常压塔塔顶腐蚀关键参量相关性分析与预测

牛鲁娜，兰正贵，胡海军

(1.中国石化青岛安全工程研究院，山东青岛 266071 2.西安交通大学化学工程与技术学院，陕西西安 710049)

0 前言

目前，世界原油供应趋于重质化、劣质化。据预测，2012-2030年，全球原油平均API将从33.3下降到32.8，平均硫含量将从1.15%上升到1.24%[1]。我国原油主要依赖于进口[2]，加工劣质化原油已经成为我国炼化企业必须面对的挑战。劣质原油的硫、酸含量高，电脱盐难度大。当原油经过常压蒸馏装置时，其中的硫和氯会转化成H2S和HCl酸性气体，并溶入塔顶系统的冷凝水中，产生露点腐蚀，造成壁厚减薄或穿孔，严重时会发生火灾、爆炸事故。2012年我国炼油装置发生了49起明确的事故，其中常减压装置发生14起，加工劣质化原油引起的设备腐蚀正是造成事故的主要原因[3]。

针对常减压装置塔顶的低温腐蚀，炼化企业普遍采用“一脱三注”工艺防腐策略，通过塔顶回流罐切水的分析初步判断腐蚀的严重程度。其中，切水中总铁离子浓度是判断腐蚀控制水平的重要参量，而pH值则是工艺防腐方案制定的主要依据，工程上认为总铁≤3 mg/L、pH=6～9时腐蚀才处于受控状态。目前除了少数企业利用基于离子平衡模型的腐蚀控制技术制定塔顶工艺防腐方案外[4]，大部分国内企业还是依赖于工程经验对方案进行调整。然而，加工原料或工艺状态频繁波动，导致塔顶腐蚀环境实时变化，而且受限于技术条件，塔顶水的分析仍依靠人工采样化验，具有滞后性，这将导致工艺防腐方案很难及时且合理的制定，影响防腐控制效果。此外，虽然大多数炼厂都安装了塔顶腐蚀在线探针，可以直接获取腐蚀速率[5,6]，但是在线监测只能对局部腐蚀进行监控，不足以反映整个塔顶低温系统的腐蚀状况。

随着炼油企业信息化程度的提高，装置积累了大量的生产运行、分析化验、监检测等数据信息，这些数据之间存在内在的联系[7,8]。近年来，有部分研究基于计算机技术对企业数据进行分析，预测关键离子浓度[9]。如，顾敏等[10]运用BP神经网络预测循环冷却水腐蚀速率；李皎等[11]构建了一套完整的炼油装置腐蚀监测管理体系，针对加氢裂化装置运用BP人工神经网络建立了Fe2+/3+预测模型。但这些研究主要针对与腐蚀结果有关的监检测数据进行分析，忽视了工艺条件、原料及产品性质等与腐蚀原因相关的因素，且构建的模型简单，样本有限，对炼油装置的海量数据进行深入挖掘和利用的报道并不多见。

基于常压装置塔顶系统腐蚀防护的需要，依托大数据分析技术和常减压装置积累的大量数据，将深度学习、支持向量机回归、粒子群优化算法和相关性分析相结合，建立低温腐蚀关键参量(切水铁离子含量和pH值)与生产实时工艺参数、物料性质及切水水质之间的特征表达和映射关系，目的是从系统的观点出发，开发低温腐蚀关键参量预测模型，获取影响腐蚀关键参量的相关因素，为根据当前状态快速准确预测低温腐蚀情况、有针对性地指导防腐措施提供技术支持，也是大数据技术在炼油装置腐蚀研究中应用的一次创新性尝试。

1 数据分析方法

1.1 相关性分析

相关性分析可以衡量2个变量因素的相关密切程度，如果2个变量呈相同的波动方式，即同时上升或同时下降，则表示相关性强，反之则表示相关性弱。采用线性相关性系数来判断切水铁离子浓度与其他量之间的相关性。线性相关系数γ定义为：

(1)

当γ<0，变量f和g变化的方向相反，呈负相关。如果变量f和g是函数关系，则γ=1或γ=-1；如果变量f和g是统计关系，则-1<γ<1。

1.2 建模原理与方法

支持向量机(Support vector machine, SVM)是机器学习中的一种监督式学习方法，它巧妙地运用非线性变换把低维空间映射到高维空间，通过在高维空间构造分类器来完成复杂问题的分类任务,在模式识别和数据挖掘中得到广泛的应用[12]。支持向量机回归(Support vector machine regression, SVR)是在SVM分类的基础上引入了不敏感损失函数而实现的。定义在高维空间中的非线性回归函数为：

y=f(x)=wTφ(x)+s

(2)

式中：y——真实值；

f(x)——预测值；

φ(x)——非线性映射函数；

w——权向量；

s——常数。

不敏感损失函数为：

(3)

式中：z=y-f(x)；

ε——不敏感损失函数的参数，当Lε(z)最小时函数拟合最优。

根据结构化风险最小原理，回归函数的拟合问题可以等价于一个优化问题。若拟合数据为{xi,yi},其中i=1,…,m,xi∈Rd,yi∈R，则优化问题为：

(4)

式中：C——误差惩罚系数。

引入拉格朗日函数可以得到该优化问题的对偶形式，即：

(5)

式中：αi和αj——拉格朗日乘子。

将核函数定义为：

K(xi,xj)=φ(xi)·φ(xj)

(6)

选择的核函数为泛化能力较强的RBF(Radial Basis Function)径向基函数，即：

(7)

式中：g——核函数参数。

f(x)=w*φ(x)+s*=

(8)

拟合数据{xi,yi}即为SVR的训练数据，建立回归函数后，就可以对新的输入数据{xi}进行预测。SVR参数C和g的选择对预测精度有较大的影响，目前暂无可用的经验或理论模型来确定这2个参数。全局搜索算法如遗传算法、粒子群算法在搜索SVR最优参数方面有成功的应用[13,14]，模型中采用粒子群算法，并运用 LIBSVM3.0程序代码[15]进行计算。

2 数据分析结果

2.1 数据源选择及预处理

采集某企业2014-2016年的常减压装置腐蚀相关数据。数据可划分为3类：①工艺参数，包括压力、温度、流量、液位、物料成分等。数据量极大，且一定时间内变化不大，导出时间间隔为1 h。②腐蚀性物质参数，包括硫含量、酸值、酸度、盐含量、水分、氯离子含量、pH值等。受采样分析时间限制，侧线油气化验频率1次/天，水质参数化验频率不定，约1～2次/周。③腐蚀相关监检测参数，包括切水总铁离子含量、设备管线壁厚等，数据时间间隔约为1周。

数据源中信息多元化，存在采样频次差异大、部分缺失、值域跨度范围大、量纲不同等特点，需进行标准化预处理，避免计算矩阵病态，影响后续预测模型精度。预处理方法如下。

a)非量化数据处理。部分数据采用非量化的描述(如硫化物浓度<1.0 mg/L)，根据数据源中存在非量化的状态总数(如M种)，将这些非量化描述转换成量化整数i(i=1～M)。

b)时间同步。选择采集频次最高的生产实时工艺参数作为最小时间尺度，即1次/h，其他数据集中添加“虚拟”采集数据，统一按照步骤c)补全。

c)数据补全。通过线性插值方法进行补充，即：

(9)

式中：x——t时刻需要补全的值；

x1、x2——t1、t2时刻的测量值。

d)归一化。采用sigmoid函数对参数进行归一化，sigmoid函数是数据归一化中常用到的一种函数，它可以将变量非线性的映射到[0,1]区间，即：

(10)

x——参数的原始值。

处理后该数据源周期内共有17 167次数据采点，133种数据类型。将数据源组装成一个17 167×133的二维数据表，选择常顶切水pH值、总铁离子浓度作为考察的腐蚀关键参量，确定为因变量，进而定义二维表17 167×131为自变量的因素表X，二维表17 167×2为因变量的对照表Y。

2.2 相关性分析

针对预处理后的数据集，分别计算前131个参数与塔顶切水pH值和铁离子浓度的线性相关性，表1列出了与腐蚀关键参量相关性较高的因素。可以看出，常顶切水铁含量和pH值与装置的侧线采样和水样分析结果存在较强的相关性，而这2部分数据也能反映了原料性质(脱前原油硫含量、脱前原油酸值)、加工工艺(减一线初馏点、减一线50%馏出温度、电脱盐阀前后压差、常顶循环油热值流量)、工艺防腐(含油污水氨氮、COD)对腐蚀的影响。因此，利用这些数据来预测塔顶切水的pH值、铁离子浓度是合理的。

铁含量与脱前原油硫含量呈正相关，是因为塔顶腐蚀以HCl-H2S-H2O腐蚀为主，原油硫含量高，塔顶H2S含量随之增加，腐蚀加剧使铁离子含量升高。铁含量与原油酸值负相关，原油酸值主要是大分子有机酸(如环烷酸)贡献的，酸值高不意味着进入塔顶的小分子酸含量也高，故该值与塔顶酸性水腐蚀不具备正相关性；另一方面，原油酸值高时炼油企业会增大注碱和电脱盐的强度，大量的无机酸会被中和并被排出，减轻了塔顶腐蚀的强度，故与铁含量负相关。减一线馏出温度(减一线初馏点、减一线50%流出温度、减一线95%流出温度)、常三段液位与常顶切水铁离子呈负相关，则主要是由于馏出温度、塔内液位与原料组成有关，轻组分多，减一线馏出温度和常三段负荷相应降低，轻组分进入塔顶量增加促进腐蚀，使总铁含量增加。铁离子与常顶循环油流量负相关，是因为流量越大，抽出的热量越多，塔顶温度越低，导致腐蚀减弱，铁离子浓度降低。含油污水的COD值主要取决于水相中的有机物含量，注有机胺和缓蚀剂越多，COD值越大，铁离子含量越低，因此这二者呈负相关性。含油污水氨氮可以部分反应注中和剂对腐蚀的影响，pH值越低，铁离子浓度越大，塔顶腐蚀也越严重，相应的注中和剂量会越大，含油污水中的氨氮浓度随即也会越高。

表1 常顶回流罐切水腐蚀关键参量相关性分析

常顶切水pH值的主要相关因素与铁浓度相关因素部分重叠，但相关性相反，如原油硫含量、减一线50% 馏出温度、原油酸值、减一线初馏点等。pH值和铁离子浓度是负相关量，即pH值越大，腐蚀性越弱，铁离子浓度越低，该结果表明相关性分析的结果是合理的。pH值与上述4个量的相关关系参照其与铁离子的相关关系。pH值与电脱盐阀前后压差呈负相关性，该阀是油水混合阀，压差越大，混合强度越高，洗涤水的洗涤效果越好，脱盐越彻底。大量的氯盐被洗涤后，塔顶HCl浓度会将低，pH值就升高，因此二者之间存负相关性。由此可见，线性相关性分析结果合理地揭示了影响塔顶腐蚀关键参量的主要因素。

2.3 常压塔顶切水离子浓度预测

常压塔顶切水的Fe2+/3+离子浓度和pH值是制定工艺防腐方案的重要依据。利用支持向量机回归法建立一种根据原料、产品的性质及工艺参数预测常压塔顶切水的Fe2+/3+离子浓度和pH值的模型。考虑到计算效率，选择前5 000个样本(或数据记录)进行建模分析，随机抽取3 500个样本作为训练集，1 500个样本作为测试集。其中，SVR的核函数采用径向基(RBF)函数，利用粒子群算法对核函数参数g和损失函数参数C进行优化搜索，使得回归函数的均方误差(MSE)最小。通过多步迭代，最终确定预测pH值的支持向量机回归模型的最优参数为：g=37.45、C=42.06，预测Fe2+/3+浓度的支持向量机回归模型的最优参数为：g=18.23、C= 123.18。模型对塔顶2种腐蚀关键参量训练样本和测试样本的预测结果如图1、图2和表2所示。可以看出，各参量实际值和预测值曲线非常接近，最大偏差均不超过10%，建立的模型预测精度较高。

利用获得支持向量机回归模型，可以根据常减压装置的工艺数据、侧线采样数据和部分水质数据对常顶回流罐中切水的pH值和总铁浓度进行实时预测，预测结果将为防腐工艺调整提供有力的技术支持。

3 结论

a)收集了某炼厂2014～2016年的常减压装置工艺数据、侧线采样数据、水质分析数据，利用插值法将数据的采集时间尺度统一到1 h，采用sigmoid函数对数据集进行归一化，最后得到17 167×133的二维数据集。

图1 常压塔顶切水预测pH值与实际pH值的对比

图2 常压塔顶切水总铁浓度预测值与实际值对比

表2 常减压装置塔顶腐蚀关键参量预测结果

b)利用线性相关性方法分析了常顶回流罐切水pH值和总铁浓度与其他变量的相关性，结果表明，pH值和总铁离子浓度的相关因素大部分重叠，与原料性质及产品馏出温度较强相关。

c)基于深度学习-支持向量机回归-粒子群优化方法对常减压装置塔顶腐蚀关键参量进行建模预测分析，以生产实时数据、原料及产品性质和水质化验数据作为模型的输入，以腐蚀关键参量作为模型的输出。训练集和预测集上，关键参量预测值与测量值最大偏差不高于10%，预测模型的精度较高。