BP神經網絡在管道內腐蝕直接評價中的應用

陳 君 趙曉云 蔡樂樂 鄭 超 彭 敏

（1. 北京西管安通檢測技術有限責任公司，北京 100107；2. 長慶油田分公司第三采油廠，寧夏 銀川 750000）

0 引言

我國屬于能源生產和消費大國，在很多年前就開始進行油氣管道的建設，那個階段設計水平不高，施工質量相對較低，缺乏必要的器具與設備，工藝條件顯得十分滯后。我國已經進入到了頻繁發生油氣管道事故的階段，油氣管道的輸送介質中，一般含水率較高，還可能含有二氧化碳、硫化氫、氧氣等雜質。在上述腐蝕性因素的影響下，其會通過化學介質對鋼管進行腐蝕，給生產單位帶來難以挽回的損失。因此，管道的內腐蝕直接評價日益受到重視，而內腐蝕直接評價中的關鍵環節就是建立腐蝕速率預測模型并盡可能準確地提高預測的準確率。

B P 神經網絡又稱反向傳播網絡（B a c k-Propagation Network）[1]，是由J.L.McClelland和D.E.Rumelhart兩人在上世紀八十年代末期提出，認為在互聯網出現計算誤差滯后時，其會從相反的方向進行傳播，在到達輸入層之后通過計算提高傳輸質量。現階段最具效果的神經網絡學習算法就是BP神經網絡學習算法。它的結構包括輸入層、隱藏層、輸出層，基本思想是梯度下降法。有兩個算法在基本BP算法里面包含著，前向信號的傳播和反向誤差的傳播。如果實際輸出與預期輸出不一致，它通過轉變誤差的方向，然后進行傳播。這一傳播方式存在較為明顯的輸出誤差，通過作用于輸入層，在穿透隱含層進行傳輸，確保能夠將誤差配置到各個單元。同時，根據信號的反饋，將其作為今后進行調整的參照[2]。

對于BP神經網絡來說，其自身優勢較為明顯：一是從隱含層來看，只要其數量與節點數量較多，那么其就可以接近任何區域，以便能夠形成各種非線性映射關系；二是其泛化水平較強，往往會采用全局逼近的手段，借助算法實現網絡訓練的效果。

本文的目的就是針對目前有報道的BP神經網絡用于管道內腐蝕直接評價的方法和應用案例進行詳細的介紹，力圖從中尋找出有效的、吻合率高的管道內腐蝕直接評價建模方法。

1 管道內腐蝕直接評價

從油氣輸送管道的發展來看，其功能大致可以分為下列若干種：一是遠途管道，其往往用于相隔較遠地區的輸送；二是集輸管道，其對距離的要求不高，中短途亦可；三是場站工藝管線，經常被用在單元之間或者內部。隨著油田原油開采逐漸進入中后期，使用增產技術，原油中的含水量、藥劑、細菌等會逐漸增多，從而加劇輸油管道內腐蝕。

管道內腐蝕直接評價（ICDA）是在外腐蝕直接評價（ECDA）研究的基礎上發展起來的，是結合相關信息得出的結果，預測腐蝕所產生的具體作用，查看其對管道的實際破壞程度，以便能夠采取相應的防護措施[3]。

其中結合輸送介質的具體差異，ICDA分為以下幾個種類：一是LP-ICDA，其主要用于液體石油管道，對其腐蝕性進行檢測；二是DG-ICDA，其主要用于干氣管道，對其腐蝕性進行檢測；三是WGICDA，其主要用于濕氣管道，對其所腐蝕性進行檢測；四是MP-ICDA，其主要用于多相流管道，對其腐蝕性進行檢測[4]。實施ICDA的過程可大致有以下幾個過程：一是對其進行預先評價，通過對相關信息進行歸納與整理，明確其可行性，并對其區段作出界定；二是進行間接檢測，通過確定具體的管段，并對具體的位置進行全面檢查；三是直接進行評價與檢測，明確哪些區域可能會遭到腐蝕，并且確定的具體的檢測區域；四是作出后評價，針對以上幾步的檢測結果，對尚未進行檢測的部分腐蝕程度進行推測。上述幾個階段雖然大體相似，不過其計算方式明顯不同[4]。

ICDA技術關鍵為主要考慮管道離子濃度種類及含量、多相流型、截面持液/水率、流速、壓力以及溫度等參數，對管道中可能發生腐蝕的位置及腐蝕速率進行預測，并利用管道直接開挖檢測的方式進行驗證，從而達到對管道內腐蝕進行直接評價的目的。因此，ICDA的關鍵是確定腐蝕類型，根據流態分析腐蝕環境，建立腐蝕模型。

油田集輸管道運行時很多時候都屬于多相流形態，腐蝕影響因素較多，對其進行內腐蝕直接評價也較為復雜。本論文重點論述多相流管道內腐蝕直接檢測（MP-ICDA）。2016年3月，多相流管線內腐蝕直接評價標準（MP-ICDA）由美國腐蝕工程師協會（NACE）發布，即NACE SP0116-2016《Multiphase Flow Internal Corrosion Direct Assessment（MP-ICDA）Methodology for Pipelines》，但該標準中并沒有提出行之有效的預測方法[5]，也沒有具體的建立腐蝕模型的方法。我國現行的標準是由中國石油規劃總院在2020年提出的SY/T 0087.2-2020標準，其中的多相流管道部分提到目前已有的腐蝕模型難以涵蓋所有的腐蝕因素和腐蝕類型，并且有一定的使用范圍和局限性，為確保考慮更多的腐蝕影響因素，建議采用多種腐蝕模型對高風險點進行篩選，根據得到的結果進行綜合分析[6]。SY/T 0087.2-2020標準中也未明確在實施MPICDA時具體采用何種方式建立腐蝕模型，需要實施者根據現場具體腐蝕條件和情況建立合適的模型進行腐蝕速率預測。

2 BP神經網絡用于管道內腐蝕直接評價

油氣田在役管道特別是多相流管道的腐蝕受到的影響因素比較多，有二氧化碳、硫化氫、細菌、沉積物、管道路由等[5]，同時不同要素所產生的腐蝕效果并不相同，對其進行腐蝕速率預測比較復雜，可能還要考慮到各因素或某幾種因素之間的互相影響。目前國際上關于二氧化碳腐蝕速率的預測模型主要包括經驗模型、半經驗模型和機理模型三類[7]。這三類預測模型都存在一定的缺點。自上世紀九十年代以來，一些專家對管道腐蝕的研究側重有所轉變，將研究焦點放在了多相流管道領域，從不同的角度出發，對其出現腐蝕之后的產物展開了探討[5]。近年來隨著計算機技術，尤其是神經網絡的發展，多相流管道的腐蝕預測有了新的途徑和工具[8]，很多學者也采用BP神經網絡對多相流管道的內腐蝕進行了預測和研究。本文在各位學者研究的基礎上，分別從國內外研究進展、BP神經網絡的修正和改進等方面對BP神經網絡技術在在役油氣管道的腐蝕預測方面進行了探討。

2.1 國外研究進展

現階段，在人工神經網絡不斷發展的背景下，在非線性研究上該技術的地位已經逐步顯現，成為了應用型較強的工具之一[9,10]，其在腐蝕預測方面有著較大的應用空間[11]。Senouci A[12]通過建立相關模型，對一系列管道展開了實驗，提取了其中的管道檢測數據，以便能夠及時查看其腐蝕情況。Noor N M[13]運用半概率的檢測方式，通過觀察海底當中管道的現狀，對其遭受腐蝕的強度做出了估計。Haque等[14]借助該項技術的優勢，對管道受到腐蝕之后的疲勞程度進行了分析。Kamrunnahar等[15]進行了腐蝕性預計，認為這一技術在運行中依然有一些不足之處，尤其在邏輯推理方面表現的比較突出。M Mahmoodian等[16]以腐蝕管道作為研究對象，通過構建強度模型，對已經經歷腐蝕的管道進行檢測，預估其修復的時間。在其出現不止一個腐蝕坑時，需要對其進行有效串聯，對其失效情況做出估計。Chinedu I等[17]結合腐蝕時間的具體信息，利用馬爾科夫模型的預測方式，對管道中的深坑進行了計算，并將結果與現有的數據展開對比，認為兩者趨同一致。在實際研究過程中，需要對模型獲取的數據做出比較，結合蒙特卡羅模擬值所提供的信息，用來對模型的精準性做出衡量[18,19]。

2.2 國內研究進展

2.2.1 用BP神經網絡預測輸油管道腐蝕速率

影響輸油管道內腐蝕速率的主要因素是原油硫含量、酸值、溫度、流速和壓力。采用多線性回歸技術雖然可以表述管道內腐蝕速率[20]，但該技術忽略了各個因素間交互作用對腐蝕速率的影響。人工神經網絡是反映人腦結構和功能的一種抽象的數學模型，能方便準確地預測金屬管道的腐蝕速率[21]。

章玉婷等[22]在進行技術選擇時，注重選擇三層結構的BP神經網絡技術，通過篩選輸入參數，將溫度、流速等考慮在內。在設立輸出參數時，將腐蝕速率作為重要的參考依據，建立了16Mn管道鋼的腐蝕速率預測模型。孫哲[23]在使用BP神經網絡算法時，將南海流域作為研究對象，對其海底當中的管道展開探究，通過測算其腐蝕的速度，建立了具體的預測程序，能夠對含水率＞5%的海底管道進行有效的內腐蝕速率預測。李秀娟等[24]在運用神經網絡技術時，將其與灰色理論巧妙地聯系起來，通過構建相關模型，將模型中得出的數據結果輸入到神經網絡中，用這個方法得到的結果值和設置數據值很接近。田源等[25]在H2S和CO2共存條件下，建立了半經驗腐蝕模型，結合具體的算法步驟，制作出專門的預測軟件，用來測算含硫管道中的腐蝕情況。蔣必政[26]基于普光氣田（高含硫氣田）生產數據和腐蝕數據樣本點建立了BP神經網絡預測模型，通過實際檢測數據對模型進行對比發現，所建立的模型預測的腐蝕速率與實際的相對誤差在大多數條件下均小于10%。

BP神經網絡算法雖然在管道內腐蝕速率預測方面有一定優勢，但在某些復雜的腐蝕環境下（如海底管道腐蝕環境）其預測精度仍存在較大誤差，這就促使學者們對BP神經網絡算法進行改進，以提高其預測精度。

2.2.2 用改進的BP神經網絡預測輸油管道腐蝕速率

就BP神經網絡而言，其缺點較為明顯，主要體現為局部極值誤區、收斂速度有待提升、隱藏節點、層次較難預估等，為了提高管道腐蝕速率預測的精度，國內很多學者在管道內腐蝕直接評價時對BP神經網絡進行了優化。

1982年美國一所著名的大學的Hallend教授提出了相關領域的一種很方便很實用的算法，即遺傳算法，簡稱GA。遺傳算法的優化步驟如下：首先應當從基礎數據出發，結合其具體特征，根據其中的個體染色體屬性，對其分別進行編碼，以便能夠確定其具體的長度。

GA-BP神經網絡的思想本質在于，通過以個體為對象，將其用來為BP網絡進行賦值，來確定其初始值與閾值。在將上述熟知在網絡初始化之后，能夠通過進行訓練與學習得出預測的結果，在對誤差進行比較的基礎上可以確定適應度值。

裘冬平等[27]以徐州管道局作為研究對象，通過對其地下輸油管道展開研究，運用相關工具對輸油環境做出模擬，得出了相關的實驗結果，并借助于已測得的實驗數據建立了BP和GA-BP兩種神經網絡模型。實驗結果表明GA-BP 模型能夠達到較高的預測水平，擬合性相對較高，能夠對管道的腐蝕速度進行估計。許宏良等[28]通過分析金屬管道被二氧化碳（CO2）和硫化氫（H2S）所腐蝕得整個過程，算出來并提出了相應的化學方程式。引用了BP神經網絡構造金屬管道腐蝕速率的物理模型對預測模型進行優化。凌曉等[29]建立了遺傳算法（GA）優化反向傳播神經網絡（BPNN）的輸油管道內腐蝕速率預測模型，給出了具體的優化流程。張甫仁等[30]通過借助附加動量，在充分參考自適應學習速率的基礎上，對BP神經網絡模型進行了優化，這樣就降低了原始數據的隨意性，能夠通過觀察得出其具體的變化特征，即便當前構建模型的樣本不多，也能夠實現數據的及時更新，避免了因數據老化而出現的應用困境。孫昊[31]采用量子方勢阱對粒子群算法進行改進，并使用改進的QPSO算法對人工神經網絡模型進行連接權值的優化，所構建的神經網絡經驗證具有控制參數少，收斂效果好的優點，具有一定的參考價值和意義。

3 展望

對于BP神經網絡在油氣管道的內腐蝕預測方面的應用，國內外的專家和學者都做了大量的工作，但同時也存在一些局限性，需要做進一步的研究：

（1）只有在以往收集了大量歷史數據或者得出了具體實驗室研究結果的前提下，才能夠構建出BP神經網絡預測模，但對于國內的很多油田管道尤其是數據管理制度不完善的管道來說，前期的實驗數據或檢測歷史數據都比較少，服役時間較短的管道檢測歷史數據基本沒有，這就會造成無法構建模型進行預測；（2）由于我國的在役管道數量較多，在某特定時間段內得到的數據都是在單一實驗條件下特定一組因素下的單根管道腐蝕實驗數據，而根據管道運行管理部門的資料來看，在管道的實際運行過程中，管道內介質類型、介質的輸送量、流型、壓力、流速、溫度和管道外部環境都是具有動態性，經常會出現變化，所以，BP神經網絡預測模型難以對不同工況下運行的管道進行實時動態的預測。

針對以上問題，提出如下研究方法及思路：

（1）在管道日常的運營和維護過程中，要注意加強對歷史數據的管理，包括檢測歷史數據、基礎數據和日常運行數據，只有在大量積累豐富數據建立數據庫的基礎上，才能在建立BP神經網絡預測模型時有一個堅實的基礎；

（2）將多個預測模型有機地組合起來，如對檢測歷史數據或實驗數據比較少的管道做出預測時，可以在運用BP神經網絡模型的過程中，將其與灰色預測有機結合，就可以對殘差值做出修正；

（3）對BP神經網絡模型進行優化以提高預測準確率，如應用遺傳算法（GA）對BP神經網絡模型進行優化，通過建立GA-BP神經網絡預測模型開展預測等。