腐蝕海洋立管剩余強度預測*

俞樹榮 王 超

(蘭州理工大學石油化工學院)

海洋立管是海洋平臺與海底井口間的主要連接件，是海洋油氣資源運輸中的薄弱環節，在內部輸送介質和外部環境的共同作用下，極易發生腐蝕損傷。海洋立管發生腐蝕后，其剩余強度和承載能力下降，檢測和維修費用上升，維修和更換周期縮短，投資和運行費用增加，整個輸送系統的正常運行將受到干擾[1]。因此，必須對在役的海洋立管進行合理的剩余強度評估以保證其安全運行。

20世紀70年代以來，國際上逐步發展形成了具有安全可靠性和經濟性的剩余強度評價方法，其中美國的ASME B31G[2]和API579[3]、英國的BS7910[4]、挪威的DNV-RP-F101[5]與加拿大的CAS-Z184-M86[6]相對具有代表性，但這些方法是各國在特定的試驗環境中得到的，因此都有一定的使用條件和應用范圍。近年來，關于人工神經網絡在腐蝕管道剩余強度評價方面的應用得到了廣泛關注。筆者將遺傳算法與人工神經網絡相結合，有效地解決了人工神經網絡自身的局限性，從而能更加科學、有效地對在役腐蝕海洋立管的剩余強度進行預測。

1 DNV-RP-F101評價標準

DNV-RP-F101標準是由英國燃氣公司(BG)和挪威船級社(DNV)于1999年聯合頒布的管道腐蝕標準[6]。該標準提供了兩種安全準則不同的腐蝕缺陷評價方法，即分項安全系數法和許用應力法。分項安全系數法的計算過程和測定要相對復雜，而許用應力法主要側重于現場應用，相對簡明、便捷。因此，筆者采用許用應力法對含單個腐蝕缺陷海洋立管的剩余強度進行計算。

許用應力法需要先計算出具有腐蝕缺陷管道的失效壓力(即剩余強度)，然后再將該失效壓力乘以一個基于初始設計參數的單一安全系數而得到最終的安全工作壓力。

僅有內壓荷載的單個缺陷的安全工作壓力和腐蝕管道失效壓力的計算公式為：

psw=Fpf

式中d——腐蝕缺陷深度，mm；

D——管道直徑，mm；

F——管道強度設計系數；

l——腐蝕缺陷長度，mm；

pf——腐蝕管道失效壓力，MPa；

psw——腐蝕管道安全工作壓力，MPa；

Q——長度修正因數；

t——管道壁厚，mm；

UTS——比例極限強度，MPa。

2 GA-BP神經網絡模型

人工神經網絡是指由大量人工神經元互連而成的非線性自適應動力系統，是一種旨在模仿人腦結構及其功能的信息處理系統。它具有自組織、自學習和非線性映射的能力[7]。目前，BP神經網絡是研究最為成熟、應用最為廣泛的人工神經網絡模型之一。但由于BP算法屬于誤差梯度下降算法，在進行全局搜索時，不可避免地存在收斂速度慢、易出現“平臺效應”以及陷入局部極小點等缺點[8]。而遺傳算法是基于自然界中生物自然選擇和遺傳規律的并行搜索算法，是目前理論上最成熟、運用最廣、效果最好和最有發展前景的全局搜索方法。因此，筆者利用遺傳算法優化BP神經網絡(簡稱GA-BP神經網絡)的權值和閾值來改進BP神經網絡的性能，以克服局部極小值，實現全局收斂，提高學習精度、泛化能力和網絡的穩定性。

2.1 BP神經網絡模型的構建

圖1 BP神經網絡模型示意圖

2.2 GA-BP神經網絡的權值和閾值

GA-BP神經網絡流程如圖2所示。

圖2 GA-BP神經網絡流程

GA-BP神經網絡的具體操作過程如下：

a. 編碼。為擴大搜索空間，保證網絡權值和閾值的高精度，筆者采用實數編碼。將BP神經網絡的權值和閾值級連起來，形成一個實數組，作為遺傳算法的一個染色體。編碼長度即染色體的長度S=n×m+m×k+m+k。

b. 確定適應度函數。采用神經網絡的目標函數(Ei)取其倒數作為染色體的適應度函數(Fi)。

c. 選擇操作。選擇操作是指從舊群體中以一定概率選擇個體到新群體中，個體被選中的概率跟適應度值有關，個體適應度值越好，被選中的概率越大。筆者采用一種回放式隨機采樣方法——輪盤賭法。

d. 交叉操作。交叉操作是指以一定交叉概率在種群中隨機選擇互相配對的兩個染色體，將其部分結構替換重組，從而形成新的個體。由于個體采用實數編碼，所以交叉操作方法采用實數交叉法。

e. 變異操作。遺傳算法引入變異操作可以提供初始種群不含的基因，或找回選擇操作中丟失的基因，為種群提供新的內容。變異操作一方面能使遺傳算法具有局部的隨機搜索能力，在接近最優解的領域時加速向最優解收斂；另一方面能維持種群多樣性，防止出現不成熟收斂。因此，筆者采用均勻變異。

f. 將新個體插入到種群中去，并計算出新個體適應度值。

g. 用最優的權值和閾值作為BP神經網絡的初始條件，對BP神經網絡進行訓練。

創刊于1946年的《文聯》，共發表了121篇文章，文類體裁多樣，主題豐富，在不同程度反映了社會的整體面貌：有歌頌戰爭期間兵民的團結一心、眾志成城；有揭露站前戰后黑暗腐敗的現實和專制獨裁的野心；有批判具有劣根性的國民；有鞭撻帝國主義的狼子野心；也有謳歌光明的贊歌等，具有強烈的時代感。由于年代的限定，《文聯》是存在缺陷的，像存在對文化市場的迎合，滿足底層市民的消極趣味。但不可否認《文聯》對于先進思想的傳播，對于先進文化的弘揚以及對于文藝創作的繁榮，都產生了積極深遠的影響，在現代文學報刊史上留下了濃墨重彩的畫卷。

適應度函數的表達式為：

式中Ei——誤差平方和；

Fi——i的適應度值；

m——輸出層節點數；

oj——期望值；

tj——輸出層輸出值。

3 預測實例

3.1 BP神經網絡和GA-BP神經網絡的建立

3.2 BP神經網絡和GA-BP神經網絡的訓練

采用BP神經網絡和GA-BP神經網絡模型，對網絡進行訓練，其誤差隨訓練次數變化曲線如圖3所示，目標誤差設定為0.000 1，BP神經網絡經過194次訓練后可以達到訓練目標，而GA-BP神經網絡只需要17次就能達到訓練目標。由此看見，GA-BP神經網絡模型可有效地提高網絡的收斂速度。

圖3 訓練后誤差變化曲線

3.3 BP神經網絡和GA-BP神經網絡的預測

應用上述兩種訓練好的網絡對測試集樣本進行測試。為能說明網絡預測的準確性，選取測試集樣本進行測試并與DNV-RP-F101標準計算結果進行比較，預測結果如圖4所示。

從圖4a可以看出，兩種神經網絡的預測值曲線都與DNV-RP-F101計算值曲線很好地吻合。但經放大后比較可以發現，圖4b、c中GA-BP神經網絡模型具有更好的預測效果，可以更好地預測腐蝕海洋立管的剩余強度。

在圖4a中，A、B處分別是BP神經網絡和GA-BP神經網絡預測相對誤差的最大值點，圖4b、c是兩處的放大。可以看出，采用BP神經網絡預測其相對誤差的最大值發生在17點處，最大相對誤差為5.38%，而采用GA-BP神經網絡預測其相對誤差的最大值發生在12點，最大相對誤差為1.99%。通過最大相對誤差比較可知，GA-BP神經網絡具有較高的預測精度。

圖4 不同神經網絡預測值曲線與DNV-RP-F101計算值曲線比較

神經網絡訓練結束后，為了檢驗網絡的泛化性，引用了文獻[10]中的試驗數據，分別在訓練好的BP神經網絡模型和GA-BP神經網絡模型上進行預測，預測結果的對比值見表1。其中Δ1、Δ2、Δ3分別為DNV-RP-F101標準計算值、BP神經網絡和GA-BP神經網絡預測值與試驗值間的相對誤差。可以看出，相對于DNV-RP-F101計算值，人工神經網絡預測值更加接近試驗值。經過最大相對誤差比較可知，GA-BP神經網絡預測最大相對誤差為4.86%，其誤差要低于DNV-RP-F101計算最大相對誤差為12%和BP神經網絡預測最大相對誤差為7.91%。因此，利用人工神經網絡預測腐蝕管道剩余強度的方法是可行的，且GA-BP神經網絡可以更好地滿足工程需要。

表1 DNV-RP-F101計算值和不同神經網絡預測值與試驗結果比較

(續表1)

4 結束語

依據BP神經網絡所具有的非線性和較強的泛化能力，建立了管徑、壁厚、腐蝕缺陷長度、腐蝕缺陷深度以及管材極限抗拉強度等影響因素與腐蝕海洋立管剩余強度之間的BP神經網絡預測模型，在BP神經網絡模型的基礎上，利用遺傳算法優化BP神經網絡的權值和閾值，構建GA-BP神經網絡模型。在25組測試樣本中，BP神經網絡和GA-BP神經網絡預測的相對誤差分別控制在5.384%和1.995%以內。結果表明，利用人工神經網絡來預測腐蝕海洋立管的剩余強度是可行的。此外，在對神經網絡進行訓練時，BP神經網絡需要經過194次訓練達到訓練目標，而GA-BP神經網絡只需要17次就能達到訓練目標。由此可見，利用遺傳算法優化BP神經網絡模型不僅可以有效地提高網絡的訓練精度，而且還可提高其收斂速度，是一種更加科學、有效的預測模型。

[1] 高照杰, 粟京. 帶損傷海底石油管線的安全評估[J]. 海洋工程, 2003, 21(1): 53～59.

[2] ASME B31G，Manual of Determining the Remaining Strength of Corroded Pipelines-A Supplement to ANSI/ASME B31G Code for Pressure Piping[S]. NewYork: American Society of Mechanical Engineers, 1991.

[3] API RP579, Recommended Practice for Fitness-For-Service[S]. America: American Petroleum Institute, 2000.

[4] BS 7910, Guidance on the Method for Assessing the Acceptability for Flaws in Fusion Welded Structure[S]. London: British Standard Institute, 1999.

[5] DNV. Recommend Practice, RP-F101, Corroded Pipelines[S]. Norway: Det Norske Veritas, 2004.

[6] CAN / CSA-Z184-M86, Gas Pipeline System[S]. Canada: Canadian Standards Association, 1886.

[7] 劉亞莉,張強,趙麗麗，等. 基于MATLAB的螺旋槽干氣密封性能分析[J]. 化工機械, 2012, 39(1): 41～43.

[8] SilvaR C C, Guerreiro J N C, Loula A F D. A Study of Pipe Interacting Corrosion Defects Using the FEM and Neural Networks[J]. Advances in Engineering Software, 2007, 38 (11/12):868～875.

[9] 周毅, 徐伯齡. 神經網絡中的正交設計法研究[J]. 南京大學學報(自然學科版,) 2001, 37(1) : 72～78.

[10] Freire J L F, Vieira R D, Castro J T P. Part3: Burst Tests of Pipeline with Extensive Longitudinal Mental Loss[J]. Experimental Techniques, 2006, 30(6): 60～65.