李顏 謝飛

摘? ? ? 要： 為準(zhǔn)確預(yù)測埋地油氣管道腐蝕剩余壽命，構(gòu)建基于改進神經(jīng)網(wǎng)絡(luò)腐蝕管線剩余壽命預(yù)測模型。首先，利用共軛梯度法對神經(jīng)網(wǎng)絡(luò)進行改進，保證目標(biāo)函數(shù)在迭代n次之后找到全局極小點;其次，以國內(nèi)某油田在役埋地原油管線為背景，確定影響因素;然后分析數(shù)據(jù)，采用拉依達準(zhǔn)則對不良數(shù)據(jù)樣本進行剔除，依據(jù)樣本數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型及共軛梯度法改進的神經(jīng)網(wǎng)絡(luò)模型;最后，以國內(nèi)某油田在役埋地原油管線為實例，驗證模型的預(yù)測有效性。結(jié)果表明：通過改進神經(jīng)網(wǎng)絡(luò)預(yù)測的管道剩余壽命預(yù)測結(jié)果與觀測值基本相同，改進神經(jīng)網(wǎng)絡(luò)模型隱含層共計1個，平均相對誤差為9.4%，預(yù)測結(jié)果更為精準(zhǔn)，改進神經(jīng)網(wǎng)絡(luò)預(yù)測的管道剩余壽命誤差更小。

關(guān)? 鍵? 詞：腐蝕管線;剩余壽命預(yù)測;神經(jīng)網(wǎng)絡(luò);共軛梯度

中圖分類號：TE988? ? ? ?文獻標(biāo)識碼： A? ? ? ?文章編號： 1671-0460（2020）11-2629-04

Prediction of Residual Life of Corroded Pipeline

Based on Improved Neural Network

LI Yan， XIE Fei

（College of Petroleum and Natural Gas Engineering， Liaoning Shihua University， Fushun 113001， China）

Abstract： In order to predict the corrosion residual life of buried oil and gas pipeline accurately， the residual life prediction model based on improved neural network was established. Firstly， the conjugate gradient method was used to improve the neural network to ensure that the objective function can find the global minimum point after n iterations; Secondly， the influencing factors were determined based on the in-service buried crude oil pipeline of an oil field in China; Then， the data were analyzed，and the Pauta Criterion was used to eliminate the bad data samples. Based on the sample data， the BP neural network model and the improved neural network model by conjugate gradient method were established; Finally， the effectiveness of the models were verified by an example of an in-service buried crude oil pipeline in an oil field in China. The results showed that the prediction result of pipeline residual life predicted by improved neural network was basically the same as the observed value. There was one hidden layer in the improved neural network model with an average relative error of 9.4% ，and the prediction result was more accurate，the structure of the model was simpler and the error was smaller.

Key words： Corroded pipeline; Residual life prediction; Neural network; Conjugate gradient

管道運輸作為主要運輸方式之一，已有百年歷史。我國石油天然氣工業(yè)發(fā)展越來越迅猛，各行業(yè)的發(fā)展都離不開石油和天然氣，石油天然氣管道輸送在我國國民經(jīng)濟中占有極為重要的戰(zhàn)略地位。我國作為發(fā)展中國家，油氣管道是經(jīng)濟發(fā)展動脈，同時在役長輸管道安全運行也與人民生活、國家形象等息息相關(guān)。在管道投入運行的后期，管道因腐蝕破壞而造成的管體穿孔泄漏事故時有發(fā)生，油氣管道發(fā)生事故的概率也會隨著運行時間而急劇增加。我國的石油天然氣管道中有一半以上已運行多年，泄漏事故頻頻發(fā)生。油氣管道一旦發(fā)生泄漏事故，不但會造成嚴(yán)重的環(huán)境污染，還可能引起火災(zāi)或爆炸等重大的安全事故，同時造成重大的直接或間接的經(jīng)濟損失。管道因管體腐蝕而發(fā)生泄漏已成為輸油管道運行的主要故障，會嚴(yán)重干擾正常的生產(chǎn)運行[1]。因此，無論考慮經(jīng)濟價值還是社會意義，評價管道安全性、開展管道剩余壽命預(yù)測研究，都有著重要意義。

目前，針對含腐蝕缺陷管道的剩余強度評價及管道剩余壽命預(yù)測研究，國內(nèi)外學(xué)者通過大量研究提出了各種規(guī)范和標(biāo)準(zhǔn)。20世紀(jì)60年代末，美國德克薩斯州東部輸氣公司和美國天然氣協(xié)會共同提出了B31G準(zhǔn)則，1989年美國天然氣協(xié)會再次進行研究修正得到Modified? B31G方法[2-3]，1999年英國燃?xì)夤荆˙G）和挪威船級社聯(lián)合開發(fā)了針對帶有腐蝕缺陷的管道剩余強度評價的DNV RP-F101標(biāo)準(zhǔn)[4]和用于評價含鈍口腐蝕缺陷中高強度管道的PCORRC方法[5]。這些方法基本采用了半經(jīng)驗斷裂力學(xué)公式來計算管道失效壓力。但是隨著實際工程應(yīng)用的經(jīng)驗積累、力學(xué)分析能力的提高和無損檢測手段的發(fā)展，從中發(fā)現(xiàn)這些評價方法存在較大的安全富余量和一定的保守性[6]。影響管道剩余壽命因素眾多，各因素相互影響，呈現(xiàn)非線性等特點，故精準(zhǔn)預(yù)測腐蝕管道的剩余壽命較為復(fù)雜。

綜上所述，筆者針對輸油管道剩余壽命預(yù)測研究的特點，考慮利用神經(jīng)網(wǎng)絡(luò)自組織、自學(xué)習(xí)、能擬合非線性函數(shù)等功能[7]，結(jié)合某油田原油管道實地勘測數(shù)據(jù)，預(yù)測管道剩余壽命。同時，采用共軛梯度算法改進神經(jīng)網(wǎng)絡(luò)，加快計算速度及計算精度。最終，得到預(yù)測管道剩余壽命可靠數(shù)學(xué)模型。

1? 改進神經(jīng)網(wǎng)絡(luò)預(yù)測模型

1.1? 神經(jīng)網(wǎng)絡(luò)

1956年， Rumelhart和MCclelland 初次提出BP神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)屬于多層前饋神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法也被稱為梯度下降算法，該算法的目標(biāo)函數(shù)是誤差平方值函數(shù)。此學(xué)習(xí)方法是根據(jù)負(fù)梯度下降方向從而不斷調(diào)整神經(jīng)網(wǎng)絡(luò)間的各權(quán)值和閥值以使得目標(biāo)函數(shù)訓(xùn)練誤差最小。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法屬于有指導(dǎo)訓(xùn)練的前饋多層網(wǎng)絡(luò)訓(xùn)練算法，可以通過調(diào)節(jié)從輸入層到輸出層各層的權(quán)重，使得神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)進行學(xué)習(xí)[8]，該網(wǎng)絡(luò)廣泛應(yīng)用于非線性函數(shù)擬合、模式識別、大數(shù)據(jù)聚類等場合[9-10]。

多層BP神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元構(gòu)成，具體構(gòu)造如圖1所示。

其中： ;

;

。

最終輸出為：

。

1.2? 共軛梯度法改進神經(jīng)網(wǎng)絡(luò)

共軛梯度法主要利用一階導(dǎo)數(shù)，不僅克服傳統(tǒng)梯度下降法收斂慢的缺點，而且避免牛頓法對存儲高和計算Hesse矩陣并求逆等缺陷，共軛梯度法是解大型非線性最優(yōu)化最有效的算法之一。采用共軛梯度法改進BP神經(jīng)網(wǎng)絡(luò)，使得模型具有所需存儲更小，收斂性快，穩(wěn)定性高等優(yōu)點。

其思路為對一個目標(biāo)函數(shù) ，找到一組方向向量 ，依次按此方向組中的方向?qū)Φc 進行更新，對每一個更新方向 ，找到合適的步長 ，使得 在該方向上取得最小值。要求在每一個新的更新方向 對迭代點 進行更新時，不會影響在之前方向 上的更新結(jié)果，即 不僅使 在 方向上取得最小值，且在 方向上均保持最小值。如果能找到這樣一組方向 ，那么可以保證在迭代 次之后找到 的全局極小點。

1.3? 模型效果校驗

用平均相對誤差 和決定系數(shù)R2等2個指標(biāo)檢驗?zāi)Ｐ皖A(yù)測效果，見下列公式：

;

;

;

;

;

。

式中： m —檢驗數(shù)據(jù)個數(shù);

—第k年的腐蝕速率實測值， mm·a-1;

—第k年的腐蝕速率預(yù)測值，mm·a-1。

相對誤差 越小，說明預(yù)測精度越高;決定系數(shù)R2越接近1，說明神經(jīng)網(wǎng)絡(luò)擬合效果越好，越接近0，說明擬合效果越差。

2? 原油管道剩余壽命預(yù)測

選取某油田在役原油管線的同管徑、不同管段的實地勘測的歷史數(shù)據(jù)，共64組。該組管線通徑為DN300，設(shè)計壓力等級為Class300，壁厚系列為SCH60，材質(zhì)為20#碳鋼。實地勘測的歷史數(shù)據(jù)包括土壤參數(shù)，如pH、水溶性氯離子、硫酸根離子、O2、Ca2+、Mg2+、Cl-、CO2、H2S、Fe等;工藝參數(shù)，如操作壓力、操作溫度等;以及通過經(jīng)驗計算的觀測剩余壽命。

2.1? 數(shù)據(jù)處理與分析

2.1.1? 數(shù)據(jù)處理

由于數(shù)據(jù)勘測過程中受到勘測設(shè)備、勘測方式、勘測人員業(yè)務(wù)水平等因素影響，數(shù)據(jù)存在異常、噪聲干擾等不良特征，該類數(shù)據(jù)危害神經(jīng)網(wǎng)絡(luò)建模過程，因此需對原始數(shù)據(jù)進行預(yù)處理。

數(shù)據(jù)預(yù)處理主要為不良樣本剔除，具體采用拉依達準(zhǔn)則，即一組樣本數(shù)據(jù) ，若存在偏差>3 的樣本，考慮剔除，其中：

。

2.1.2? 數(shù)據(jù)相關(guān)性分析

相關(guān)性分析旨在取消與管道剩余壽命不相關(guān)或者關(guān)聯(lián)度較小數(shù)據(jù)類型，篩選出重要影響因素，相關(guān)性分析還可有效減少輸入樣本維度，加快神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度，有利于建模過程。

采用偏相關(guān)方法分析數(shù)據(jù)相關(guān)性，偏相關(guān)分析方法是指當(dāng)兩個變量同時與第三個變量相關(guān)時，可以將第三個變量的影響剔除，只需要分析另外兩個變量之間相關(guān)程度的過程，判定指標(biāo)是相關(guān)系數(shù)的 值。

值是針對原假設(shè) 是假設(shè)兩變量無線性相關(guān)而言的。一般假設(shè)檢驗的顯著性水平為0.05，只需要拿 值和0.05進行比較：如果 值小于0.05，就拒絕原假設(shè) ，說明兩變量有線性相關(guān)的關(guān)系，他們無線性相關(guān)的可能性小于0.05;如果大于0.05，則一般認(rèn)為無線性相關(guān)關(guān)系，至于相關(guān)的程度則要看相關(guān)系數(shù) 值， 越大，說明越線性相關(guān)， 越小，則線性相關(guān)程度越低。

經(jīng)過上述過程后數(shù)據(jù)樣本如表1所示。

2.2? 建立BP神經(jīng)網(wǎng)絡(luò)模型及共軛梯度法改進神經(jīng)網(wǎng)絡(luò)模型

選取pH、硫酸根離子、水溶性氯離子、Cl-、O2、Ca2+、Mg2+、Fe、CO2、H2S、操作溫度、操作壓力數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入，觀測剩余壽命作為神經(jīng)網(wǎng)絡(luò)輸出，將數(shù)據(jù)分別導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型及共軛梯度法改進神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練。

其中，輸入輸出層選取線性激活函數(shù)：

。

隱含層激活函數(shù)選?。?，1）內(nèi)連續(xù)、單調(diào)、可微分的Sigmoid非線性函數(shù)：

。

并將50組勘測樣本數(shù)據(jù)分為兩組，72%用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，28%用于測試神經(jīng)網(wǎng)絡(luò)模型。

同時，為了避免數(shù)據(jù)樣本數(shù)值過大，防止神經(jīng)網(wǎng)絡(luò)計算量過大而所引起模型的“癱瘓”，對50組勘測樣本數(shù)據(jù)進行歸一化處理。數(shù)據(jù)歸一化處理按照如下方法進行：

。

其中： —樣本數(shù)據(jù)中最小值;

—樣本數(shù)據(jù)最大值;

—樣本數(shù)據(jù);

—歸一化后數(shù)據(jù)。

將歸一化后的勘測樣本數(shù)據(jù)分別導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型及共軛梯度法改進神經(jīng)網(wǎng)絡(luò)，完成建立模型與測試。

2.3? 模型對比

經(jīng)軟件計算后，共軛梯度法改進神經(jīng)網(wǎng)絡(luò)模型隱含層共計1個，平均相對誤差為9.4%，決定系數(shù)R2為0.76;BP神經(jīng)網(wǎng)絡(luò)模型隱含層共計2個，平均相對誤差為10.5%，決定系數(shù)R2為0.69。

經(jīng)對比，共軛梯度改進神經(jīng)網(wǎng)絡(luò)模型誤差較小，決定系數(shù)R2更加接近1，擬合及預(yù)測結(jié)果較好。BP神經(jīng)網(wǎng)絡(luò)模型及共軛梯度法改進神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比曲線詳見圖2。

3? 結(jié) 論

通過BP神經(jīng)網(wǎng)絡(luò)模型及共軛梯度法改進神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比曲線可以知道，無論是通過改進的神經(jīng)網(wǎng)絡(luò)模型預(yù)測的管道剩余壽命，還是通過BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的管道剩余壽命，其預(yù)測結(jié)果均與觀測值的趨勢基本相同，這兩種方法均可以對管道剩余壽命進行預(yù)測，改進的管道剩余壽命神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)更為簡單，隱含層數(shù)相對更少，這樣就提高了運算速率，且使得誤差更小，擬合度更優(yōu)。由此可見，利用共軛梯度法改進神經(jīng)網(wǎng)絡(luò)較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在預(yù)測管道剩余壽命效果上更好。

隨著計算機軟件的不斷發(fā)展、功能不斷完善及其可視化的界面日益人性化、簡潔化，如今建立神經(jīng)網(wǎng)絡(luò)已經(jīng)不再需要編寫繁瑣的程序語言，諸多軟件公司均推出了其獨有的神經(jīng)網(wǎng)絡(luò)工具箱（如Matlab神經(jīng)網(wǎng)絡(luò)工具箱、SPSS神經(jīng)網(wǎng)絡(luò)分析工具等），使得神經(jīng)網(wǎng)絡(luò)建模與預(yù)測更加簡易、快捷。通過此類軟件進行剩余管道壽命預(yù)測，可以更方便地了解在役管道的運行情況，對預(yù)防管道泄漏及破裂有一定的參考價值。

參考文獻：

[1]王齊，胡林林.基于BP神經(jīng)網(wǎng)絡(luò)的油氣長輸管道土壤腐蝕性預(yù)測[J]. 當(dāng)代化工，2016，45（9）：2198-2200.

[2]朱濤.ASME B31G系列評價方法的演進及影響因素研究[J].當(dāng)代化工，2016，45（10）：2466-2469.

[3]The American Society of Mechanical Engineers. ANSI/ASME? ?B31G—1984.Manual? for? determining? the? remaining? strength? of? corroded pipelines[S]..

[4]DNV RP-F101，Recommended practice RP-F101 corroded pipelines [S].

[5] 帥健，張春娥，陳福來.腐蝕管道剩余強度評價方法的對比研究 [J].天然氣工業(yè)，2006，26（11）：122-125.

[6]楊茜. 壓力管道腐蝕缺陷的非線性有限元分析[D]. 西安：西安石油大學(xué)，2014.

[7]LIAO? K， YAO? Q， WU? X， et? al. A? numerical? corrosion? rate? prediction method? for? direct? assessment? of? wet? gas? gathering? pipelines? internal corrosion[J]. Energies， 2012， 5（10）： 3892-3907.

[8]李綿升. 基于粒子群與控制誤差回饋的BP神經(jīng)網(wǎng)絡(luò)冷負(fù)荷預(yù)測及動態(tài)目標(biāo)控制[D]. 廣州：華南理工大學(xué)，2012.

[9]王幸運，賈瑛，許國根，等.人工神經(jīng)網(wǎng)絡(luò)-遺傳算法優(yōu)化化學(xué)鍍四元合金工藝 [J].當(dāng)代化工，2013，42（1）：73-75.

[10]陳戈珩，程青青.基于人工神經(jīng)網(wǎng)絡(luò)的字母識別[J].長春工業(yè)大學(xué)學(xué)報，2019，40（1）：31-37.