физически интерпретируемое прогнозирование остаточной прочности корродированных трубопроводов с помощью символических байесовских сетей

Почему безопасность трубопроводов важна для всех

Современная жизнь опирается на обширные сети закопанных и подводных труб, которые тихо транспортируют газ и нефть на большие расстояния. Когда эти трубопроводы корродируют, стенки из металла истончаются и в конце концов могут прорваться, вызывая взрывы, пожары и загрязнение. Инженеры стремятся предсказать, какую прочность еще сохраняет повреждённая труба, чтобы успеть её отремонтировать или заменить. В этой статье предлагается новый способ таких предсказаний, который не только очень точен, но и объясняет свои выводы понятными, похожими на физические формулами, которым инженеры могут доверять.

Скрытые опасности внутри стареющих труб

Стальные трубопроводы под давлением часто называют артериями энергетической инфраструктуры, но они постоянно испытывают воздействие агрессивной среды. Коррозия постепенно разъедает стенку трубы, создавая ямки и канавки, которые её ослабляют. Если внутреннее давление станет слишком высоким, корродированная секция может лопнуть. Традиционные инженерные формулы оценивают остаточную прочность таких труб, но они часто консервативны и плохо обобщаются на разные диаметры труб, материалы или формы дефектов. Более сложные численные модели точны, но требуют много времени и их нужно пересчитывать при изменении условий. Это создаёт трудный компромисс между скоростью, точностью и практичностью при повседневной оценке безопасности.

Черные ящики ИИ недостаточны для обеспечения безопасности

Недавние успехи в машинном обучении показали, что компьютеры могут выявлять сложные закономерности, связывающие геометрию трубы, свойства материала и размер дефекта с давлением, при котором труба разрушится. Методы вроде нейронных сетей и ансамблей деревьев уже превосходят простые формулы. Однако они обычно ведут себя как чёрные ящики: дают прогнозы, не раскрывая физическую логику за ними. В приложениях, критичных для безопасности — например, при решении, оставлять ли участок трубопровода в эксплуатации — инженерам и регуляторам нужно не просто число, но понимание, почему это число имеет смысл. Инструменты постфактного объяснения могут давать подсказки, но они не заменяют чёткую, компактную формулу, основанную на инженерной интуиции.

Новая смесь обучения и читаемых человеком правил

Авторы предлагают фреймворк под названием Symbolic Bayesian Networks (SyBN), который стремится сочетать лучшее из обоих подходов: высокую предсказательную точность и понятные человеку выводы. SyBN состоит из двух основных ветвей, работающих параллельно. Одна ветвь — байесовская нейронная сеть, которая присваивает вероятностные веса каждому входному признаку — диаметру трубы, толщине стенки, прочности стали и глубине, длине и ширине коррозионных дефектов. Эта ветвь изучает сложные нелинейные взаимосвязи в данных и даёт оценку неопределённости своих предсказаний, особенно в областях с малоизмерениями. Вторая ветвь — модуль глубокой символической регрессии — пытается выразить те же зависимости в виде простых математических выражений, составленных из базовых операций: сложения, вычитания, умножения и деления. Адаптивный «затвор» между этими ветвями решает для каждого образца, насколько сильно принуждать символическую часть соответствовать нейронной сети, при этом сохраняя выражения компактными и физически приличными.

Тестирование метода

Для оценки SyBN исследователи использовали эталонный набор данных из 453 случаев корродированных трубопроводов, собранных из полноразмерных экспериментов на разрыв и тщательно откалиброванных компьютерных симуляций. Каждая точка данных включает восемь входных параметров, описывающих трубу и её дефекты, и измеренное давление разрыва. Данные представляют собой серьёзную задачу: диаметры труб охватывают более чем порядок величины, формы дефектов сильно варьируются, а целевые давления разрыва имеют большую изменчивость. При сравнении SyBN с традиционными моделями — включая линейную и гребневую регрессию, опорные векторные регрессоры, k‑ближайших соседей, случайные леса, градиентный бустинг и XGBoost — SyBN показал наилучшие результаты по всем обычным метрикам ошибки. Он также дал более стабильные результаты при повторных прогонках благодаря байесовскому подходу к важности признаков и регуляризующему влиянию символической ветви.

Какие факторы важнее всего

Команда также изучила, как SyBN оценивает важность разных входов. Байесовская нейронная сеть естественным образом учится тому, на какие признаки она опирается сильнее всего, а эти веса были проверены с помощью SHAP — широко используемого метода интерпретации моделей машинного обучения. Оба подхода согласились, что толщина стенки трубы является доминирующим фактором для давления разрыва, за ней следуют жёсткость стали и длина дефекта, в то время как предел прочности при растяжении и ширина дефекта играют меньшую роль. Такое согласование двух независимых методов интерпретации повышает уверенность в том, что модель улавливает реальные физические эффекты, а не случайные закономерности, и символические выражения дают инженерам прямые формулы, которые они могут проверить, протестировать и даже включить в правила проектирования.

Что это значит для более безопасных трубопроводов

Проще говоря, работа показывает, что возможно построить систему ИИ, которая предсказывает, когда корродированная труба может разрушиться, одновременно объясняя свои выводы в уравнениях, понятных инженеру. SyBN превосходит существующие подходы машинного обучения по точности, предоставляет реалистичные интервалы неопределённости вокруг предсказаний и выделяет наиболее значимые характеристики трубы. Хотя текущее исследование сосредоточено на статических снимках коррозии, а не на развитии повреждений во времени, этот фреймворк указывает путь к будущим системам мониторинга, которые объединят данные в реальном времени с прозрачными и надёжными моделями. Для общественности это означает более обоснованные решения по обслуживанию и, в конечном счёте, меньше неожиданных отказов трубопроводов.

Цитирование: Chen, M., Zhang, Y., Ye, Y. et al. physically interpretable residual strength prediction of corroded pipelines via symbolic Bayesian networks. Sci Rep 16, 8151 (2026). https://doi.org/10.1038/s41598-026-41914-4

Ключевые слова: коррозия трубопроводов, мониторинг состояния конструкций, интерпретируемое машинное обучение, символическая регрессия, безопасность инфраструктуры