基于神經網絡的高含硫氣田L360鋼腐蝕速率預測*

劉德緒，梁法春，2，龔金海，趙景茂

(1.中國石化集團中原石油勘探局勘察設計研究院，河南濮陽 457001;2.中國石油大學(華東)儲運與建筑工程學院，山東 青島 266555;3.北京化工大學材料科學與工程學院，北京 100029)

基于神經網絡的高含硫氣田L360鋼腐蝕速率預測*

劉德緒1，梁法春1，2，龔金海1，趙景茂3

(1.中國石化集團中原石油勘探局勘察設計研究院，河南濮陽 457001;2.中國石油大學(華東)儲運與建筑工程學院，山東 青島 266555;3.北京化工大學材料科學與工程學院，北京 100029)

高含硫氣田地面集輸系統廣泛使用L360鋼，由于腐蝕因素的多樣性及協同效應，其腐蝕速率預測一直是個難題。文章介紹了不同腐蝕因素對L360鋼腐蝕速率的影響。隨著H2S和CO2壓力的增高，腐蝕速率先降后升，在H2S和CO2壓力為1.00和0.67 MPa時達到最小值;隨Cl－質量濃度的升高，腐蝕速率增大，但當Cl－質量濃度高于40 g/L后，腐蝕速率反而降低;隨著溫度的升高，腐蝕速率增大，當溫度超過70℃后，腐蝕速率反而降低。建立了三層結構BP神經網絡模型，輸入層有6個神經元，分別代表H2S，CO2分壓、Cl－質量濃度、溫度、流速和沉積硫6種腐蝕影響因素，隱層神經元數目為8個，輸出層神經元數目為1個，代表腐蝕速率。結果表明，L360鋼在試驗水中的平均腐蝕速率的預測最大誤差在15.9%以內，可以滿足工程應用要求。

高含硫氣田 腐蝕速率 預測模型 神經網絡

國內高含硫天然氣資源豐富，地質儲量已超過8 000×108m3。由于輸送介質的高壓性、易燃易爆性、劇毒性和強腐蝕性，高含硫氣田地面集輸系統面臨十分突出的安全、防腐蝕和環保問題［1］。高壓酸氣集輸環境下極易發生電化學腐蝕、應力腐蝕開裂(SSC)和氫致開裂(HIC)腐蝕，導致管道、設備穿孔進而引發泄漏［2］。防腐蝕技術研究是開發高含硫氣田的一項長期而艱巨的任務［3］。碳鋼在輸氣管道中的腐蝕是一個非常復雜的過程，影響的因素很多，而且各種影響因素的作用機理并不完全明確，加上這些因素的影響也不完全是線性的，因此很難找到影響腐蝕的主要因素和腐蝕規律，更無法準確地建立一個數學預測模型。隨著計算機技術和現代數學的發展，其中神經網絡、灰色理論等非線性方法已經成功地應用在腐蝕研究領域［4-5］。該文將研究L360鋼在普光輸氣環境中的主要腐蝕因素，并建立人工神經網絡模型進行腐蝕預測。

1 高含硫環境下L360鋼腐蝕影響因素

高含硫環境下L360鋼腐蝕影響因素主要包括H2S及 CO2分壓、Cl－質量濃度、輸送介質溫度、氣體流速和單質硫等。利用腐蝕評價裝置，模擬高含硫濕氣集輸系統環境，分別測量了不同腐蝕因素下腐蝕速率，見圖1。L360的腐蝕速率隨著H2S和CO2壓力的增高先降后升，在H2S和CO2壓力為1.00和0.67 MPa時達到最小值。

圖1 氣體分壓對腐蝕速率的影響Fig.1 Effect of gas partial pressure on the corrosion rate

Cl－質量濃度和溫度對L360鋼的腐蝕的影響，見圖2。從圖2中可看出腐蝕速率隨Cl－質量濃度的升高而增大，但當Cl－質量濃度高于40 g/L后，隨Cl質量濃度升高腐蝕速率降低;隨著溫度的升高，腐蝕速率逐漸升高，當溫度超過70℃后，L360鋼的腐蝕速率反而降低。

圖2 Cl-質量濃度對L360鋼腐蝕速率的影響Fig.2 Effect of chloride concentration on the corrosion rate of L360

高含硫環境下，腐蝕規律復雜，腐蝕速率與影響因素之間存在非常復雜的映射關系，當前綜合考慮多種腐蝕因素的模型研究尚不充分。而人工神經網絡具有模糊識別和非線性預測能力，在此嘗試采用BP神經網絡預測腐蝕速率。

2 人工神經網絡預測模型

2.1 腐蝕速率神經網絡模型結構

在眾多腐蝕影響因素中，H2S和CO2分壓、Cl－質量濃度、溫度、流速和沉積硫是影響腐蝕的主要因素。在不同因素條件下，室內共進行了80組試驗。

多層前饋神經網絡的學習算法是反向傳播(Back Propagation)，即BP算法。利用這些數據對BP網絡進行了訓練。BP網絡采用三層神經網絡，網絡結構為8-9-1(8個輸入節點、9個中間隱層節點和1個輸出節點)的形式。研究中發現隱層節點數對網絡有重要影響。當隱層節點少于8個時，網絡根本就不學習;當隱層節點為8個時，網絡可以學習但它不認識以前沒有見過的樣本;繼續增加隱層節點數使學習時間增長，預測精度提高;當隱層節點增加過多時，學習時間過長，而且精度提高不大。經過多次試驗，最后確定采用9個隱層節點，見圖3。

網絡模型中輸入層到隱層以及隱層到輸出層的權值矩陣設置如下:

式中:Vij為輸入層中第i個節點到隱含層第j各節點的權向量;Wjk為隱含層第j個節點到輸出層的權向量。

隱含層特性函數采用Sigmoid函數:

圖3 三層BP神經網絡結構Fig.3 The layout of 3-layer neural network

2.2 BP神經網絡訓練過程

輸入訓練樣本后，經前向傳播，網絡將產生輸出，此輸出與其目標值之差即為訓練樣本的輸出誤差，所有訓練樣本的輸出誤差平方和即構成一目標函數，BP算法的目的即是使此誤差平方和最小。依據目標函數，按梯度最速下降法，反向傳播調整網絡權值，直到滿足要求為止，見圖4。

圖4 BP神經網絡訓練過程Fig.4 BP neural network training progress

3 結果分析

利用上述訓練好的網絡，根據試驗條件和環境因素數據，就可以求出L360鋼在試驗溶液中的腐蝕速度的預測值，并與實測值進行比較，結果見下表1。

表1 L360鋼腐蝕速度預測結果Table 1 The prediction results of corrosion rate of L360 steel

從表1可以看出，L360鋼腐蝕速率預測誤差均小于15.9%，大部分在10%以下，這種預測精度對于現場來說，達到了較高程度，因此表明所構建的神經網絡是可行的。

4 結論

(1)腐蝕速率預測評價試驗表明L360鋼腐蝕速率受H2S和CO2分壓、Cl－質量濃度、溫度、流速及沉積硫等因素協同影響，具有明顯的非線性特點;

(2)神經網絡表明BP三層神經網絡模型能夠反應腐蝕速率和影響因素之間的復雜映射關系，可為集輸系統安全設計和運行提供依據。

［1］廖仕孟.高含硫氣田地面集輸建設的實踐和認識［J］.天然氣工業，2008 ，28(4):5-8.

［2］蔣毅，蔣洪，朱聰，等.高含硫氣田集輸管道材質的選擇［J］. 油氣儲運，2006 ，25(12):43-45.

［3］邊云燕，郭成華.高含硫氣田地面集輸工藝技術的新發展［J］. 天然氣與石油，2006，24(5):28-31.

［4］韓力群.人工神經網絡理論、設計及應用［M］.北京:化學工業出版社，2007:108-110.

［5］胡召音.灰色理論及其應用研究［J］.武漢理工大學學報，2003，27(3):405-406.

Prediction of L360 Steel Corrosion Rate in High－sulfur Gas Field Using Artificial Neural Network

Liu Dexü1，Liang Fachun1，2，Gong Jinhai1，Zhao Jingmao3
(1.Survey＆ Design Institute of SINOPEC Zhongyuan Petroleum Exploration Bureau，Puyang，Henan 457001;2.College of Pipeline and Civil Engineering of China University of Petroleum，Qingdao Shandong 266555;3.College of Material Science＆ Engineering，Beijing University of Chemical Technology，Beijing 100029)

L360 steel is widely used in gathering and transportation systems of the high－sulfur gas field.It is difficult to predict the corrosion rate due to many corrosion factors and their the synergistic effect.The impacts of different corrosion factors on the corrosion rate of L360 steel are studied.The results show that the corrosion rate of L360 steel falls initially，reaches the minimum at H2S/CO2=1.00/0.67(MPa)，then increases gradually with the increase in the partial pressure of H2S/CO2.The corrosion rate increases with concentration of Cl－，and falls when the concentration of Cl－is over 40 g/L.The corrosion rate increases with the temperature and decreases when the temperature is over 70℃.A BP network of three layers has been developed.The input layer has six neurons，representing H2S partial pressure，CO2partial pressure，Cl－concentration，temperature，chloride concentration，velocity and deposited sulfur respectively.The output layer has one neuron，representing corrosion rate.The neuron number of hidden layer is 8.The prediction results have shown that the maximum error is with 15.9%，which satisfies the requirements of the engineering

high －sulfur gas field，corrosion rate，prediction model，artificial neural network

O359

A

1007－015X(2012)02－0001－03

2012－01－ 09;修改稿收到日期:2012－02－03。

劉德緒(1960－)，男，1983年畢業于中國石油大學(華東)，教授級高工，主要從事油氣田地面集輸及腐蝕防護等研究工作。E-mail:liuduxu@163.com。

國家科技重大專項(2011ZX05017)、教育部博士學科點基金資助項目(200804251516)。

(編輯 寇岱清)