BP神经网络在管道内腐蚀直接评价中的应用

陈 君 赵晓云 蔡乐乐 郑 超 彭 敏

（1. 北京西管安通检测技术有限责任公司，北京 100107；2. 长庆油田分公司第三采油厂，宁夏 银川 750000）

0 引言

我国属于能源生产和消费大国，在很多年前就开始进行油气管道的建设，那个阶段设计水平不高，施工质量相对较低，缺乏必要的器具与设备，工艺条件显得十分滞后。我国已经进入到了频繁发生油气管道事故的阶段，油气管道的输送介质中，一般含水率较高，还可能含有二氧化碳、硫化氢、氧气等杂质。在上述腐蚀性因素的影响下，其会通过化学介质对钢管进行腐蚀，给生产单位带来难以挽回的损失。因此，管道的内腐蚀直接评价日益受到重视，而内腐蚀直接评价中的关键环节就是建立腐蚀速率预测模型并尽可能准确地提高预测的准确率。

B P 神经网络又称反向传播网络（B a c k-Propagation Network）[1]，是由J.L.McClelland和D.E.Rumelhart两人在上世纪八十年代末期提出，认为在互联网出现计算误差滞后时，其会从相反的方向进行传播，在到达输入层之后通过计算提高传输质量。现阶段最具效果的神经网络学习算法就是BP神经网络学习算法。它的结构包括输入层、隐藏层、输出层，基本思想是梯度下降法。有两个算法在基本BP算法里面包含着，前向信号的传播和反向误差的传播。如果实际输出与预期输出不一致，它通过转变误差的方向，然后进行传播。这一传播方式存在较为明显的输出误差，通过作用于输入层，在穿透隐含层进行传输，确保能够将误差配置到各个单元。同时，根据信号的反馈，将其作为今后进行调整的参照[2]。

对于BP神经网络来说，其自身优势较为明显：一是从隐含层来看，只要其数量与节点数量较多，那么其就可以接近任何区域，以便能够形成各种非线性映射关系；二是其泛化水平较强，往往会采用全局逼近的手段，借助算法实现网络训练的效果。

本文的目的就是针对目前有报道的BP神经网络用于管道内腐蚀直接评价的方法和应用案例进行详细的介绍，力图从中寻找出有效的、吻合率高的管道内腐蚀直接评价建模方法。

1 管道内腐蚀直接评价

从油气输送管道的发展来看，其功能大致可以分为下列若干种：一是远途管道，其往往用于相隔较远地区的输送；二是集输管道，其对距离的要求不高，中短途亦可；三是场站工艺管线，经常被用在单元之间或者内部。随着油田原油开采逐渐进入中后期，使用增产技术，原油中的含水量、药剂、细菌等会逐渐增多，从而加剧输油管道内腐蚀。

管道内腐蚀直接评价（ICDA）是在外腐蚀直接评价（ECDA）研究的基础上发展起来的，是结合相关信息得出的结果，预测腐蚀所产生的具体作用，查看其对管道的实际破坏程度，以便能够采取相应的防护措施[3]。

其中结合输送介质的具体差异，ICDA分为以下几个种类：一是LP-ICDA，其主要用于液体石油管道，对其腐蚀性进行检测；二是DG-ICDA，其主要用于干气管道，对其腐蚀性进行检测；三是WGICDA，其主要用于湿气管道，对其所腐蚀性进行检测；四是MP-ICDA，其主要用于多相流管道，对其腐蚀性进行检测[4]。实施ICDA的过程可大致有以下几个过程：一是对其进行预先评价，通过对相关信息进行归纳与整理，明确其可行性，并对其区段作出界定；二是进行间接检测，通过确定具体的管段，并对具体的位置进行全面检查；三是直接进行评价与检测，明确哪些区域可能会遭到腐蚀，并且确定的具体的检测区域；四是作出后评价，针对以上几步的检测结果，对尚未进行检测的部分腐蚀程度进行推测。上述几个阶段虽然大体相似，不过其计算方式明显不同[4]。

ICDA技术关键为主要考虑管道离子浓度种类及含量、多相流型、截面持液/水率、流速、压力以及温度等参数，对管道中可能发生腐蚀的位置及腐蚀速率进行预测，并利用管道直接开挖检测的方式进行验证，从而达到对管道内腐蚀进行直接评价的目的。因此，ICDA的关键是确定腐蚀类型，根据流态分析腐蚀环境，建立腐蚀模型。

油田集输管道运行时很多时候都属于多相流形态，腐蚀影响因素较多，对其进行内腐蚀直接评价也较为复杂。本论文重点论述多相流管道内腐蚀直接检测（MP-ICDA）。2016年3月，多相流管线内腐蚀直接评价标准（MP-ICDA）由美国腐蚀工程师协会（NACE）发布，即NACE SP0116-2016《Multiphase Flow Internal Corrosion Direct Assessment（MP-ICDA）Methodology for Pipelines》，但该标准中并没有提出行之有效的预测方法[5]，也没有具体的建立腐蚀模型的方法。我国现行的标准是由中国石油规划总院在2020年提出的SY/T 0087.2-2020标准，其中的多相流管道部分提到目前已有的腐蚀模型难以涵盖所有的腐蚀因素和腐蚀类型，并且有一定的使用范围和局限性，为确保考虑更多的腐蚀影响因素，建议采用多种腐蚀模型对高风险点进行筛选，根据得到的结果进行综合分析[6]。SY/T 0087.2-2020标准中也未明确在实施MPICDA时具体采用何种方式建立腐蚀模型，需要实施者根据现场具体腐蚀条件和情况建立合适的模型进行腐蚀速率预测。

2 BP神经网络用于管道内腐蚀直接评价

油气田在役管道特别是多相流管道的腐蚀受到的影响因素比较多，有二氧化碳、硫化氢、细菌、沉积物、管道路由等[5]，同时不同要素所产生的腐蚀效果并不相同，对其进行腐蚀速率预测比较复杂，可能还要考虑到各因素或某几种因素之间的互相影响。目前国际上关于二氧化碳腐蚀速率的预测模型主要包括经验模型、半经验模型和机理模型三类[7]。这三类预测模型都存在一定的缺点。自上世纪九十年代以来，一些专家对管道腐蚀的研究侧重有所转变，将研究焦点放在了多相流管道领域，从不同的角度出发，对其出现腐蚀之后的产物展开了探讨[5]。近年来随着计算机技术，尤其是神经网络的发展，多相流管道的腐蚀预测有了新的途径和工具[8]，很多学者也采用BP神经网络对多相流管道的内腐蚀进行了预测和研究。本文在各位学者研究的基础上，分别从国内外研究进展、BP神经网络的修正和改进等方面对BP神经网络技术在在役油气管道的腐蚀预测方面进行了探讨。

2.1 国外研究进展

现阶段，在人工神经网络不断发展的背景下，在非线性研究上该技术的地位已经逐步显现，成为了应用型较强的工具之一[9,10]，其在腐蚀预测方面有着较大的应用空间[11]。Senouci A[12]通过建立相关模型，对一系列管道展开了实验，提取了其中的管道检测数据，以便能够及时查看其腐蚀情况。Noor N M[13]运用半概率的检测方式，通过观察海底当中管道的现状，对其遭受腐蚀的强度做出了估计。Haque等[14]借助该项技术的优势，对管道受到腐蚀之后的疲劳程度进行了分析。Kamrunnahar等[15]进行了腐蚀性预计，认为这一技术在运行中依然有一些不足之处，尤其在逻辑推理方面表现的比较突出。M Mahmoodian等[16]以腐蚀管道作为研究对象，通过构建强度模型，对已经经历腐蚀的管道进行检测，预估其修复的时间。在其出现不止一个腐蚀坑时，需要对其进行有效串联，对其失效情况做出估计。Chinedu I等[17]结合腐蚀时间的具体信息，利用马尔科夫模型的预测方式，对管道中的深坑进行了计算，并将结果与现有的数据展开对比，认为两者趋同一致。在实际研究过程中，需要对模型获取的数据做出比较，结合蒙特卡罗模拟值所提供的信息，用来对模型的精准性做出衡量[18,19]。

2.2 国内研究进展

2.2.1 用BP神经网络预测输油管道腐蚀速率

影响输油管道内腐蚀速率的主要因素是原油硫含量、酸值、温度、流速和压力。采用多线性回归技术虽然可以表述管道内腐蚀速率[20]，但该技术忽略了各个因素间交互作用对腐蚀速率的影响。人工神经网络是反映人脑结构和功能的一种抽象的数学模型，能方便准确地预测金属管道的腐蚀速率[21]。

章玉婷等[22]在进行技术选择时，注重选择三层结构的BP神经网络技术，通过筛选输入参数，将温度、流速等考虑在内。在设立输出参数时，将腐蚀速率作为重要的参考依据，建立了16Mn管道钢的腐蚀速率预测模型。孙哲[23]在使用BP神经网络算法时，将南海流域作为研究对象，对其海底当中的管道展开探究，通过测算其腐蚀的速度，建立了具体的预测程序，能够对含水率＞5%的海底管道进行有效的内腐蚀速率预测。李秀娟等[24]在运用神经网络技术时，将其与灰色理论巧妙地联系起来，通过构建相关模型，将模型中得出的数据结果输入到神经网络中，用这个方法得到的结果值和设置数据值很接近。田源等[25]在H2S和CO2共存条件下，建立了半经验腐蚀模型，结合具体的算法步骤，制作出专门的预测软件，用来测算含硫管道中的腐蚀情况。蒋必政[26]基于普光气田（高含硫气田）生产数据和腐蚀数据样本点建立了BP神经网络预测模型，通过实际检测数据对模型进行对比发现，所建立的模型预测的腐蚀速率与实际的相对误差在大多数条件下均小于10%。

BP神经网络算法虽然在管道内腐蚀速率预测方面有一定优势，但在某些复杂的腐蚀环境下（如海底管道腐蚀环境）其预测精度仍存在较大误差，这就促使学者们对BP神经网络算法进行改进，以提高其预测精度。

2.2.2 用改进的BP神经网络预测输油管道腐蚀速率

就BP神经网络而言，其缺点较为明显，主要体现为局部极值误区、收敛速度有待提升、隐藏节点、层次较难预估等，为了提高管道腐蚀速率预测的精度，国内很多学者在管道内腐蚀直接评价时对BP神经网络进行了优化。

1982年美国一所著名的大学的Hallend教授提出了相关领域的一种很方便很实用的算法，即遗传算法，简称GA。遗传算法的优化步骤如下：首先应当从基础数据出发，结合其具体特征，根据其中的个体染色体属性，对其分别进行编码，以便能够确定其具体的长度。

GA-BP神经网络的思想本质在于，通过以个体为对象，将其用来为BP网络进行赋值，来确定其初始值与阈值。在将上述熟知在网络初始化之后，能够通过进行训练与学习得出预测的结果，在对误差进行比较的基础上可以确定适应度值。

裘冬平等[27]以徐州管道局作为研究对象，通过对其地下输油管道展开研究，运用相关工具对输油环境做出模拟，得出了相关的实验结果，并借助于已测得的实验数据建立了BP和GA-BP两种神经网络模型。实验结果表明GA-BP 模型能够达到较高的预测水平，拟合性相对较高，能够对管道的腐蚀速度进行估计。许宏良等[28]通过分析金属管道被二氧化碳（CO2）和硫化氢（H2S）所腐蚀得整个过程，算出来并提出了相应的化学方程式。引用了BP神经网络构造金属管道腐蚀速率的物理模型对预测模型进行优化。凌晓等[29]建立了遗传算法（GA）优化反向传播神经网络（BPNN）的输油管道内腐蚀速率预测模型，给出了具体的优化流程。张甫仁等[30]通过借助附加动量，在充分参考自适应学习速率的基础上，对BP神经网络模型进行了优化，这样就降低了原始数据的随意性，能够通过观察得出其具体的变化特征，即便当前构建模型的样本不多，也能够实现数据的及时更新，避免了因数据老化而出现的应用困境。孙昊[31]采用量子方势阱对粒子群算法进行改进，并使用改进的QPSO算法对人工神经网络模型进行连接权值的优化，所构建的神经网络经验证具有控制参数少，收敛效果好的优点，具有一定的参考价值和意义。

3 展望

对于BP神经网络在油气管道的内腐蚀预测方面的应用，国内外的专家和学者都做了大量的工作，但同时也存在一些局限性，需要做进一步的研究：

（1）只有在以往收集了大量历史数据或者得出了具体实验室研究结果的前提下，才能够构建出BP神经网络预测模，但对于国内的很多油田管道尤其是数据管理制度不完善的管道来说，前期的实验数据或检测历史数据都比较少，服役时间较短的管道检测历史数据基本没有，这就会造成无法构建模型进行预测；（2）由于我国的在役管道数量较多，在某特定时间段内得到的数据都是在单一实验条件下特定一组因素下的单根管道腐蚀实验数据，而根据管道运行管理部门的资料来看，在管道的实际运行过程中，管道内介质类型、介质的输送量、流型、压力、流速、温度和管道外部环境都是具有动态性，经常会出现变化，所以，BP神经网络预测模型难以对不同工况下运行的管道进行实时动态的预测。

针对以上问题，提出如下研究方法及思路：

（1）在管道日常的运营和维护过程中，要注意加强对历史数据的管理，包括检测历史数据、基础数据和日常运行数据，只有在大量积累丰富数据建立数据库的基础上，才能在建立BP神经网络预测模型时有一个坚实的基础；

（2）将多个预测模型有机地组合起来，如对检测历史数据或实验数据比较少的管道做出预测时，可以在运用BP神经网络模型的过程中，将其与灰色预测有机结合，就可以对残差值做出修正；

（3）对BP神经网络模型进行优化以提高预测准确率，如应用遗传算法（GA）对BP神经网络模型进行优化，通过建立GA-BP神经网络预测模型开展预测等。