基于径向基函数神经网络预测模型评价油气水集输管道的均匀腐蚀缺陷

曾维国,李曙华,李 岩,范 峥

(1. 中国特种设备检测研究院，北京 100029； 2. 中国石油长庆油田分公司 气田开发事业部，西安 710021；3. 中国石油长庆油田分公司 油田开发事业部，西安 710018； 4. 西安石油大学 化学化工学院，西安 710065)

油气水集输管道是油田的主力运输设施，其一旦发生腐蚀性穿孔，会导致原油和天然气泄漏，造成巨大的经济损失和资源浪费，甚至会引起人员伤亡、环境污染等一系列安全环保问题[1-2]，当管道穿越自然保护区、农业畜牧区以及人口稠密区时，管道腐蚀穿孔带来的生态隐患与社会影响风险凸显，这也对油气水集输管道的腐蚀控制水平提出了更高的要求[3-5]。为了有效解决上述问题，需经常对管道均匀腐蚀缺陷进行评价，确定管道发生严重腐蚀事故的可能性以及关键时间节点，从而在保证管道长期、稳定、安全运行的前提下，最大可能地延长在役管道的使用寿命[6-8]。

目前，国内外针对管道均匀腐蚀缺陷评价的方法很多，例如B31G准则、API RP579准则等。B31G准则是业内较早使用的评价标准，然而其在工程应用中却暴露出很多缺陷，几经改进后，其实际效果仍然差强人意[9]；API RP579准则是在石化企业在役压力设备缺陷安全评估的需要下催生的，该准则虽然很好地满足了石化企业的需求，但适用范围有限，不利于大范围推广、应用[10-11]。人工神经网络通过模仿脑神经元的结构、功能，建立输入数据与输出数据之间的映射关系，具有良好的自学习性、自组织性、非线性性、鲁棒性、容错性、并行性以及独立性等显著优点[12-14]。人工神经网络诞生于20世纪40年代初，在先后经历了兴起、高潮、低谷以及复兴等阶段后，目前已被广泛应用于石油、电子、化工、材料、医药和交通等领域，并取得了一定的成果[15-16]。根据学习方式的不同，人工神经网络可分为有监督人工神经网络和无监督人工神经网络两大类。BP人工神经网络、径向基函数人工神经网络、Hopfield人工神经网络均属于前者;而大部分自组织人工神经网络则属于后者，只需将待求的样本输入人工神经网络即可得到结果[17-18]。

径向基函数由POWELL于1985年提出，它的主要作用是解决多维空间插值问题。1988年BROOMHEAD和LOWE根据径向基函数这一特点，将其首次引入人工神经网络中并提出了径向基函数人工神经网络这一概念，JACKSON则于1989年论证了径向基函数人工神经网络对非线性连续函数的一致逼近性能[19-20]。与BP人工神经网络、Hopfield人工神经网络和自组织人工神经网络等相比，径向基函数人工神经网络结构简单、训练方便、训练和学习的收敛速度快且输出预测结果较稳定；在满足精度需求的前提下，径向基函数人工神经网络在训练精度和泛化能力方面均优于BP人工神经网络[21]。径向基函数人工神经网络能够将低维输入矢量变换到高维空间中，从而使低维空间内的线性不可分在高维空间内变为线性可分，并逼近任意非线性函数[22-24]。贾宝惠等[25]将径向基函数人工神经网络与正交试验设计相结合，在不同条件下进行盐雾试验，系统研究了飞机结构材料2024铝合金的腐蚀规律；翟秀云[26]采用径向基函数人工神经网络结合粒子群优化算法建立了3C钢在海水中腐蚀速率预测的模型，该模型具有良好的预测精度和自学习能力。朱红秀等[27]研究了一种具有在线学习能力的径向基函数人工神经网络优化算法，通过在线调整网络满足不同形态缺陷定量分析的需要。王玉荣等[28]基于径向基函数人工神经网络对合金铸铁动态腐蚀性能进行了准确预测。

为了提高油气水集输管道均匀腐蚀缺陷评价结果的准确性，本工作首先采用室内多相动态腐蚀检测装置测定了不同工况条件下油气水集输管道的均匀腐蚀速率。然后以上述试验结果为样本数据库，通过径向基函数人工神经网络的训练、验证和测试建立集输管道均匀腐蚀速率预测模型，并对其准确性进行了验证。最后，按照SYT 6477-2017《含缺陷油气管道剩余强度评价方法》中的相关要求，采用此模型和均匀腐蚀速率对油气水集输管道的均匀腐蚀缺陷进行了评价,希望为油气水集输管道现场防腐设计提供科学、可靠的理论支撑和数据来源。

1 试验

1.1 油气水集输管道均匀腐蚀速率

油气水集输管道的工作环境属于典型的多相快速流动冲刷下的复杂混合体系，故试验借助室内多相动态腐蚀检测装置模拟油气水集输管道的腐蚀环境，并采用动电位极化法对不同工况条件下油气水集输管道的均匀腐蚀速率进行了测定。多相动态腐蚀检测装置采用密闭循环管式结构，装置内的硫化氢含量、二氧化碳含量、水含量、钙离子含量、镁离子含量和氯离子含量由在线分析仪实时测定并同步反馈至微型计算机，而PT100型温度变送器、3051TA型压力变送器、SKLD型电磁流量计则被分别用来控制装置的温度、压力和流速。将316L不锈钢挂片固定在管道内壁上，并用细导线将其与PARSTAT4000+电化学工作站的工作电极相连，辅助电极为铂电极，参比电极为饱和甘汞电极。

1.2 油气水集输管道均匀腐蚀速率预测模型

通过径向基函数人工神经网络建立油气水集输管道均匀腐蚀速率预测模型。径向基函数人工神经网络由输入层、隐含层和输出层三部分组成，如图1所示。其中，输入层由气相中的硫化氢含量、二氧化碳含量，油相中的水含量，水相中的钙离子含量、镁离子含量、氯离子含量以及温度、压力、流速等信号源节点组成；隐含层中的变换函数为高斯径向基函数，它属于对中心点径向对称且衰减的非负非线性函数；输出层负责对输入模式下的均匀腐蚀速率作出必要的响应。

图1 径向基函数人工神经网络结构示意图Fig.1 Schematic diagram of structure of radial basis function artificial neural network

当径向基函数人工神经网络的输入信号为xp，输出信号为yp时，高斯径向基函数的激活函数可表示为

(1)

xp=[xp1,xp2,…,xpi,…,xpm]T

(2)

式中：p为样本的序号，p=1, 2,…,P(P为样本数)；i为信号源节点的序号，i=1, 2,…,m(m为信号源节点数)；c为高斯径向基函数的中心；j为隐含层节点的序号，j=1,2,…,Q(Q为隐含层节点数)；σ为高斯径向基函数的方差。

此时，径向基函数人工神经网络的预测输出为

(3)

式中：wjk为从第j个隐含层节点到第k个输出层节点的连接权值。

(4)

由于传统的梯度下降法进化缓慢且容易陷入局部最小，故通过增加动量项的方法对梯度下降法进行修正以进一步提高网络学习效率。径向基函数人工神经网络采用修正的梯度下降法不断更新高斯径向基函数的中心和从隐含层到输出层之间的连接权值，如式(5)～(6)所示，使得预测输出不断逼近期望输出。

(5)

(6)

式中：η1、η2均为学习效率；t为迭代次数。

径向基函数人工神经网络学习算法的具体步骤如图2所示。

最后，利用决定系数r对径向基函数人工神经网络在训练、验证、测试阶段的预测输出和期望输出进行一致性评价，其表达式见式(7)～(10)。

(7)

(8)

(9)

(10)

1.3 油气水集输管道均匀腐蚀缺陷评价

在上述研究基础上，首先利用径向基函数人工神经网络准确预测不同工况下油气水集输管道均匀腐蚀速率，然后根据管道公称壁厚、管道服役年限以及管道均匀腐蚀速率预测管道的剩余壁厚为

δmm=δ-ny

(11)

式中：δmm为管道剩余壁厚，mm；δ为管道初始壁厚；n为管道服役年限，a；y为预测的管道均匀腐蚀速率，mm/a。

此时，要求的最小壁厚δmin为

(12)

图2 径向基函数人工神经网络学习算法流程图Fig.2 Learning algorithm flowchart of radial basis function artificial neural network

式中：ψ为管道设计压力，MPa；D为管道平均直径，mm；ε为管材屈服强度，MPa；F为管道设计系数；λ为焊缝系数，对于新建管道或经过无损探伤的焊缝，其值取1。

若满足式(13)和式(14)所示两个判据，则在当前工作压力下，管道的均匀腐蚀缺陷可以接受，否则缺陷不可以接受。

δmm=RFCA≥Kaδmin

(13)

δmm-RFCA≥max[0.5δmin,δlim]

(14)

δlim=max[0.2δ,2.5 mm]

(15)

式中：RFCA为未来腐蚀余量，mm；Ka为许用剩余强度因子，一般取0.9；δlim为管道极限壁厚，mm。

2 结果与讨论

2.1 油气水集输管道均匀腐蚀速率样本数据采集

共采集了100组不同工况下油气水集输管道均匀腐蚀速率的样本数据。其中，第1～50组随机数据用于输入径向基函数人工神经网络进行训练，而第51～100组随机数据作为验证和测试样本不参加训练。当径向基函数人工神经网络经过反复训练满足指定的容许收敛误差限后，将第51～80组随机数据输入训练好的人工神经网络验证油气水集输管道均匀腐蚀速率预测模型的准确性与可靠性，若其仍然满足容许收敛误差限的相关要求，则继续将第81～100组随机数据输入径向基函数人工神经网络进行测试。样本数据详见图3。

2.2 径向基函数人工神经网络隐含层节点数确定

由于径向基函数人工神经网络的隐含层属于典型的非线性神经元，故其隐含层节点数的多少对于模型预测效果具有十分重要的作用。在迭代次数上限为500步、扩展速度为1、学习效率η1和η2分别取0.05、0.06的条件下，利用试凑法找出了径向基函数人工神经网络适宜的隐含层节点数，其结果如图4所示。

由图4可知，当隐含层节点数为10时，径向基函数人工神经网络的均方误差高达92.680 2，随着隐含层节点数的不断增加，径向基函数人工神经网络的均方误差显著降低，当隐含层节点数为29时，径向基函数人工神经网络的均方误差仅为9.054 2，若继续增加隐含层节点数，则径向基函数人工神经网络的均方误差降幅趋缓。虽然隐含层节点数越多，油气水集输管道均匀腐蚀速率预测模型的计算结果越准确，但隐含层节点数的增加会提高径向函数基人工神经网络结构的复杂程度，导致其执行效率降低，因此，本工作选择9-29-1型径向基函数人工神经网络结构进行后续的训练、验证和测试。

2.3 径向基函数人工神经网络训练、验证和测试

采用NeuroSolutions 7.1.0.0软件建立了基于径向基函数人工神经网络的油气水集输管道均匀腐蚀速率预测模型，并对该预测模型进行了训练、验证和测试。

图5展示了油气水集输管道均匀腐蚀速率预测模型在训练过程中均方误差的变化趋势。结果表明，随着径向基函数人工神经网络迭代次数的逐渐增加，预测模型的均方误差逐渐减小，当模型利用训练数据经过4 450次反复迭代后，预测模型的均方误差变为0.000 9，小于允许收敛误差限0.001 0，这表明径向基函数人工神经网络此时已经达到收敛要求。

(a) 硫化氢含量、二氧化碳和水含量(b) 钙离子含量、镁离子含量和氯离子含量(c) 温度、压力和流速 图3 油气水集输管道均匀腐蚀速率样本数据三维图Fig.3 Three-dimensional diagram of sample data of average corrosion rates for oil-gas-water gathering pipeline: (a) content of hydrogen sulfide, carbon dioxide and water; (b) content of calcium ion, magnesium ion and chloride ion; (c) temperature, pressure and flow rate

图4 径向基函数人工神经网络隐含层节点数对均方误差的影响Fig.4 Effect of number of nodes in hidden layer of radial basis function artificial neural network on mean square error

为了验证预测模型的准确性，对比了径向基函数人工神经网络在训练、验证和测试阶段油气水集输管道均匀腐蚀速率的预测输出与期望输出，见图6。

由图6可见，油气水集输管道均匀腐蚀速率的预测值和期望均匀分布在45°回归线两侧，近似呈线性关系，在训练阶段、验证阶段与测试阶段线性拟合的决定系数分别为0.993、0.973、0.969，表明此模型中的预测值及期望值存在较高的相关性，即利用径向基函数人工神经网络对油气水集输管道均匀腐蚀速率进行预测有着较高的准确性和可靠性。

图5 训练阶段径向基函数人工神经网络均方误差的变化趋势Fig.5 Variation trend of mean square error of radial basis function artificial neural network in training stage

2.4 油气水集输管道均匀腐蚀缺陷评价

陕北某油田目前已建成316L不锈钢油气水集输管道586.16 km，其设计压力为6.3 MPa，公称直径为250 mm，管材屈服强度为180 MPa。为了对上述油气水集输管道的均匀腐蚀缺陷进行准确评价，根据该油田现场采集的腐蚀参数数据，利用径向基函数人工神经网络预测模型对该油田下辖的276段集输管段的均匀腐蚀速率进行了预测，并按照SYT 6477-2017《含缺陷油气管道剩余强度评价方法》中的相关要求对上述管道进行了均匀腐蚀缺陷评价，得出存在均匀腐蚀缺陷风险的9段管段，结果详见表1。

由表1可知，当管段壁厚最小限值为7.32 mm时，由于上述9段管段均匀腐蚀速率的预测值差异较大(0.433 6～1.582 4 mm/a),且服役年限亦有长有短(4～15 a)，因此，在实际生产中，除了需要对油气水集输管道进行必要的定期检测外，还应对预测均匀腐蚀速率较高的新投用管段和服役年限较长但预测均匀腐蚀速率较低的管段给予特别的重视和关注，从而有效杜绝可能存在的均匀腐蚀风险。

(a) 训练阶段 (b) 验证阶段 (c) 测试阶段图6 训练、验证和测试阶段油气水集输管道均匀腐蚀速率的预测值与期望值对比Fig.6 Comparison between predicted values and desired values of average corrosion rates for oil-gas-water gathering pipelines during the training (a), validating (b) and testing (c) stages

表1 存在均匀腐蚀风险管段一览表Tab. 1 List of pipelines with risk of uniform corrosion defects

3 结论

(1) 为了准确评价油气水集输管道的均匀腐蚀，变“事后处理”为“事前防护”，采用室内多相动态腐蚀检测装置测定了不同工况条件下油气水集输管道的均匀腐蚀速率，并以上述试验结果为样本数据，基于径向基函数人工神经网络建立油气水集输管道均匀腐蚀速率的预测模型。

(2) 当以气相中的硫化氢含量、二氧化碳含量，油相中的水含量，水相中的钙离子含量、镁离子含量、氯离子含量以及温度、压力、流速等为输入信号，以集输管道均匀腐蚀速率为输出信号时，由于此预测模型的优化隐含层节点数为29，故选择采用9-29-1型网络结构进行径向基函数人工神经网络的训练、验证和测试。

(3) 采用梯度下降法对径向基函数人工神经网络进行训练，经过4 450次反复迭代后，该模型的均方误差0.000 9,小于允许收敛误差限0.010 0，预测值和期望值近似呈线性，在训练阶段、验证阶段与测试阶段线性拟合的决定系数分别为0.950、0.980、0.986，预测值和期望值具有较高的相关性。

(4) 以预测的管道均匀腐蚀速率为基础，根据SYT 6477-2017《含缺陷油气管道剩余强度评价方法》中的相关要求对陕北某油田下辖的176段集输管段进行了均匀腐蚀评价，找出了9段存在均匀腐蚀风险的集输管道，从而为油气水集输管道的长期、稳定、安全运行提供了必要的理论支撑和数据来源。