Reliability assessment on natural gas pressure reduction stations using Monte Carlo simulation (MCS)
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 148
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJRRS-5-1_004
تاریخ نمایه سازی: 30 آبان 1401
چکیده مقاله:
Gas pressure reduction stations play a key role in the timely and safe supply of natural gas (NG) to residential, commercial, and industrial customers. Accordingly, system reliability analysis should be performed to prevent potential failures and establish resilient operations. This research proposed a reliability assessment approach to natural gas pressure-reducing stations using historical data, statistical analysis, and Monte Carlo simulation (MCS). Historical data are employed to establish the probability distributions of the system and subsystems in gas stations. Then the Kolmogorov-Smirnov test is conducted to assess the goodness-of-fit for the developed distributions. Bayesian network (BN) is utilized to develop a system failure causality model. Finally, we performed MCS to precisely predict the failure rate and reliability of stations and all subsystems, such as the regulator, separator and dry gas filters, shut-off valves, and regulator. This research provided numerical findings on the reliability indicators of pressure reduction stations which can be used to improve system performance and, subsequently, the resilience of NG pipelines.
کلیدواژه ها:
نویسندگان
ali karimi
Department of Occupational Health Engineering, Faculty of Health, Tehran University of Medical Sciences, Tehran, Iran
Esmaeil Zarei
Department of Safety Science, College of Aviation, Embry-Riddle Aeronautical University, Prescott, AZ, ۸۶۳۰۱, USA
rajabali hokmabadi
Department of Occupational Health Engineering, Faculty of Health, Tehran University of Medical Sciences, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
