天然氣管道CO2腐蝕機理及預測模型研究

陳永清

（江西省天然氣集團有限公司管道分公司，南昌 330000）

引言

天然氣管道CO2腐蝕程度對管道的正常生產、運行產生著很重要的影響，決定了管道使用過程中的經濟效益，天然氣管道CO2腐蝕程度是影響管道壽命的主要因素，間接的對天然氣的輸送數據產生一定的影響，嚴重情況下會導致管道出現事故，對生產加工產生嚴重的后果。因此在加工生產的過程中要制定天然氣管道CO2腐蝕的應急保護措施，同時提升天然氣輸送管道抗CO2腐蝕性能，才能確保管道的正常運作[1]。

預測模型的原理是采取相應的模型對管道的生產實時監控，建立完善的模型保障生產過程中管道的正常運行，對于CO2腐蝕程度能夠具備預測效果，同時通過相應設備的關聯實現管道的保護[2]。預測模型可以為天然氣管道創設良好的運行程序和系統，在運行的過程中對CO2腐蝕程度進行監控，當出現管道腐蝕嚴重或者系統運行出現故障時，可以提前進行系統預警提示[3]，確保正常生產。

對天然氣管道CO2腐蝕機理及預測模型研究，建立液化天然氣（Liquefied Natural Gas，簡稱LNG）管道抗CO2腐蝕效果的模型，在模型的構造中，充分考慮到管道輸送數據的精確性，通過機器學習搭建相應的預測模型，構建系統運行的仿真環境，滿足天然氣管道CO2腐蝕程度的預測和估計。本文針對天然氣管道CO2腐蝕機理進行了研究，設計合理的天然氣管道CO2腐蝕機理，構造機器學習算法的預測模型，通過仿真環境完成模型的驗證。

1 天然氣管道防CO2腐蝕的系統搭建

天然氣管道在設計的過程中，為了確保天然氣傳輸數據的穩定性和精確性，對天然氣管道進行實時監控，采取了物聯網平臺下的大數據體系實現這個過程，在大數據體系下，對天然氣管道防CO2腐蝕程度能夠進行精確的監控，實時撲捉到管道內的天然氣的輸送情況和管道的腐蝕程度，同時為了保障天然氣管道防CO2腐蝕的系統搭建工作的運行，在系統的實現過程中采取模糊神經網絡的算法，對天然氣管道內的壓力、流量和溫度進行序列分配，序列分配的過程中執行卷積壓縮，構建合理的對數神經網絡，從而輸出相應的數據，通過輸出的數據可以精確的對天然氣管道內的情況進行掌握，具體的天然氣管道抗CO2腐蝕系統的算法邏輯圖如圖1所示。

圖1中，采取的時機器學習算法搭建天然氣管道防CO2腐蝕的系統，系統的搭建過程中使用了卷積神經網絡的方法對時序圖進行序列同構，達到數據的處理效果，在模糊神經網絡的方法下形成對天然氣管道內的環境的預測，通過構造模型的輸出數據實現管道的監測，可以保障天然氣管道的正常工作和運行。

圖1 天然氣管道防CO2腐蝕系統的算法邏輯

2 天然氣管道數字模擬仿真預測模型

2.1 數據的前置治理算法

2.1.1 圖論統計學方法

天然氣管道CO2腐蝕機理及預測模型中，建立三維的BIM模型，并在模型搭建的過程中采取LOD法將相應的管道數據導入到模型中，形成相應的數據信息流，相關的數據表達的輸出形式為{A，x，y，z，b1，b2，n，t}。數據表達形式中{A}代表了序列號，{x，y，z}代表的是三維模型中的數據的精確坐標，{b1，b2}代表的是管道前后關聯的點，{n}代表的是數據的數值，{t}代表的是讀取數值的時間，將上述的數據信息流展開在時間軸{t}上，得出最開始的圖序列的統計結果。

2.1.2 四維時空空間卷積方法

將上述數據信息流中的{x，y，z，t}四個坐標進行空間卷積處理，強化數據的特征和序列，得出相應的函數表達式如下式（1）所示：

式中：

G（x，y，z，t）—間卷積輸出值；

g（b）—四維序列數據，不同維度的卷積模式對象不同的輸出值；

x（m-b）y（m-b）z（m-b）t（m-b）—空間卷積的分量函數。

2.2 基于機器學習的數據深度挖掘算法

2.2.1 基于六階多項式深度迭代回歸算法的模糊神經網絡

六階多項式深度迭代回歸算法過程是將相應的數據變量導入到回歸方程中，保留原有的數據信息量，將數據特征反應在小規模數據中，實現回歸算法的深度迭代，具體的回歸算法的方程如式（2）所示：

式中：

n—模糊神經網絡的節點總數；

i—遍歷指針；

j—函數方程的階數；

y—模糊神經網絡節點數據的輸出值；

Aj—第j階多項式的回歸系數。

2.2.2 基于對數深度迭代回歸算法的對數神經網絡

對數深度迭代回歸算法采取的是通過對數函數實現數據的處理，在對數模型的構造下完成數據的坐標精確度的控制，這種方法適用于對數神經網絡的算法構造中，相應的基函數構造如式（3）所示：

式中：

A、B—待回歸系數。

其他數學符號含義同前文公式（2）。

3 天然氣管道預測模型的仿真度驗證分析

3.1 仿真驗證方案

天然氣管道抗CO2腐蝕預測模型構造中，對于仿真過程的驗證是確保模型構造合理性的關鍵，在仿真驗證方案的設計中，采取matlab軟件中的simulink控件搭建合理的仿真分析環境，以某個天然氣公式的天然氣管道的傳輸數據作為原始數據，對數據進行相應的處理，利用基函數對相關的管道內壓力、天然氣傳輸流量、管道溫度及其他數據進行收斂，通過仿真分析，分析數據間的差異和數據偏離程度，結果如下：

決定系數R2的算法如公式（4）：

式中：

xi—數據序列中第i個輸入值；

n—數據的總數。

標準偏差率的算法如公式（5）：

式中：

σ—數據的標準偏差率；

xi—第i個數據的輸入項；

μ—輸出數據的均值；

n—統計學意義如上。

平均離群率的算法如公式（6）：

式中：

B—標準離群率；

A，B，C—相關系數，控制直線為Ax+By+C=1；

（xi，yi）—二維坐標；

max（B）—最大值；

min（B）—最小值。

對輸出數據進行預測的過程中，考慮到預測數據的有效性，采取合適的驗證方法完成曲線的推測，從而計算出數據節點的敏感度，算法公式如下式（7）所示：

式中：

n—統計學意義如上；

ri—數據序列的第i個實測值；

fi—數據序列的第i個預測值。

3.2 天然氣管道流量分布數據耦合度

天然氣管道流量分布數據耦合度要根據管道數據流的分布來確定，通過數據流分布狀況實現數據的分散度運算，建立管道流量分布的數據耦合度，用于監測管道的腐蝕程度及其他特征，得出流量分布數據耦合度統計如表1所示。

表1中，決定系數（R2）指的是數據的隨機變量與其他變量之間的關系，反應了變量之間的特征；標準偏差率（s）代表了數據之間的分散程度，可以通過標準偏差率衡量數據間的偏差大??；平均離群率代表的是數據偏離流量數據點的百分比大小。

表1 流量分布數據耦合度統計表

3.3 天然氣管道CO2腐蝕數據耦合度

天然氣管道CO2腐蝕數據耦合度與管道的滲透程度和管道孔隙的參數有一定的關系，管道的孔隙大小也會隨著天然氣輸送壓力的大小而發生相應的變化，間接的影響到了天然氣管道CO2腐蝕數據耦合度，具體如表2所示。

表2中，可以看出通過相應的算法仿真可以確定天然氣管道CO2腐蝕數據耦合度，在仿真環境下的決定系數比BIM自帶的決定系數要高，說明算法條件下的耦合度水平較高。

表2 天然氣管道CO2腐蝕耦合度統計表

3.4 數據前推估計敏感度

天然氣管道CO2腐蝕數據耦合度關聯著數據曲線，數據曲線反應了數據前推估計敏感度，通過對數據的前推估計敏感度的分析，得出統計表如表3所示。

表3中，可以直觀的看出算法仿真的環境下5 s的曲線估計前推量數據結果略高于BIM自帶的數據結果，15 s、30 s、60 s的模式中，算法仿真環境下的曲線估計前推量數據結果遠高于BIM自帶的數據結果，比較結果t＜10.000，P＜0.05，具有明顯統計學意義。

表3 數據前推估計敏感度統計表

4 總結

天然氣管道抗CO2腐蝕預測模型構造中，對于仿真過程的驗證是確保模型構造合理性的關鍵，在仿真驗證方案的設計中，采取matlab軟件中的simulink控件搭建合理的仿真分析環境，對天然氣管道CO2腐蝕數據耦合度進行分析，結果證明了天然氣管道預測模型可以有效的監測管道CO2腐蝕程度，算法仿真驗證結果說明此預測模型可以很好的進行天然氣管道的異常預警，保障天然氣管道的安全工作，具有實用性和可靠性。