邵曉 鄭堅欽 戴元豪 張揚

1中國石化福建石油分公司

2中國石油大學（北京）

成品油管道的停輸操作是管道在投產(chǎn)和運行過程中不可避免的[1]。停輸時段的管道管理和安全監(jiān)控也是必不可少的。在福建成品油管道停輸期間，現(xiàn)場人員對于管內(nèi)壓力變化無法提前預(yù)測，當管內(nèi)壓力下降時，經(jīng)常誤以為是管道發(fā)生泄漏或出現(xiàn)打孔盜油事故，需現(xiàn)場人員巡檢排查[2]，不僅增加了現(xiàn)場人員的工作量，也不利于控制運行成本。因此，有必要對管道建立停輸時段壓力變化模型，提前預(yù)測管內(nèi)壓力變化，監(jiān)測管道停輸狀態(tài)。當檢測值與預(yù)測值差別不大時，可以認為管內(nèi)壓力屬于正常變化；而當兩者差別較大時，很大可能發(fā)生泄漏等異常事故，應(yīng)立即排查，保證管道安全。

目前，國內(nèi)針對成品油管道停輸?shù)难芯枯^少[3]，還沒有建立停輸時段管內(nèi)壓力變化的預(yù)測模型。隨著我國成品油管道的快速投產(chǎn)和運行，對多條管道開始分析其停輸?shù)膲毫ψ兓痆4]。郭袆等[5]針對港棗成品油管道在計劃停輸期間頻繁出現(xiàn)管內(nèi)壓力迅速下降的問題，根據(jù)管道相關(guān)數(shù)據(jù)，分別研究了溫度對管內(nèi)油品體積和管道壓力的影響程度，結(jié)果表明油品溫度的下降是導(dǎo)致管道停輸壓力出現(xiàn)下降的主要原因。陳春[6]研究了江陰—無錫成品油管道停輸后壓力變化情況，基于傳熱學和熱力學理論，結(jié)合現(xiàn)場實際數(shù)據(jù)，建立油品壓力溫度變化模型，通過仿真模擬，提出修正系數(shù)，改進管道停輸壓力變化模型。

目前研究主要存在兩個問題：①依托管內(nèi)壓力、溫度變化的經(jīng)驗公式，建立機理模型或數(shù)值模擬來探究壓力變化情況，由于現(xiàn)場環(huán)境的不確定性，模型與實際情況存在差別；②將環(huán)境溫度設(shè)為定值，一定程度上影響模型的準確性。

福建成品油管道的泵出站口都設(shè)有溫度計和壓力表，已儲存大量的停輸管道數(shù)據(jù)。如何挖掘這些數(shù)據(jù)之間的規(guī)律，通過關(guān)聯(lián)分析建立停輸壓力變化模型是現(xiàn)場管理人員目前思考的方向。隨著人工智能和大數(shù)據(jù)時代的來臨，基于數(shù)據(jù)驅(qū)動的機器學習算法在預(yù)測模型上發(fā)揮越來越重要的作用[7]。韓小明等[8]基于人工神經(jīng)網(wǎng)絡(luò)機器學習理論，建立油氣管道完整性預(yù)測模型，提高了管道安全管理水平。胡群芳等[9]基于模型參數(shù)的概率分布，利用貝葉斯理論對燃氣管道建立腐蝕深度預(yù)測模型，定量評估腐蝕安全問題。張新生等[10]基于現(xiàn)場實測數(shù)據(jù)和馬爾科夫鏈模特卡洛算法，建立油氣管道剩余壽命預(yù)測模型，應(yīng)用于管道的可靠性評價中。

因此，本文將基于福建成品油管道已有的大量停輸溫度壓力數(shù)據(jù)和目前流行的機器學習算法，針對管道出站檢測點建立停輸壓力變化預(yù)測模型，監(jiān)測管內(nèi)壓力變化情況。

1 管道停輸機理分析

目前研究表明，由于成品油管道通常采用常溫密閉輸送方式，而管內(nèi)油品具有膨脹性和壓縮性的物理特性，基于傳熱學理論，管輸油品和管道環(huán)境溫度的差異是引起管道壓力變化的主要因素。在管道停輸初始階段，由于管內(nèi)油品溫度明顯大于環(huán)境溫度，油品與管壁、管壁和土壤之間的熱交換較強，管內(nèi)油品下降速度快。隨著停輸時間的增加，油品與環(huán)境溫差減小，管內(nèi)溫度下降速度隨之減小。管道停輸后油品溫度隨時間的變化已形成經(jīng)驗公式(1)[11]。當管道開始停輸時，出站檢測點可獲取初始油溫，以小時為單位，可以根據(jù)公式(1)求出停輸一段時間后的管內(nèi)油溫變化。

式中：K為總傳熱系數(shù)，W/(m·℃)；D、D1、D2為管道平均直徑、管道內(nèi)徑和管道外徑，m；cy、cg為油和鋼材的比熱容，J/(kg·℃)；ρy、ρg為油和鋼材的密度，kg/m3；T0為環(huán)境溫度，℃；Tτ為停輸τ小時后的油溫，℃；TQ為開始停輸時的油溫，℃；τ為停輸時間，h。

油溫和管道環(huán)境的差異，使得管內(nèi)油品體積發(fā)生一定程度的變化，從而導(dǎo)致管內(nèi)壓力的變化。隨著油溫的變化，管內(nèi)壓力的變化形成的經(jīng)驗公式為

式中：α為管道的體積膨脹系數(shù)，管道為鋼管時，α≈3.3×10-5℃-1；δ為管道壁厚，mm；E為管材的楊氏彈性模量，管道為鋼管時，E≈2×1011Pa；β為油品的體積膨脹系數(shù)，℃-1；K為油品的彈性系數(shù)，Pa；Ti為第i時步的油溫，℃；Ti-1為第i-1時步的油溫，℃；Δp為第i時步與第i-1時步的壓差，Pa。

由經(jīng)驗公式（1）和（2），可以得出管道壓力變化的影響因素分為兩類：一類是管道與土壤的固有屬性，這些因素基本保持不變，在建立預(yù)測模型時可以當成參數(shù)，不考慮在內(nèi)；另一類是可變因素，分別為停輸時間τ、初始油溫TQ、環(huán)境溫度T0。在前人的研究中，環(huán)境溫度一般取平均環(huán)境溫度。但由于不同地區(qū)晝夜溫差不同，為提高計算精度，本文通過氣象網(wǎng)站獲取停輸期間內(nèi)每個小時的具體溫度值。通過以上分析，確定影響Δp的變量為τ、TQ和T0，因此，下面將建立基于τ、TQ和T0的壓力預(yù)測回歸模型。

2 建立管道停輸壓力預(yù)測模型

2.1 數(shù)據(jù)預(yù)處理

現(xiàn)場可通過管道運行系統(tǒng)導(dǎo)出停輸時段各出站點的壓力、油溫和停輸時間，缺少的是環(huán)境溫度。借助爬蟲技術(shù)在天氣網(wǎng)站上獲取各地區(qū)的歷史溫度，整理數(shù)據(jù)并建立停輸管內(nèi)壓力變化預(yù)測數(shù)據(jù)庫。

數(shù)據(jù)歸一化是數(shù)據(jù)處理中非常重要的一步，其可以加快訓練模型的收斂，提高預(yù)測精度。由于p以及變量τ、TQ和T0的取值范圍不同，為了消除各變量之間的幅度影響，需要進行數(shù)據(jù)歸一化。停輸數(shù)據(jù)通過最小—最大歸一化方法處理，每個維度的數(shù)據(jù)均被歸一化為0～1范圍內(nèi)，如方程(4)所示：

其中，x*為歸一化的值，xi為各變量原始值，xmax和xmin分別為各變量的最大值和最小值。

2.2 機器學習算法

（1）線性回歸（Linear Regression，LR）：線性回歸算法形式簡單，就是能夠用一個直線較為精確地描述數(shù)據(jù)之間的關(guān)系。通過輸入變量的線性組合來預(yù)測目標值，是機器學習中非常重要的基本算法。特點是易于建模，方法簡單，但無法擬合非線性關(guān)系。

（2）支持向量機（Support Vector Machine，SVM）：它是一種用于分類和回歸的監(jiān)督學習算法[12]。當用于分類時，基本思想是根據(jù)現(xiàn)有數(shù)據(jù)樣本找到一個最大間隔的“超平面”，使得所有樣本到“超平面”的距離最大。而對于回歸預(yù)測問題，樣本點最終只有一類，通過設(shè)定閾值計算損失，目的是使得所有數(shù)據(jù)的類內(nèi)方差最小。

（3）決策樹回歸（Decision Tree，DT）：就是將特征空間劃分成若干單元，每一個劃分單元有一個特定的輸出。劃分的過程也就是建立樹的過程，每劃分一次，隨即確定劃分單元對應(yīng)的輸出，也就多了一個結(jié)點。當根據(jù)停止條件劃分終止的時候，最終每個單元的輸出也就確定了，也就是葉結(jié)點[13]。

（4）隨機森林（Random Forest，RF）：它是指利用多棵決策樹對樣本進行訓練并預(yù)測的一種算法，是一種集成學習算法[14]。通過對樣本集自主采樣和隨機選擇子集用于節(jié)點分割方式構(gòu)建多個決策樹，每次分裂時選擇最好的特征進行分裂。最終通過所有決策樹的均值確定預(yù)測結(jié)果。

（5）梯度提升（Gradient Boosting，GB）：它也是一種以決策樹為基學習器構(gòu)建的集成學習算法[15]。利用最速下降方法，即利用損失函數(shù)的負梯度在當前模型的值，不斷迭代、不斷構(gòu)造回歸樹進行決策，而且每一個回歸的樣本數(shù)據(jù)均來自上一個回歸樹所產(chǎn)生的殘差，主要目的是降低偏差。

2.3 模型評價指標

為了評估不同機器學習算法的預(yù)測效果，本文采用判定系數(shù)(R2)、平均絕對誤差(MAE)和均方根誤差(RMSE)作為預(yù)測模型的性能指標。即

其中，n為數(shù)據(jù)樣本的數(shù)量；pi為預(yù)測模型壓力輸出值；ri為原始壓力值。

3 現(xiàn)場驗證

3.1 泉港南線出站點

圖1 泉港南線出站管內(nèi)壓力隨停輸時間的變化情況Fig.1 Change of the pipeline pressure of Quangang South Station Outgoing Line with shutdown time

以福建成品油管道在2019年3月30日到4月11日停輸期間泉港南線出站壓力變化為例，壓力變化如圖1所示，部分數(shù)據(jù)如表1所示。為了提高預(yù)測模型的準確性，打亂樣本數(shù)據(jù)并劃分數(shù)據(jù)集。訓練集、驗證集、測試集的占比分別為70%、10%、20%。5個算法在測試集上的預(yù)測結(jié)果如圖2所示，圖3展示的是不同預(yù)測模型所對應(yīng)的RMSE、MAE、R2。由圖2和圖3可知，LR和SVM預(yù)測結(jié)果與真實值差別較大，特別是LR，其R2只有0.329，RMSE和MAE的值也較大。因此，這兩種回歸預(yù)測模型不適合用于該管道的壓力變化預(yù)測。對于DT、RF、GB，預(yù)測曲線與真實曲線幾乎重合，RMSE和MAE的值都小于0.05。另外三者的R2也都大于0.970，其中RF的值最大，為0.981。預(yù)測結(jié)果說明DT、RF、GB模型適用于福建成品油管道停輸?shù)墓軆?nèi)壓力變化分析。

表1 泉港南線出站點部分數(shù)據(jù)樣本Tab.1 Data sample of the outgoing point in Quangang South Line Station

圖2 不同預(yù)測模型在泉港南線出站測試集上的預(yù)測結(jié)果Fig.2 Prediction results of different prediction models in the outgoing test set of Quangang South Line Station

圖3 不同預(yù)測模型在泉港南線出站點的預(yù)測效果對比Fig.3 Prediction effect comparison of different prediction models in the outging point of Quangang South Line Station

3.2 黃塘溪東出站點

同樣，以黃塘溪東出站點在2019年5月5日到19日停輸期間壓力變化為例，壓力變化如圖4所示。5個算法在測試集上的預(yù)測結(jié)果如圖5所示，圖6展示的是不同預(yù)測模型所對應(yīng)的RMSE、MAE、R2。由圖5和圖6可知，LR和SVM預(yù)測結(jié)果與真實值差別較大，不適合用于該管道的壓力變化預(yù)測。對于DT、RF、GB，其預(yù)測曲線與真實曲線十分相近，RMSE和MAE的值也都小于0.05。但DT的R2為0.953，小于RF的0.988和GB的0.975，因此RF的預(yù)測效果最佳。結(jié)合上述分析可知，DT、RF、GB模型適用于福建成品油管道停輸?shù)墓軆?nèi)壓力變化預(yù)測，其中RF準確度最高。

圖4 黃塘溪東出站管內(nèi)壓力隨停輸時間的變化情況Fig.4 Change of the pipeline pressure of Huangtangxi East Station Outgoing Line with shutdown time

圖5 不同預(yù)測模型在黃塘溪東出站測試集上的預(yù)測結(jié)果Fig.5 Prediction results of different prediction models in the outgoing test set of Huangtangxi East Station

圖6 不同預(yù)測模型在黃塘溪東出站點的預(yù)測效果對比Fig.6 Prediction effect comparison of different prediction models in the outgoing poin of Huangtangxi East Station

4 結(jié)論

針對福建成品油管道停輸再啟動過程中管內(nèi)壓力變化無常的問題，建立了基于LR、SVM、DT、RF、GB的5種機器學習算法的壓力預(yù)測模型，模型評價指標為RMSE、MAE、R2。以泉港南線和黃塘溪東出站為例，預(yù)測結(jié)果表明DT、RF、GB的R2可達到0.950以上，模型預(yù)測準確度高，可適用于福建成品油管道停輸?shù)墓軆?nèi)壓力變化分析。基于天氣預(yù)報氣溫數(shù)據(jù)，該模型可預(yù)測未來時段管內(nèi)壓力的變化趨勢，指導(dǎo)現(xiàn)場運行管理。該研究在其他成品油管道上同樣具有運用的可能性。對于特定的成品油管道，通過獲取現(xiàn)場的停輸數(shù)據(jù)和當?shù)氐臏囟葦?shù)據(jù)，即可代入建立的壓力預(yù)測模型。但由于不同管道數(shù)據(jù)的差異性，最終得到的模型參數(shù)及效果會有所不同。