壓力容器設(shè)備可靠性評估與剩余壽命預(yù)測

蓋小剛，許佳偉，楊 亮，張 馳，郝思佳

（中海石油氣電集團(tuán)有限責(zé)任公司，北京 100028）

0 引言

隨著我國能源需求的不斷增長，液化天然氣（LNG）作為一種清潔、高效的能源供應(yīng)方式，其在能源領(lǐng)域的應(yīng)用日益廣泛。然而，由于LNG接收站均在沿海地區(qū)，所以管道的腐蝕問題已成為影響其安全運行的關(guān)鍵因素。LNG接收站腐蝕管道剩余壽命的預(yù)測對于管道運行安全、經(jīng)濟(jì)性和維護(hù)決策具有重要意義。LNG接收站腐蝕管道剩余壽命精度預(yù)測的研究，首先需要對管道的腐蝕機(jī)理進(jìn)行深入探討。LNG接收站管道腐蝕主要受環(huán)境、管道材料、施工質(zhì)量等多種因素影響。此外，還需關(guān)注LNG接收站管道腐蝕控制技術(shù)以及剩余壽命評價方法等方面的發(fā)展。

在檢測技術(shù)方面，國外研究提出了一種綜合運用多種方法綜合檢測的技術(shù)方案，極大改善了缺陷檢出率。此外，針對管道的腐蝕狀況，提出了外防腐層安全狀況等級評定標(biāo)準(zhǔn)，為管道剩余壽命預(yù)測提供了理論依據(jù)。在腐蝕控制技術(shù)方面，管道腐蝕控制技術(shù)規(guī)程宣貫教材總結(jié)了燃?xì)廨斉涔艿栏g控制的實踐經(jīng)驗，為管道剩余壽命預(yù)測提供了技術(shù)支持。在剩余壽命預(yù)測方法方面，近年來，許多學(xué)者致力于探索適用于LNG接收站管道的剩余壽命預(yù)測方法。這些方法包括基于數(shù)值模擬、灰色關(guān)聯(lián)分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法。這些研究成果為提高LNG接收站管道剩余壽命預(yù)測的精度提供了理論依據(jù)?？傊?，LNG接收站腐蝕管道剩余壽命精度預(yù)測研究需綜合考慮管道腐蝕機(jī)理、腐蝕控制技術(shù)及剩余壽命評價方法等多方面因素。通過深入研究這些因素，有望為我國LNG接收站的安全運行和管道剩余壽命預(yù)測提供有力支持

1 理論基礎(chǔ)

1.1 隨機(jī)森林算法

隨機(jī)森林（Random Forest，簡稱RF）是一種集成學(xué)習(xí)（Ensemble Learning）算法，它主要由多個決策樹（Decision Tree）組成。每個決策樹都是獨立的，并且每個決策樹的訓(xùn)練數(shù)據(jù)集都是通過隨機(jī)采樣得到的[1]。這種方法可以避免決策樹過擬合現(xiàn)象，從而提高整體模型的泛化能力。

由于多種因素都會對管道的腐蝕壽命產(chǎn)生一定的影響，所以需要研究各種因素對其影響的程度。采用隨機(jī)森林方法評估各影響因子對管道剩余壽命的影響，克服了傳統(tǒng)方法推廣性能差的缺點。隨機(jī)森林是一個由多個決策樹組成的分類器，它的基本思想就是用再抽樣的方式從訓(xùn)練集中隨機(jī)選擇一個樣本，然后對每一個樣本構(gòu)建一個二元遞推分類樹。每一個自助抽樣只有37%的原始資料，被稱作袋外數(shù)據(jù)，用來作為隨機(jī)森林的試驗樣本；最后，將K個訓(xùn)練樣本作為分類器，構(gòu)建隨機(jī)森林，通過對聚類結(jié)果的表決來判斷試驗樣本的分類效果，并用離包數(shù)據(jù)的錯誤率對分類準(zhǔn)確率進(jìn)行度量。利用MDG（均值基尼指數(shù)降值法），計算各變量對基尼指數(shù)各點的異質(zhì)性的影響，用較高的均值表示該變量的重要性。

這里，MDA表示平均準(zhǔn)確率下降；n表示樹的個數(shù)；err00B表示超出袋外數(shù)據(jù)誤差；t表示結(jié)點數(shù)；其中，p（k/t）為目標(biāo)變量在節(jié)點t內(nèi)為第k個變量的可能性。按（2）式求出每種樹木的GI值，求出各樹種的平均MDG值。

1.2 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型

管道腐蝕問題在我國的工業(yè)領(lǐng)域中十分常見，它不僅會對管道系統(tǒng)的正常運行造成影響，而且還會帶來安全隱患。針對這一問題，研究人員嘗試采用各種方法進(jìn)行預(yù)測，其中多變量線性回歸方法是一種常見的手段。不過因為管道腐蝕是非線性的，因此不能用線性回歸方法對其進(jìn)行預(yù)測分析。

Elman神經(jīng)網(wǎng)絡(luò)作為一種具有非線性、高維等特性的神經(jīng)網(wǎng)絡(luò)模型，它在非線性系統(tǒng)建模和預(yù)測方面具有顯著優(yōu)勢。與傳統(tǒng)的多變量線性回歸方法相比，Elman神經(jīng)網(wǎng)絡(luò)具有以下特點：①非線性能力。Elman神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和表示非線性關(guān)系，這使得它在處理具有非線性特性的問題時具有優(yōu)越性[2]。通過學(xué)習(xí)非線性關(guān)系，Elman神經(jīng)網(wǎng)絡(luò)可以更好地捕捉管道腐蝕與發(fā)展趨勢之間的復(fù)雜聯(lián)系，從而提高預(yù)測的準(zhǔn)確性；②高維處理。Elman神經(jīng)網(wǎng)絡(luò)能夠處理高維數(shù)據(jù)，這使得它在處理包含多個影響因素的復(fù)雜問題時具有優(yōu)勢。在管道腐蝕問題中，可能存在多個因素共同影響腐蝕的發(fā)展，Elman神經(jīng)網(wǎng)絡(luò)能夠同時考慮這些因素，從而提高預(yù)測的準(zhǔn)確性；③自適應(yīng)學(xué)習(xí)。Elman神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)的能力，能夠根據(jù)輸入數(shù)據(jù)自動調(diào)整網(wǎng)絡(luò)參數(shù)，從而使其更適合解決特定問題。這使得Elman神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，可以在不同領(lǐng)域和場景中應(yīng)用。綜上，Elman神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)建模和預(yù)測方面具有顯著優(yōu)勢，將其應(yīng)用于管道腐蝕問題的預(yù)測具有較高的準(zhǔn)確性和可靠性。通過構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)模型，可以有效地預(yù)測管道腐蝕的發(fā)展趨勢，從而為工業(yè)領(lǐng)域提供有力支持，提高管道系統(tǒng)的安全運行水平[3]。本項目擬采用非線性活化函數(shù)表征管道剩余壽命的隱含層，采用非線性活化函數(shù)表征管道的動態(tài)信息處理，并以此為輸入，通過四層神經(jīng)網(wǎng)絡(luò)對各因子進(jìn)行量化計算，得到管道剩余使用壽命的預(yù)測結(jié)果。

圖1 Elman 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

在Elman 神經(jīng)網(wǎng)絡(luò)模型中，U（k）為網(wǎng)絡(luò)的隱含層，q(k)、qc(k)、h(k)為輸出層；ωi為承接層與隱含層、輸入層與隱含層、隱含層與輸出層的連接權(quán)；bi分別為隱式層與輸出級的門限；其中，g是隱式層與輸出層網(wǎng)絡(luò)輸出的線性權(quán)重之和，即隱式層神經(jīng)元的輸出與隱含層的輸出之間的線性權(quán)重之和；f表示隱含層神經(jīng)元的傳輸函數(shù)。Elman 局部遞歸神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型如式（1）—（3）所示：

式中：g(*)-隱含層神經(jīng)元傳遞函數(shù)，常采用Sigmoid 函數(shù)；f(*)-輸出神經(jīng)元的激勵函數(shù)Elman神經(jīng)網(wǎng)絡(luò)采用梯度下降算法對權(quán)重和偏置進(jìn)行調(diào)整，以使誤差平方和最小。梯度下降算法的核心思想是不斷調(diào)整權(quán)重和偏置，使得誤差函數(shù)的梯度（即偏導(dǎo)數(shù)）趨近于0，表達(dá)式如式（4）所示：

式中：hc(k)-目標(biāo)輸出值。在實際應(yīng)用中，為了提高Elman神經(jīng)網(wǎng)絡(luò)的性能，通常需要對學(xué)習(xí)過程進(jìn)行多次迭代。通過不斷調(diào)整權(quán)重和偏置，使誤差平方和逐漸減小，直至達(dá)到預(yù)設(shè)的學(xué)習(xí)目標(biāo)。通過調(diào)整權(quán)重、偏置以及激勵函數(shù)和隱含層神經(jīng)元傳遞函數(shù)，Elman神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到管道腐蝕與發(fā)展趨勢之間的非線性關(guān)系，從而實現(xiàn)對腐蝕速度的準(zhǔn)確預(yù)測。在實際應(yīng)用中，可以根據(jù)實際情況選擇不同的參數(shù)和算法，以提高Elman神經(jīng)網(wǎng)絡(luò)的性能。

2 基于思維進(jìn)化算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)模型

采用隨機(jī)森林方法對 Elman參數(shù)進(jìn)行選取[4]，從而改善了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和推廣能力。針對人工神經(jīng)網(wǎng)絡(luò)對權(quán)值、門限等因素的敏感性，提出了一種基于啟發(fā)式演化算法的優(yōu)化參數(shù)選取方法。

2.1 MEA-Elman模型構(gòu)建

思維進(jìn)化算法（MEA）是一種新的演化算法，它利用相位收斂性與異化作用，有效地克服了遺傳算法中雜交與變異操作存在的雙重性問題。該方法的基本思路是：在求解空間中隨機(jī)產(chǎn)生多個個體，獲得分?jǐn)?shù)最大的勝者和暫時的勝者；以產(chǎn)生的個體為中心，產(chǎn)生一系列新的優(yōu)勢子群及暫態(tài)子群；在此基礎(chǔ)上，本項目擬采用收斂操作優(yōu)化子群內(nèi)的個體，并利用異化操作實現(xiàn)子群間的競爭，實現(xiàn)勝者子群與暫態(tài)子群中個體的替代、拋棄與釋放，進(jìn)而獲得全局競爭程度，進(jìn)而計算全局競爭程度。在此基礎(chǔ)上，實現(xiàn)了群體中個體的替代、丟棄、釋放等操作，以求獲得全局最優(yōu)個體的得分。其系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 思維進(jìn)化算法系統(tǒng)結(jié)構(gòu)圖

經(jīng)過實驗和對比，最后得出了在13個隱層節(jié)點數(shù)的情況下，訓(xùn)練錯誤率最小的結(jié)論。Elman神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)修正采取基于梯度下降的改進(jìn)算法，該算法在優(yōu)化過程中引入了一個新的權(quán)值，該方法不僅對算法的收斂能力有很大的影響，而且在求解過程中易出現(xiàn)局部極值。具體過程描述如下：

首先，將樣本集合歸一化，設(shè)定初始參數(shù)，采用演化思想的方法，使用群體母函數(shù)產(chǎn)生原始群體和子代群體，并將其劃分為兩個集合。在此基礎(chǔ)上，提出了一種新的改進(jìn)算法，該算法將所有的連通權(quán)集成到同一矢量上，以求出最佳的定位矢量。其中，用遺傳算法求出每個個體的極值點，以此作為神經(jīng)網(wǎng)絡(luò)對性能指數(shù)函數(shù)的近似值，并用啟發(fā)式的演化算法進(jìn)行反復(fù)求解，直至達(dá)到全局最優(yōu)；在此基礎(chǔ)上，設(shè)計一種基于遺傳算法的遺傳算法，并對其進(jìn)行局部最優(yōu)編碼，當(dāng)誤差大于給定值時，將其反饋給出最優(yōu)個體，進(jìn)而獲得對應(yīng)的神經(jīng)網(wǎng)絡(luò)權(quán)重及閾值。最后，利用該方法對該模型進(jìn)行了改進(jìn)，并對其進(jìn)行了驗證，流程圖如圖 3所示。

2.2 模型指標(biāo)選取

為了驗證 MEA-Elma n模型的預(yù)測效果，選取均方誤差（mean squareerror，MSE）和決定系數(shù)（Coeff icient of determination，R2）進(jìn)行分析。即：

式中：y-實際值；預(yù)測值；n-為樣本總數(shù)；f-為預(yù)測值；實際值的平均值。決定系數(shù)R2介于0～1之間，且越接近1，模型擬合度愈高，性能愈優(yōu)良。

3 LNG接收站管道可靠性評估與剩余壽命預(yù)測實例應(yīng)用

3.1 管道腐蝕影響因素分析

以某LNG接收站管段為例，對管段的腐蝕狀況進(jìn)行全面檢測，本次采用了掛片實驗方法。掛片實驗是一種常用的腐蝕檢測手段，通過觀察金屬材料在特定環(huán)境下的腐蝕程度，以評估管道的健康狀況。在該實驗中，研究人員沿著管段沿線均勻布設(shè)了200個監(jiān)測點，以確保對整個管段進(jìn)行全面覆蓋。在實驗過程中，研究人員將特定時間內(nèi)（例如100 d）的腐蝕數(shù)據(jù)進(jìn)行收集。經(jīng)過數(shù)據(jù)預(yù)處理和篩選，最終得到了900組具有代表性的腐蝕數(shù)據(jù)。這些數(shù)據(jù)涵蓋了管段沿線各個監(jiān)測點的腐蝕情況，為后續(xù)分析和建模提供了豐富且有價值的樣本。然而，為了進(jìn)一步提高模型的預(yù)測精度和泛化能力，研究人員還需要對原始數(shù)據(jù)進(jìn)行進(jìn)一步篩選和處理。在這個過程中，他們可以采用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等方法，找出具有典型特征的數(shù)據(jù)子集。通過這種方式，可以降低模型的過擬合風(fēng)險，提高其在實際應(yīng)用中的泛化能力[5]。最終，研究人員從900組數(shù)據(jù)中選取了202組具有代表性的數(shù)據(jù)。這些數(shù)據(jù)既包括了管段沿線各個監(jiān)測點的腐蝕情況，也涵蓋了不同時間跨度和環(huán)境條件下的腐蝕特征。通過使用這些典型數(shù)據(jù)，研究人員可以構(gòu)建更加精確和可靠的Elman神經(jīng)網(wǎng)絡(luò)模型，以預(yù)測管道的腐蝕發(fā)展趨勢。部分?jǐn)?shù)據(jù)見表1。

表1 管道腐蝕原始數(shù)據(jù)

3.2 RF變量篩選

針對不同因素之間的差異，提出了一種基于premnnmx函數(shù)的方法，來消除尺度效應(yīng)的影響。通過隨機(jī)森林算法將樣本數(shù)據(jù)10種腐蝕單因素變量納入隨機(jī)森林模型得到各變量重要性由高到低排序；根據(jù)重要性評分排序得到的結(jié)論，從評分最高的單個變量進(jìn)行逐步隨機(jī)森林。分析結(jié)果如圖4所示。當(dāng)變量數(shù)為8時估算誤差率最低，因此，選取電阻率、環(huán)境pH、鹽度、含水率、氧含量、H2S含量、注入水體pH等8個因子作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

圖4 變量重要性排序圖

3.3 結(jié)果分析與模型對比

為了驗證RF-MEA-Elman模型的性能，研究人員將篩選后的數(shù)據(jù)分為訓(xùn)練集和檢測集。其中，186組數(shù)據(jù)作為MEA-Elman模型的訓(xùn)練集，剩余的20組數(shù)據(jù)作為檢測集。研究人員通過不斷迭代優(yōu)化，揭示了模型在訓(xùn)練過程中的進(jìn)化歷程，如圖5所示。為了評估RF-MEA-Elman模型的預(yù)測準(zhǔn)確性，研究者選取了MEA-Elman和Elman兩個模型作為對比[5]。思維進(jìn)化迭代過程如圖6展示的那樣。在迭代過程中，研究人員不斷調(diào)整模型參數(shù)，以期達(dá)到更高的預(yù)測精度。通過圖5，我們可以觀察到模型的精度隨著迭代的進(jìn)行而逐步提高。了更直觀地評估RF-MEA-Elman模型的性能，研究人員選擇了MEA-Elman和Elman兩個模型進(jìn)行對比。通過對比三種模型的預(yù)測結(jié)果，可以清楚地看出RF-MEA-Elman模型在預(yù)測精度方面的優(yōu)勢[6]。圖6展示了思維進(jìn)化迭代過程，從中我們可以看到模型在迭代過程中的逐步優(yōu)化。通過對比預(yù)測結(jié)果及相對誤差，研究人員可以直觀地評估RFMEA-Elman模型的性能。如圖7、8和表2所示，RFMEA-Elman模型在預(yù)測精度、準(zhǔn)確性和穩(wěn)定性方面均表現(xiàn)出顯著優(yōu)勢。RF-MEA-Elman模型在迭代優(yōu)化過程中具有較高的預(yù)測精度，可以有效地應(yīng)用于管道腐蝕預(yù)測。與MEA-Elman和Elman模型相比，RFMEA-Elman模型在預(yù)測性能方面具有明顯優(yōu)勢，為管道管理部門提供了有力支持。通過應(yīng)用RF-MEAElman模型，可以提高管道的安全運行水平和維護(hù)效率，降低管道腐蝕帶來的風(fēng)險[7]。

圖5 逐步隨機(jī)森林分析結(jié)果

圖6 思維進(jìn)化算法迭代變化過程

圖7 模型預(yù)測結(jié)果的比較

如圖6所示，經(jīng)過30個迭代后，該方法的誤差很快降至0.05以下，表明該方法有很好的推廣性能和穩(wěn)定性。如圖7所示，RF-MEA-Elman預(yù)測值與真實值之間的差異較小，且與單個 Elman模型及MEAElman模型的擬合結(jié)果吻合較好，說明 RF法剔除了冗余變量，采用演化思想對神經(jīng)網(wǎng)絡(luò)權(quán)重及門限進(jìn)行了優(yōu)化，得到了準(zhǔn)確、快速的神經(jīng)網(wǎng)絡(luò)模型。從圖8和圖2中可以看出，RF-MEA-Elman方法的相對預(yù)報誤差比其他兩種模式都要小，而所建立的模型大部分誤差在4%之內(nèi)。為了更好地評估該模式的預(yù)報效能，我們使用前一節(jié)介紹的兩種統(tǒng)計方法來評估該模式，并將其結(jié)果顯示在表3中。

表3 模型預(yù)測性能指標(biāo)對比

圖8 相對誤差對比圖

進(jìn)一步的分析顯示，在誤差指標(biāo)（MSE）方面，最小的只有0.86，判決系數(shù)R2高達(dá)0.98，比兩個對照模型都要高得多，并且都非常逼近1，這表明演化算法可以很好地對 Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。研究結(jié)果表明，本文提出的方法預(yù)報準(zhǔn)確率高，泛化能力強(qiáng)，可以為管線腐蝕評價提供一定的理論依據(jù)。

4 結(jié)論

針對腐蝕管道影響因素復(fù)雜與傳統(tǒng)方法預(yù)測效果差等問題，構(gòu)建含腐蝕管線的RF-MEA-Elman剩余壽命預(yù)測模型，并對其進(jìn)行驗證。結(jié)果如下：

1)利用隨機(jī)森林方法，有效地提取出了腐蝕過程中的主導(dǎo)因子，減弱了數(shù)據(jù)冗余性對預(yù)測結(jié)果的影響。

2)利用演化算法對神經(jīng)網(wǎng)絡(luò)的權(quán)重門限進(jìn)行優(yōu)化，以克服因參數(shù)隨機(jī)性而導(dǎo)致的學(xué)習(xí)效率下降，從而達(dá)到快速、準(zhǔn)確、節(jié)省計算量的目的[7]。

3）將本模型用于管線的剩余壽命預(yù)測，結(jié)果表明RF-MEA-Elman模型在推廣能力、穩(wěn)定性和精度上都有很大的改善，具有較好的推廣價值。通過本項目的實施，將進(jìn)一步完善含腐蝕管線剩余壽命的研究方法，為我國LNG接收站的安全運行和維護(hù)工作提供理論支撐。