海洋工程压力容器安全的神经网络对比分析①

俞树荣 林 骅

(兰州理工大学石油化工学院)

海洋工程压力容器安全的神经网络对比分析①

俞树荣 林 骅

(兰州理工大学石油化工学院)

为了提升海洋工程压力容器的安全性，结合海洋工程压力容器服役的复杂工况，首次将不可控的环境因素列为评价指标，建立一套适用于海洋工程压力容器的安全评价指标体系，根据德尔菲法得出下一轮的评价周期为3～6年，并建立神经网络模型。通过BP神经网络与GA-BP神经网络的对比，GA-BP神经网络收敛步长较少，体现后者在安全评价工作中的优越性，验证其评价结果的准确性。

海洋工程压力容器 安全评价 德尔菲法 GA-BP神经网络 评价模型

海洋蕴藏着大量的石油资源，是各国发展和生存不可或缺的战略资源。海洋平台的安全不容忽视，压力容器作为石油生产的重要环节，因储存介质为易燃、易爆、易污染的石油，如若管理不善，将对人员、生产和环境造成严重的破坏。因此，建立一套完善的安全评价指标体系对提高海洋工程压力容器的安全性是至关重要的。

由于海洋工程压力容器缺少相关资料、法律法规等，而陆地压力容器已经具备较完善的安全评价指标体系，在建立安全评价指标体系时可以借鉴陆地压力容器的经验。海洋压力容器较陆地压力容器而言，具有作业环境恶劣、远离陆地及风险因素多等特点，在建立安全评价指标体系时需充分考虑环境因素。安全评价体系是由许多复杂因素构成的一系列非线性问题，大部分的安全评价体系常使用预先危险性分析、故障类型和影响分析及模糊综合评价等方法[1]，虽简便实用，但受评价人员主观因素的影响。因此结合陆地压力容器的安全评价方法和神经网络在安全评价方面的大量成功案例已成为海洋压力容器研究的热点与新方向。

在安全评价理论中，如陈海宇建立模型预测油气层的损害程度[2]，沈继忱等通过神经网络对管道泄漏进行诊断[3]，高丙坤等通过神经网络对天然气管道泄漏进行检查[4]，贾莹和高丙坤在原有的基础上，利用遗传算法优化了天然气管道泄漏的检测方法[5]，在技术成果应用实际工程中神经网络还处于试验阶段，缺乏在实践中的应用，有待与工厂的进一步合作开发。笔者基于以上案例并结合其他相关领域的理论和实践经验，首次提出环境因素，并建立属于海洋工程压力容器的安全评价模型，验证模型的科学性和解决优化非线性问题的突出能力，将在很大程度上提高海洋工程压力容器的安全性。

1 安全评价指标体系

陆地压力容器所处环境相对稳定，因此评价过程中往往忽略环境因素。但海洋特殊的地理环境和复杂的风险因素，使得在建立安全评价指标体系时，应尽可能充分地考虑环境因素。笔者在文献[6]的基础上，首次在评价体系中增加了环境因素，建立一套海洋工程压力容器安全评价指标体系，分别从人员素质、储罐设施、安全管理和环境因素4个一级指标入手，再细分为17个二级指标，如图1所示。

图1 海洋工程压力容器安全评价指标体系

在整个海洋油气集输系统中，人为因素首当其冲，不适当的操作有可能酿成重大事故，因此在建立评价体系时需考虑人员素质因素，必须加大安全意识教育和专业技能培训。

为应对多变的海洋环境和恶劣的海况要求，确保系统正常运转，海洋油气集输压力容器需达到储罐设施的安全标准。因此在评价过程中需进行详细的检测，确保万无一失。

油气集输中压力容器储存的是易燃易爆、有毒有害、腐蚀性的液体，加之受限于平台空间，各种设施、设备和人员住房高度集中，这对平台的安全提出了很高的要求。为了保障系统安全、稳定地运行，需充分考虑安全管理因素。

安全评价指标体系分为可控因素和不可控因素两大类，前述三因素属于可控因素，而环境因素属于不可控因素，它的出现有可能对压力容器造成毁灭性的破坏，所以只能通过预测来降低风险[7，8]。由于风和波浪属于可预测数据，将它们作为海洋工程压力容器考虑的主要环境因素，加之风和波浪存在必然的联系，因此将二者结合考虑。

2 神经网络简介

2.1 BP神经网络

BP神经网络是基于人类大脑神经网络且能够实现某种功能的神经网络，并不是对人脑系统的简单还原，而是一种模仿、抽象和简化。它是由输入层、隐含层、输出层组成的多层前馈网络(图2)，以正向传播与误差反向传播的方式，利用误差不断调整神经元层与层之间的权值和阈值，使计算结果与数据高度拟合。BP神经网络能够反映安全评价指标的非线性关系，它的算法又称BP算法。

图2 BP神经网络结构

隐含层的输入函数：

(1)

输出层的输出函数：

yi=g(neti)

(2)

误差函数：

(3)

式中ai——实际输出；

en——相对误差；

neti——净输入；

xj——神经元的输入；

yi——神经元的输出；

θi——神经元的阈值；

ωij——神经元的权值。

但BP神经网络也存在不足，如：收敛速度慢、学习效率低和容易陷入局部极小值，因此需要对其算法进行优化[9，10]。

2.2 GA-BP神经网络

遗传算法是一种基于自然选择和基因遗传学原理的全局优化搜索算法，通过一系列的遗传操作，如选择、交叉及变异等，将生物进化和遗传机制引入到算法中，选择适应度值高的个体，直到满足一定的条件为止。由于其简单的编码技术和遗传操作，优化不受条件约束，能解决组合优化问题和非线性问题[11～13]。

通过遗传算法进行优化的BP神经网络，称为GA-BP神经网络。GA(Genetic Algorithm)进行的是遍及整个解空间的搜索，但不能获取高精度的最优解，而神经网络在局部搜索时可以弥补这 样的问题。因此，将二者相结合，可形成一种能 达到优化目的的训练算法。

2.3 评价模型设计

2.3.1 确定网络结构

分别确定输入层(m)、隐含层(s)和输出层(n)的节点数。海洋工程压力容器安全评价指标体系二级指标共17个，以此作为输入层节点数。以海洋工程压力容器的安全评价结果作为输出结果，因此输出层设为1。最后根据经验公式[14]可得：

(4)

确定隐含层节点数为8，由此得到17-8-1的网络结构。神经网络流程如图3所示。

图3 神经网络流程

2.3.2 种群初始化

遗传算法的染色体是通过串联神经网络的权值和阈值组成的数组，采用浮点数编码，结合17-8-1型网络结构，确定染色体长度为17×8+8×1+8+1=153，由此随机产生初始种群。

2.3.3 适应度值计算

染色体的适应度值f(i)计算式如下：

(5)

式中E(i)——对应网络误差。

2.3.4 遗传算法的选择、交叉、变异操作

选择操作采用轮盘赌方法，在种群当中选择适应度值高的个体，起到了优胜劣汰的作用，并且避免早熟问题，利用公式可计算进化个体概率：

(6)

交叉操作是新个体产生的主要方法，遗传算法的全局搜索能力主要依靠它来完成。采用实数编码方式，并利用拉普拉斯系数改进其生成系数[15]：

(7)

(8)

β——拉普拉斯系数改进系数。

变异操作辅助于交叉操作，保证遗传算法的局部搜索能力，避免上述两种操作造成的信息流失，维持种群多样性和有效性。

2.3.5 BP神经网络初始权值和阈值的产生

将适应度值最高的染色体解码为网络的初始权值和阈值，并赋给BP网络重新训练。

3 案例分析

3.1 数据采集

取自渤海湾某海洋工程压力容器，基本参数如下：

材料 Q345R

内压 1.6MPa

腐蚀厚度 0.8mm

温度 65℃

圆筒直径 3 000mm

风速 8m/s

评价过程中发现压力容器资料完善，上次定期检查合格，宏观检查无明显问题，但无损检测发现一处长3mm、深0.5mm的裂纹，已打磨消除无影响。规定腐蚀裕量为1mm，如果超过腐蚀裕量必须重新进行强度校核，另设新的腐蚀裕量。渤海风速年平均6～7m/s，根据气象局了解，近期风速都维持在7～10m/s，属于合理范围内，无巨浪出现。

笔者利用专家打分法作为输入数据，因此请来17位该领域的专家对指标体系中的17个二级指标进行打分，(6～7)分为差，(7～8)分为中，(8～9)分为良，(9～10)分为优，评价结果见表1。经过权重计算，得到表1的17组数据，选取评价结果分数最低的第7组数据7.48(中)作为最终结果，得出下一个评价周期为3～6年，属于合理范围。根据专家的打分情况，将评价结果与评价周期相联系，确定下次的评价时间(表2)。为了降低专家打分法存在的主观性，采用层次分析法分别对一级指标和二级指标的权重进行评估，并归一化处理[16]：

(9)

表1 部分训练样本和测试样本

表2 评价周期

为了进一步验证评价结果的准确性，将数据代入到模型中运算。选取前14组样本数据作为训练样本，选取后3组样本数据作为测试样本，利用已经构造好的17-8-1型BP模型和GA-BP模型分别进行网络训练和测试，选取效果最好的模型作为长期使用的评价模型。

3.2 训练过程

将输入数据放入Matlab中已写好的程序中模拟，设定目标误差为0.001，其训练过程如图4所示。BP神经网络的收敛步长为13次，而GA-BP神经网络的收敛步长为7次，由此可以看出优化后的程序收敛性得到了有效提高。

图4 神经网络训练过程

3.3 误差分析

图5 误差分析

从图5可以看出，GA-BP神经网络的平均相对误差比BP神经网络的小，经优化后的网络模型弥补了BP神经网络容易陷入局部极小值的缺点，达到了全局寻优、收敛速度快、误差小的效果。但因评价个体数量较少，加之BP神经网络的局限性，难免存在一些误差。

4 结论

4.1 结合海洋工程压力容器所处的特殊环境，首次考虑环境因素中的风和波浪的影响，提出一套适合海洋工程压力容器的安全评价指标体系，采用专家打分法并结合层次分析法，对海洋工程压力容器进行评价，分析出下一个评价周期。通过BP神经网络与GA-BP神经网络的对比，将评价结果代入后者进行验证，模型结果与评价结果相符，验证结果良好。

4.2 神经网络主要应用于校园安全、公路交通安全、实验室管理等领域，但还缺乏相关的实际应用。将GA-BP神经网络引入到海洋工程压力容器的安全评价指标体系当中，是为了提高海洋工程压力容器的安全性，其他海洋平台的安全评价也可以结合自身的特点对本指标进行适当的修改，赋予不同的权重，完善该指标体系。

4.3 GA-BP神经网络能解决局部最小值问题，还能加快运行速度，减小误差，获得较高精度的解，具有良好的应用前景。但由于案例中存在检测失职、规章制度存在漏洞、缺少波浪数据，导致误差的存在，今后还需对模型进行必要的改进，树立正确的职业操守，加强规章制度的管理，完善监测数据，使之在评价中达到准确合理的目标，能够更好地与实际相结合。

[1] 周波.安全评价技术[M].北京：国防工业出版社，2012：20～23.

[2] 陈海宇.改进的BP网络在储层速敏损害预测中的应用[J].化工自动化及仪表，2011，38(1)：75～78.

[3] 沈继忱，王春雨，王慧丽，等.管道泄漏诊断方法研究[J].化工自动化及仪表，2012，39(3)：309～312.

[4] 高丙坤，严娓，岳茂兴，等.基于神经网络证据理论的天然气管道泄漏检测[J].化工自动化及仪表，2012，39(10)：1268～1271.

[5] 贾莹，高丙坤.基于遗传算法优化神经网络的管道泄漏检测方法研究[J].化工自动化及仪表，2014，41(2)：128～131.

[6] TSG R0004-2009，固定式压力容器安全技术检查规程[S].北京：新华出版社，2009.

[7] 吴军，王丹，陈胜兰，等.化工园区安全评价指标体系研究[J].电子科技大学学报(社会科学版)，2015，(4)：20～24.

[8] 陆琳睿，吴伊萍，陈祺，等.基于BP神经网络的高校实验室安全评价模型及应用[J].实验室研究与探索，2013，32(2)：214～218.

[9] 马朝阳，郑运虎，姜峰，等.基于优化灰色神经网络法的压力容器裂纹扩展预测[J].化工机械，2015，42(3)：380～382.

[10] Wenjie H.Research on the Evaluation of City Road Traffic Safety Based on BP Artificial Network[J].Science Technology and Engineering，2009，18：5607～5609．

[11] 俞树荣，王超.腐蚀海洋立管剩余强度预测[J].化工机械，2014，41(5)：552～556.

[12] Xue X， Li Y，Yang X，et al.Prediction of Slope Stability Based on GA-BP Hybrid Algorithm[J].Neural Network World，2015，25(2)：189.

[13] Huang J，Luo H，Wang H，et al.Prediction of Time Sequence Based on GA-BP Neural Net[J].Journal of University of Electronic Science and Technology of China，2009，5：29．

[14] 沈花玉，王兆霞，高成耀，等.BP神经网络隐含层单元数的确定[J].天津理工大学学报，2008，24(5)：13～15.

[15] Deep K，Thakur M.A New Crossover Operator for Real Coded Genetic Algorithms[J].Applied Mathematics and Computation，2007，188(1)：895～911.

[16] 柳小桐.BP神经网络输入层数据归一化研究[J].机械工程与自动化，2010，(3)：122～123．

SafetyAnalysisofOceanEngineeringPressureVesselsBasedonNeuralNetwork

YU Shu-rong, LIN Hua

(CollegeofPetrochemicalEngineering,LanzhouUniversityofTechnology)

In order to improve the safety of the ocean engineering pressure vessels, having complex operating conditions considered and uncontrollable environmental factors adopted as evaluation index to establish a safety evaluation system for ocean engineering pressure vessels was implemented; Based on Delphi method, a 3 to 6 year evaluation period was obtained and a neural network model was built. Comparing BP neural network with GA-BP neural network shows that, the GA-BP neural network has less convergence step and it has superiority and high accuracy in the safety evaluation.

ocean engineering pressure vessel, safety evaluation, Delphi method, GA-BP neural network，evaluation model

国家质检公益项目(201310152)。

俞树荣(1962-)，教授，从事承压类特种设备的失效分析和安全评价工作，yusrlut@126.com。

TQ051.3

A

0254-6094(2017)01-0059-06

2016-01-25，

2017-01-10)