining University, 84, 149–160. https://doi.org/10.33271/crpnmu/84.149
7. Rastsvietaiev, V. O., Haddad, J., Aziukovskyi, O. O., Pashchenko, O. A., Babenko, M. V., & Vasylchenko, D. O. (2026). Development and evaluation of combined methods for cleaning par-affin wax deposits in pipelines oil and gas industry. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (1), 50–57. https://doi.org/10.33271/nvngu/2026-1/050
8. Rastsvietaiev, V., Haddad, J., Pashchenko, O., Shporta, A., & Tymchenko, S. (2026). Modeling of deposit accumulation processes and optimization of their removal systems in main pipelines. Collection of Research Papers of the National Mining University, (85), 114–126. https://doi.org/10.33271/crpnmu/85.114
9. Расцвєтаєв, В. О., Азюковський, О. О., Заболотна, Ю. О., Яшин, Д. О., & Бабенко, М. В. (2025). Оцінювання технічного стану переходу магістрального газопроводу «Шебелинка–Диканька–Київ» через залізничну колію. Збірник наукових праць НГУ, 83, 324–337. https://doi.org/10.33271/crpnmu/83.324
10. Rastsvietaiev, V., & Vasylchenko, D. (2025). Technological and energy advantages of induction heating in oil transportation systems by pipelines. Collection of Research Papers of the National Mining University, 82, 246–257. https://doi.org/10.33271/crpnmu/82.246
11. Расцвєтаєв, В. О., Азюковський, О. О., Пащенко, О. А., Яворська, В. В., & Бабенко, М. В. (2025). Неруйнівні методи оцінки впливу газогідратів на міцність магістральних трубопро-водів. Технічна інженерія, 2(96), 322–330. https://doi.org/10.26642/ten-2025-2(96)-322-330
12. Расцвєтаєв, В.О., Азюковський, О.О., Пащенко, О.А., Бабенко, М.В., & Васильченко, Д.О. (2025). Термодинамічні та кінетичні аспекти формування газогідратів у магістральних тру-бопроводах. Вісті Донецького гірничого інституту, 2(57), 7–14. https://doi.org/10.31474/1999-981X-2025-2-7-14
13. Marek, J., Skřehot, P., Hon, Z., & Vargová, S. (2024). Possibilities of using a virtual source model to refine the prediction of the impact of injurious effects in massive releases of toxic gases. Chemické listy, 118, 676–684. https://doi.org/10.54779/chl20240676
14. Расцвєтаєв, В.О., Азюковський, О.О., Бабенко, М.В., & Васильченко, Д.О. (2025). До пи-тання перспектив застосування індукційного нагріву у системах транспортування нафти трубопроводами. Науковий вісник ДонНТУ, 2(15), 232–245. https://doi.org/10.31474/2415-7902-2025-2-15-232-245
15. Wolicki, R. (2026). Case study: How advanced sensing and big data improve pipeline cleaning and flow assurance. Journal of Petroleum Technology, 78, 1–5. https://doi.org/10.2118/0526-0007-JPT
16. Sarwari, S., Qiao, Y., Koirala, P., & Yihang, G. (2026). An intelligent decision support frame-work for flood forecasting and structural safety monitoring in hydropower systems: Integration with power system protection and control. https://doi.org/10.46121/pspc.54.3.13
17. Lee, S.-J., Kim, J., & Yun, H.-S. (2026). How sustainable is Arctic route diversification? Eco-nomic losses, SDG trade-offs, and supply chain resilience in the 2026 Hormuz crisis. Sustainabil-ity, 18, 4318. https://doi.org/10.3390/su18094318
18. Ahmad, I. (2026). “We are feeling hot”: Himalayan glacier warming and ice–rock collapse haz-ards from Chamoli 2021 to Nepal–Tibet 2026 (VIEWS).
19. T. R., S., Alshahrani, M., Faisal, D., & Vadivu, D. (2026). T R Shree Nee (Sep 2026) healthcare application using data science, machine learning, and IoT textbook.
20. Fakhruddin, Z., Ahmed, V., & Bahroun, Z. (2026). Artificial intelligence and BIM-enabled smart construction site management: A systematic review of site-level spatial decision-making and site layout optimization-related applications for sustainable building delivery. Smart Cities, 9, 112. https://doi.org/10.3390/smartcities9070112
21. Azevedo, L. F. A., & Teixeira, A. M. (2003). A critical review of the modeling of wax deposition mechanisms. Petroleum Science and Technology, 21(3–4), 393–408. https://doi.org/10.1081/LFT-120018528
22. Skovborg, P., & Rasmussen, P. (1994). A mass-transport limited model for the growth of me-thane and ethane gas hydrates. Chemical Engineering Science, 49(8), 1131–1143. https://doi.org/10.1016/0009-2509(94)85085-2
23. Chaokromthong, K. (2026). Integrating Building Information Modeling (BIM) into public con-struction policy: A systems-based analysis in the Thai context. Asian Creative Architecture, Art and Design, 39(2), e283010. https://doi.org/10.55003/acaad.2026.283010
24. Xhindi, T. (2026). Editorial–Digital transformation, intelligent systems, and sustainable solutions in emerging contexts. Ingenious, 6(1), 5–8. https://doi.org/10.58944/tqnh1077
25. Tiratsoo, J. (Ed.). (2003). Pipeline pigging and integrity technology (3rd ed.). Scientific Surveys Ltd.
26. Cordell, J., & Vanzant, H. (2003). Pipeline pigging handbook: Design, operation & maintenance. Clarion Technical Publishers.
27. Schalm, O., & Lemmens, J. (2026). Quantifying human-driven energy and cost variability in tug-boat manoeuvres. In Maritime Transport XI: 11th International Conference on Maritime Transport (Vol. 11). Universitat Politècnica de Catalunya. https://doi.org/10.5821/mt.14706
28. Zain Abdullah, M., Yunchong, G., & Yunhasnawa, Y. (2026). Behavior and person sensing sys-tem based on computer vision. Jurnal Informatika Polinema, 12(3), 419–424. https://doi.org/10.33795/jip.v12i3.9090
29. Matzain, A., Apte, M. S., Zhang, H.-Q., Volk, M., Brill, J. P., & Creek, J. L. (2002). Investiga-tion of paraffin deposition during multiphase flow in pipelines and wellbores–Part 1: Experi-ments. Journal of Energy Resources Technology, 124(3), 180–186. https://doi.org/10.1115/1.1484392
30. Li, R., Huang, Q., Huo, F., Fan, K., Li, W., & Zhang, D. (2019). Effect of shear on the thickness of wax deposit under laminar flow regime. Journal of Petroleum Science and Engineering, 181, 106212. https://doi.org/10.1016/j.petrol.2019.106212
31. Shree, T. R., Alshahrani, M., Faisal, D., & Vadivu, D. (2026). Healthcare application using data science, machine learning, and IoT textbook. ISBN 9789371963350.
32. Ekambaram, T., Raj, G. R., Datta, A. K., & Pal, A. (2026). Artificial neural network-based ap-proach for structural health monitoring of earthquake-affected industrial structures. Engineering Computations, 1–17. https://doi.org/10.1108/EC-06-2025-0568
33. Chen, S., Li, Z., Wang, Y., Guan, H., Gao, L., Ma, J., & Wang, X. (2021). Construction and application of Digital Twin model of pipeline. Oil & Gas Storage and Transportation, 40(6), 643–650. https://doi.org/10.6047/j.issn.1000-8241.2021.06.006
34. Wang, T., Feng, K., Ling, J., Liao, M., Yang, C., Neubeck, R., & Liu, Z. (2024). Pipeline condi-tion monitoring towards digital twin system: A case study. Journal of Manufacturing Systems, 73, 256–274. https://doi.org/10.1016/j.jmsy.2024.02.006
35. Bandar, F., Salem, F., AlAsousi, G., & Muqaddas, Z. (2026). The role of female talent in oilfield. Society of Petroleum Engineers. https://doi.org/10.2118/230982-MS
36. Khouya, Y. B. (2025). Digital e-sourcing as a catalyst for modern industrial procurement: A case study of Supply4industry in global supply chains. European Journal of Logistics, Purchasing and Supply Chain Management, 13(1), 131–144. https://doi.org/10.37745/ejlpscm.2013/vol13n1131144
37. Shree NEE T. R., Alshahrani, M. S. M., Faisal, M., & Vadivu, M. S. (2026). Healthcare applica-tion using data science, machine learning, and IoT textbook.
38. Kim, S., & Kim, S. (2026). Closed-loop brain–computer interfaces (BCI) enhanced with AI-driven neurofeedback using soft bioelectronic networks: A comparative study with i-BrainTech and proposal of a new hybrid model. International Journal of Grid Computing & Applications, 17(1), 1–11. https://doi.org/10.5121/ijgca.2026.17101
39. Danilishyn, I., Danilishyn, O., & Pasynkov, V. (2026). Elements of mathematical connections theory, mathematics of format-numbers, some format-numbers for S-morphology, fundamentally new approach to elementary particles by format-numbers. Journal of Modern Classical Physics & Quantum Neuroscience, 2(4), 1–39. https://doi.org/10.63721/26JPQN0184
40. Wei, Z., Wang, H., Jiang, X., Xiang, X., Zhang, S., Liao, X., & Jin, H. (2026). Bridging LLM-RecSys paradigms and heterogeneous AI accelerators: A taxonomy and system-level impact anal-ysis. https://doi.org/10.13140/RG.2.2.20082.26565
41. Savidis, A. (2026). Real-time train tracking over satellite backhaul: A GNSS/INS system with HMM map matching and graph-aware dead reckoning for the Greek railway network [Technical report]. https://doi.org/10.13140/RG.2.2.12602.76480
42. Shi, Y., Yi, T., Meng, Y., Tian, J., & Guo, J. (2026). Physics-aware graph neural ODE for sen-sor data imputation in converter transformer monitoring systems. Journal of King Saud Universi-ty Computer and Information Sciences, 38, Article 307. https://doi.org/10.1007/s44443-026-00710-w
43. Carpenter, C. (2026). In-pipe inspection technologies enable high-resolution downhole data ac-quisition. Journal of Petroleum Technology, 78, 1–3. https://doi.org/10.2118/0726-0014-JPT
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
All articles are published under the Creative Commons Attribution License (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Authors retain copyright and grant the journal right of first publication.
Authors are permitted and encouraged to deposit the final published version of their article, or the Author's Accepted Manuscript (AAM), in institutional or subject-specific open-access repositories (including the university's own institutional repository, CORE, Zenodo, or Figshare), ensuring maximum visibility, accessibility, and impact of the publication.
