基于改進神經網絡腐蝕管線剩余壽命預測

李顏 謝飛

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

關? 鍵? 詞：腐蝕管線;剩余壽命預測;神經網絡;共軛梯度

中圖分類號：TE988? ? ? ?文獻標識碼： 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發展越來越迅猛，各行業的發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濟中占有極為重要的戰略地位。我國作為發展中國家，油氣管道是經濟發展動脈，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。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生，油氣管道發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，泄漏事故頻頻發生。油氣管道一旦發生泄漏事故，不但會造成嚴重的環境污染，還可能引起火災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濟損失。管道因管體腐蝕而發生泄漏已成為輸油管道運行的主要故障，會嚴重干擾正常的生產運行[1]。因此，無論考慮經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測研究，國內外學者通過大量研究提出了各種規范和標準。20世紀60年代末，美國德克薩斯州東部輸氣公司和美國天然氣協會共同提出了B31G準則，1989年美國天然氣協會再次進行研究修正得到Modified? B31G方法[2-3]，1999年英國燃氣公司（BG）和挪威船級社聯合開發了針對帶有腐蝕缺陷的管道剩余強度評價的DNV RP-F101標準[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驗斷裂力學公式來計算管道失效壓力。但是隨著實際工程應用的經驗積累、力學分析能力的提高和無損檢測手段的發展，從中發現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，呈現非線性等特點，故精準預測腐蝕管道的剩余壽命較為復雜。

綜上所述，筆者針對輸油管道剩余壽命預測研究的特點，考慮利用神經網絡自組織、自學習、能擬合非線性函數等功能[7]，結合某油田原油管道實地勘測數據，預測管道剩余壽命。同時，采用共軛梯度算法改進神經網絡，加快計算速度及計算精度。最終，得到預測管道剩余壽命可靠數學模型。

1? 改進神經網絡預測模型

1.1? 神經網絡

1956年， Rumelhart和MCclelland 初次提出BP神經網絡，該神經網絡屬于多層前饋神經網絡。BP神經網絡學習算法也被稱為梯度下降算法，該算法的目標函數是誤差平方值函數。此學習方法是根據負梯度下降方向從而不斷調整神經網絡間的各權值和閥值以使得目標函數訓練誤差最小。BP神經網絡學習算法屬于有指導訓練的前饋多層網絡訓練算法，可以通過調節從輸入層到輸出層各層的權重，使得神經網絡對訓練數據進行學習[8]，該網絡廣泛應用于非線性函數擬合、模式識別、大數據聚類等場合[9-10]。

多層BP神經網絡由多個神經元構成，具體構造如圖1所示。

其中： ;

;

。

最終輸出為：

。

1.2? 共軛梯度法改進神經網絡

共軛梯度法主要利用一階導數，不僅克服傳統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化最有效的算法之一。采用共軛梯度法改進BP神經網絡，使得模型具有所需存儲更小，收斂性快，穩定性高等優點。

其思路為對一個目標函數 ，找到一組方向向量 ，依次按此方向組中的方向對迭代點 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R2等2個指標檢驗模型預測效果，見下列公式：

;

;

;

;

;

。

式中： m —檢驗數據個數;

—第k年的腐蝕速率實測值， mm·a-1;

—第k年的腐蝕速率預測值，mm·a-1。

相對誤差 越小，說明預測精度越高;決定系數R2越接近1，說明神經網絡擬合效果越好，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據，共64組。該組管線通徑為DN300，設計壓力等級為Class300，壁厚系列為SCH60，材質為20#碳鋼。實地勘測的歷史數據包括土壤參數，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，如操作壓力、操作溫度等;以及通過經驗計算的觀測剩余壽命。

2.1? 數據處理與分析

2.1.1? 數據處理

由于數據勘測過程中受到勘測設備、勘測方式、勘測人員業務水平等因素影響，數據存在異常、噪聲干擾等不良特征，該類數據危害神經網絡建模過程，因此需對原始數據進行預處理。

數據預處理主要為不良樣本剔除，具體采用拉依達準則，即一組樣本數據 ，若存在偏差>3 的樣本，考慮剔除，其中：

。

2.1.2? 數據相關性分析

相關性分析旨在取消與管道剩余壽命不相關或者關聯度較小數據類型，篩選出重要影響因素，相關性分析還可有效減少輸入樣本維度，加快神經網絡訓練速度，有利于建模過程。

采用偏相關方法分析數據相關性，偏相關分析方法是指當兩個變量同時與第三個變量相關時，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程度的過程，判定指標是相關系數的 值。

值是針對原假設 是假設兩變量無線性相關而言的。一般假設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 ，說明兩變量有線性相關的關系，他們無線性相關的可能性小于0.05;如果大于0.05，則一般認為無線性相關關系，至于相關的程度則要看相關系數 值， 越大，說明越線性相關， 越小，則線性相關程度越低。

經過上述過程后數據樣本如表1所示。

2.2? 建立BP神經網絡模型及共軛梯度法改進神經網絡模型

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、操作壓力數據作為神經網絡輸入，觀測剩余壽命作為神經網絡輸出，將數據分別導入BP神經網絡模型及共軛梯度法改進神經網絡模型進行訓練。

其中，輸入輸出層選取線性激活函數：

。

隱含層激活函數選?。?，1）內連續、單調、可微分的Sigmoid非線性函數：

。

并將50組勘測樣本數據分為兩組，72%用于訓練神經網絡模型，28%用于測試神經網絡模型。

同時，為了避免數據樣本數值過大，防止神經網絡計算量過大而所引起模型的“癱瘓”，對50組勘測樣本數據進行歸一化處理。數據歸一化處理按照如下方法進行：

。

其中： —樣本數據中最小值;

—樣本數據最大值;

—樣本數據;

—歸一化后數據。

將歸一化后的勘測樣本數據分別導入BP神經網絡模型及共軛梯度法改進神經網絡，完成建立模型與測試。

2.3? 模型對比

經軟件計算后，共軛梯度法改進神經網絡模型隱含層共計1個，平均相對誤差為9.4%，決定系數R2為0.76;BP神經網絡模型隱含層共計2個，平均相對誤差為10.5%，決定系數R2為0.69。

經對比，共軛梯度改進神經網絡模型誤差較小，決定系數R2更加接近1，擬合及預測結果較好。BP神經網絡模型及共軛梯度法改進神經網絡模型預測結果對比曲線詳見圖2。

3? 結 論

通過BP神經網絡模型及共軛梯度法改進神經網絡模型預測結果對比曲線可以知道，無論是通過改進的神經網絡模型預測的管道剩余壽命，還是通過BP神經網絡模型預測的管道剩余壽命，其預測結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測，改進的管道剩余壽命神經網絡預測模型結構更為簡單，隱含層數相對更少，這樣就提高了運算速率，且使得誤差更小，擬合度更優。由此可見，利用共軛梯度法改進神經網絡較傳統BP神經網絡在預測管道剩余壽命效果上更好。

隨著計算機軟件的不斷發展、功能不斷完善及其可視化的界面日益人性化、簡潔化，如今建立神經網絡已經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網絡工具箱（如Matlab神經網絡工具箱、SPSS神經網絡分析工具等），使得神經網絡建模與預測更加簡易、快捷。通過此類軟件進行剩余管道壽命預測，可以更方便地了解在役管道的運行情況，對預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神經網絡的油氣長輸管道土壤腐蝕性預測[J]. 當代化工，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，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，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神經網絡冷負荷預測及動態目標控制[D]. 廣州：華南理工大學，2012.

[9]王幸運，賈瑛，許國根，等.人工神經網絡-遺傳算法優化化學鍍四元合金工藝 [J].當代化工，2013，42（1）：73-75.

[10]陳戈珩，程青青.基于人工神經網絡的字母識別[J].長春工業大學學報，2019，40（1）：31-37.