基于人工神經網絡的長周期儲存式壓力容器安全評價研究

尤毅聰

(福建省鍋爐壓力容器檢驗研究院泉州分院 泉州 362001)

基于人工神經網絡的長周期儲存式壓力容器安全評價研究

尤毅聰

(福建省鍋爐壓力容器檢驗研究院泉州分院 泉州 362001)

本文基于人工神經網絡，設計了一個長周期儲存式壓力容器安全分析評價系統。按壓力容器自身的特點進行建模，選擇三種類型缺陷為模擬對象，利用有限元應力分析進行應力計算，獲取各種狀態的應力數據作為訓練的樣本數據，并選用帶二次動量項的BP算法對樣本數據進行學習，進而建立長周期壓力容器安全評價智能系統軟件。最后將該評價智能系統軟件計算的結果與GB／T 19624—2004《在用含缺陷壓力容器安全評定》計算結果進行比對，系統準確性高。利用該軟件使壓力容器安全評價變得方便、快捷、簡單。

神經網絡 長周期壓力容器 安全評價

1 背景

隨著壓力容器的高工況、大型化、復雜化，在用壓力容器的安全使用受到人們高度關注，企業強烈訴求提高生產效率、增加經濟效益，極力呼吁延長壓力容器的檢驗周期，特別是石油化工行業。長周期壓力容器就是使用壽命長，檢驗周期長的壓力容器，采用先進的檢驗方法將壓力容器的檢驗周期從正常的3～6年進行適當的延長，如延長到6～10年。為了保證壓力容器在較長的周期內安全穩定運行，必須對缺陷加以區別，進行必要的安全評價，消除那些帶有潛在危險的缺陷，而對沒有安全威脅的缺陷予以保留。人工神經網絡是一種智能學習判斷的算法，可以避開傳統方法計算相當復雜的局限性，因此筆者采用帶二次動量項的BP算法，開發一套方便、快捷、有效、可靠的智能評價系統。

2 系統結構

本文創建一套基于人工神經網絡的專家系統，對各種實際檢測的缺陷數據和長周期壓力容器的技術參數、服役條件等參數進行分析處理，進而建立長周期壓力容器安全評價智能系統。在技術上本次研究采用了人工神經網絡模型，該模型可以有效地對三種類型壓力容器缺陷檢測的參數（包括定量或定性的信息）等進行數據分析，利用人工神經網絡的并行分布處理特性使該系統具備高速求解的能力，這對于進行壓力容器缺陷評定也是有著特別重要的意義，也是本文與傳統評估方法相比的先進之處。

本文采用三層結構的BP神經網絡，包括一個輸入層，一個隱含層和一個輸出層，網絡中只存在不同層神經元之間的權值連接，而不存在同一層神經元之間的連接，并且中間層采用S型激活函數，輸出層采用線性激活函數。對長周期壓力容器，設計的輸入層節點個數等于檢測到容器的特征參數個數。選擇體積型缺陷、縱環焊縫裂紋缺陷、接管拐角裂紋缺陷三種常見缺陷。三種缺陷分別有7、11、8個特征參數（具體參數詳見下文軟件截圖中圖1、圖2、圖3的輸入參數，對應的神經網絡模型的輸入層分別有7、11、8個輸入參數，經過不斷的調試和經驗所得，三種缺陷在神經網絡處理層中分別有8、14、10個隱含層，用來進行各個特征的非線性轉換。神經網絡的輸出層都是為兩個節點，計算結果值在[0，1]區間，兩個節點分別對應“安全”和“不安全”。

如圖1所示，評價軟件先對樣本數據進行預處理、學習得到安全評價知識庫，然后用戶將實際檢測到的數據與知識庫進行推理比較，得出安全評價結果，幫助用戶決策，同時本次實際數據也作為樣本數據重復第一步進入知識庫。

圖1 評價軟件對樣本數據預處理示意圖

3 學習樣本的獲取

選擇液化石油氣儲罐、氨罐兩種設備作為長周期儲存式壓力容器的代表進行研究，研究過程以容器未發生材質劣化作為前提。氨罐的材質選取Q235B和Q245R；液化石油氣罐則采用Q245R和Q345R兩種材料。以不同材料的屈服強度、抗拉強度、彈性模量、泊松比、斷裂韌性為參數，建立材料性能參數數據庫模塊。本次研究分別考慮了不同容積、特征尺寸、內壓以及材料對壓力容器應力結果的影響，對液化石油氣臥式儲罐選取12種典型尺寸模型容積從3～150m3進行建模；氨罐選取常見的4種尺寸模型容積從3～20m3進行建模。壓力容器的焊縫是產生缺陷的常見部位，受位置分布、載荷條件、邊界條件等多因素耦合影響，建立在理想假設基礎上的理論公式計算必然會產生一定的誤差，不能準確的表達焊縫區的受力情況，然而通過有限元模型計算的求解方法，避開了復雜的公式的推導，可以得到焊縫位置定量應力值及壓力容器各部位的應力參量，以此為基礎建立分類應力數據庫模塊。通過GB／T 19624-2004《在用含缺陷壓力容器安全評定》，得出缺陷復合規則，建立缺陷復合模塊。對平面型缺陷及體積型缺陷的安全評定程序進行設置，建立斷裂評定模塊。

從數據庫中讀取樣本數據集，進行數據預處理。數據預處理過程包括：

1）去重，即去除具有重復變量值的樣本，使得每個樣本在建模過程中都是單一的，不會在神經網絡學習過程中多次學習。

2）去除含有缺失值屬性的樣本。

3）數據類型的轉換。觀察并分析變量數據的類型，哪些變量是字符型的離散取值，哪些是數值型的連續取值。在神經網絡模型建立中，需要將字符型的值一一對應地轉換為數值型（R語言中也稱編碼），便于在R語言平臺進行數據處理和神經網絡的建模，后續可通過相反的過程一一對應地還原（R語言中也稱解碼）。

4 神經網絡訓練學習

神經網絡是一個非線性動力學系統，其特色在于信息的分布存儲和并行協同處理。它類似于人類大腦重復學習的方法，先給出一系列的樣本，進行學習和訓練，從而產生區別各種樣品之間的不同特征和模式。它具備集體運算和自適應的能力，還具有很強的容錯性和存儲能力。

而傳統BP算法收斂速度慢，本文引入二次動量項。一次動量因子

式中：

W——連接權值；

△W——連接權值的修正；

E——網絡全局誤差；

β——學習速率，0＜β＜1；

i——輸入層第i個節點；

j——隱含層第j個節點；

η·Wij（n）——一次動量項；

n——學習次數；

η——一次動量因子，0＜｜η｜＜1。

二次動量因子

式中：

ξ·Wij（n-1） ——二次動量項，

ξ——二次動量因子，0＜｜ξ｜＜1。

這樣就形成了以一次動量項為主、二次動量項為輔的調整因子。二次動量項的主要作用是輔助調整連接權變化的幅度。因此，為保證一次動量項為主，在整個訓練過程中始終保持｜ξ｜≤｜η｜（一般0＜｜η｜＜1）。如果｜ξ｜偏大，則收斂速度過慢；反之，二次動量項不起作用。本次研究通過實驗，發現下式確定的二次動量因子效果最好。

5 基于R語言和.net平臺的系統開發

R作為一種高級語言，具有極高的編程效率，然而它也存在一些缺陷：界面開發能力較差，不像大多數應用軟件那樣具有友好的操作界面，對于一些企業級的用戶來說，由于缺乏編程和統計學方面的知識，在使用過程中會遇到很大的困難。R使用的是解釋性語言，大大限制了它的執行速度；源代碼的公開不利于算法和數據的保密；局限于R運行環境而不能用于開發商用軟件。此外，R在數據庫操作方面缺乏靈活性，不能高效地管理和利用數據庫。

在另一方面，C#.NET是針對.NET平臺而設計的，是微軟.NET計劃中的主要開發語言。利用C#.NET開發的系統具有界面友好、執行速度快、易維護和升級等優點，能夠生成可執行文件能有效地保護算法和數據，并可脫離編程環境運行。但是.NET平臺缺少統計學、機器學習（尤其是人工神經網絡）方面的類庫，如果獨立開發，致使軟件開發周期加長，并且.NET在作圖功能上表現并不突出，無法滿足數據挖掘方面的應用。

本文將R語言和.NET強大的功能結合起來，實現優勢互補，即既有友好界面又能應用統計學分析工具。

6 基于人工神經網絡的長周期壓力容器安全評價系統軟件

體積型缺陷評估見圖2，縱環焊縫的裂紋評估見圖3，容器接管拐角裂紋評估見圖4，綜合評估見圖4。若檢驗時，僅有一種缺陷，就單獨進行評估，評估結果安全，則容器安全評價結論為安全；若發現有這三種缺陷中的兩種或三種，就對其分別進行評估，只要有一項缺陷的評估是不安全，容器的整體評價為不安全。也就是對三種缺陷分別進行評估時，均應為安全。

圖2 體積型缺陷評估界面

圖3 縱環焊縫裂紋評估界面

圖4 容器接管拐角裂紋評估界面

7 與國標計算的數據比對（見表1）

表1 人工神經網絡智能評估軟件評定結果與GB/T 19624評定結果對比

8 結論

基于人工神經網絡的專家系統，按壓力容器自身的特點進行建模，選擇三種類型缺陷為模擬，利用有限元應力分析進行應力計算，獲取各種狀態的應力數據作為訓練的樣本數據，并選用帶二次動量項的BP算法對樣本數據進行學習，進而建立長周期壓力容器安全評價系統軟件。

將各種實際檢測的缺陷數據和長周期壓力容器的技術參數、服役條件等參數放入長周期壓力容器安全評價系統軟件進行分析處理，其結果與按GB/T 19624標準計算結果相符，說明該軟件對儲罐類的長周期壓力容器的缺陷評價提供了一種可靠、準確的評價方法，同時也使得壓力容器的安全評價變得方便、快捷。

1.王道文,等.MATLAB 軟件在液氨儲罐事故危害定量分析中的應用[J].中國特種設備安全,2011,27(10):9～11.

2.陳珊珊,等.大型常壓儲罐的完整性管理[J].中國特種設備安全,2011,27(12):34～36.

3.劉萬朋,等.基于風險和AHP的壓力容器維護策略[J].中國特種設備安全,2014,29(4):65～67.

4.馬新旭,等.CAE在壓力容器檢驗中的應用[J].中國特種設備安全,2011,27(6):21～24.

5. 江村,等.壓力容器全面檢驗周期的確定[J].中國特種設備安全,2010,26(9):59～60.

6. 任國棟,等.在用含凹坑缺陷壓力容器的安全評定[J].中國特種設備安全,2012,28(4):11～13.

Study of Storage Pressure Vessel Safety Evaluation for Long Period Based on Artifcial Neural Network

You Yicong
(Fujian Boiler and Pressure Vessel Inspection and Research Institute Quanzhou Branch Quanzhou 362001)

Based on artifcial neural network,a pressure vessel safety analysis and evaluation systemsfor long period is designed. In this paper, based on the tank modeling with characteristics of the container, stress of pressure vessel with three kinds of defects is calculated by fnite element stress analysis. The stress data in different condition is obtained as a training sample data, and the BP algorithm with momentum for the second sample data is chosen to learn the sample data, the intelligent pressure vessel safety assessment system software for long period is built. The fnal results are certifed with high accuracy comparing to the national standard GB/T 19624. In this paper, The software makes the pressure vessel safety assessment become more convenient, faster and easier.

Neural networks Long period of pressure vessels Safety assessment

X933.4

B

1673－257X(2014)11－38－06

10.3969/j.issn.1673-257X.2014.11.012

尤毅聰(1964～),男,高級工程師,從事鍋爐壓力容器檢驗及安全評價。

2014-05-20）