基于BP神經網絡的油氣長輸管道土壤腐蝕性預測

王 齊，胡林林

?

基于BP神經網絡的油氣長輸管道土壤腐蝕性預測

王 齊1，2，胡林林3

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

基于BP神經網絡原理, 綜合考慮六類土壤腐蝕指標（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測方法。基于這種方法，依據某油田的現場土壤數據，借助MATLAB神經網絡工具箱建立了這一地區的土壤腐蝕性預測的BP神經網絡模型。訓練和預測結果表明：訓練的腐蝕速率最大誤差為-1.5%，預測的腐蝕速率最大誤差為8%。由此可見，基于BP神經網絡的土壤腐蝕性預測方法具有較好的預測精度，對油氣管道的安全運行具有重要的意義。

土壤腐蝕性；BP神經網絡；腐蝕速率；預測

近年來，隨著中國在管道建設上的大力發展，形成了東北、華北、華中和西北地區的龐大地下石油與天然氣管線網絡，陸上管道總里程已達12萬km[1]。這些管道隨著時間的推移，在施工、地形沉降、土壤腐蝕等因素的影響下，管道可能會發生腐蝕、穿孔、泄漏等情況，而腐蝕更是造成油氣管網泄漏的主要原因[1,2]。由于長輸油氣管道的長度長達幾百或上千公里，在事故發生后很難迅速找到確定的位置，并且它可能會導致更多的事故，所以合理、準確地預測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]，它們有的單獨起作用，而有的則聯合起作用。現在世界上已經發展出了很多種埋地管道土壤腐蝕的評價方法，如：單項指標評價方法、多項指標評價方法、電化學評價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果。傳統的單一指標腐蝕評價方法具有極大的局限性，因此評價方法的合理選擇決定著土壤腐蝕評價的準確性[6]。

基于這些原因，在多項影響因素中建立一定的內在聯系，從而綜合的評價和分析土壤的腐蝕性成為了現今較為可靠地方法之一。本文擬采用人工神經網絡算法中的BP神經網絡建立土壤的腐蝕速率的預測模型。這種模型具有極強的非線形逼近、模糊推理、大規模并行處理、自訓練學習、自組織和良好的容錯性等特點[7]。因此，將該算法應用于長輸管道腐蝕速率預測，從而可有效克服傳統腐蝕評價方法可靠性低的缺點，提高評價的精確度和適用范圍。

1 神經網絡預測模型的建立

通過對油氣管道土壤腐蝕機理分析，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神經網絡模型前，確定這6個指標作為神經元的輸入，而神經元的輸出為單一指標，即管道的腐蝕速率。如圖1所示為網絡結構圖，屬于多輸入，單一輸出的網絡結構。

圖1 神經元結構模型

它是一個多輸入單輸出的非線形元件，其輸入和輸出關系可描述為：

（1）

式中：x—的輸入信號(=1,2,...,)；

—神經元的偏置(閾值)；

W—第個神經元的連接權值；

—輸入信號的數目，這里為6；

—神經元輸出；

除包裝刮起“綠色環保風”外，快遞行業在運輸方面也越來越環保。記者在昆明街頭看到，除快遞員的兩輪車、三輪車是純電動力外，快遞行業使用的汽車也開始采用純電動車，今年云南順豐開始積極推動綠色運輸與配送，“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車。

—傳遞函數，也叫做激發或激勵函數。

傳遞函數可為線性函數，但通常為非線性函數。常用的傳遞函數列舉如下：閾值型函數、分段線性函數Sigmoid函數和高斯函數[8]。根據模型的特點，借助MATLAB軟件對BP神經網絡模型進行求解。求解步驟包括基于樣本的網絡訓練和預測兩部分。

2 實例計算

在前面所述模型的基礎上，依據某油田油氣長輸管道的20組土壤理化性質與腐蝕埋片的測試數據，建立多指標的土壤腐蝕速率預測方法，并對其應用效果進行分析，樣本數據如表1所示。

表1 訓練樣本數據

續表

編號土壤 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

設置最小均方誤差為0.000 01，學習率為0.01，動量系數為0. 9，最大訓練次數為20 000，將表1中1~22 號樣本數據作為訓練樣本進行訓練。

由圖2可知，訓練得到的腐蝕速率與實際腐蝕速率的相對誤差較小，最大相對誤差為-1.5%,訓練效果較好。

圖2 訓練值的相對誤差

同時，為了檢驗該模型的實際預測效果，取該油田區塊另外10組土壤數據，對其腐蝕速率進行預測，土壤參數如表2所示。

表2 預測樣本數據

在前面網絡訓練的基礎上，對表2所示10組數據的腐蝕速率進行預測。

預測結果如圖3所示，實際腐蝕速率曲線與預測腐蝕速率曲線吻合較好，誤差在工程可接受范圍之內，大多數預測值略小于實際值。

圖3 預測值與實際值的對比曲線

圖4為相對誤差曲線，進一步表明了該預測方法的可靠性。由圖4可知，腐蝕速率的最小相對誤差為1%，最大相對誤差為8%，預測結果表明模型具有較高的預測精度，對管道沿線腐蝕速率的預測具有重要意義。由此可見，利用人工神經網絡可以對樣本數據進行有效的學習，仿真及預測，尤其是對于土壤這種受多種因素控制的腐蝕系統，BP神經網絡具有很強的優越性。

圖4 預測值的相對誤差

3 結 論

（1）以BP神經網絡為基礎，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，六個指標，建立了油氣管道土壤腐蝕性的預測模型。

（2）以某油田的實際數據為計算依據，對模型進行了訓練和預測。結果表明該預測方法具有較較高的預測精度，訓練值的最大誤差為-1.5%，預測值的最大誤差為8%。

（3）本文的研究成果為合理預測油氣管道的腐蝕速率提供了理論和技術支撐。

參考文獻：

［1］ 高鵬，王培鴻，王海英，等. 2014 年中國油氣管道建設新進展[J]. 國際石油經濟，2015 (3): 68-74.

［2］ 彭星煜，張鵬，李宗新，等. 油氣長輸管道外腐蝕維護風險緩解程度模型[J]. 石油工業技術監督，2006，22(10): 35-39.

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

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

［5］ 宋光鈴，曹楚南，林海潮，等. 土壤腐蝕性評價方法綜述[J]. 腐蝕科學與防護技術，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]. 腐蝕科學與防護技術，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，張長水. 人工神經網絡與模擬進化計算[M]. 北京：清華大學出版社有限公司，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，四川綿陽人，助理工程師，2015 年畢業于西南石油大學油氣儲運工程專業。現主要從事油氣管道及油庫管道工程建設、維修檢測及項目管理工作。E-mail: 814361691@qq.com。