大数据下的油气管道腐蚀预警策略

阎红巧 田 琨 冒亚明 樊志强 余 飞

（中国石油集团安全环保技术研究院有限公司）

油气田集输管道主要包括采油、注水及注汽井等的井场工艺管道、井口、计量站、联合站之间的原油输送管道［1］。据统计，中石油油气田地面各类管道总长度为30万公里，随着油气田开发时间延长， 部分油区采出液的物性发生了较大变化，采出液含水量不断升高， 腐蚀条件不断恶化，导致地面集输管网腐蚀加剧，泄漏风险形势严峻［2］。

经过多年积累，国内外在管道腐蚀监测研究与应用方面有了一定的技术进步，主要的研究方向为：一是基于直接腐蚀评价ICDA、ECDA的腐蚀监测技术研究与应用［3］，这种评价方法较为成熟，但因集输管道腐蚀的复杂性而难于开展内检，故存在一定的瓶颈［4］；二是基于监测技术的腐蚀预警技术，如腐蚀挂片、电阻探针、线性极化探针及FSM等监测技术， 这些技术在管道腐蚀预警方面取得了一定应用效果［5，6］。 但总体来看，就国内陆上油田的实际情况而言，尽管腐蚀控制方面的相关研究与技术应用已开展多年，但在管道腐蚀预警方面仍面临巨大挑战［7］。 大数据是网络与信息技术发展至今所催生的一项革命性的理念和技术，创新安全环保监督管理需要借助于大数据这一技术利器。 笔者基于管道完整性管理的全生命周期管理数据，挖掘管道腐蚀规律，提出基于大数据的管道腐蚀预警策略，实现管道腐蚀管理关口前移的目的。

1 大数据思维模式的转变

大数据技术带动了思维模式的转变，具体表现为：

a. 由因果关系向关联关系转变。传统思维模式是基于因果关系的，在因果关系中，原因和结果都会被明确定义，且通常由业务专家基于具体的业务场景，结合专业理论知识确定原因自变量和结果因变量。 而大数据思维模式的关键是发现数据之间的关联关系，因果关系仅是一种特定的关联关系。

b. 由“为什么”向“是什么”的转变。传统的思维是首先思考“为什么”，并且在思考的基础上建立基于因果关系的数据模型。 然而，大数据思维则是直接从数据中挖掘变量之间的数据关系，在得到关系后再解释数学关系的物理含义。 例如经过大数据分析， 美国Target超市的蛋挞销量与飓风用品间有强关联关系， 因此当飓风来临之际，Target超市将蛋挞和飓风用品一起打包出购，但是蛋挞和飓风产品之间为什么强关联至今无法被解释，但是这一关系的确能为超市提高销售业绩。

c. 由“专家经验”向“数据驱动”的转变。传统的工业领域依赖于专家经验，尽管专家经验数据有科学理论作为支撑， 但是专家经验主观性强，缺乏客观性，例如管道完整性管理中的肯特打分法。 而大数据思维则化数为据，充分发挥数据量化、客观的特点，为领导制定决策提供依据和支持。

2 油气田集输管道数据

Q/SY 1180—2009《管道完整性管理规范》规定了管道在规划、设计、施工和竣工阶段，为了满足管道运营期完整性管理需要应收集的数据内容与格式， 这些数据主要包括基础地理数据、管道专业数据、 管道运行数据和管道检维修数据，详述如下：

a. 基础地理数据至少包含行政区划、 公路、铁路、水系、居民地、等高线及数字高程模型等基础信息。 此外，针对不同人口密度地区，应收集高后果区和环境敏感区的建筑物、人口及河流等数据信息，这些数据是管道风险评价的重要依据。

b. 管道专业数据包括管道区域等级、 套管、封堵物、防腐层、等高线、控制点、穿跨越、阴保电缆、裂纹、排流装置、弯头、地表高程、高后果区、收发球筒、阀、焊缝、管道材料、管道直径及厚度等数据。

c. 管道运行数据主要包括管道运行压力、温度、流量、输送介质及阴极保护点位等数据。

d. 管道检维修数据主要包括管道泄漏位置、泄漏量和泄漏原因，对于配有腐蚀挂片、电阻探针等管道腐蚀监测装置的管道，还应记录其腐蚀速度数据、缓蚀剂加注数据等信息［8］。

以上数据贯穿管道的全生命周期，是开展基于大数据的管道腐蚀预警应用的基础。

3 基于大数据的油气管道腐蚀预警策略

基于大数据的油气管道腐蚀预警策略的架构如图1所示，具体步骤有：

a. 收集归纳油气管道腐蚀泄漏数据；

b. 对收集的大量数据进行预处理，如缺失值和偏差值处理［9］，从而保证数据分析结果的可靠性和准确性；

c. 基于随机森林模型、朴素贝叶斯网络模型及FP-growth算法等挖掘管道腐蚀影响因素频繁组合模式；

d. 选择时间窗口长度，将固定时间长度内的管道数据看作一个数据流，通过数据流与管道腐蚀影响因素组合模式之间的关联关系构建管道腐蚀预警模型；

e. 当数据流与管道腐蚀影响因素组合模式存在一定关联关系时给出管道腐蚀预警模型。

图1 基于大数据的油气管道腐蚀预警策略架构简图

4 油气管道腐蚀影响因素组合模式

油气管道腐蚀分为外腐蚀和内腐蚀，不同的腐蚀类型下管道的腐蚀影响因素各异。 管道本体的基础数据、管道材质数据及焊缝等是影响管道内外腐蚀的共有因素。 管道外腐蚀主要影响因素包括土壤湿度、pH值、微生物、阴极保护装置及防腐层等［10］；管道的内腐蚀主要影响因素包括管道输送介质的pH值、水分、微生物、运行温度、运行压力及缓蚀剂等［11］。 依据管道腐蚀机理，对油气管道腐蚀影响因素进行分类归纳总结并基于分类建立管道腐蚀影响因素数据集。

实际生产运行过程中管道腐蚀泄漏是由多个影响因素组合诱发的，影响因素组合模型更为复杂， 管道腐蚀影响因素组合的数据纬度高，数据量大， 难以通过简单的数据统计分析手段获取。 根据管道腐蚀影响因素的分布规律， 利用Apriori关联规则、 朴素贝叶斯分类等大数据分析算法挖掘管道腐蚀影响因素的频繁项集组合（图2），从得到的组合模式中进一步提取易引发管道泄漏的关键影响因素组合模式。

图2 管道腐蚀影响因素频繁项集挖掘原理示意图

5 基于滑动窗口的管道腐蚀预警模型

在大部分数据流的应用分析中，用户往往关心最近的数据，因此基于基础地理数据、管道专业数据、管道运行数据和管道检维修数据构建管道生产运行数据流，数据流是一系列连续而有序的二元组组成的序列［12］，其中T为元素的时间点，I=｛I1，I2，I3，…｝表示管道腐蚀影响因素。设T为一个时间长度， 如1个季度、1年等；t为观测时刻；则称W［t-T：t］为数据流S上的1个时间间隔为T的窗口，其中t和T的单位相同；W［t-T：t］随t的变化而滑动，故称之为滑动窗口［10］。

6 结束语

依据油气管道的基础地理数据、管道专业数据、管道运行数据和管道检维修数据，提出了基于大数据的油气管道腐蚀预警策略，目前尚处于理论研究阶段，历史数据的完整性和数据质量在一定程度上制约着创新应用研究的进程。

传统的管道腐蚀预警方法大部分是基于管道缺陷和管道腐蚀速度的直接检测或间接检测技术，侧重于对管道腐蚀结果的测量，而基于大数据的管道腐蚀预警策略则依据管道腐蚀影响因素和腐蚀速度之间的量化关联关系推断管道腐蚀演变规律，后者考虑的因素更全面，对提高管道腐蚀预警的准确率有重要意义。

目前国内鲜有利用大数据算法构建基于滑动窗口的油气管道腐蚀预警模型的研究，该模型构建方法具有典型的创新思维，为基于油气管道腐蚀预警模型的研究提供了方法指导，对于提升油气管道腐蚀泄漏防控水平具有重要意义。