Техніка та енергетика

Застосування автоматизованих зварювальних процесів при відновленні трубопроводів енергетичних об’єктів

Василь Дуганець, Руслана Семенишена, Павло Федірко, Віталій Пукас, Микола Волинкін
Завантажити статтю
Анотація

Мета роботи дослідити ефективність автоматизованих зварювальних процесів у відновленні трубопроводів енергетичних об’єктів з акцентом на підвищення надійності та скорочення часу ремонту. У дослідженні було використано аналіз технічної літератури, практичних кейсів та результати експериментального впровадження автоматизованих зварювальних технологій на енергетичних об’єктах. Встановлено, що автоматизовані зварювальні процеси забезпечують високу якість зварних з’єднань у трубопроводах енергетичних об’єктів, що значно знижує ймовірність виникнення дефектів. Було підтверджено, що використання сучасних зварювальних технологій сприяє підвищенню корозійної стійкості швів та їх здатності витримувати високі навантаження. Автоматизація процесів виявилася ефективною для забезпечення стабільних характеристик зварювання, навіть за складних умов експлуатації. З’ясувалося, що автоматизовані системи зменшують вплив людського фактору, підвищуючи безпеку та надійність виконання робіт. Дослідження також показало, що автоматизовані технології сприяють раціональному використанню енергоресурсів під час зварювання, мінімізують витрати на експлуатацію обладнання та забезпечують відповідність відновлених трубопроводів сучасним технічним і екологічним стандартам. Впровадження цих технологій сприяє оптимізації ремонтних робіт, зменшенню їх тривалості та підвищенню довговічності трубопроводів. Це підтвердило доцільність використання автоматизованих зварювальних процесів для відновлення інфраструктури енергетичних об’єктів. Визначено, що автоматизовані процеси дозволяють забезпечити високу точність зварювання, що є критичним для роботи трубопроводів під високим тиском. Дослідження показало, що такі технології сприяють зменшенню витрат матеріалів за рахунок мінімізації кількості дефектів. Крім того, впровадження автоматизації виявилося ефективним інструментом для підвищення продуктивності ремонтних робіт та забезпечення стабільної роботи енергетичних систем у довгостроковій перспективі

Ключові слова

корозійна стійкість, високі навантаження, людський фактор, безпека, енергоресурси, екологічні стандарт

ЦИТУВАТИ
Duhanets, V., Semenyshena, R., Fedirko, P., Pukas, V., & Volynkin, M. (2025). Application of automated welding processes in the restoration of pipelines of power facilities. Machinery & Energetics, 16(1), 91-103. https://doi.org/10.31548/machinery/1.2025.91
Використані джерела

[1] Alarcón, M., Martínez-García, F.M., & de León Hijes, F.C. (2021). Energy and maintenance management systems in the context of industry 4.0. Implementation in a real case. Renewable and Sustainable Energy Reviews, 142, article number 110841. doi: 10.1016/j.rser.2021.110841.

[2] Andrienko, O., & Tsybulskiy, L. (2024). Simulation of gas flow through a perforated pipe in a coaxial discharge system. Technologies and Engineering, 25(5), 9-16. doi: 10.30857/2786-5371.2024.5.1.

[3] Bagheri, B., Abbasi, M., & Hamzeloo, R. (2021). Comparison of different welding methods on mechanical properties and formability behaviors of tailor welded blanks (TWB) made from AA6061 alloys. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 235(12), 2225-2237. doi: 10.1177/0954406220952504.

[4] Berx, N., Decré, W., Morag, I., Chemweno, P., & Pintelon, L. (2022). Identification and classification of risk factors for human-robot collaboration from a system-wide perspective. Computers & Industrial Engineering, 163, article number 107827. doi: 10.1016/j.cie.2021.107827.

[5] Buang, A.S., Bakar, M.S., & Rohani, M.Z. (2024). A review of trend advanced welding process and welding technology in industries. International Journal of Technical Vocational and Engineering Technology, 5(1), 133-145.

[6] Bulganbayev, M.A., Suliyev, R., & Fonseca Ferreira, N.M. (2024). Prototype for the application of production of heavy steel structures. Electronics, 13(2), article number 387. doi: 10.3390/electronics13020387.

[7] Chakradhar, R., Ortega-Moody, J., Jenab, K., & Moslehpour, S. (2022). Improving the quality of welding training with the help of mixed reality along with the cost reduction and enhancing safety. Management Science Letters, 12(4), 321-330. doi: 10.5267/j.msl.2022.4.002.

[8] Chukwunweike, J., Anang, A.N., Adeniran, A.A., & Dike, J. (2024). Enhancing manufacturing efficiency and quality through automation and deep learning: Addressing redundancy, defects, vibration analysis, and material strength optimization. World Journal of Advanced Research and Reviews, 23(3), 1272-1295. doi: 10.30574/wjarr.2024.23.3.2800.

[9] Curiel, D., Veiga, F., Suarez, A., & Villanueva, P. (2023). Advances in robotic welding for metallic materials: Application of inspection, modeling, monitoring and automation techniques. Metals, 13(4), article number 711. doi: 10.3390/met13040711.

[10] Doroshenko, Ya., Stetsiuk, S., Bondarenko, R., & Daniv, Z. (2023). Technologies for trenchless renovation of pipeline systems. Prospecting and Development of Oil and Gas Fields, 23(2), 17-32. doi: 10.31471/1993-9973-2023-2(87)-17-32.

[11] Faccio, M., Granata, I., Menini, A., Milanese, M., Rossato, C., Bottin, M., Minto, R., Pluchino, P., Gamberini, L., Boschetti, G., & Rosati, G. (2023). Human factors in cobot era: A review of modern production systems features. Journal of Intelligent Manufacturing, 34(1), 85-106. doi: 10.1007/s10845-022-01953-w.

[12] Gbagba, S., Maccioni, L., & Concli, F. (2023). Advances in machine learning techniques used in fatigue life prediction of welded structures. Applied Sciences, 14(1), article number 398. doi: 10.3390/app14010398.

[13] Guo, Q., Yang, Z., Xu, J., Jiang, Y., Wang, W., Liu, Z., Zhao, W., & Sun, Y. (2024). Progress, challenges and trends on vision sensing technologies in automatic/intelligent robotic welding: State-of-the-art review. Robotics and Computer-Integrated Manufacturing, 89, article number 102767. doi: 10.1016/j.rcim.2024.102767.

[14] Hart, L., Knoblach, S., & Möser, M. (2023). Automation strategies for the photogrammetric reconstruction of pipelines. Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 91(4), 313-334. doi: 10.1007/s41064-023-00244-0.

[15] Hicks, J., Kaushal, V., & Jamali, K. (2022). A comparative review of trenchless cured-in-place pipe (CIPP) with spray applied pipe lining (SAPL) renewal methods for pipelines. Frontiers in Water, 4, article number 904821. doi: 10.3389/frwa.2022.904821.

[16] Hrinchenko, H., Koval, V., Shmygol, N., Sydorov, O., Tsimoshynska, O., & Matuszewska, D. (2023). Approaches to sustainable energy management in ensuring safety of power equipment operation. Energies, 16(18), article number 6488. doi: 10.3390/en16186488.

[17] Hrytsanchuk, A., Hrytsanchuk, V., Riabko, H., Semysiuk, O., & Stanetskyi, A. (2023). Integrated approaches to corrosion risk management in industrial pipelines. Prospecting and Development of Oil and Gas Fields, 23(3), 7-14. doi: 10.69628/pdogf/3.2023.07.

[18] Iqbal, M., Karuppanan, S., Perumal, V., Ovinis, M., & Rasul, A. (2023). Rehabilitation techniques for offshore tubular joints. Journal of Marine Science and Engineering, 11(2), article number 461. doi: 10.3390/jmse11020461.

[19] Iskandarov, E.X.O., & Baghirov, S.A.O. (2022). Analytical and wave-depression methods of elimination of the onset of hydration in subsea gas pipelines. News of the National Academy of Sciences of the Republic of Kazakhstan, Series of Geology and Technical Sciences, 2022(4), 96-108. doi: 10.32014/2022.2518-170X.203.

[20] Ismayilov, G.G., Iskenderov, E.K., & Ismayilova, F.B. (2021). Problems of Hydrodynamic Corrosion in Multiphase Pipelines. Protection of Metals and Physical Chemistry of Surfaces, 57(1), 147-152. doi: 10.1134/S2070205121010123.

[21] Ismayilov, G.G., Iskenderov, É.K., Ismayilova, F.B., & Zeinalova, G.A. (2020). Controlled Methods to Suppress Pressure Pulsations in Multiphase Pipelines. Journal of Engineering Physics and Thermophysics, 93(1), 216-222. doi: 10.1007/s10891-020-02111-w.

[22] Kahnamouei, J.T., & Moallem, M. (2024). Advancements in control systems and integration of artificial intelligence in welding robots: A review. Ocean Engineering, 312, article number 119294. doi: 10.1016/j.oceaneng.2024.119294.

[23] Karim, M.A., Manladan, S.M., Afroz, H.M., Jin, W., Krishna, T., Ji, C., Kim, D.B., & Park, Y.-D. (2023). Critical effect of heat input on joint quality in resistance element welding of Al and steel. Journal of Manufacturing Processes, 95, 91-104. doi: 10.1016/j.jmapro.2023.04.005.

[24] Kou, S. (2003). Welding metallurgy (2nd ed.). Hoboken: John Wiley & Sons.

[25] Li, Y., Geng, S., Shu, L., Li, Y., & Jiang, P. (2023). Ultra-high-power laser welding of thick-section steel: Current research progress and future perspectives. Optics & Laser Technology, 167, article number 109663. doi: 10.1016/j.optlastec.2023.109663.

[26] Liu, J., Jiao, T., Li, S., Wu, Z., & Chen, Y.F. (2022a). Automatic seam detection of welding robots using deep learning. Automation in Construction, 143, article number 104582. doi: 10.1016/j.autcon.2022.104582.

[27] Liu, Q., Chen, C., & Chen, S. (2022b). Key technology of intelligentized welding manufacturing and systems based on the internet of things and multi-agent. Journal of Manufacturing and Materials Processing, 6(6), article number 135. doi: 10.3390/jmmp6060135.

[28] Loukas, C., Williams, V., Jones, R., Vasilev, M., MacLeod, C.N., Dobie, G., Sibson, J., Pierce, S.G., & Gachagan, A. (2021). A cost-function driven adaptive welding framework for multi-pass robotic welding. Journal of Manufacturing Processes, 67, 545-561. doi: 10.1016/j.jmapro.2021.05.004.

[29] Mahto, R.P., & Rout, M. (2024). Challenges and prospects of welding 4.0 adoption: Implication for emerging economics. In B.Ch. Behera, B.R. Moharana, K. Muduli & S.M. Islam (Eds.), Smart technologies for improved performance of manufacturing systems and services (pp. 71-93). Boca Raton: CRC Press. doi: 10.1201/9781003346623.

[30] Mehta, A., & Vasudev, H. (2024). Advances in welding sensing information processing and modelling technology: An overview. Journal of Adhesion Science and Technology. doi: 10.1080/01694243.2024.2388141.

[31] Mishra, D., Pal, S.K., & Chakravarty, D. (2021). Industry 4.0 in welding. In J.P. Davim (Ed.), Welding technology (pp. 253-298). Cham: Springer. doi: 10.1007/978-3-030-63986-0_8.

[32] Mishra, R.S., & Ma, Z.Y. (2005). Friction stir welding and processing. Materials Science and Engineering: R: Reports, 50(1-2), 1-78. doi: 10.1016/j.mser.2005.07.001.

[33] Naik, D.K., Sharma, V.P., & Dinesh Kumar, R. (2024). Automation in welding industries. In S.Q. Moinuddin, S.H. Saheb, A.K. Dewangan, M.M. Cheepu & S. Balamurugan (Eds.), Automation in welding industry: Incorporating artificial intelligence, machine learning and other technologies (pp. 37-48). Beverly: Scrivener Publishing LLC. doi: 10.1002/9781394172948.ch3.

[34] Naranjo, J.E., Caiza, G., Velastegui, R., Castro, M., Alarcon-Ortiz, A., & Garcia, M. V. (2022). A scoping review of pipeline maintenance methodologies based on industry 4.0. Sustainability, 14(24), article number 16723. doi: 10.3390/su142416723.

[35] Nguyen, T.-T., Nguyen, C.-T., & Van, A.-L. (2023). Sustainability-based optimization of dissimilar friction stir welding parameters in terms of energy saving, product quality, and cost-effectiveness. Neural Computing and Applications, 35(7), 5221-5249. doi: 10.1007/s00521-022-07898-8.

[36] Prodous, O., Shlychkov, D., Abrosimova, I., & Chelonenko, A. (2024). Technical condition of pipeline systems in operation. E3S Web of Conferences, 583, article number 03012. doi: 10.1051/e3sconf/202458303012.

[37] Ren, Y., & Skilton, R. (2024). A review of pipe cutting, welding, and NDE technologies for use in fusion devices. Fusion Engineering and Design, 202, article number 114396. doi: 10.1016/j.fusengdes.2024.114396.

[38] Said, M.A., You, S.K., Khamis, N.K., Sabri, M.A., Ismail, A.R., & Ardiyanto, A. (2023). Relationship between environmental stress factors and worker performance under welding job activity. Journal of Advanced Manufacturing Technology, 17(3), 41-54.

[39] Sazonova, S.A., Nikolenko, S.D., Osipov, A.A., Zyazina, T.V., & Venevitin, A.A. (2021). Weld defects and automation of methods for their detection. Journal of Physics: Conference Series, 1889, article number 022078. doi: 10.1088/1742-6596/1889/2/022078.

[40] Schumacher, S., Hall, R., Waldman-Brown, A., & Sanneman, L. (2022). Technology adoption of collaborative robots for welding in small and medium-sized enterprises: A case study analysis. In Proceedings of the conference on production systems and logistics: CPSL 2022 (pp. 462-471). Hannover: Publish-Ing. doi: 10.15488/12176.

[41] Senthil, S.M., Bhuvanesh Kumar, M., & Dennison, M.S. (2022). A contemporary review on friction stir welding of circular pipe joints and the influence of fixtures on this process. Advances in Materials Science and Engineering, 2022(1), article number 1311292. doi: 10.1155/2022/1311292.

[42] Valovoi, О., Grytsaienko, О., & Popruha, D. (2022). Technical state assessment of the supporting structures of the technical buildings. Journal of Kryvyi Rih National University, 20(2), 113-127. doi: 10.31721/2306-5451-2022-1-55-123-127.

[43] Zhang, X., Hu, X., Li, H., Zhang, Z., Chen, H., & Sun, H. (2024). Research on predicting welding deformation in automated laser welding processes with an enhanced DEWOA-BP algorithm. Machines, 12(5), article number 307. doi: 10.3390/machines12050307.