基于GWO-LSSVM算法的LNG儲罐腐蝕速率預(yù)測研究

郭海新

(昆侖能源湖北黃岡液化天然氣有限公司，湖北黃岡 438000)

在液化天然氣(LNG)儲罐使用的過程中，由于介質(zhì)中含有一定的腐蝕性物質(zhì)及水分，腐蝕性物質(zhì)溶于水后會導(dǎo)致儲罐腐蝕，進而影響儲罐的使用安全，大大縮短儲罐的使用壽命[1-2]。此外，腐蝕產(chǎn)物還會直接進入到LNG之中，對LNG的質(zhì)量產(chǎn)生嚴重的影響。如能及時掌握儲罐的腐蝕狀況，就可以提前采取預(yù)防措施，保障儲罐的運行安全[3-4]。

目前，隨著LNG行業(yè)的飛速發(fā)展，對LNG儲罐安全問題的研究較多。單彤文[5]針對儲罐運行安全，對其研究進展及發(fā)展趨勢進行了研究。結(jié)果表明，為了提高LNG儲罐使用的安全性，需要將理論計算方法與監(jiān)測措施相結(jié)合，及時了解儲罐內(nèi)的腐蝕狀況，同時，還需要采取較精細的管理措施。劉旭霞等[6]通過進行腐蝕試驗的方式對LNG儲罐試壓過程中的腐蝕問題進行合理全面的研究。結(jié)果表明，為了保障儲罐運行的安全性，需要采取合理的陰極保護措施，同時，需要根據(jù)儲罐材質(zhì)的不同，對保護電位進行合理的選擇，若保護電位不合理，不但會出現(xiàn)嚴重的腐蝕問題，還可能會出現(xiàn)氫脆風險。黃剛?cè)A等[7]對LNG儲罐腐蝕的影響因素進行了分析和研究。結(jié)果表明，硫化氫、氧氣以及水是引起儲罐腐蝕問題的主要因素，大量的腐蝕性物質(zhì)會在儲罐的頂部位置沉積，進而使其頂部位置的腐蝕速率加快，為了保障儲罐的運行安全，必須采取合理的防腐措施。

通過采用不同試驗方式對儲罐的腐蝕情況進行研究，將智能算法引入該領(lǐng)域，可及時了解LNG儲罐的腐蝕狀況。因此，筆者采用GWO-LSSVM組合算法，并將該類型的組合算法應(yīng)用到儲罐的腐蝕速率預(yù)測中，對儲罐的腐蝕狀況進行了分析研究。

1 LNG儲罐腐蝕理論分析

在LNG儲罐的介質(zhì)中，含有大量的腐蝕性物質(zhì)以及水分，儲罐長時間使用后，出現(xiàn)腐蝕問題的概率相對較大，若儲罐的腐蝕問題較為嚴重，不但可能會出現(xiàn)各種類型的安全風險，還可能會大大降低儲罐的使用壽命[8]。此外，儲罐使用過程中防腐處理問題較易被忽略，儲罐被腐蝕后，大量的腐蝕產(chǎn)物無法排除罐外，會在儲罐內(nèi)大量聚集，并與儲存介質(zhì)相互接觸，對介質(zhì)的質(zhì)量產(chǎn)生嚴重影響。通過對LNG儲罐腐蝕問題進行調(diào)研后發(fā)現(xiàn)，儲罐內(nèi)部腐蝕問題的類型相對較多，主要包括磨損腐蝕、點腐蝕及均勻腐蝕等。從化學(xué)角度進行分析，石化領(lǐng)域的腐蝕問題主要可以分為2種類型，分別為化學(xué)腐蝕以及電化學(xué)腐蝕，其中，化學(xué)腐蝕主要出現(xiàn)在特定條件下，LNG儲罐內(nèi)的腐蝕問題主要為電化學(xué)腐蝕。在儲罐正式使用前，一般均會對其進行合理的防腐處理，采取一定的防腐措施，但是受到施工工藝以及儲罐操作等因素的影響，使用一段時間后，防腐措施較易失效，儲罐出現(xiàn)腐蝕問題的概率升高[9]。

研究者對LNG儲罐腐蝕問題開展的研究時間相對較早，也取得了較多的研究成果。20世紀50年代，美國石油化工協(xié)會就開始組織對LNG儲罐的腐蝕問題的研究，研究結(jié)果發(fā)現(xiàn)在LNG儲罐內(nèi)有游離態(tài)水存在的前提下，若H2S的分壓相對較高，超過了0.000 35 MPa，則H2S對腐蝕的影響就會加重。LNG儲罐內(nèi)的環(huán)境狀況以及儲罐的材料類型也是影響腐蝕問題的關(guān)鍵因素，研究結(jié)果表明，若儲罐內(nèi)環(huán)境條件不同，其腐蝕速率存在較大差別；若儲罐內(nèi)LNG的質(zhì)量分數(shù)相對較高，則儲罐的使用周期可以達到20~25年，若儲罐內(nèi)的LNG質(zhì)量分數(shù)相對較低，儲罐使用5~10年后，就會出現(xiàn)較嚴重的腐蝕問題。

LNG儲罐的腐蝕主要可以分為3個方面：分別是罐底的腐蝕、罐壁的腐蝕以及罐頂?shù)母g，其中罐底的腐蝕問題相對較嚴重，主要是由于該位置的腐蝕情況較為復(fù)雜，部分腐蝕性物質(zhì)會產(chǎn)生直接的化學(xué)腐蝕，同時，腐蝕性產(chǎn)物可能會與某些酸性成分相互作用，進而產(chǎn)生電化學(xué)腐蝕。罐頂處會聚集大量的水蒸氣以及氧氣，產(chǎn)生電化學(xué)腐蝕。罐底位置主要以濃差腐蝕為主，腐蝕程度相對較輕[10]。

2 算法理論模型

2.1 灰狼優(yōu)化算法

灰狼優(yōu)化算法(GWO算法)是一種智能優(yōu)化算法，使用該類型的算法可以在全局之內(nèi)尋找最優(yōu)解，其原理主要是通過對灰狼群的覓食行為進行合理的模擬，最終達到目標最優(yōu)化，該種類型算法在使用的過程中尋優(yōu)的精度相對較高，其收斂的速度相對較快[11-14]。

2.2 最小二乘支持向量機算法

最小二乘支持向量機(LSSVM)算法是一種智能預(yù)測方法，其屬于支持向量機(SVM)算法的一種改進模式，在使用過程中，可以降低數(shù)據(jù)樣本的訓(xùn)練復(fù)雜性，提升運算速度，在進行機器學(xué)習的過程中具有較強的廣泛性及先進性。在使用LSSVM算法的過程中，核函數(shù)的類型相對較多，其中RBF核函數(shù)的應(yīng)用相對較廣，因此，筆者選用RBF核函數(shù)，該類型核函數(shù)中含有g(shù)am以及sig2參數(shù)，這2種參數(shù)的設(shè)定會對最終的預(yù)測結(jié)果產(chǎn)生較大影響。

2.3 GWO-LSSVM組合模型建模

該研究建立的GWO-LSSVM組合算法實質(zhì)上是使用GWO算法對LSSVM算法中的部分參數(shù)進行尋優(yōu)，即通過使用GWO算法確定LSSVM算法中g(shù)am及sig2參數(shù)的數(shù)值，利用優(yōu)化后的模型，對LNG儲罐罐底、罐壁以及罐頂位置的腐蝕速率分別進行預(yù)測。應(yīng)用組合模型的步驟為：①分別輸入LNG儲罐罐底、罐壁以及罐頂3個位置2007—2016年的腐蝕速率數(shù)據(jù)；②對灰狼的數(shù)量、尋優(yōu)過程中迭代的次數(shù)、數(shù)據(jù)的維度、灰狼的位置以及尋優(yōu)參數(shù)的范圍進行設(shè)定，同時，根據(jù)狼群所處的區(qū)間，對每個灰狼的位置進行隨時調(diào)整；③使用gam以及sig2參數(shù)的初始化處理和LNG儲罐罐底、罐壁以及罐頂3個位置2007—2016年的腐蝕速率數(shù)據(jù)對LSSVM模型進行訓(xùn)練；④對適應(yīng)度數(shù)值進行計算，將LSSVM模型運行過程中的擬合值與測量值進行比較，將兩者之間的誤差作為適應(yīng)度的函數(shù)；⑤使用GWO算法進行全局性質(zhì)的尋優(yōu)，對灰狼所處的位置進行更新，直到滿足算法終止的條件為止，適應(yīng)度最小時，a等級灰狼所處的位置即為gam和sig2的數(shù)值；⑥將gam和sig2的最佳數(shù)值輸入到LSSVM模型中，對2017—2020年LNG儲罐罐底、罐壁以及罐頂3個位置腐蝕速率進行預(yù)測，并將預(yù)測結(jié)果與實際情況進行對比，計算平均相對誤差。

3 實際應(yīng)用研究

3.1 研究對象

某液化天然氣企業(yè)內(nèi)的LNG儲罐已經(jīng)連續(xù)使用14年，每年均會對罐底、罐壁以及罐頂位置的腐蝕速率分別進行檢測，其檢測結(jié)果見表1。

表1 LNG儲罐腐蝕速率統(tǒng)計

由表1可見：儲罐3個位置的腐蝕速率均隨著時間的延長而增大。

3.2 GWO-LSSVM模型預(yù)測

使用GWO-LSSVM組合模型對儲罐罐底、罐壁以及罐頂進行腐蝕速率預(yù)測，分別將2007—2016年的腐蝕速率數(shù)據(jù)作為整個模型的學(xué)習數(shù)據(jù)集，對2017—2020年的腐蝕速率進行全面的預(yù)測，預(yù)測過程中使用了MATLAB軟件。組合模型中GWO優(yōu)化算法中的灰狼數(shù)量設(shè)定為50，最大的迭代次數(shù)為20，參數(shù)取值的界限設(shè)定為gam=[10,105]以及sig2=[10-6,106]，所選取得適應(yīng)度函數(shù)為學(xué)習數(shù)據(jù)集擬合過程中的均方誤差。使用GWO算法對LSSVM算法中的參數(shù)進行優(yōu)化后得到gam=30 621.942 361，sig2=2.745 623，使用最佳的參數(shù)對LSSVM模型進行設(shè)定，并對2007—2016年罐頂、罐壁以及罐底3個位置的腐蝕速率進行擬合，擬合結(jié)果見圖1。對3個位置2017—2020年的腐蝕速率進行預(yù)測，預(yù)測結(jié)果見圖2。

圖1 2007—2016年GWO-LSSVM擬合結(jié)果

圖2 2017—2020年GWO-LSSVM預(yù)測結(jié)果

由圖1可見：使用組合模型對2007—2016年3個位置腐蝕速率進行擬合的過程中出現(xiàn)了過擬合的現(xiàn)象，這主要由于使用GWO算法已經(jīng)找到了LSSVM算法中的最佳參數(shù)，導(dǎo)致在對訓(xùn)練數(shù)據(jù)進行擬合的過程中出現(xiàn)了過擬合問題。

由圖2可見：由于在進行數(shù)據(jù)訓(xùn)練的過程中出現(xiàn)了過擬合問題，在使用訓(xùn)練數(shù)據(jù)對2017—2020年罐頂、罐壁以及罐底等位置進行腐蝕速率預(yù)測的過程中，3個位置腐蝕速率的預(yù)測結(jié)果幾乎為直線，無法真實反映腐蝕速率的波動情況，預(yù)測的結(jié)果的準確性相對較差。

3.3 經(jīng)過交叉驗證的GWO-LSSVM模型預(yù)測

為了防止數(shù)據(jù)擬合過程中出現(xiàn)過擬合問題，將所有的數(shù)據(jù)集合分為3個部分，其中，2007—2013年的腐蝕速率數(shù)據(jù)作為學(xué)習數(shù)據(jù)集，2014—2016年的腐蝕速率數(shù)據(jù)作為交叉驗證數(shù)據(jù)集，2017—2020年的腐蝕速率數(shù)據(jù)作為預(yù)測數(shù)據(jù)集。在進行模型訓(xùn)練的過程中，GWO-LSSVM組合算法的相關(guān)參數(shù)設(shè)定保持不變，將訓(xùn)練數(shù)據(jù)集和預(yù)測數(shù)據(jù)集兩者產(chǎn)生的均方誤差加和，并將其作為適應(yīng)度函數(shù)，經(jīng)過處理以后，組合模型的擬合結(jié)果見圖3，預(yù)測結(jié)果見圖4。

圖3 經(jīng)交叉驗證后2007—2016年GWO-LSSVM擬合結(jié)果

由圖3可見：在經(jīng)過交叉驗證處理后，2007—2016年3個位置腐蝕速率的擬合結(jié)果相對較好，擬合結(jié)果的變化趨勢與真實的腐蝕速率基本一致，過擬合問題已經(jīng)解決，因此，可以使用交叉驗證處理以后的GWO-LSSVM組合對LNG儲罐腐蝕速率進行預(yù)測。

由圖4可見：在使用交叉驗證后的GWOLSSVM組合模型對儲罐腐蝕速率進行預(yù)測的過程中，預(yù)測結(jié)果的變化趨勢與真實腐蝕速率的變化情況相同，預(yù)測準確度相對較好，其中罐底位置處的預(yù)測結(jié)果與實際腐蝕速率最為接近。

圖4 經(jīng)交叉驗證后2017—2020年GWO-LSSVM預(yù)測結(jié)果

3.4 自回歸積分滑動平均模型(ARIMA)預(yù)測

為了進一步驗證該研究中采用模型的先進性，使用ARIMA算法進行對比驗證。通過對3個位置腐蝕速率的變化情況進行分析可以發(fā)現(xiàn)，其數(shù)據(jù)序列十分不平穩(wěn)，腐蝕速率逐年提升，通過對其自相關(guān)系數(shù)以及偏自相關(guān)系數(shù)進行計算后發(fā)現(xiàn)，腐蝕速率數(shù)據(jù)確實為非平穩(wěn)的數(shù)據(jù)序列。對3個位置腐蝕速率進行二階差分處理，處理后的時序圖見圖5。

由圖5可見：對罐頂、罐壁及罐底3個位置多年的腐蝕速率數(shù)據(jù)進行二階差分處理，結(jié)果表明其序列相對較為平穩(wěn)，處理后的數(shù)據(jù)處于上下波動狀態(tài)，可以滿足使用ARIMA模型進行預(yù)測的要求。因此，可以構(gòu)建ARIMA模型對3個位置的腐蝕速率進行預(yù)測。建立ARIMA模型前，需要計算3個位置腐蝕速率的自相關(guān)系數(shù)及偏自相關(guān)系數(shù)，計算結(jié)果見表2。

圖5 罐頂、罐壁及罐底位置的二階差分時序圖

由表2可見：罐頂?shù)淖韵嚓P(guān)系數(shù)在第2年位置處最小；罐壁的自相關(guān)系數(shù)在第8年位置處最小，第2年位置處次之；罐底的自相關(guān)系數(shù)在第9年位置處最小，第2年位置處也相對較小。綜合考慮，將ARIMA模型的自相關(guān)系數(shù)選定為2。按照偏自相關(guān)系數(shù)相對較大的原則，將ARIMA模型的偏自相關(guān)系數(shù)定為1，最終確定模型為ARIMA(0,2,1)。使用該模型對2007—2016年3個位置的腐蝕速率進行擬合，擬合結(jié)果見圖6，對2017—2020年3個位置的腐蝕速率進行預(yù)測，預(yù)測結(jié)果見圖7。

表2 二階差分后的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)

由圖6可見：使用該模型對2007—2016年3個位置腐蝕速率的擬合效果相對較好，擬合結(jié)果與實際腐蝕速率的變化趨勢基本一致，沒有出現(xiàn)過擬合或者欠擬合的問題，因此，可以使用該種模型對儲罐3個位置處的腐蝕速率進行預(yù)測。

圖6 2007—2016年ARIMA模型擬合結(jié)果

由圖7可見：使用ARIMA(0,2,1)對儲罐3個位置的腐蝕速率預(yù)測的結(jié)果與實際腐蝕速率的變化趨勢一致，其中，罐底位置處的ARIMA(0,2,1)模型預(yù)測結(jié)果與實際腐蝕速率之間的誤差相對較小。

圖7 2017—2020年ARIMA模型預(yù)測結(jié)果

僅依靠腐蝕速率的變化趨勢圖無法對ARIMA(0,2,1)以及GWO-LSSVM的先進性進行對比，因此，需要對2種模型在各個位置的預(yù)測誤差進行評價。ARIMA(0,2,1)和GWO-LSSVM模型的預(yù)測誤差對比情況見表3。

表3 罐頂、罐壁及罐底位置腐蝕速率預(yù)測結(jié)果對比

由表3可見：使用交叉驗證后的GWOLSSVM模型對罐頂腐蝕速率預(yù)測的最大相對誤差為4.69%，平均相對誤差為3.10%；對罐壁腐蝕速率預(yù)測的最大相對誤差為6.12%，平均相對誤差為4.30%；對罐底腐蝕速率進行預(yù)測的最大相對誤差為2.90%，平均相對誤差為2.07%。使用ARIMA(0,2,1)模型對罐頂位置腐蝕速率預(yù)測的最大相對誤差為8.77%，平均相對誤差為7.17%；對罐壁位置腐蝕速率預(yù)測的最大相對誤差為10.53%，平均相對誤差為7.16%；對罐底位置腐蝕速率預(yù)測的最大相對誤差為4.69%，平均相對誤差為3.13%。

將2種模型的預(yù)測結(jié)果進行對比分析，結(jié)果表明：GWO-LSSVM模型預(yù)測結(jié)果的誤差波動相對較小，罐頂、罐壁以及罐底3個位置預(yù)測結(jié)果的平均相對誤差均小于ARIMA模型，表明GWO-LSSVM模型相對較為先進，可使用該模型對儲罐3個位置的腐蝕速率進行預(yù)測。

4 結(jié)論

針對LNG儲罐罐頂、罐壁以及罐底3個位置的腐蝕問題，對其腐蝕原因進行了分析，提出基于GWO-LSSVM組合模型的預(yù)測算法，通過構(gòu)建組合模型的方式，對3個位置2007—2016年的腐蝕速率數(shù)據(jù)進行了分析和研究，并對3個位置2017—2020年的腐蝕速率進行了預(yù)測，同時與其他模型計算結(jié)果進行了對比，得到了以下結(jié)論。

1)LNG儲罐的腐蝕主要可以分為罐底腐蝕、罐壁腐蝕及罐頂腐蝕，其中罐底腐蝕較為嚴重，主要是由于該位置影響腐蝕的因素較為復(fù)雜；罐頂位置會聚集大量的水蒸氣以及氧氣，產(chǎn)生電化學(xué)腐蝕；罐底主要以濃差腐蝕為主。

2)單獨使用GWO-LSSVM模型對2007—2016年3個位置腐蝕速率進行擬合會出現(xiàn)過擬合現(xiàn)象，這主要是由于使用GWO算法已經(jīng)找到了LSSVM算法中的最佳參數(shù)，同時，受過擬合影響，3個位置腐蝕速率的預(yù)測結(jié)果幾乎為直線，無法反應(yīng)真實腐蝕速率的波動情況，預(yù)測的結(jié)果相對較差。

3)使用經(jīng)過交叉驗證后的GWO-LSSVM模型對數(shù)據(jù)進行訓(xùn)練，其擬合結(jié)果相對較好，預(yù)測結(jié)果的變化趨勢與真實腐蝕速率的變化情況相同，預(yù)測效果相對較好。罐頂腐蝕速率預(yù)測的最大誤差為4.69%，平均相對誤差為3.10%；罐壁腐蝕速率預(yù)測的最大誤差為6.12%，平均相對誤差為4.30%；罐底腐蝕速率預(yù)測的最大誤差為2.90%，平均相對誤差為2.07%。3個位置的預(yù)測結(jié)果均好于ARIMA模型，表明采用GWO-LSSVM模型對儲罐3個位置的腐蝕速率進行預(yù)測具有較強的先進性。