基于RBFNN的集輸管道腐蝕缺陷評價方法*

張 菁 朱小松 宋志龍 左麗麗 董紹華

(1.中國石化西北油田分公司 2.中國石油大學(北京) 3.中國石油和石油化工設備工業協會)

0 引 言

隨著各大油氣田的勘探與開發，油氣集輸管道規模進一步擴大，集輸管道的安全運行變得尤為重要。由于集輸管道輸送介質高含水、高含硫化氫等，服役時間長的管道內會發生較為嚴重的內腐蝕，同時，集輸管道還受大氣環境和土壤腐蝕等影響，導致管道發生外腐蝕。由于集輸管道具有管徑小、分支多等特點，使得長輸管道的完整性評價模式難以應用在集輸管道上，無法識別管道的潛在威脅。

目前，管道完整性評價在長輸管道上的應用較多，國內外出臺了多個完整性評價標準。但是在集輸管道的完整性評價方面較為欠缺，國內僅有少數單位對集輸管道進行了基于內檢測的完整性評價工作[1]。在檢測評價方面，長慶油田通過內檢和外檢技術對長北天然氣集輸管線進行了全面檢測，并對集輸干線進行了完整性評價，評價結果表明管線完整性狀況良好[2]。子洲氣田對6條支干線集輸管道進行外防腐檢測以及開挖驗證，根據開挖結果推斷管道的剩余使用壽命相當于新建管道，再次檢測年限為6 a[3]。李遠朋等[4]對新疆油田稠油集輸管線進行了多種檢測技術的適用性研究，通過對集輸管線進行內、外腐蝕檢測并開挖驗證，形成了適應新疆稠油集輸管線的完整性檢測方法。遼河油田集輸公司引進了管道內檢測技術，對內檢測器進行了適應性改造，從而對部分集輸管道實現了內檢測[5]。

在基于大數據的完整性評價方面，韓小明等[6]認為完整性預測需考慮管道設計制造、運行、失效和檢測等多種數據，提出管道完整性人工神經網絡學習框架和管道完整性預測方法。長慶油田利用數據挖掘和人工智能技術融合了管道的本體數據、運行數據和檢測數據等多類型數據，建立了管道完整性評價系統[7]。凌嘉瞳等[8]通過風險評分對安全系數進行修正，并建立了安全系數計算模型。SENOUCI A.等[9]對歷史數據進行分析，建立了管道失效類型預測模型，但由于缺乏數據支撐，部分預測結果不準確。

綜上，集輸管道進行的完整性評價工作多是基于檢測的評價，且評價效果不理想，集輸管道所產生的數據沒有得到充分利用，大數據算法在集輸管道上的應用較少。因此，集輸管道腐蝕缺陷評價需要對管道的各時期、各類型數據進行挖掘分析，收集集輸管道的設計制造、操作運行、檢驗檢測以及歷史失效等數據，建立基于機器學習的集輸管道腐蝕缺陷評價方法，從而為集輸管道的維護與維修提供理論依據。

1 ASME B31G評價方法

目前管道的完整性評價具有多種標準[10-13]，這些標準和方法各有其適用范圍和優缺點[14]。ASME B31G標準是國際上廣泛使用的完整性評價方法，適用于體積型缺陷的完整性評價。ASME B31G—2012中規定：

Sflow=σs+68.95 MPa

(1)

式中：Sflow為材料的流變應力，MPa；σs為管道材質最小屈服強度，MPa。

管道安全運行壓力為：

(2)

式中：ps為安全運行壓力，MPa；d為缺陷深度，mm；t為壁厚，mm；Sf為安全系數，無量綱；D為外徑，mm；M為膨脹系數，無量綱。M可通過下式計算得到：

(3)

式中：L為缺陷長度，mm。

Sf主要根據地區等級進行選取，根據GB 50251—2015《輸氣管道工程設計規范》對地區等級的劃分以及水壓試驗壓力的規定，輸氣管道Sf的取值范圍如表1所示。

以預估維修比Er作為缺陷是否處于安全狀態的判定依據，其定義為：

表1 輸氣管道地區等級劃分與Sf取值范圍Table 1 Gas pipeline region classification and Sf value range

(4)

當Er<1時，認為缺陷可以在規定壓力下安全運行;當Er≥1時，認為缺陷不能在規定壓力下安全運行，需要維修或更換管段。

2 基于徑向基神經網絡的安全系數計算模型

油氣集輸管道的完整性受管道的本體缺陷、輸送介質的腐蝕、土壤腐蝕性、大氣腐蝕、雜散電流、穿越、跨越、管線交叉以及第三方破壞等眾多風險因素的影響[15]。現有評價方法主要依賴內壓等力學特征，評價過程中Sf的選取也僅按照地區等級確定，未考慮到多種風險因素的影響。筆者以檢測數據為基礎，將風險因素數據進行對齊，通過基于互信息的相關性分析提取關鍵風險因素，利用層次分析法對關鍵風險因素進行權重計算并賦分以修正Sf，將關鍵風險因素作為輸入，Sf作為輸出建立基于徑向基神經網絡的Sf計算模型，以預測更符合實際情況的Sf用于管道的缺陷評價。

2.1 互信息

在信息理論中，互信息的大小可用于表征2個變量之間的相關性，互信息值越大，表明相關關系越強；互信息值越小，則相關關系越弱。其相關關系不僅限于線性相關，非線性的相關關系也可由互信息反映，且互信息可用于管道大數據的相關性分析[16]。

對于一個概率分布為P(X=xi)=p,i=1,2,…,n′的離散隨機變量X，其信息熵定義為：

(5)

式中：p(x)為變量X=x的概率；b為底數。取值不同時信息熵的量綱不同。

對于2個隨機變量X、Y，條件熵表示變量Y在得到X提供的信息后的剩余不確定性。條件熵定義為：

(6)

2個變量之間的互信息可以表征相關性的大小。2個隨機變量的互信息定義為：

(7)

式中：n為隨機變量X的樣本數量，m為隨機變量Y的樣本數量。

互信息值I(X,Y)的大小表示變量X中包含變量Y的信息量，可以用互信息表征兩變量間的相關度。

2.2 層次分析法

層次分析法是一種考慮專家經驗的多準則決策方法，該方法憑借經驗將各風險因素的重要度進行相互比較，利用算法程序計算各風險因素的權數，可以削弱主觀因素在權重計算中的影響[17]。選用1～9代表各指標的重要性，初步確定各指標之間的重要度生成判斷矩陣，利用算法判斷重要度排序是否合理并計算各個指標的權重。層次分析法應用流程如下：①提取風險因素；②構建層次結構模型；③對各指標打分，生成判斷矩陣；④進行一致性檢驗，若不通過則對判斷矩陣進行修改，若通過則計算并得出各指標權重。

對風險因素進行兩兩比較時，采用1～9表示一個指標對另一個指標的相對重要度，各指標間的重要度關系可用判斷矩陣表示：

(8)

式中:atj為風險因素ai對風險因素aj的相對重要度。

生成的判斷矩陣需要進行一致性檢驗以評判計算結果是否與評價標準相符，通過一致性檢驗則表明判斷矩陣的重要度賦值合理且不相互矛盾。一致性檢驗的計算公式為：

(9)

式中：CR表示一致性比率，CR<0.1則表示判斷矩陣的一致性可接受;CI為表征一致性的指標；λmax為判斷矩陣的最大特征值；N為判斷矩陣的階數；RI為平均隨機一致性指標，與階數N有關。

根據通過一致性檢驗的判斷矩陣計算矩陣的特征向量和特征根即可得到各風險因素的主觀權重。

2.3 徑向基神經網絡

徑向基函數神經網絡[18]是人工神經網絡的一種，Broomhead等人于1988年提出，基于徑向基函數的神經網絡屬于前饋神經網絡，具有結構簡單、收斂速度快以及非線性函數逼近能力強等特點[19]，已經在很多領域得到了廣泛應用。徑向基神經網絡具有3層網絡結構，第一層是輸入層，負責將輸入變量傳輸到隱含層，輸入層的節點數等于輸入變量的個數；第二層是隱含層，隱含層以徑向基函數為傳遞函數將輸入變量進行計算轉換，隱含層的節點數需要根據實際情況確定，通常根據經驗選取；第三層是輸出層，輸出層的節點數等于輸出變量的個數。

徑向基神經網絡將徑向基函數作為隱含層的激勵函數，徑向基函數是一種常用的核函數，其中高斯函數使用最廣泛，其表達式為：

(10)

式中：xp是輸入層第p個節點的輸入；ci是隱含層第i個節點的中心；σi是隱含層第i個節點的高斯函數方差。

輸出層的表達式為：

(11)

式中：ωij為隱含層節點i到輸出層節點j之間的權值。

將相關性分析所挖掘出的關鍵風險因素作為徑向基神經網絡的輸入，修正后的Sf作為輸出，建立徑向基神經網絡Sf計算模型。劃分訓練數據與測試數據，對模型進行訓練且具有一定的精度后，模型可根據關鍵風險因素進行Sf的計算。

3 算例分析

3.1 某油田集輸管道概況

某油田地勢較平坦，大部分土壤表層被風沙覆蓋，土質以粉砂粉土為主，降水稀少，年溫差和日溫差均較大。該油田共有集輸及外輸管道5 811條，總長15 641.72 km；金屬集輸管道材質以20#鋼為主，管內徑范圍14～443 mm，壁厚范圍3～50 mm；設計壓力范圍廣；52.49%的管線運行超過10 a。該油田集輸管道輸送介質包括原油、伴生氣、凝析氣和污水等，伴生氣內硫化氫質量濃度高達96 457.79 mg/m3，原油含硫量達3.29%，含水體積分數達62.85%，介質腐蝕性強。為減少管道事故的發生，該油田集輸管道亟需進行完整性評價。

3.2 數據采集

以某條已進行內檢測的集輸管道為研究對象，以內檢測數據為基礎，收集并對齊管道的本體數據、環境數據、運行數據和外檢測數據等26項指標，具體數據采集指標如下。

(1)內檢測數據：金屬損失類型、缺陷里程、缺陷長度、缺陷寬度、缺陷深度、鐘點、內/外壁、距前環焊距離、距后環焊距離、預估維修比。

(2)外檢測數據：防腐層絕緣電阻級別、電流衰減率級別、陰極保護有效性。

(3)管道本體數據：埋深、高程、轉角角度、坡度、缺陷點屬性。

(4)環境數據：土壤類型、地貌、土壤電阻率、地面情況、穿越和跨越情況。

(5)管道運行數據：運行溫度、運行壓力、油品黏度。

3.3 相關性分析

在對含缺陷管道進行評價時可以根據Er判定管道的安全狀態。采集并對齊數據后對數據進行離散化，將Er作為決策指標，計算各指標與決策指標之間的互信息。互信息分析結果如圖1所示。從圖1可以看出：互信息數值最大指標為金屬損失類型、缺陷長度、缺陷寬度、內/外壁、缺陷寬度，為缺陷尺寸相關的因素；數值較大的指標有缺陷里程、坡度、運行溫度、運行壓力、黏度、鐘點。因此，本管道的完整性情況與內檢測數據和管道本體數據相關性較強。

3.4 風險因素權重計算與Sf修正

根據相關性分析結果，取相關度高的指標作為風險因素，其中金屬損失類型由缺陷的尺寸決定，所以具體考慮缺陷長度、缺陷深度以及缺陷寬度；缺陷點處的溫度、壓力與缺陷點到起點的距離有關，黏度與溫度相關，主要考慮缺陷點的里程；取相關度高的9個風險因素進行權重計算，即：缺陷長度、缺陷深度、內/外壁、缺陷寬度、里程、坡度、鐘點、陰極保護有效性、地面情況。以相關性分析結果作為依據判斷兩兩風險因素間的重要度關系，構造了重要度判斷矩陣。

由層次分析法計算得到各指標權重，其中缺陷長度所占權重最大，為0.35；其次缺陷深度和內/外壁權重較大，其他因素所占權重較小，權重大小分布與相關性分析結果相符。具體權重分布如表2所示。

根據指標權重并參考相關文獻[20-21]，確定對應的風險因素分值后建立分值體系，根據分值體系可對具體的缺陷數據進行評分，以風險分值的大小反映缺陷處的危險情況。

根據GB 50253—2014《輸油管道工程設計規范》，考慮管道設計系數和地區等級，原始Sf取設計系數0.72的倒數，值為1.39。所有缺陷的風險分值分布在30～94之間，修正后的Sf分布在1.39～2.07。修正后的Sf會比原始Sf大，且風險分值越大，修正后的Sf越大，由Sf反映缺陷點的危險程度。

表2 風險因素指標權重Table 2 Index weight of risk factors

3.5 徑向基神經網絡安全系數計算模型

根據上述相關性分析結果，將相關度最高的7個指標：金屬損失類型、缺陷長度、缺陷深度、內/外壁、缺陷寬度、里程、鐘點作為輸入變量，修正后的Sf作為輸出變量。共有4 370組數據，將90%的數據用于訓練神經網絡，10%的數據用于神經網絡的測試。

創建的徑向基神經網絡結構為7-15-1，即有15個隱含層節點，設置訓練次數20萬次。該模型對缺陷的部分預測結果與實際值的對比如圖2所示。

圖2 部分缺陷Sf預測結果Fig.2 Sf prediction results of some defects

將模型預測結果與實際值進行比較，437組樣本平均誤差為1.67%，最大誤差為7.75%，總體預測效果較好，變化趨勢基本一致，測試結果反映了該模型的準確性。

3.6 修正后的Sf的應用

將原Sf與修正后的Sf分別用于缺陷評價中，得出的預估維修比Er的分布如圖3和圖4所示。

從圖3評價結果可以看出，使用原Sf進行評價時，所有缺陷Er均小于1，均處于安全狀態。而從圖4中可以看出，使用修正后的Sf進行評價時，存在2個缺陷Er大于1，且整體Er值更高。提取Er大于1的2個缺陷的詳細信息進行分析，結果如表3所示。

表3 Er大于1的缺陷信息Table 3 Information of defects with Er greater than 1

以第1869號缺陷為例，此缺陷的深度已達到50%壁厚，且長度和寬度均大于100 mm，缺陷尺寸較大；此缺陷點地處水塘之下，埋深1.65 m，土壤濕度較大；缺陷距管道起點2.3 km，介質溫度達63 ℃，壓力1.2 MPa；且此管道服役年限已達17年；此缺陷點風險分值較高，容易發生管道事故。同理，第3927號缺陷長度較長，深度達到26%壁厚，且風險分值高。從安全運行的角度考慮，這2個缺陷應該盡早采取維護維修措施。

提取Er大于0.9小于1的13個缺陷的詳細信息進行分析，缺陷詳細信息見表4。

圖3 原Sf評價結果 Fig.3 Original Sf evaluation results

圖4 修正后的Sf評價結果Fig.4 Corrected Sf evaluation results

表4 部分缺陷信息Table 4 Information of some defects

從表4可以看出，13個缺陷中的長度、深度、寬度均出現較大數值，缺陷處的風險分值較高。該13個缺陷的安全性較差，為保證管道的安全運行，需要對這些缺陷點進行監控使用。

從以上結果進行對比，可見修正后的評價方法更加保守但是更能體現缺陷處的真實狀況。所以，基于RBFNN的腐蝕缺陷評價方法具有適用性，可以指導集輸管道的維護與維修。

4 結 論

(1)通過對管道多種類型的數據進行相關性分析并提取關鍵風險因素，利用層次分析法對各風險因素進行權重計算并賦分，量化各風險因素對管道完整性的影響，使得安全系數Sf的選取更符合管道的風險狀況。

(2)通過徑向基神經網絡的訓練和測試，可對已知管道數據進行Sf的快速預測，為后續的缺陷評價提供更合理的Sf，從而實現徑向基神經網絡在油氣集輸管道缺陷評價中的應用。

(3)使用修正后的安全系數Sf進行缺陷評價時，雖然評價結果相對原方法更保守，但是更能反映缺陷處的真實狀況，對集輸管道的安全運行和維護與維修具有一定的指導意義。