王 齊，胡林林

?

基于BP神經(jīng)網(wǎng)絡(luò)的油氣長(zhǎng)輸管道土壤腐蝕性預(yù)測(cè)

王 齊1，2，胡林林3

（1. 西南石油大學(xué)， 四川 成都 610500； 2.中國(guó)石油天然氣股份有限公司西北銷售分公司，四川 成都 611930；3. 四川宏達(dá)石油天然氣工程有限公司，四川 成都 610000）

基于BP神經(jīng)網(wǎng)絡(luò)原理, 綜合考慮六類土壤腐蝕指標(biāo)（土壤電阻率、土壤含水量、氧化還原電位、氯離子含量、硫酸根離子含量和pH值），建立了一種土壤腐蝕速率的預(yù)測(cè)方法?；谶@種方法，依據(jù)某油田的現(xiàn)場(chǎng)土壤數(shù)據(jù)，借助MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立了這一地區(qū)的土壤腐蝕性預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練和預(yù)測(cè)結(jié)果表明：訓(xùn)練的腐蝕速率最大誤差為-1.5%，預(yù)測(cè)的腐蝕速率最大誤差為8%。由此可見，基于BP神經(jīng)網(wǎng)絡(luò)的土壤腐蝕性預(yù)測(cè)方法具有較好的預(yù)測(cè)精度，對(duì)油氣管道的安全運(yùn)行具有重要的意義。

土壤腐蝕性；BP神經(jīng)網(wǎng)絡(luò)；腐蝕速率；預(yù)測(cè)

近年來(lái)，隨著中國(guó)在管道建設(shè)上的大力發(fā)展，形成了東北、華北、華中和西北地區(qū)的龐大地下石油與天然氣管線網(wǎng)絡(luò)，陸上管道總里程已達(dá)12萬(wàn)km[1]。這些管道隨著時(shí)間的推移，在施工、地形沉降、土壤腐蝕等因素的影響下，管道可能會(huì)發(fā)生腐蝕、穿孔、泄漏等情況，而腐蝕更是造成油氣管網(wǎng)泄漏的主要原因[1,2]。由于長(zhǎng)輸油氣管道的長(zhǎng)度長(zhǎng)達(dá)幾百或上千公里，在事故發(fā)生后很難迅速找到確定的位置，并且它可能會(huì)導(dǎo)致更多的事故，所以合理、準(zhǔn)確地預(yù)測(cè)油氣管道土壤腐蝕速率顯得尤為重要[3]。

管道在土壤中的腐蝕速率受多種因素的影響[4]。這些因素包括：含水量、含鹽量(包括氯離子含量、硫酸根離子含量等)、土壤電阻率、pH值、土壤氧化還原電位、金屬腐蝕電位、硫酸鹽還原菌等[5]，它們有的單獨(dú)起作用，而有的則聯(lián)合起作用?，F(xiàn)在世界上已經(jīng)發(fā)展出了很多種埋地管道土壤腐蝕的評(píng)價(jià)方法，如：?jiǎn)雾?xiàng)指標(biāo)評(píng)價(jià)方法、多項(xiàng)指標(biāo)評(píng)價(jià)方法、電化學(xué)評(píng)價(jià)方法和模糊灰色理論等。但是，埋地管道的土壤腐蝕是多因素共同作用的結(jié)果。傳統(tǒng)的單一指標(biāo)腐蝕評(píng)價(jià)方法具有極大的局限性，因此評(píng)價(jià)方法的合理選擇決定著土壤腐蝕評(píng)價(jià)的準(zhǔn)確性[6]。

基于這些原因，在多項(xiàng)影響因素中建立一定的內(nèi)在聯(lián)系，從而綜合的評(píng)價(jià)和分析土壤的腐蝕性成為了現(xiàn)今較為可靠地方法之一。本文擬采用人工神經(jīng)網(wǎng)絡(luò)算法中的BP神經(jīng)網(wǎng)絡(luò)建立土壤的腐蝕速率的預(yù)測(cè)模型。這種模型具有極強(qiáng)的非線形逼近、模糊推理、大規(guī)模并行處理、自訓(xùn)練學(xué)習(xí)、自組織和良好的容錯(cuò)性等特點(diǎn)[7]。因此，將該算法應(yīng)用于長(zhǎng)輸管道腐蝕速率預(yù)測(cè)，從而可有效克服傳統(tǒng)腐蝕評(píng)價(jià)方法可靠性低的缺點(diǎn)，提高評(píng)價(jià)的精確度和適用范圍。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立

通過(guò)對(duì)油氣管道土壤腐蝕機(jī)理分析，油氣管道土壤腐蝕的主要影響因素是土壤電阻率、土壤含水量、氧化還原電位、氯離子含量、硫酸根離子含量和pH值。在建立BP神經(jīng)網(wǎng)絡(luò)模型前，確定這6個(gè)指標(biāo)作為神經(jīng)元的輸入，而神經(jīng)元的輸出為單一指標(biāo)，即管道的腐蝕速率。如圖1所示為網(wǎng)絡(luò)結(jié)構(gòu)圖，屬于多輸入，單一輸出的網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 神經(jīng)元結(jié)構(gòu)模型

它是一個(gè)多輸入單輸出的非線形元件，其輸入和輸出關(guān)系可描述為：

（1）

式中：x—的輸入信號(hào)(=1,2,...,)；

—神經(jīng)元的偏置(閾值)；

W—第個(gè)神經(jīng)元的連接權(quán)值；

—輸入信號(hào)的數(shù)目，這里為6；

—神經(jīng)元輸出；

除包裝刮起“綠色環(huán)保風(fēng)”外，快遞行業(yè)在運(yùn)輸方面也越來(lái)越環(huán)保。記者在昆明街頭看到，除快遞員的兩輪車、三輪車是純電動(dòng)力外，快遞行業(yè)使用的汽車也開始采用純電動(dòng)車，今年云南順豐開始積極推動(dòng)綠色運(yùn)輸與配送，“雙11”期間投入的400余輛三輪車、200余輛兩輪車和100輛汽車，均為新能源車和純電動(dòng)車。

—傳遞函數(shù)，也叫做激發(fā)或激勵(lì)函數(shù)。

傳遞函數(shù)可為線性函數(shù)，但通常為非線性函數(shù)。常用的傳遞函數(shù)列舉如下：閾值型函數(shù)、分段線性函數(shù)Sigmoid函數(shù)和高斯函數(shù)[8]。根據(jù)模型的特點(diǎn)，借助MATLAB軟件對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解。求解步驟包括基于樣本的網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)兩部分。

2 實(shí)例計(jì)算

在前面所述模型的基礎(chǔ)上，依據(jù)某油田油氣長(zhǎng)輸管道的20組土壤理化性質(zhì)與腐蝕埋片的測(cè)試數(shù)據(jù)，建立多指標(biāo)的土壤腐蝕速率預(yù)測(cè)方法，并對(duì)其應(yīng)用效果進(jìn)行分析，樣本數(shù)據(jù)如表1所示。

表1 訓(xùn)練樣本數(shù)據(jù)

續(xù)表

編號(hào)土壤 電阻率含水率,%pH值氧化還原電位/mV硫酸根離子含量/(mg·kg-1)氯離子含量/(mmol·kg-1) 101.329.38.162744.862.43 115.417.48.652886.880.72 1291.114.78.521497.630.85 137.217.58.562686.380.49 14116.810.38.422344.620.18 1554.217.78.502357.001.08 161.027.38.351859.431.59 1785.710.68.653066.870.48 184.315.28.242590.971.30 192.311.08.181851.710.41 205.522.18.002414.3011.08

設(shè)置最小均方誤差為0.000 01，學(xué)習(xí)率為0.01，動(dòng)量系數(shù)為0. 9，最大訓(xùn)練次數(shù)為20 000，將表1中1~22 號(hào)樣本數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行訓(xùn)練。

由圖2可知，訓(xùn)練得到的腐蝕速率與實(shí)際腐蝕速率的相對(duì)誤差較小，最大相對(duì)誤差為-1.5%,訓(xùn)練效果較好。

圖2 訓(xùn)練值的相對(duì)誤差

同時(shí)，為了檢驗(yàn)該模型的實(shí)際預(yù)測(cè)效果，取該油田區(qū)塊另外10組土壤數(shù)據(jù)，對(duì)其腐蝕速率進(jìn)行預(yù)測(cè)，土壤參數(shù)如表2所示。

表2 預(yù)測(cè)樣本數(shù)據(jù)

在前面網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)上，對(duì)表2所示10組數(shù)據(jù)的腐蝕速率進(jìn)行預(yù)測(cè)。

預(yù)測(cè)結(jié)果如圖3所示，實(shí)際腐蝕速率曲線與預(yù)測(cè)腐蝕速率曲線吻合較好，誤差在工程可接受范圍之內(nèi)，大多數(shù)預(yù)測(cè)值略小于實(shí)際值。

圖3 預(yù)測(cè)值與實(shí)際值的對(duì)比曲線

圖4為相對(duì)誤差曲線，進(jìn)一步表明了該預(yù)測(cè)方法的可靠性。由圖4可知，腐蝕速率的最小相對(duì)誤差為1%，最大相對(duì)誤差為8%，預(yù)測(cè)結(jié)果表明模型具有較高的預(yù)測(cè)精度，對(duì)管道沿線腐蝕速率的預(yù)測(cè)具有重要意義。由此可見，利用人工神經(jīng)網(wǎng)絡(luò)可以對(duì)樣本數(shù)據(jù)進(jìn)行有效的學(xué)習(xí)，仿真及預(yù)測(cè)，尤其是對(duì)于土壤這種受多種因素控制的腐蝕系統(tǒng)，BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的優(yōu)越性。

圖4 預(yù)測(cè)值的相對(duì)誤差

3 結(jié) 論

（1）以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，綜合考慮考慮土壤電阻率、土壤含水量、氧化還原電位、氯離子含量、硫酸根離子含量和pH值，六個(gè)指標(biāo)，建立了油氣管道土壤腐蝕性的預(yù)測(cè)模型。

（2）以某油田的實(shí)際數(shù)據(jù)為計(jì)算依據(jù)，對(duì)模型進(jìn)行了訓(xùn)練和預(yù)測(cè)。結(jié)果表明該預(yù)測(cè)方法具有較較高的預(yù)測(cè)精度，訓(xùn)練值的最大誤差為-1.5%，預(yù)測(cè)值的最大誤差為8%。

（3）本文的研究成果為合理預(yù)測(cè)油氣管道的腐蝕速率提供了理論和技術(shù)支撐。

參考文獻(xiàn)：

［1］ 高鵬，王培鴻，王海英，等. 2014 年中國(guó)油氣管道建設(shè)新進(jìn)展[J]. 國(guó)際石油經(jīng)濟(jì)，2015 (3): 68-74.

［2］ 彭星煜，張鵬，李宗新，等. 油氣長(zhǎng)輸管道外腐蝕維護(hù)風(fēng)險(xiǎn)緩解程度模型[J]. 石油工業(yè)技術(shù)監(jiān)督，2006，22(10): 35-39.

［3］ 范開峰，王衛(wèi)強(qiáng)，孫瑞，等. 天然氣管道腐蝕與防腐分析[J]. 當(dāng)代化工，2013，42(5): 653-656.

［4］ 林新宇，吳明，程浩力，等. 埋地油氣管道腐蝕機(jī)理研究及防護(hù)[J]. 當(dāng)代化工，2011，40(1): 53-55.

［5］ 宋光鈴，曹楚南，林海潮，等. 土壤腐蝕性評(píng)價(jià)方法綜述[J]. 腐蝕科學(xué)與防護(hù)技術(shù)，1993，5(4): 268-277.

［6］ 尹桂勤，張莉華，常守文，等. 土壤腐蝕研究方法概述[J]. 腐蝕科學(xué)與防護(hù)技術(shù)，2004，16(6): 367-370.

［7］Liao K, Yao Q, Wu X, et al. A numerical corrosion rate prediction method for direct assessment of wet gas gathering pipelines internal corrosion[J]. Energies, 2012, 5(10): 3892-3907.

［8］ 閻平凡，張長(zhǎng)水. 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M]. 北京：清華大學(xué)出版社有限公司，2005.

Soil Corrosion Prediction of Oil and Gas Pipeline Based on BPNeural Network

1,2,3

（1. Southwest Petroleum University, SichuanChengdu610500，China；2. China petroleum and natural gas sales co., LTD. Northwest branch, Ganshu Lanzhou 730000, China; 3. Sichuan Hongda Petroleum & Natural Gas Co., Ltd., Sichuan Chengdu 610000，China）

Considering six soil erosion indexes of oilfields (soil resistivity, soil moisture, redox potential, chloride content, sulfate ion content and pH), a kind of soil corrosion rate prediction method based on BP neural network theory was established. Based on a certain oil field soil data, training and prediction were performed by using MATLAB neural network toolbox. The results show that the maximum relative error of training is -1.5% and the maximum relative error of prediction is 8%. Therefore, the prediction method of soil corrosion of oil and gas pipeline based on BP neural network has high accuracy , which has the vital significance to the safe operation of oil and gas pipelines.

soil corrosion; BP neural network; corrosion rate; prediction

TE 832

A

1671-0460（2016）09-2198-03

2016-03-29

王齊，男，四川綿陽(yáng)人，助理工程師，2015 年畢業(yè)于西南石油大學(xué)油氣儲(chǔ)運(yùn)工程專業(yè)?，F(xiàn)主要從事油氣管道及油庫(kù)管道工程建設(shè)、維修檢測(cè)及項(xiàng)目管理工作。E-mail: 814361691@qq.com。