油氣管道的CO2腐蝕預測模型和預測方法

鄭度奎,李昊燃,程遠鵬,李 勇

(1. 長江大學 石油工程學院，武漢 430100； 2. 中國石油吐哈油田工程技術研究院，哈密 839000)

干燥的CO2不會發生腐蝕，但其在含水情況下生成的碳酸，會對鋼鐵造成全面腐蝕和嚴重的局部腐蝕[1]。油氣管道中往往含有水和CO2，其腐蝕帶來的影響會縮短管道的使用壽命并造成管道破裂，既浪費了鋼材又給生命財產帶來了威脅，故需要對其腐蝕情況進行預測，從而能更好地預防腐蝕。隨著油氣管道CO2腐蝕問題的日益嚴重，對CO2腐蝕的預測已成為研究的重點和熱點。

國外建立的許多CO2腐蝕預測模型，考慮了不同的影響因素，模型使用的條件也不一樣。由于國內外油氣的性質不同，直接將國外的預測模型用于我國CO2腐蝕預測上，其結果并不合適，故國內常根據實際情況對國外預測模型進行改進，使其結果符合現場條件。除此之外，隨著計算機的迅速發展[2]，出現了能很好處理多個自變量和因變量關系的數學算法，將其用于管道中的CO2腐蝕預測，能高效地處理影響因素和腐蝕速率之間的非線性關系。

通過CO2腐蝕預測模型，可了解和預測油氣管道的CO2腐蝕情況，從而在油氣管道的材料選擇和防護措施上進行合理的設計，對于提高油氣管道運營的經濟性和安全性具有重要意義。本工作總結了目前常用的預測模型，并針對現有模型提出了目前存在的問題和以后發展的方向。

1 預測模型

1.1 半經驗模型(Semi-empirical model)

半經驗模型是使用比較廣泛的一種模型，它是根據腐蝕過程中的化學、電化學過程和介質的傳輸過程建立的與腐蝕速率相關的動力學模型，可利用實驗室數據及現場數據確定各因素的影響因子[3]。

DE WAARD模型是最早的CO2腐蝕預測模型之一，有4個典型版本[4]。DE WAARD等[5]最初建立的DW75模型僅考慮了溫度和CO2分壓的影響，但開創了建立CO2腐蝕預測模型的先河。1991年，DE WAARD等[6]對DW75模型進行了修正，考慮了更多的影響因素，如pH、腐蝕產物膜、Fe2+含量等。1993年，DE WAARD等[7]校正了影響因子，且初步提出了流速的影響。1995年，DE WAARD等[8]進一步考慮到了腐蝕動力學和介質傳輸過程，建立了DW95模型。目前，DW95是最出名且使用最廣的預測模型之一。該模型的主要特點如下：①較適用于溫度低于85 ℃的條件，在此溫度條件下的預測結果接近環流試驗結果，具有較高的精度。②雖然考慮到腐蝕產物膜的緩蝕作用，但過低地評價了其保護作用，導致預測結果偏大，故在高溫高pH條件下的預測精度較低。③考慮了材料差異的問題，由于材料成分不同，腐蝕結果也不盡相同，故新增了關于材料的影響因子。DW95模型已成為眾多半經驗模型建立的基石，如ECE模型[9]、Cassandar模型[10]、B.Mishra模型[11]、Predict模型[12-14]等均是在DW95模型基礎上建立的。

1.2 經驗模型(Empirical model)

經驗模型是對腐蝕數據進行處理，得到在誤差允許范圍內符合腐蝕數據的預測模型。其中，最著名和使用最廣泛的是Norsok M506模型[15]，該模型由挪威石油公司、挪威海德魯公司和saga石油公司共同建立，已經成為挪威石油行業抗CO2腐蝕選材和腐蝕裕量設計的標準之一[16]。該模型的腐蝕數據來源于低溫實驗室數據和100 ℃以上高溫現場數據，考慮到溫度、pH、管壁切應力、CO2逸度等因素的影響，具有以下特點：①僅適用于溫度為20～150 ℃, pH為3.5～6.5條件下，且溫度為100～150 ℃時的預測精度最高，此溫度條件下，Norsok M506模型的預測結果相比于DW95模型的更接近真實值。②對于腐蝕產物膜(FeCO3)的影響考慮較多且對pH的變化較為敏感，但沒有考慮原油存在和管道材料差異對CO2腐蝕速率的影響。③用該模型來預測局部腐蝕時，如臺地腐蝕、點蝕等，得到的誤差較大，往往比實際低。④由于該模型中管壁切應力預測是在單相流試驗中得出的，故用來預測多相流流動的誤差較大。馮超齊等[17-18]利用Matlab軟件對溫度常數kt和溫度t進行線性回歸分析，對溫度進行分段處理，再分別求出每個溫度區間中關于kt和t的3次函數關系式，最后把公式編制成軟件，方便以后的運算。經驗模型中比較出名的還有Jepson模型[19]和基于Norsok M506模型改進得到的Corpos模型[20-22]。

1.3 機理模型(Mechanistic model)

機理模型是以腐蝕電流和腐蝕電位為基礎，結合材料表面的化學、電化學反應以及離子在腐蝕產物膜中擴散作用等因素建立的預測模型[23]。

典型的機理模型有Nesic模型。1996年，NESIC等[24]基于CO2腐蝕過程中的動力學，考慮了流速、溫度等影響因素對陰陽極反應的影響，建了該機理模型。此Nesic模型的使用最為廣泛，但它沒有考慮介質傳輸的過程，即沒有考慮腐蝕產物膜的影響，故僅適用于預測無腐蝕產物膜的腐蝕情況。2005年，NESIC等[25]考慮了腐蝕過程中金屬表面發生的化學和電化學反應，以及溶液和金屬之間的傳質過程，建立了可以預測含腐蝕產物膜時的機理模型。但是，該模型預測的腐蝕速率往往比實際結果大。NESIC等[26-27]針對這一問題，在2003年通過環流試驗對腐蝕產物膜的厚度和孔隙率進行分析，最終建立了FeCO3的沉積生長模型，提出了無量綱成膜傾向因子。在之前的試驗環境中，一直沒有考慮含油的情況，直到2007年，NESIC等[28]才將含油的影響考慮進去，且開發了CO2腐蝕預測軟件MULTICORP。

在CO2腐蝕預測的三大類模型中，半經驗模型和經驗模型需要依靠大量現場或實驗室數據進行支撐，再通過公式擬合求得。這就說明半經驗模型和經驗模型較為適用于預測某一區域的油氣管道CO2腐蝕情況。對于其他區域，由于油氣性質不同，會出現不同的CO2腐蝕情況，從而可能導致半經驗模型和經驗模型的預測精度降低或不適用。相反，機理模型從腐蝕的理論和微觀角度出發，不需要實際的腐蝕數據支撐，考慮了腐蝕反應中的各種行為，通過腐蝕電流和腐蝕電位等數據推導出腐蝕速率，不僅可以精確預測CO2腐蝕速率，還適用于預測全部油氣管道的CO2腐蝕情況。但在現場中獲得機理模型所需預測數據較為困難，故該模型很少運用在實際中。

2 預測方法

2.1 回歸分析

回歸分析即先對某一公式進行參數化，再根據實際數據利用回歸方法擬合參數。較多學者常利用該方法對一些著名的模型進行修正。剛振寶等[29]將DW75模型看作一個三元一次函數，再結合試驗數據對該模型進行多元線性回歸分析，求出未知的參數，對于徐深氣田以80 ℃為分界線，得出2個以DW75為基礎的改進公式，其預測的腐蝕速率與實際腐蝕速率較接近，平均誤差小于10%。蔡利華等[30]利用Excel多元線性回歸方法，結合渤海區域的試驗數據，對DW95模型的參數進行改進，最后分別得到不同油套管鋼的腐蝕預測模型。預測結果的平均相對誤差均小于10%，且優于Norsok M506模型和ECE模型的。馮超齊[17]通過大天池氣田的現場數據，利用Matlab軟件分別對DW75和DW91模型進行回歸運算來修正參數，得出符合現場數據的公式。結果表明，與原模型相比，修正后的模型能大幅提高油管CO2腐蝕速率的預測精度，預測結果可靠且基本滿足工程需要。劉偉偉[31]通分析了kt-t曲線變化圖，把溫度分為5～20 ℃、20～90 ℃和90～120 ℃三段，再對數據進行線性回歸，得到3個關于kt和t的3次函數關系式。考慮到管壁粗糙度、溫度、壓力流速等因素的影響，用回歸分析方法對實際數據進行擬合，最后得出可以預測A3鋼和N80鋼CO2腐蝕速率的Norsok M506優化模型，不僅提高了預測精度還擴大了模型的適用范圍。梁平等[32]用逐步回歸分析算法對模擬試驗得出的天然氣管線中H2S、CO2、緩蝕劑濃度與CO2腐蝕速率的數據進行處理擬合，得到符合液相和氣相的回歸方程，預測結果接近實際結果，具有較高精度。龍媛媛等[33]利用自主設計研發的腐蝕管流模擬試驗裝置來模擬勝利油田廣利聯合站的CO2腐蝕情況，再運用多元線性回歸的方法對得到的試驗數據進行分析，擬合出關于CO2分壓、溫度、流速、Cl-濃度等因素的腐蝕速率回歸方程，其預測結果的平均相對偏差為2.7%，準確性較高。

2.2 神經網絡

2.2.1 BP神經網絡

一般把BP神經網絡分為三層：輸入層、隱含層和輸出層，其中隱含層可以根據研究類型的不同定義為單層或多層。在CO2腐蝕研究中，常給輸入層輸入影響參數，如流速、溫度、壓力等，給輸出層輸入腐蝕速率。輸入層將輸入參數傳遞給中間的隱含層，隱含層對這些影響參數進行訓練，再將訓練結果傳遞到輸出層進行比較分析。若沒有達到預期要求，則將誤差沿原來的路徑反向傳播，隱含層通過修正權值和閾值，使精度達到預期要求為止。sigmoid函數(S型函數)和purelin函數分別是隱含層和輸出層的神經元傳遞常用函數；常見的訓練方法有RPROP算法、SCG算法、LM算法[34]，其中使用最廣的是LM算法，對應學習速率常取0.01～0.1。

隨著對BP神經網絡功能的廣泛運用與深入研究，其不足亦逐漸顯露出來，如：收斂速度慢、預測精度較低、易陷入局部極值點、求得全局最優的可能性較小等。針對以上不足，許多學者用不同的算法對BP神經網絡進行優化，如萬里平等[35]利用遺傳算法優化初始模型中的權值和閾值，既克服了傳統算法容易陷入局部極小值的缺陷，又減少了訓練時間、提高了預測精度，平均相對誤差由10.0%降至8.6%；劉釗[36]考慮到遺傳算法在求解多峰值函數優化問題時往往存在一定的局限性，采用小生境概念的遺傳算法進行優化，使整個訓練過程具收斂速度快，局部最優解次數少、訓練時間短等特點，且預測結果與實際數據基本吻合,相對誤差均小于2%；許宏良等[37]利用粒子群算法進一步提高了預測精度，其預測CO2分壓對管道腐蝕速率影響的最大相對誤差為4.6%。

除了可將流速、溫度、壓力等參數作為BP神經網絡的輸入外，還可將CO2腐蝕圖像進行灰度化、和增加二值化處理，從中提取相關的數據作為輸入。孫麗麗等[38]以像素點的數目表示孔蝕面積，采用像素點的集合求出蝕孔數目，再將蝕孔面積和孔蝕數目作為輸入，腐蝕速率作為輸出進行訓練，預測誤差小于7.5%。張旭昀等[39]將孔蝕率和蝕孔密度作為BP神經網絡的輸入，腐蝕速率作為輸出，得到73.8%檢測樣本的相對誤差在8%以內，精度滿足要求。

2.2.2 模糊神經網絡

將具有強大學習能力的神經網絡和強大結構性表達能力的模糊邏輯推理相結合，衍生出了模糊神經網絡(FNN)。鄧志安等[40]考慮FNN存在隸屬度函數，在處理多個輸入參數時會出現難以訓練的問題，故先通過灰色關聯篩選出主要的影響因素和減少輸入參數，再把它們當作FNN的輸入參數，對海底管道的腐蝕進行預測，分別得到選取2個和3個環境因素作為輸入參數時的預測結果，除了個別預測數據的誤差較大，其余數據的預測精度均保持較高水平，平均相對誤差為5.96%和6.35%。孫寅萍等[41]在模糊神經網絡中引入了混合蟻群算法和K-均值算法進行優化。在該網絡結構的學習過程中，采用K-均值算法具有收斂速度快的特點，對樣本進行第一次聚類，再將結果作為蟻群算法各路徑上的初始信息素，從而進行第二次聚類，最后再用FNN對模糊規則庫進行處理。結果表明，優化后預測方法的識別正確率高于模糊神經網絡的，為83.2%，且預測結果的絕對偏差均小于0.1。

2.3 灰色預測

灰色預測可以對少量數據建立灰色微分預測模型，從而可以預測研究對象的未來發展趨勢。常對原始數據數列進行累加，得到一個生產數列，再用GM(1,1)模型進行建模求解，從而可以預測未來的CO2腐蝕速率。馮超齊[17]針對大天池氣田的CO2腐蝕情況，采用灰色預測建立了時間與腐蝕速率之間的關系，預測結果的后驗差比值為0.087 683(<0.35)，小誤差概率P=1，預測精度處于最好等級。為了更加精確地預測腐蝕速率，學者們對GM(1,1)模型進行了優化，結合了不同的模型方法。

秦政先等[42]比較了小生境遺傳算法(Niche GA)的灰色模型和優化前灰色模型的預測結果，結果表明優化后算法的預測精度更高，更接近實際情況，平均腐蝕速率和最大腐蝕速率的平均相對誤差分別由8.13%降至3.53%，3.78%降至1.81%。陳永紅等[43]在灰色理論的基礎上結合馬爾科夫預測模型，并利用滾動算法提高精度，建立了基于滾動運算的優化無偏灰色馬爾科夫模型。先用遺傳算法對灰色模型改進得到的無偏灰色模型(UBGM)進行優化，再對管道的腐蝕速率進行預測，最后用馬爾科夫模型對預測數據的殘差進行預測。結果表明，該方法預測的每一個結果都優于無偏灰色模型、優化無偏灰色模型和基于滾動運算的無偏灰色馬爾科夫模型的預測結果。劉曉東等[44-46]將灰色模型GM(1,1)、時間序列分析方法和人工神經網絡三者結合起來，建立了灰色組合模型。其預測精度高于GM(1,1)、改進的神經網絡和灰色神經網絡的。雖然其精度較高，但不能進行長期預測。張甫仁等[47]為了解決灰色神經網絡的不足，提出了基于雙改進的復合灰色神經網絡預測方法。其預測結果與多種模型相比，具有最高的精度，絕對誤差和最大誤差分別為0.487 8%和1.24%，預測波動范圍較小，可以很好地用于腐蝕預測中。經建芳等[48]引入了線性方程進行優化，得到了灰色線性回歸組合模型，為了進一步提高預測精度，對結果的殘差用BP神經網絡進行修正。該優化模型的優點在于：不僅改善了線性回歸模型沒有指數增長及難以描述非線性變化趨勢的不足，還解決了GM(1，1)沒有線性因素的問題,預測結果的最大誤差、最小誤差和平均誤差分別是3.187%、0.057%和0.68%，優于基于滾動運算的優化無偏灰色馬爾科夫模型[41]。

2.4 支持向量機

支持向量機(SVM)是一種基于統計學習理論的學習方法，具有泛化能力高，學習效率快等特點，特別是在解決局部極小、小樣本、高維模式識別、非線性等問題時，有其他學習方法所缺少的優點。其主要思想是用非線性內積核函數將線性不可劃分的低維空間數據投影到線性可劃分的高維特征空間[49]，再在該空間內進行擬合，從而得出輸入與輸出之間的非線性關系。賈春雨[50]將CO2腐蝕圖像處理后得到的孔蝕率和蝕孔密度，再加上工作溫度和CO2分壓作為SVM的輸入，腐蝕速率作為輸出，預測結果的精度高于BP神經網絡的，誤差控制在7%以內。

亦有學者對SVM進行改進，使其精度進一步提高。畢傲睿等[51]首先用主成分分析法(PCA)篩選出影響管道內腐蝕的主要因素，再將這些因素作為鯰魚粒子群算法(CFPSO)來優化SVM的輸入變量。其預測結果優于BP神經網絡、網格搜索優化SVM和遺傳算法優化SVM的，平均相對誤差為2.82%，預測結果和實際結果的相關系數R接近1,為0.995 5。王曉光等[49]建立了基于最小二乘支持向量機(LS-SVM)的灰色組合預測模型，把5種灰色模型預測的模擬結果作為LS-SVM的輸入，腐蝕速率作為輸出，展示了變權組合在提高精度和穩定性時的優越性，預測結果的平均相對誤差為0.011 2，與實際值較為接近。

2.5 其他

除了上述方法外，還有其他用來預測CO2腐蝕的方法，可為CO2的腐蝕預測提供新思路。王海濤等[52]針對BP神經網絡需要用到大量數據和灰色預測的精度不理想等缺點，提出了基于三次指數平滑的預測模型。該模型具有操作簡單、能較好顯示時序的變化、適用于數據波動較大且呈非線性變化情況等優點。張智等[53]觀察到實驗室通常進行短期CO2腐蝕預測，而以此為基礎預測現場長期CO2腐蝕，會帶來較大誤差，故再次對試驗數據進行總結，建立考慮了時間效應的腐蝕模型。崔鉞等[54]結合DW95模型和Tulsa沖刷模型，提出了流場誘導下的腐蝕模型。李頔[55]通過自主研發的動態管流腐蝕試驗裝置對20#鋼中CO2的氣液兩相泡狀流腐蝕情況進行分析，使用失重法計算腐蝕速率對DW91模型進行改進。葛揚志等[56]通過數據分析得知油水體積比與原油的緩蝕作用存在關系，采用室內掛片法得到在油水體積比為0.25～0.45時，原油的緩蝕作用和油水體積比成正比，最后得出腐蝕修正系數與油水體積比的關系。當油水體積比為0.25～0.45時，通過Norsok M506模型求出腐蝕速率，最后再乘上腐蝕修正系數可得最終結果，很好地解決了Norsok M506模型沒有考慮到油膜影響的問題。

油氣管道經長時間CO2腐蝕后，管徑的變化較大，從而會影響運行參數，故考慮了時間因素的灰色預測相對于神經網絡和SVM更適用。在試驗數據較少的情況下，BP神經網絡往往表現為個別預測結果大誤差，整體預測結果小誤差的特點，SVM則較好地解決了這一問題，在小樣本情況下還能保持整體預測結果小誤差。由于現場和實驗室條件有限，獲取的訓練數據往往較少，因此在此情況下SVM更適合于神經網絡預測CO2腐蝕速率。

3 結束語

(1) 在三大類CO2腐蝕預測模型中，由于現場條件的約束，常使用半經驗模型和經驗模型進行腐蝕速率的預測，機理模型使用較少。

(2) 由于半經驗模型和經驗模型是基于國外現場數據推導得出的，若直接應用于國內的現場情況，可能會出現低精度和不適用等問題，故需要通過回歸分析對模型的參數進行修正，以滿足國內的現場情況。

(3) 對油氣管道進行較長時間的CO2腐蝕速率預測時，考慮了時間因素的灰色預測相比于神經網絡和SVM更為合適。

(4) 在小樣本情況下，SVM整體預測精度優于神經網絡的。可通過數學算法優化這2種預測方法從而提高預測精度，如：遺傳算法、小生境遺傳算法、粒子群算法、鯰魚粒子群算法等。