高含硫天然氣集輸管道腐蝕與泄漏定量風險研究

陳東

（江西省天然氣管道有限公司，南昌 330000）

引言

高含硫天然氣中的硫化物成分與天然氣中的水蒸氣結合，可能形成硫酸、亞硫酸及其他含硫腐蝕性化學成分，即便管道內部采用部分防腐涂層，也容易對管道金屬材料產生影響，導致管道的裂隙、氣室、焊縫等微小瑕疵加速腐蝕，最終形成天然氣泄漏點[1-3]。天然氣泄漏過程一方面造成直接經濟損失，另一方面還可能形成安全隱患，如之前出現過某城市地下天然氣管廊因為天然氣泄漏后遇到明火，導致數人傷亡的特重大事故[4,5]。

早期對天然氣集輸管道的泄漏定量測量方案較為復雜，如在天然氣中加入敏感標志氣體并沿途布置氣體檢測探頭的方案，使用沿管道行走的探傷機器人執行無人巡檢的方案，使用高精度攝像頭捕捉焊縫、閥門、接頭等關鍵位置圖像并進行氣體光學測量的方案等[6,7]。這些方案均有一定的局限性，特別是在開闊室外空間中難以進行有效測量。

該研究使用加速度計探頭，配合管道壓力表、流量表構建天然氣集輸管道本地感覺系統，通過神經網絡實現對天然氣管道與泄漏故障的定量測量并作出預警分析和故障點定位[8,9]。該方案的普適性強，系統部署難度小，系統可靠性和穩定性較高，應作為下一代天然氣集輸管道腐蝕泄漏風險控制系統進行繼續深入研究。

1 數據的采集及探頭設計

機器人本體知覺指機器人對自身體位、結構應力、結構完整性等作出判斷的仿生智能化知覺系統。天然氣集輸管道在一定數據支持下，可以感知到管道結構腐蝕和泄漏產生的各類故障的精確位置和故障程度。天然氣集輸管道一般采用點對點傳輸，即從一個泵送站傳輸到另一個泵送站，所以集輸管道系統中較少應用到三通管路，故該研究不討論三通管路的情況。而點對點天然氣集輸管道中一般包含以下結構，如圖1所示。

圖1 天然氣集輸管道系統一般模式圖

圖1中，除管道系統主體外，還包括了控制閥門（節流閥、限壓閥、截止閥、單向閥等）、法蘭連接器、泄壓彎管、壓力表、流量表等。當前技術條件下，集輸管道內的壓力表、流量表已經基本完成了遠程實時抄表技術升級，且為了方便管理，在管道沿途建設有多個壓力表和流量表設施。因為管道增加壓力表和流量表的操作需要終止泵送天然氣，且需要對管道執行切割改造工作，所以該研究中使用之前已經完成部署的遠程實時抄表壓力表和流量表系統采集管道的壓力和流量分布情況[10,11]。

如果天然氣集輸管道發生泄漏，那么管道運行期間的壓力表、流量表讀數，即壓力-流量關系特征會發生變化，通過一定的數據量化挖掘方案，可以捕捉到這種變化過程，從而及早發現故障源。但是，集輸管道的壓力表、流量表的精度有限，如果要高精度捕捉到管道內壁腐蝕現象，還需要更高精度和更高密度的輔助數據作為補充，該方案中通過在管道外壁布置慣性力探頭的方式獲取管道的震動特征，天然氣流束激發的固有震動與管道內層流、湍流、回流現象帶來的震動擾動會形成管道震動特征，從而實現更高精度的量化測量。上述量化過程如圖2所示。

圖2 天然氣集輸管道腐蝕泄漏本體感知系統數據邏輯圖

圖2中，共使用2個超限學習機模塊和2個卷積神經網絡模塊進行前置數據處理，形成基于壓力流量比值的阻力特征碼、針對加速度慣性特征的震動特征碼、壓力特征碼、流量特征碼。然后使用2個卷積神經網絡模塊形成多列神經網絡，分別解析故障位置和故障類型。所有數據來自遠程實時抄表壓力表和流量表，以及在管道系統內增加布置的加速度計探頭。最終該系統會給出2個量化分析結果，分別為腐蝕、泄漏發生的位置（轉化成管道長度標記值）和腐蝕程度、泄漏程度的故障類型值。探頭中包含多個壓力表、流量表，數據形成二維時序數據陣列后輸入到系統中，具體陣列構成模式在下文中分析，加速度計探頭在該系統部署時新增到系統中，按照500~750 m的間距形成陣列探頭，同樣通過二維時序矩陣管理里輸入數據。

2 機器學習算法在該系統量化分析中的應用

2.1 二維時序矩陣的數據輸入方法

天然氣集輸管道因為天然氣流束的激發作用產生的管道結構震動現象，震動頻率分布在10~600 Hz的頻帶上。該頻帶的大部分與人耳可感知震動頻帶有交叉，所以，早期系統采用音頻探頭捕捉數據并進行分析。但音頻探頭雖然采樣頻率很高（一般為44 MHz），但其只能記錄聲音振幅，無法細致描述震動慣性矢量，同時考慮到該系統與壓力表、流量表的遠程實時抄表系統采樣頻率的耦合性，該研究中使用了2.4 kHz的三軸激光慣性加速度計記錄管道震動數據。其形成的數據結構，為3個坐標軸軸向上震動矢量。數據的矩陣分析方案，數據采樣時間周期越長，分析精度越高，但算力需求越大，混沌效應越顯著，所以，該研究中參考相關文獻，選擇較為折中的方案，即記錄0.5 s數據用于數據分析，2.4 kHz采樣頻率下，0.5 s數據中包含3列各1 200個記錄。該系統仿真用管道長度為16 km，探頭間距為500~750 m，該系統設置了37個震動慣性加速度計探頭，形成111列1 200行的二維矩陣數據，用于數據輸入。

同時，該系統中包含12個遠程實時抄表壓力表和7個遠程實施抄表流量表，每個計量設備均按照2.4 kHz執行數據采樣，0.5 s分析周期內，形成19列1 200行的二維矩陣數據，用于數據輸入。

2.2 基于超限學習機和卷積神經網絡的數據分析方法

機器學習中的超限學習機算法主要用于發現周期性變化數據的潛在變化規律，對該研究中所需的三軸慣性震動變化趨勢和壓力-流量關系特征的變化趨勢較為敏感。機器學習中的卷積神經網絡算法主要用于發現時序數據中的潛在變化規律，特別適用于將大宗數據節點信息量卷積統計到1個輸出變量中。該研究中設計的4個卷積神經網絡模塊均采用對數型六階多項式迭代回歸函數，即自變量取以10為底對數后構建六階多項式作為基函數，2個超限學習機模塊均采用十二階差值正弦迭代回歸函數，即對輸入序列中每一列數據求取差值，針對每列1 200行數據形成1 199行差值序列數據，再對其每一項逐一取以10為底對數，使用12層正弦函數對其執行迭代疊加計算，最終獲得機器學習輸出結果。

因為上述計算過程中所涉及到的超限學習機和卷積神經網絡均在Marlab大數據仿真軟件中封裝成應用控件，具體執行過程直接調用相關函數，且基函數也可在相應控件內直接調用，所以此處不深入討論其計算過程。

2.3 分析結果解釋方法

參照前文圖2，該系統最終輸出的量化結果共有2個，均為[0,1]區間上的雙精度浮點型變量（Double格式），其中：

故障位置輸出結果與管道總長度相乘，可得到故障預警的位置點，按照機器學習常規精度，在個案16 km的天然氣集輸管道系統中，預警位置點的報錯精度應在±10 m以內。

故障類型輸出結果中劃分值域范圍，當輸出結果位于[0，0.600）區間上時，認為管道存在內部腐蝕問題，且數值越大，腐蝕問題越嚴重，當輸出結果位于（0.850，1]區間上時，認為管道存在泄漏問題，且數值越大，泄漏問題越嚴重。[0.600，0.850]區間作為數據躍遷層，用于進一步控制機器學習模塊的收斂度，即數據訓練不但應保證所有數據落點均在[0，1]區間上，還應避免故障類型輸出結果位于[0.600，0.850]區間上。

該計算過程中，設計了3重機器學習算法收斂度評價保護機制：2個輸出結果均應位于[0，1]區間上，該算法使用的超限學習機和卷積神經網絡的理論輸出值域均為全實數空間，輸出數據收斂到[0，1]區間是其初步收斂目標；故障類型輸出結果應在[0，1]區間且避免在[0.600，0.850]區間，進一步驗證機器學習算法的訓練收斂程度；4個中間變量，即阻力特征碼、震動特征碼、壓力特征碼、流量特征碼，均應收斂到[0，1]區間上，即計算邏輯中前置的2個超限學習機模塊和2個卷積神經網絡模塊也應單獨考察其收斂程度。

3 算法效能的仿真驗證

以某天然氣集輸管道實體工程為個案對該機器學習量化分析算法進行仿真驗證，在Matlab大數據仿真平臺中構建該天然氣集輸管道的實體模型，包含16公里長度的管道主體部分，包含12個遠程實時抄表壓力表和7個遠程實施抄表流量表，同時按照500~750 m的間距，布置37個震動探頭，管道內的閥門、法蘭、泄壓彎管等設施按照實體工程布局進行三維建模。管道內流體物理屬性（包括含硫量）依據當前天然氣集輸管道的實際流束介質采樣化驗結果搭建模型，管道內運行壓力、運行流量等信息按照2020年全年該管道實際物聯網數據備案信息設置。仿真實驗中Matlab大數據仿真平臺中加載Simulink控件運行機器學習算法模塊，加載sBlood控件對模型中流體力學仿真部分構建物理引擎，在Matlab三維模型中構建管道腐蝕和管道泄漏的仿真故障，驗證該系統量化捕捉管道故障的實際算法效能。參照組為該管道當前使用的管道腐蝕泄漏評估系統在該仿真平臺同等條件下給出的量化評價數據。

首先，對比泄漏故障的算法效能，如表1所示。

表1中，該系統相比較之前系統，最大偏差壓縮15.39倍，平均偏差壓縮7.15倍，報錯周期壓縮2.68倍，敏感度提升3.6個百分點。

表1 該量化分析算法對泄漏故障的評價效能

其次，對比腐蝕故障的算法效能，如表2所示。

表2中，該系統相比較之前熊，最大偏差壓縮11.31倍，平均偏差壓縮7.84倍，報錯周期壓縮4.35倍，敏感度提升7.8個百分點。

表2 該量化分析算法對腐蝕故障的評價效能

綜合上述仿真數據表現，發現該系統較之前系統，在天然氣集輸管道腐蝕與泄漏量化評價過程中，具有以下2點優勢：故障位置的定位精度得到了大幅度提升，使得運行維護施工人員接到系統報警后，現場檢查故障探查工程量顯著減少，以往現場搶修工作中，施工人員需要對報錯位置點前后各200 m距離進行故障探查，而使用新系統后，該故障探查范圍可以縮小到報錯位置點前后各20 m，探查工程量縮減到之前的1/10。因為該系統的量化評價敏感度顯著提升，以往故障報錯中，每5~10次報錯會有一次誤報，所以施工人員在現場探查中具有一定的心理壓力，較難確定該報錯是否為誤報，而使用新系統后，該系統針對泄漏故障的敏感度達到97.2，超過30次報錯才可能出現一次誤報，針對腐蝕港的報錯評價敏感度也有所提升。

4 總結

該系統監測方向并不針對天然氣泄漏的氣體本身，而是針對因為管道腐蝕或天然氣泄漏，對天然氣集輸管道壓流-流量關系特征和管道震動特征帶來的影響，通過機器學習算法賦予天然氣集輸管道機器人本體知覺，即通過在管道內小投入布置物聯網硬件系統并利用大數據分析，使管道擁有本體知覺的機器人仿生功能。在仿真分析中發現該系統較以往針對天然氣泄漏氣體本身部署的監測系統，在故障發生位置和故障類型方面均有技術提升。且該系統在后續研究中將擇期進行現場驗證。