基于BP神經網絡的油氣管道環焊縫失效風險預測系統研究*

于飛遠 高煒欣 賀蓉蓉 閆歡 劉夢溪

1西安石油大學陜西省油氣井測控技術重點實驗室

2中國石油青海油田公司管道處

油氣管道是石油和天然氣等能源輸送經濟、有效的手段。管道失效會為生產、生活帶來巨大的經濟損失，甚至造成嚴重的人身傷害。在影響管道失效的各種因素中，環焊縫失效是導致管道失效的重要原因之一。目前研究人員已經對環焊縫的失效預測進行了大量研究。李慧婷對引起管道失效的各種因素及案例進行了分析，指出油氣管道突發環境事件主要以輸油管道為主[1]；事故原因主要有第三方破壞、腐蝕、蓄意破壞、操作不當、自然災害以及各類（材料/焊接/設備）故障；事故類型主要為泄漏、泄漏火災、泄漏爆炸和泄漏火災爆炸?？梢园l現，已有研究基于機理模型或非機理模型，在進行失效預測時需要腐蝕速率、元素成分等參數。經過長期的觀察和大量的調查分析，往往也難以獲得這些參數。

不同模型所需的參數獲取難易度、準確程度、計算復雜程度等如表1所示[2-3]。

表1 基于不同模型的預測方法對比分析Tab.1 Comparison analysis of prediction methods based on different models

1 研究方法

1.1 研究現狀

ZAKIKHANIL 與FENG 提出基于灰色理論及神經網絡的組合預測方法，彌補了灰色理論在處理信息量上受局限的不足，取得了良好的預測效果[4-5]。張新生等人結合了灰色理論需求信息較少與人工神經網絡處理多維非線性數學問題方面的優越性，可以避免只使用神經網絡或灰色模型帶來的一些問題[6]。駱正山建立了基于粗糙集和正余弦算法優化投影尋蹤回歸的礦區管道失效預測模型[7]，拓寬了礦山充填管道失效風險預測研究的思路，為充填管道的失效風險研究提供了新方法。藏雪瑞使用ABAQUS有限元軟件對兩種體積型腐蝕缺陷進行有限元建模，利用全尺寸爆破試驗數據對模型進行準確性驗證[8]，為完善現有高鋼級輸氣管道剩余強度評價方法提供了參考。TJHEN研究了海底管道的純彎曲和雙軸載荷作用下的裂紋擴展[9]。FENG，ZHANG 提出了基于貝葉斯網絡的方法來解決樣本數據不足的情況，該方法考慮了其他影響因素，因此可以在其他評估領域提供相對現實的分析[6，10]。ZHOU推導裂紋的另一種簡化方法，能夠實時預測海上管道裂紋擴展[11]。ZHANG 建立了腐蝕性能、局部破裂和破裂模型，提出一種計算結構多模態失效概率的方法[12]。

此外，牛連山詳細分析了長輸管道缺陷的形成和返修工藝[13]。王海濤提出了天然氣管道焊絲、接頭等相應的失效控制要素和措施建議[14]。鄒永勝系統闡述了山地油氣管道智能化建設基礎支撐層（兩大體系）、具體應用層（五縱）、平臺集成層（兩橫）的建設實踐與成果[15]。

現有研究文獻中各種方法的優點及其局限性如圖1所示[16-17]。

圖1 不同預測方法的優點及其局限性對比Fig.1 Comparison of the advantages and limitations of different prediction methods

1.2 數據處理與指標選擇

影響管道失效的因素有很多，從MO Y 的研究可以發現，管道外徑（a1）、壁厚（a2）、缺陷長度（a3）、缺陷深度（a4）、屈服強度（a5）、抗拉強度（a6）與管道的失效壓力（a7）直接相關[18]。MO Y的研究表明，上述6個參數是影響環焊縫失效的重要因素，且在生產過程中容易獲得。因此選取這6個因素作為環焊縫失效風險判斷的依據[19]。

彭世金對含缺陷管道進行了爆破試驗，獲得了實際失效影響因素監測數據，部分數據如表2 所示[19]。

由表2可以發現，實際生產中的數據由于管徑及材料的差異，各數據項的差異較大，常規的模型及算法難以進行預測處理。而BP 網絡具有高度非線性和較強的泛化能力，適合這種具有差異性數據的預測判斷。因此提出利用神經網絡，根據實際生產中可獲得的參數預測環焊縫失效風險。失效風險的輸出根據國標GB/T 19624—2004《在用含缺陷壓力容器安全評定的要求》定為高、中和低風險三大類。將彭世金的測試數據與本國標一一對應，可以根據失效壓力的大小將數據對應為高、中和低風險數據[19]。

表2 管道失效因素實驗數據Tab.2 Experiment data of pipeline failure factors

為對神經網絡的適用性進行驗證，將數據隨機分為訓練集和測試集。在全部數據中隨機選出不同鋼級的33 條管道試驗數據作為測試集，并根據失效壓力的數值將數據分為:低風險級組、中風險級組和高風險級組。其余31 條數據構成訓練集，利用其對風險預測模型進行訓練。

1.3 研究思路

所確定的研究方法如圖2所示，在充分調研文獻基礎上，確定預測模型。根據可在實際生產過程中獲得的輸入與輸出數據確定模型的參數和結構。然后對模型進行測試、驗證，根據預測精度，最終確定預測模型結構及參數，并與已有研究進行比較。

圖2 研究方法流程Fig.2 Research method flow

2 預測模型

2.1 BP神經網絡原理

從表1，圖1 可以看出，對于管道環焊縫風險預測，使用神經網絡的模型不僅操作性強且魯棒性好，目前已成為風險預測的重要手段。在各種神經網絡模型中，BP 神經網絡有著減少誤差、反向傳播的優點，因此采用BP神經網絡進行風險預測。

BP 神經網絡是一種多層前饋網絡，根據RUMELHART 和MCCELLAND 領導的科學家團隊在1986年提出的誤差反向傳播算法進行訓練[20]。它是目前最常用的人工神經網絡。首先將輸入樣本傳入輸入層交由隱含層處理，再將處理后的數值傳向輸出層。計算輸出值與目標值的誤差，并將誤差反向傳遞到每一層神經元上。收到誤差信號的各神經元以此作為修改權值的基礎，逐層調整各網絡的權值和閾值，最終不斷減小誤差。調整完成的神經網絡即可根據影響管道失效壓力的因素進行管道失效壓力的預測，其結構見圖3[18]。

圖3 BP神經網絡的結構Fig.3 BP neural network structure

選擇訓練集試驗數據作為預測BP 神經網絡模型的輸入，由于影響管道環焊縫失效的因素有6種，失效風險等級又分為高、中、低三級，故將輸入層節點數m（輸入向量維度，輸入神經元的數量）、輸出層節點數n（輸出向量維度，輸出神經元的數量）分別設置為6 和3。實際預測時可帶入測試集試驗數據予以驗證。預測腐蝕管道失效壓力的具體步驟如下：

（1）收集腐蝕管道相關數據，分析影響失效壓力的因素，構建管道腐蝕指標體系，獲得原始數據。

（2）數據預處理。BP 型神經網絡多采用S 函數作為激活函數，即各節點的輸出值應在[0，1]區間。為減小不同因素數值差異對輸出的影響并使預測用數據具有統一的標準，采用線性轉換方式把輸入層各參數值都轉換到[0，1]上，如得到如下歸一化公式：

式中：xij為第i個管道樣本的第j個指標值；max(xij)和min(xij)為第j個指標的最大值和最小值；x*ij為歸一化處理后的結果。

（3）將樣本集分為三個等級，即高、中、低風險等級。

（4）在三個等級的數據中分別隨機選取訓練集和測試集，用訓練集訓練模型。選擇預測結果和真實值的均方根誤差作為適應度函數，最終尋找最優的BP神經網絡預測模型。

（5）用BP 神經網絡模型預測數據與原論文最終結果對比，分析驗證結果是否正確。

2.2 仿真實驗

2.2.1 神經網絡模型設計

RUMEDLHARTDE的研究表明：在確定合理的隱層神經元數目的基礎上，單隱層BP 神經網絡可以完成任意閉合區間內連續函數的網絡逼近。此外，任何從x維到y維的映射都可以通過三層BP神經網絡來完成。因此，確定的BP 神經網絡為三層結構。通常來講，隱含層的節點數不僅需要依靠設計者的經驗，還需要結合多次的實驗，最終確定。而且，需要根據問題要求以及輸入層和輸出層的節點數來求得。盡管隱含層節點數目并不會過多影響模型的識別率，但過多的隱含層節點數也會大量延長神經網絡學習以及訓練的時間，從而導致無法得到更準確的誤差，最終使得識別效率變低。

在最終確定隱層神經元數量之前，首先提出如下推測：

推測1：由于管道失效預測輸入量為6 個，相對較少，因此實際實現準確失效預測的網絡結構較理論最優網絡結構更復雜。

推測2：對三分類的管道失效預測問題，隱層神經元數與m×n在同一數量級。同時，為了使神經網絡具有實用性，隱層節點數應小于k-1（k為訓練樣本數），否則神經網絡的系統誤差將獨立于訓練樣本的特征而趨于0，導致神經網絡缺乏泛化能力。在實際應用中，訓練樣本數必須是網絡模型連接權重的2～10 倍以上。樣本數量不足時，一般采用“輪流訓練”的方法獲得可靠的神經網絡。因此，隱含層神經元個數不僅與需要識別的問題相關，而且與訓練樣本數有關，訓練樣本公式如公式（2）所示：

其中，O()為數量級；K為訓練樣本數。

對管道失效預測問題而言，由圖3 可知：m=6，n=3。由推測1 和2 可得，隱層神經元數量最小為10，最大為63。隱含層公式如式（3）所示：

[10，63]是一個較大的空間范圍，采用遍歷搜索的方式操作性不強。由公式（2）n1≤K-1 可知，只要確定訓練樣本個數就可以進一步縮小n1的搜索范圍。

從統計學的角度分析，可以認為選取適當訓練樣本個數K的概率f(K)服從正態分布，正態分布公式如式（4）所示：

式中：σ為標準差；μ為均數。

由公式（4）可以推得μ≈50。根據統計學中“3σ準則”，即N的取值幾乎全部集中在[μ-3σ，μ+3σ] 區間內，結合公式（4）可以推得σ≈10。

取置信度為0.9，即90%的情況下樣本數滿足訓練要求，樣本訓練公式如式（5）所示：

式中：P為概率函數；Kmax為足夠訓練神經網絡的最大樣本數。

因為K∈N(μ，σ2)，樣本計算公式如式（6）所示：

由公式（2）、（3）可以推得中間層神經元個數，隱含層計算公式如式（7）所示：

相較于式（3），隱含層神經元范圍已經極大地縮減?？紤]到管道失效預測問題的結果分為“高、中、低”風險三類，由推測1大致可以確定n1為12。

此外，在研究中，還利用了三種經驗公式來推導可能有著最好運算結果的隱含層節點數。具體經驗公式如式（8）～（10）所示：

式中：a設定為范圍1～10的常數。

式中：k為樣本數目；n1為隱含層節點數目；若i＞n1，則=0。

式中：n1和n含義同式（2）、（3）。

本文所建立的BP模型輸入層節點個數為6，輸出層節點個數為3。帶入公式（1）～（3），得出隱含層節點數的范圍為4～13。結合本章，求出本研究隱含層節點數的范圍為10～13。可以推斷，當隱含層節點數為12 時，可能會得到理論最好的訓練結果。

構造基于BP 模型的具體流程如下：將隨機篩選出的特征數據作為BP神經網絡的輸入；確立BP神經網絡的神經層神經元等初始參數后，將參數通過歸一化處理后賦給BP 神經網絡進行訓練，計算各層神經網絡輸出后，計算輸出的誤差error；通過過大的誤差調整每一層的權重w后，重新計算輸出與誤差，最后計算出合適的誤差后輸出結果。綜上，本文構建的BP 腐蝕管道失效壓力預測模型流程見圖4。

圖4 BP神經網絡預測流程Fig.4 BP neural network prediction flow

2.2.2 實驗驗證

實驗時由于神經元采用S 函數作為激活函數，標準輸出為1，0 時容易陷入飽和區，導致沒有誤差回傳。故神經元標準輸出設定為0.9和0.1，采用公式（1）進行歸一化處理，學習步長取為0.01。將所有數據分為兩個數據集：訓練樣本集（33）和測試樣本集（31）。訓練樣本集用于訓練模型，測試樣本集用于驗證神經網絡。隱層神經元數目分別取10，11，12 和13，重復進行訓練和測試，可得不同隱層數量對預測成功的影響（圖5）。隱層神經元數為12時，準確率可達93.8%（60/64）。

圖5 不同隱含層數預測數據成功數Fig.5 Success number of different hidden layers predict data

可以看出，在隱層節點數為12 時，神經網絡才能得到最佳的預測結果，與式（2）～（10）中計算的最佳隱含層節點數相同。隱含層為12 時的詳細預測情況見表3。

表3 隱含層數為12時的預測情況Tab.3 Prediction when the hidden layer number is 12

從表3可以看出，高風險與低風險測試樣本在33 個測試數據的情況下，通過隨機選取樣本和以上歸一化方法，識別準確率達100%。所提出的BP神經網絡結構對高風險數據、低風險數據可以實現無誤差檢測。而不含訓練樣本的神經網絡預測準確率則較低。

預測失敗的中風險數據如表4所示。

表4 隱含層數為12時預測失敗數據Tab.4 Prediction failed data wher the hidden layer number is 12

通過計算各數據的數學期望對預測失敗數據進行分析，來尋找影響管道失效最為重要的因素。通過計算對比a1-a6 各個數據的數學期望，結果發現：缺陷長度對預測結果影響最大，預測失敗的數據距離全部數據的平均值相差較遠，推測是在數據進行歸一化處理后，預測失敗的數據與其他中風險數據相差過大，因此導致預測失敗。同時可知缺陷長度在管道預測的因素中占據較大比重，中風險缺陷長度的數據分析見圖6。

圖6 中風險28個預測數據分析Fig.6 28 predicted data analysis of medium risk

考慮到即使有4個數據預測失敗，該數據的缺陷長度對管道的損害程度仍能引起相關工作人員對該數據的重視，故驗證通過。相比原文獻，本研究的預測精度更高。且AI 可以通過不斷訓練提高自身準確性，故該方法可用于環焊縫失效的風險評估。

3 結論

針對環焊縫失效風險分析問題，利用建立的BP 神經網絡訓練模型，綜合考慮缺陷長度、缺陷深度、屈服強度等參數，重點計算了環焊縫在不同隱含層數下的失效預測問題。

（1）基于BP 神經網絡的訓練模型相比傳統的機理模型，所需的參數更易獲取，且計算更為簡易。改善了傳統機理模型基本需要專家主管評測的缺點，且能通過程序分析出對焊縫影響的因素。

（2）基于BP 神經網絡的訓練模型預測結果優于傳統機理模型，在隱含層節點數為12 有著93.75%的訓練精度。且通過機器學習的方式可以讓AI 不斷提高自身的預測精度，從而使模型更加可靠。