极端工况下管道腐蚀风险在线监测研究

郭明乐，杨新宇，谢 政，刘嘉琪

(1.中国地质大学(武汉)工程学院，湖北 武汉 430074；2.武汉地产集团，湖北 武汉 430022)

管道具有分布密集及介质多样化等特点，管道输送的介质通常处于高温高压的工况下，且介质本身易燃易爆、有毒，一旦因腐蚀等因素造成管道失效，导致介质泄漏，会引发严重的安全事故[1]。相关统计表明，由于腐蚀而导致管道失效事故所造成的经济损失占全球国民生产总值的1%～5%，而诸如火灾、水灾、地震等自然灾害造成的经济损失仅占管道腐蚀的16.7%[2]。管道腐蚀所导致的管道安全问题正呈逐年增加的趋势，其导致的经济损失也成为制约石化企业发展的重要因素[3]。在我国，管道失效占所有设备失效的比例为33%。因此，有必要对管道腐蚀的风险进行在线监测。但是，在极端工况下管道腐蚀具有操作温度高、工况复杂且运行风险高、监测需求多、检测周期短等特点，而选择有效的风险检测技术方法尤为重要。

基于风险的检验(Risk-Based Inspection,RBI)最早应用于核电行业，是基于风险优化检验行为的一种方法论，其基本思想是对系统中固有的或潜在的危险发生的可能性与后果进行定量分析和评估，给出风险排序，找出薄弱环节，以优化检验的效率和频率，合理配置资源。将RBI技术方法运用于压力管道系统的风险管理，可优化管道维修费用，并提出管道最佳的检修周期和检验方案[4]。RBI技术在欧美发达国家应用较为广泛，根据国外大型石化公司应用的经验，该技术可以将设备检测费用减少15%～40%[5]。

由于基础数据库不完善、设备缺陷、标准不健全等原因，RBI技术在我国的应用还处于发展阶段，涉及的行业尚不全面。对于各类极端工况下的复杂管道结构，传统的管道检验模式以实施装置停机定检为主，易导致检验范围过泛、检验效率低、人财物消耗大等问题。鉴于此，本文以RBI技术为基础，开展了极端工况下管道腐蚀风险在线监测研究。

1 管道腐蚀风险算法研究

1.1 RBI技术的基本原理

RBI 技术是一个持续改进的过程，它通过对设备的风险评估制定检验方案，然后再根据设备的检验结果反馈进行风险再评估和调整检验方案，实现设备的风险管理[6]。RBI技术的检测流程如图1所示。

图1 RBI技术的检测流程Fig.1 Testing process of RBI tecnology

1.1.1 失效概率分析

在RBI技术中，管道失效可能性定量分析中的失效概率按下式计算[7]：

POF=Gff·Df(t)·FMS

(1)

式中：POF为失效概率;Gff为同类失效概率，代表的是统计地区某一行业或者同一类型设备的失效概率;Df(t)为损伤因子，是设备因材料劣化对失效概率贡献大小的一种体现，主要包括管道腐蚀减薄损伤、管道脆性断裂损伤、管道外部损伤和管道机械疲劳损伤4种子因子；FMS为管理系数因子,表征企业安全管理系统对设备完整性的影响程度系数。

同类失效概率可以采用API RP 581—2008(基于风险的设备检验技术)提供的数据，也可以根据企业的设备失效数据统计获得；管理系数因子、损伤因子应结合企业状况，根据API RP 581—2008中的评估方法评估获得。

1.1.2 失效后果分析

失效后果的定量化是为了确定管道在损坏后的后果严重程度，并与失效概率一同考虑计算风险大小，并建立相对的风险等级。在RBI技术的相关指导文件中，经济后果和面积后果是衡量失效后果主要要考虑的方面。其中，经济后果主要包括设备更换及检修成本、由设备失效导致的停工成本、设备失效影响区域中其他设备的破坏成本、设备失效导致的人员伤亡成本、介质泄漏造成的环境污染清理成本[8]等经济损失；面积后果则包括由燃烧与爆炸导致的设备破坏后果面积，以及燃烧与爆炸、毒性介质泄漏和无毒性非可燃介质泄漏导致的人身伤害后果面积等破坏面积。

1.1.3 风险等级划分

在RBI技术中，采用定性分析方法主要是从失效概率和失效后果两个方面确定风险等级。参照API RP 581—2016，分别列出失效概率和失效后果的等级划分标准，详见表1和表2。

表1 失效概率的分级标准

表2 失效后果的分级标准

根据设备的失效概率等级和失效后果等级就可以对设备的风险等级进行划分，可以形象地用风险矩阵来表示[9]，见图2。根据风险等级来制定检验方案，以降低设备的风险等级[10]。不同的风险区所建议采取的风险对策，见表3。

1. 2 管道腐蚀的关键影响因素分析

针对管道腐蚀这一损伤形式，在失效概率方面，同类失效概率和管理系数因子是综合考虑设备统计规律和企业管理现状后对失效概率的修正， 两者与因腐蚀机理而引起的管道失效概率变化没有直接关系，因此关于管道腐蚀风险变化的影响因素则主要是针对损伤因子的研究；在失效后果方面，设备材料、工艺介质和运行条件基本固定后不会引起其风险变化，因此从风险监测的角度研究管道腐蚀风险的变化即可不考虑失效后果的影响，对于管道腐蚀的失效后果，可以按照API RP 581—2008,并结合实际情况获取相关的信息。

图2 风险矩阵图Fig.2 Risk matrix注：图中I、II、III、IV表示风险等级。

表3 不同风险区建议采取的风险对策

极端工况下管道腐蚀风险在线监测，需重点考虑在连续性时间上能够导致管道腐蚀风险变化的影响因素。根据本文研究的重点以及损伤因子的概念，管道腐蚀引起的风险变化主要来自于腐蚀减薄损伤因子，而损伤因子中的外部损伤、脆性断裂损伤、机械疲劳损伤3种子因子则暂不做研究。因此，本文确定腐蚀减薄为管道腐蚀风险的关键影响因素，并对管道腐蚀减薄失效概率进行了计算与讨论。

1. 3 管道腐蚀风险算法分析

腐蚀减薄是管道失效的影响因素之一，主要表征管道内外使用材料受破坏的劣化性质，其涉及的劣化机理主要有局部减薄、全面减薄、点蚀等。

随着管道服役时间的增长，其材料会逐渐退化，根据材料学的相关原理可知，在材料承受的荷载超过其抵抗强度后，管道会失效，从而引发后续的泄漏等事故[11]。针对管道腐蚀减薄的失效机理，为了更加方便地分析管道腐蚀减薄失效概率算法，本文采用结构可靠性理论[12]进行分析，即判断管道是否处于安全状态一般采用极限状态函数Z来表示：

Z=g(R,L)=R-L

(2)

(3)

(4)

(5)

上式中：R为抵抗强度随机变量(MPa)；L为管道综合载荷随机变量(MPa)；S为管道流变应力(MPa)；C为管道腐蚀速率(mm/a)；Vt为管道服役时间(a)；h为管道初始名义壁厚(mm)；σs为管道屈服强度(MPa)；σμ管道抗拉强度(MPa);P为操作压力(最大)(MPa)；d为管道内径(mm)。

管道的屈服强度、抗拉强度、初始名义壁厚根据管材选取，管道腐蚀速率是管道壁厚对时间的导数，由管道壁厚监测求得。

当极限状态函数Z大于0，表明管道处于可靠状态；当Z小于0，则表明打破了平衡的临近状态，由于管材承受的载荷超过了其抵抗强度而致使管道失效[13]。

因此，管道结构的可靠性概率Pr和失效概率Pf分别表示如下：

Pr=P[Z=R-L>0]

(6)

Pf=P[Z=R-L<0]

(7)

(8)

标准差σ为

(9)

根据中心极限定理，β可以大致认为服从标准正态分布，则管道可靠性指标β为

(10)

可得到管道腐蚀减薄失效概率为

Pf=1-φ(β)=φ(-β)

(11)

根据可靠度理论计算出来的设备失效概率没有考虑设备检测有效性的影响，而有效的检测能够提高对损伤机理、损伤速率预测的准确度，降低设备失效发生的不确定性，从而在设备失效发生之前采取减缓措施来降低设备的失效概率。为了描述检测对管道腐蚀减薄失效概率的影响，本文引入管道腐蚀减薄损伤因子的计算公式：

(12)

式中：Df(t)为管道腐蚀减薄损伤因子；Gff为同类失效概率；P(Bi)为管道在某种破坏状态下的概率；P(A/Bi)为管道在此破坏状态下的失效概率。

根据管道壁厚监测求得的管道腐蚀速率，可利用公式(8)至(11)分别计算1倍、2倍、4倍管道腐蚀速率下的失效概率P(Bi)；然后根据管道腐蚀减薄检测有效性的置信度分布(见表4)确定P(A/Bi)，并结合公式(1)、(12)确定管道腐蚀失效的实际概率；最后根据管道腐蚀失效的实际概率，按照APIRP 581—2008失效后果评估方法确定管道失效后果等级，据此即可确定管道的腐蚀风险。

表4 管道腐蚀减薄检测有效性的置信度分布

2 管道壁厚在线监测技术的试验分析

2. 1 管道壁厚在线监测的要求

管道壁厚在线监测是实现管道腐蚀风险软测量的关键，对于获取监测数据的硬件仪器而言，根据工业实际的需求，提出适应不拆包覆层、管内结垢测厚等极端工况条件下保证管道壁厚高精度检测的要求。

在管道壁厚检测精度方面，根据相关研究，管道腐蚀速率为0.1 mm/a是管道开始腐蚀与不腐蚀的临界点，0.254 mm/a是管道耐腐蚀与不耐腐蚀的临界点[15]。因此，只有当管道壁厚检测技术的精度高于0.254 mm时，管道腐蚀风险软测量才有一定的应用研究价值，才能掌握管道腐蚀风险的感知程度，从而为后续的智能决策提供可靠的安全状态信号。

2. 2 各种工况下管道边界层识别试验与分析

本次管道壁厚在线监测技术试验研究的主要装置为GSDM-检测仪、ADM-剂量报警器、马鞍管支架。试验选取实际中使用最为常见的内径150 mm、外径159 mm的钢材管道进行测试，以RB159代表这种管道的代号，并分为RB159-01——D159×8(壁厚为8 mm)、RB159-02——D159×5(壁厚为5 mm)、RB159-04——D159×6(壁厚为6 mm)3种壁厚进行测试。

为了提高测试效率，采用了分步式测量算法，当管道外部具有多层包覆时，将整个扫描过程分为粗扫和细扫，其中粗扫的目的是确定包覆管及管道的边界层位置，细扫的目的是精确确定内管道壁厚值和内部结垢层的厚度。本次试验用水代替管道液体传输介质，检验液体对管道壁厚监测效果的影响。根据实际监测情况，对几种常见的监测工况进行试验，主要对以下5种工况下管道边界层进行了识别与测试：

(1) 裸管，RB159-01。

(2) 裸管+包覆管，粗扫：RB159-01，细扫： RB159-01；粗扫： RB159-04，细扫：RB159-04。

(3) 裸管+包覆管+管内结垢，粗扫：RB159-02，细扫：RB159-02。

(4) 裸管+包覆管+管内结垢+管内介质水，粗扫：RB159-02，细扫：RB159-02。

(5) 裸管+包覆管+管内介质水，粗扫：RB159-04，细扫：RB159-04。

2.2.1 裸管检测

对裸管进行检测，其试验结果见图3。

图3 裸管检测的试验结果Fig.3 Experimental results of the detection of bare tube

因不同的物质存在密度差异，本试验根据检测管道壁厚的读取原理，即根据图3中边界层形成的曲线拐点之间的距离进行读取，测量得到的管道壁厚值为7.89 mm，检测误差在可接受范围内。

2.2.2 裸管+包覆管检测

对同一型号的管道加包覆管后进行检测，其试验结果见图4。

图4 裸管+包覆管检测的试验结果Fig.4 Experimental results of the detection of bare tube+coating tube

由图4可以看出：PVC、保温层、金属管道之间的边界层可以清晰地识别，其中PVC与保温层、金属管道与空气之间的边界层呈现出“V”形曲线拐点，而保温层与金属管道之间的边界层则呈现出倒“V”形曲线拐点；从细扫曲线图[见图4(b)]可知，测量得到的管道壁厚值为7.70 mm，与裸管的检测结果相比，检测误差有所增大，但仍在可接受范围内。

2.2.3 裸管+包覆管+管内结垢检测

对带包覆层管道加入管内结垢进行检测，其试验结果见图5。

图5 裸管+包覆管+管内结垢检测的试验结果Fig.5 Experimental results of the detection of bare tube+coating tube+tube fouling

由图5可以看出：PVC、保温层、金属管道和垢层之间的边界层可以很清晰地识别，其中PVC与保温层、金属管道与垢层、垢层与空气之间的边界层呈现出“V”形曲线拐点，而保温层与金属管道之间的边界层也呈现出倒“V”形曲线拐点；从细扫曲线图[见图5(b)]可知，测量的管道壁厚值为5.17 mm，检测误差在可接受范围内。

2.2.4 裸管+包覆管+管内结垢+管内介质水检测

对裸管+包覆管+管内结垢+管内介质水进行检测，其试验结果见图6。

图6 裸管+包覆管+管内结垢+管内介质水检测的试验结果Fig.6 Experimental results of the detection of bare tube+coating tube+tube fouling+medium water

由图6可以看出：一方面，与裸管+包覆管+管内结垢的检测结果相比，液体的存在使垢层与管内介质水之间的边界层识别变得困难，其“V”形曲线拐点变得平缓而不那么明显，但是无论在粗扫还是细扫过程中仍然可以识别，这是因为垢层与水的物质密度相对较接近；另一方面，与裸管+包覆管+管内介质水的检测结果相比，由于金属管道与水之间的密度差很大，其边界层呈现出的“V”形曲线拐点变得更加明显，但较之金属管道与空气之间呈现出的“V”形曲线拐点，仍然削弱了很多。

2.2.5 裸管+包覆管+管内介质水检测

将同一型号带包覆管在加入管内介质水前后进行测试，其试验结果见图7和图8。

图7 裸管+包覆管+管内介质水检测的试验结果Fig.7 Experimental results of the detection of bare tube+coating tube +medium water

图8 裸管+包覆管检测的试验结果Fig.8 Experimental results of the detection of bare tube+coating tube

对比图7和图8可知，管道与管内介质水的边界层识别与气体环境相比，其边界层呈现出的“V”形曲线更加平滑，边界层识别相对不明显，但检测不受影响；在管内有液体介质的情况下，测量得到的管道壁厚较之气体环境的检测结果，其误差几乎可以忽略，影响很小。由此可见，该监测传感器能够在存在管内介质的情况下保证其检测精度仍在可接受范围内。

2. 3 试验结果分析

(1) 通过上述试验分析，可得出该监测传感器在目前所能遇到的极端监测工况下都适用，各种物质之间的边界层可以用“V”形曲线加以准确识别，但是当边界层两边物质密度逐渐接近时，呈现出的“V”形曲线会明显变缓，需要更好的锐化算法加以识别。

(2) 通过对比试验分析，可得出在管道壁厚在线监测试验中，增加包覆层、管内介质和结垢层对于管道壁厚测量精度的影响很小，表明该监测传感器面对各种极端工况都能够满足监测要求。

3 极端工况下管道腐蚀风险在线监测系统的基本框架

3. 1 管道腐蚀风险感知与测量的实现方案

通过RBI的风险影响因素分析，结合软测量理论分析可知，对管道壁厚数据的获取是实现管道腐蚀风险在线监测的关键，并得出了管道腐蚀风险测量的算法，可作为实现管道腐蚀风险软测量的软件条件。此外，为了满足管道壁厚数据精度以及工业实际需求的极端工况条件等监测要求，本文选用微量γ射线数字扫描检测技术对实现管道壁厚数据监测功能的硬件监测传感器进行性能分析，结果证明其可作为实现管道腐蚀风险软测量的硬件条件。根据管道腐蚀风险软测量的软件算法分析和硬件监测技术两个方面的研究，并结合管道腐蚀风险软测量的理念，实现了工业物联网感知层对于极端工况下管道腐蚀风险的感知与测量，见图9，该实现方案的设计为构建管道腐蚀风险在线监测系统奠定了核心基础。

图9 极端工况下管道腐蚀风险感知与测量的实现方案Fig.9 Risk perception and measurement plan for pipeline corrosion in extreme working conditions

3. 2 管道腐蚀风险在线监测的物联网基本框架

根据上述极端工况下管道腐蚀风险感知与测量的实现方案，结合物联网三层模型，构建了极端工况下管道腐蚀风险在线监测的物联网基本框架，详见图10。

图10 管道腐蚀风险在线监测系统的物联网基本构架图Fig.10 Architecture of internet of things for on-line monitoring system of pipeline corrosion risk

该基本框架包括感知层：网络层和应用层。其中，感知层直接用于现场各类物理数据的采集，通过数据过滤和标准化处理，以最大程度限制数据错误带来的影响；同时，通过硬件监测传感器与风险相关软件算法来实现设备或管道风险状态感知与测量，并结合计算机技术实现设备或管道风险可视化在线监测功能，实现设备安全状态信息的精确在线获取；此外，提供设备或管道损伤状态分析的相关服务，为顶层决策提供支持。网络层主要解决数据传输、信息交流、远程控制、信息安全等问题，以实现连接硬件设施的识别、设备登记、设备服务发现、服务信息传递、各类数据中转和登记记录等功能。应用层主要完成设备或管道检验维修智能决策的功能，通过将传输来的数据信息进行分析处理，实现设备或管道检测维修策略制定、风险状态监测数据库、完整性知识数据库、信息反馈等顶层服务功能。

3. 3 管道腐蚀风险在线监测系统的功能设计

对极端工况下管道腐蚀风险在线监测系统进行了模块化功能设计，各模块的功能如下：

(1) 管道腐蚀回路高风险识别模块:该模块以RBI技术的实施过程为基础，通过采集的各类相关数据对管道进行风险识别，在风险识别过程中将不同腐蚀类型的管道划分成若干个腐蚀回路，针对不同管道腐蚀回路进行腐蚀风险管理。根据风险识别的结果，找出管道腐蚀回路中的高风险单元，并指导在腐蚀回路中的最危险管道布置监测传感器。

(2) 管道腐蚀缺陷检测模块:对于上一模块输出的高风险管道布置监测传感器，以实现对于管道腐蚀缺陷在线检测的功能。由于检测出的管道腐蚀缺陷的数据质量决定了后期腐蚀状态和风险状态的监测质量，所以监测传感器所使用的监测技术对于这一模块核心功能的实现具有重大影响。不仅如此，监测传感器还具有可移动式功能，以便于接收风险变更信号，实现对于高风险管道的动态化管理。由于传感器是在线监测，测点的位置不会变动，则对于后面各测点的腐蚀趋势和风险趋势分析也更加准确、可靠。

(3) 管道腐蚀状态在线监测模块:该模块接收来自于现场传感器传输来的管道腐蚀缺陷信息进行腐蚀状态分析，并运用相关计算机技术实现管道腐蚀状态可视化在线监测功能，完成对于监测数据的初步处理，同时将可靠的管道腐蚀状态信息传输至管道风险状态在线监测模块。

(4) 管道风险状态在线监测模块:该模块主要根据上一模块的信息进行管道腐蚀风险分析，运用腐蚀风险软测量软件算法自动分析出腐蚀回路中的风险分布情况，实现对管道腐蚀风险的在线监测，并输出指令，定期调整可移动壁厚监测传感器的布置，从而使整个腐蚀回路的管道腐蚀安全状态变得越来越“透明”。

(5) 管道腐蚀风险预警报警模块:设定管道腐蚀的风险阈值，当监测的风险有扩大趋势或超过该风险阈值时，进行风险预警、报警。

(6)网络传输模块:该模块覆盖于各个模块，主要实现各模块之间的信息交流、数据传输功能。

(7) 智能决策模块:该模块接收来自于管道风险状态在线监测模块输出的管道腐蚀风险安全信号，并以此来进行相应的智能决策，具体决策内容主要包括：管道检测周期和维修策略的制定、异常诊断识别和失效根本原因分析、腐蚀回路风险状态监测数据库、检测维修策略执行与有效性跟踪、完整性标准数据库与知识数据库。根据具体情况实施相应的决策，从而使得管道腐蚀回路的完整性管理工作的内容更加可靠化、精确化、定量化。

4 结 论

(1) 以RBI定量风险分析方法为基础，通过建立管道壁厚与腐蚀风险之间的数学关系，给出了管道腐蚀风险软测量的算法。

(2) 选用微量γ射线数字扫描检测技术来实现监测传感器的管道腐蚀检测功能，模拟各类监测工况，试验证明该传感器符合极端工况下管道腐蚀风险感知对于检测壁厚的精度要求，适应不拆包覆层、管内结垢测厚等极端工况的监测要求。

(3) 通过将管道腐蚀风险软测量的算法分析和在线监测传感器设计两方面相结合进行管道腐蚀风险软测量研究，实现了工业物联网感知层对于极端工况下管道腐蚀风险的感知与测量功能，在此基础上提出了管道腐蚀风险在线监测物联网基本构架，并对极端工况下管道腐蚀风险在线监测系统进行了模块化功能设计，构建了极端工况下管道腐蚀风险在线监测系统的基本框架，从而实现了石化流程工业中高风险管道腐蚀回路在极端工况下的风险在线监测。