压力容器设备可靠性评估与剩余寿命预测

盖小刚，许佳伟，杨 亮，张 驰，郝思佳

（中海石油气电集团有限责任公司，北京 100028）

0 引言

随着我国能源需求的不断增长，液化天然气（LNG）作为一种清洁、高效的能源供应方式，其在能源领域的应用日益广泛。然而，由于LNG接收站均在沿海地区，所以管道的腐蚀问题已成为影响其安全运行的关键因素。LNG接收站腐蚀管道剩余寿命的预测对于管道运行安全、经济性和维护决策具有重要意义。LNG接收站腐蚀管道剩余寿命精度预测的研究，首先需要对管道的腐蚀机理进行深入探讨。LNG接收站管道腐蚀主要受环境、管道材料、施工质量等多种因素影响。此外，还需关注LNG接收站管道腐蚀控制技术以及剩余寿命评价方法等方面的发展。

在检测技术方面，国外研究提出了一种综合运用多种方法综合检测的技术方案，极大改善了缺陷检出率。此外，针对管道的腐蚀状况，提出了外防腐层安全状况等级评定标准，为管道剩余寿命预测提供了理论依据。在腐蚀控制技术方面，管道腐蚀控制技术规程宣贯教材总结了燃气输配管道腐蚀控制的实践经验，为管道剩余寿命预测提供了技术支持。在剩余寿命预测方法方面，近年来，许多学者致力于探索适用于LNG接收站管道的剩余寿命预测方法。这些方法包括基于数值模拟、灰色关联分析、神经网络、支持向量机等方法。这些研究成果为提高LNG接收站管道剩余寿命预测的精度提供了理论依据。总之，LNG接收站腐蚀管道剩余寿命精度预测研究需综合考虑管道腐蚀机理、腐蚀控制技术及剩余寿命评价方法等多方面因素。通过深入研究这些因素，有望为我国LNG接收站的安全运行和管道剩余寿命预测提供有力支持

1 理论基础

1.1 随机森林算法

随机森林（Random Forest，简称RF）是一种集成学习（Ensemble Learning）算法，它主要由多个决策树（Decision Tree）组成。每个决策树都是独立的，并且每个决策树的训练数据集都是通过随机采样得到的[1]。这种方法可以避免决策树过拟合现象，从而提高整体模型的泛化能力。

由于多种因素都会对管道的腐蚀寿命产生一定的影响，所以需要研究各种因素对其影响的程度。采用随机森林方法评估各影响因子对管道剩余寿命的影响，克服了传统方法推广性能差的缺点。随机森林是一个由多个决策树组成的分类器，它的基本思想就是用再抽样的方式从训练集中随机选择一个样本，然后对每一个样本构建一个二元递推分类树。每一个自助抽样只有37%的原始资料，被称作袋外数据，用来作为随机森林的试验样本；最后，将K个训练样本作为分类器，构建随机森林，通过对聚类结果的表决来判断试验样本的分类效果，并用离包数据的错误率对分类准确率进行度量。利用MDG（均值基尼指数降值法），计算各变量对基尼指数各点的异质性的影响，用较高的均值表示该变量的重要性。

这里，MDA表示平均准确率下降；n表示树的个数；err00B表示超出袋外数据误差；t表示结点数；其中，p（k/t）为目标变量在节点t内为第k个变量的可能性。按（2）式求出每种树木的GI值，求出各树种的平均MDG值。

1.2 Elman神经网络预测模型

管道腐蚀问题在我国的工业领域中十分常见，它不仅会对管道系统的正常运行造成影响，而且还会带来安全隐患。针对这一问题，研究人员尝试采用各种方法进行预测，其中多变量线性回归方法是一种常见的手段。不过因为管道腐蚀是非线性的，因此不能用线性回归方法对其进行预测分析。

Elman神经网络作为一种具有非线性、高维等特性的神经网络模型，它在非线性系统建模和预测方面具有显著优势。与传统的多变量线性回归方法相比，Elman神经网络具有以下特点：①非线性能力。Elman神经网络能够学习和表示非线性关系，这使得它在处理具有非线性特性的问题时具有优越性[2]。通过学习非线性关系，Elman神经网络可以更好地捕捉管道腐蚀与发展趋势之间的复杂联系，从而提高预测的准确性；②高维处理。Elman神经网络能够处理高维数据，这使得它在处理包含多个影响因素的复杂问题时具有优势。在管道腐蚀问题中，可能存在多个因素共同影响腐蚀的发展，Elman神经网络能够同时考虑这些因素，从而提高预测的准确性；③自适应学习。Elman神经网络具有自适应学习的能力，能够根据输入数据自动调整网络参数，从而使其更适合解决特定问题。这使得Elman神经网络具有较强的泛化能力，可以在不同领域和场景中应用。综上，Elman神经网络在非线性系统建模和预测方面具有显著优势，将其应用于管道腐蚀问题的预测具有较高的准确性和可靠性。通过构建Elman神经网络模型，可以有效地预测管道腐蚀的发展趋势，从而为工业领域提供有力支持，提高管道系统的安全运行水平[3]。本项目拟采用非线性活化函数表征管道剩余寿命的隐含层，采用非线性活化函数表征管道的动态信息处理，并以此为输入，通过四层神经网络对各因子进行量化计算，得到管道剩余使用寿命的预测结果。

图1 Elman 神经网络模型结构

在Elman 神经网络模型中，U（k）为网络的隐含层，q(k)、qc(k)、h(k)为输出层；ωi为承接层与隐含层、输入层与隐含层、隐含层与输出层的连接权；bi分别为隐式层与输出级的门限；其中，g是隐式层与输出层网络输出的线性权重之和，即隐式层神经元的输出与隐含层的输出之间的线性权重之和；f表示隐含层神经元的传输函数。Elman 局部递归神经网络的数学模型如式（1）—（3）所示：

式中：g(*)-隐含层神经元传递函数，常采用Sigmoid 函数；f(*)-输出神经元的激励函数Elman神经网络采用梯度下降算法对权重和偏置进行调整，以使误差平方和最小。梯度下降算法的核心思想是不断调整权重和偏置，使得误差函数的梯度（即偏导数）趋近于0，表达式如式（4）所示：

式中：hc(k)-目标输出值。在实际应用中，为了提高Elman神经网络的性能，通常需要对学习过程进行多次迭代。通过不断调整权重和偏置，使误差平方和逐渐减小，直至达到预设的学习目标。通过调整权重、偏置以及激励函数和隐含层神经元传递函数，Elman神经网络能够学习到管道腐蚀与发展趋势之间的非线性关系，从而实现对腐蚀速度的准确预测。在实际应用中，可以根据实际情况选择不同的参数和算法，以提高Elman神经网络的性能。

2 基于思维进化算法优化的Elman神经网络模型

采用随机森林方法对 Elman参数进行选取[4]，从而改善了神经网络的学习能力和推广能力。针对人工神经网络对权值、门限等因素的敏感性，提出了一种基于启发式演化算法的优化参数选取方法。

2.1 MEA-Elman模型构建

思维进化算法（MEA）是一种新的演化算法，它利用相位收敛性与异化作用，有效地克服了遗传算法中杂交与变异操作存在的双重性问题。该方法的基本思路是：在求解空间中随机产生多个个体，获得分数最大的胜者和暂时的胜者；以产生的个体为中心，产生一系列新的优势子群及暂态子群；在此基础上，本项目拟采用收敛操作优化子群内的个体，并利用异化操作实现子群间的竞争，实现胜者子群与暂态子群中个体的替代、抛弃与释放，进而获得全局竞争程度，进而计算全局竞争程度。在此基础上，实现了群体中个体的替代、丢弃、释放等操作，以求获得全局最优个体的得分。其系统结构如图2所示。

图2 思维进化算法系统结构图

经过实验和对比，最后得出了在13个隐层节点数的情况下，训练错误率最小的结论。Elman神经网络权值参数修正采取基于梯度下降的改进算法，该算法在优化过程中引入了一个新的权值，该方法不仅对算法的收敛能力有很大的影响，而且在求解过程中易出现局部极值。具体过程描述如下：

首先，将样本集合归一化，设定初始参数，采用演化思想的方法，使用群体母函数产生原始群体和子代群体，并将其划分为两个集合。在此基础上，提出了一种新的改进算法，该算法将所有的连通权集成到同一矢量上，以求出最佳的定位矢量。其中，用遗传算法求出每个个体的极值点，以此作为神经网络对性能指数函数的近似值，并用启发式的演化算法进行反复求解，直至达到全局最优；在此基础上，设计一种基于遗传算法的遗传算法，并对其进行局部最优编码，当误差大于给定值时，将其反馈给出最优个体，进而获得对应的神经网络权重及阈值。最后，利用该方法对该模型进行了改进，并对其进行了验证，流程图如图 3所示。

2.2 模型指标选取

为了验证 MEA-Elma n模型的预测效果，选取均方误差（mean squareerror，MSE）和决定系数（Coeff icient of determination，R2）进行分析。即：

式中：y-实际值；预测值；n-为样本总数；f-为预测值；实际值的平均值。决定系数R2介于0～1之间，且越接近1，模型拟合度愈高，性能愈优良。

3 LNG接收站管道可靠性评估与剩余寿命预测实例应用

3.1 管道腐蚀影响因素分析

以某LNG接收站管段为例，对管段的腐蚀状况进行全面检测，本次采用了挂片实验方法。挂片实验是一种常用的腐蚀检测手段，通过观察金属材料在特定环境下的腐蚀程度，以评估管道的健康状况。在该实验中，研究人员沿着管段沿线均匀布设了200个监测点，以确保对整个管段进行全面覆盖。在实验过程中，研究人员将特定时间内（例如100 d）的腐蚀数据进行收集。经过数据预处理和筛选，最终得到了900组具有代表性的腐蚀数据。这些数据涵盖了管段沿线各个监测点的腐蚀情况，为后续分析和建模提供了丰富且有价值的样本。然而，为了进一步提高模型的预测精度和泛化能力，研究人员还需要对原始数据进行进一步筛选和处理。在这个过程中，他们可以采用数据挖掘、机器学习等方法，找出具有典型特征的数据子集。通过这种方式，可以降低模型的过拟合风险，提高其在实际应用中的泛化能力[5]。最终，研究人员从900组数据中选取了202组具有代表性的数据。这些数据既包括了管段沿线各个监测点的腐蚀情况，也涵盖了不同时间跨度和环境条件下的腐蚀特征。通过使用这些典型数据，研究人员可以构建更加精确和可靠的Elman神经网络模型，以预测管道的腐蚀发展趋势。部分数据见表1。

表1 管道腐蚀原始数据

3.2 RF变量筛选

针对不同因素之间的差异，提出了一种基于premnnmx函数的方法，来消除尺度效应的影响。通过随机森林算法将样本数据10种腐蚀单因素变量纳入随机森林模型得到各变量重要性由高到低排序；根据重要性评分排序得到的结论，从评分最高的单个变量进行逐步随机森林。分析结果如图4所示。当变量数为8时估算误差率最低，因此，选取电阻率、环境pH、盐度、含水率、氧含量、H2S含量、注入水体pH等8个因子作为神经网络的输入参数。

图4 变量重要性排序图

3.3 结果分析与模型对比

为了验证RF-MEA-Elman模型的性能，研究人员将筛选后的数据分为训练集和检测集。其中，186组数据作为MEA-Elman模型的训练集，剩余的20组数据作为检测集。研究人员通过不断迭代优化，揭示了模型在训练过程中的进化历程，如图5所示。为了评估RF-MEA-Elman模型的预测准确性，研究者选取了MEA-Elman和Elman两个模型作为对比[5]。思维进化迭代过程如图6展示的那样。在迭代过程中，研究人员不断调整模型参数，以期达到更高的预测精度。通过图5，我们可以观察到模型的精度随着迭代的进行而逐步提高。了更直观地评估RF-MEA-Elman模型的性能，研究人员选择了MEA-Elman和Elman两个模型进行对比。通过对比三种模型的预测结果，可以清楚地看出RF-MEA-Elman模型在预测精度方面的优势[6]。图6展示了思维进化迭代过程，从中我们可以看到模型在迭代过程中的逐步优化。通过对比预测结果及相对误差，研究人员可以直观地评估RFMEA-Elman模型的性能。如图7、8和表2所示，RFMEA-Elman模型在预测精度、准确性和稳定性方面均表现出显著优势。RF-MEA-Elman模型在迭代优化过程中具有较高的预测精度，可以有效地应用于管道腐蚀预测。与MEA-Elman和Elman模型相比，RFMEA-Elman模型在预测性能方面具有明显优势，为管道管理部门提供了有力支持。通过应用RF-MEAElman模型，可以提高管道的安全运行水平和维护效率，降低管道腐蚀带来的风险[7]。

图5 逐步随机森林分析结果

图6 思维进化算法迭代变化过程

图7 模型预测结果的比较

如图6所示，经过30个迭代后，该方法的误差很快降至0.05以下，表明该方法有很好的推广性能和稳定性。如图7所示，RF-MEA-Elman预测值与真实值之间的差异较小，且与单个 Elman模型及MEAElman模型的拟合结果吻合较好，说明 RF法剔除了冗余变量，采用演化思想对神经网络权重及门限进行了优化，得到了准确、快速的神经网络模型。从图8和图2中可以看出，RF-MEA-Elman方法的相对预报误差比其他两种模式都要小，而所建立的模型大部分误差在4%之内。为了更好地评估该模式的预报效能，我们使用前一节介绍的两种统计方法来评估该模式，并将其结果显示在表3中。

表3 模型预测性能指标对比

图8 相对误差对比图

进一步的分析显示，在误差指标（MSE）方面，最小的只有0.86，判决系数R2高达0.98，比两个对照模型都要高得多，并且都非常逼近1，这表明演化算法可以很好地对 Elman神经网络进行优化。研究结果表明，本文提出的方法预报准确率高，泛化能力强，可以为管线腐蚀评价提供一定的理论依据。

4 结论

针对腐蚀管道影响因素复杂与传统方法预测效果差等问题，构建含腐蚀管线的RF-MEA-Elman剩余寿命预测模型，并对其进行验证。结果如下：

1)利用随机森林方法，有效地提取出了腐蚀过程中的主导因子，减弱了数据冗余性对预测结果的影响。

2)利用演化算法对神经网络的权重门限进行优化，以克服因参数随机性而导致的学习效率下降，从而达到快速、准确、节省计算量的目的[7]。

3）将本模型用于管线的剩余寿命预测，结果表明RF-MEA-Elman模型在推广能力、稳定性和精度上都有很大的改善，具有较好的推广价值。通过本项目的实施，将进一步完善含腐蚀管线剩余寿命的研究方法，为我国LNG接收站的安全运行和维护工作提供理论支撑。