基于ARIMA線性時間序列的埋地輸油管道剩余壽命預測

摘""""" 要： 針對埋地輸油管道剩余壽命預測問題，構建基于ARIMA線性時間序列的埋地輸油管道剩余壽命預測模型。選用ARIMA方法，建立管道剩余壽命預測模型，并對輸油管道剩余壽命進行預測。結果表明：基于ARIMA模型預測出該段管道的剩余壽命為27年，與專業的壓力實驗計算出的剩余使用壽命28年最為接近，與其他模型對比研究，ARIMA模型更為準確地的預測出管道剩余壽命。

關" 鍵" 詞：輸油管道； 剩余壽命； ARIMA時間序列；

中圖分類號：TE988.2"""" 文獻標識碼： A"""" 文章編號： 1004-0935（20202024）0×3-00000471-0×5

埋地輸油管道可以在地下延伸數千公里，面臨著極為復雜的環境。正是這種復雜的環境條件導致管道產生嚴重的腐蝕問題[1]。由于管道腐蝕，導致埋地管道系統的可靠性下降，中國的石油和天然氣埋地管道生產線在運營了幾年后經常會出現腐蝕和穿孔問題。總的來說，這些數據表明管道腐蝕對于輸送系統的安全性具有重要影響，這不僅導致石油的泄漏，還有停工停產造成的損失[2， -3]。為了降低經濟損失，企業需要確保埋地管道的安全運作。因此，預測研究管道剩余壽命具有至關重要的價值。

管道使用量大增，導致腐蝕管道事故頻繁發生。管道使用量大增，導致腐蝕管道事故頻繁發生。針對此類事故，國內外相關機構開始展開研究，重點研究了腐蝕管道的剩余強度評價方法[4， -5]。20世紀70年代初，美國管道研究委員會（AGA）提出了B31G腐蝕管道評價標準，這一評價標準為管道行業提供了全新的解決方案，有助于更好地預防和應對腐蝕管道相關事故；隨后，在1984年，美國機械師工程協會ASME將B31G評價標準進行整合[6]，如今，B31G評價標準已經成為一種廣泛應用于管道行業的評估和預測腐蝕管道性能的重要工具；總體來說，自20世紀60年代以來，腐蝕管道事故的研究取得了顯著成果。在行業標準機構和學者的共同努力下，B31G腐蝕管道評價標準及其他相關及其它相關技術逐漸得到廣泛應用，有力地提高了管道的安全水平[7]；SY/T 6151為我國石油行業推薦標準，中石油公司于1995年發布并實施了該方法，后經國家能源局于2009年進行修訂，該方法在國內已經普遍使用。管道剩余壽命受多種因素影響，這些因素之間存在相互作用，呈現出非線性特性，因此準確預測腐蝕管道的剩余壽命是相當復雜的[8， -9]。

綜上所述，剩余壽命預測研究對于確保管道安全運行具有重要意義，考慮到輸油管道剩余壽命預測研究的需要，可以采用時間序列ARIMA模型并結合歷史數據中使用的B31G方法，將其轉化為對管道剩余壽命重要影響因素的預測。可根據ASME B31G標準進一步分析這些因素，對管道進行剩余強度和適用性評估，從而得出該管道段預計使用壽命，該剩余壽命預測模型可以為企業在管道防護方面提供科學的、有效的指導意見。

1" 基于ARIMA的管道剩余壽命預測

1.1" 時間序列

時間序列分析處理是按照時間順序提取的記錄。重要的是數據的時間次序，記錄的從屬性是時間序列的一個重要特征[10]。時間序列的應用背景范圍廣泛，根據應用在不同的程序中，收集的數據可以為每小時、每天、每周、每月或每年等。我們用{Xt}或{Yt}（t=1，2，…，T）來表示長度為T的時間序列[11]。時間尺度的單位通常暗含在以上記號中。

時間序列在各個領域中都有廣泛的應用，例如天文學和經濟學等。通過對數據進行時間序列分析，可以設定一個隨機模型來解釋數據的變化規律，并將其視為隨機過程的實現。時間序列分析有助于揭示數據內部的動態變化特征，它能有效地解釋數據中的隨機過程，反映內部動態，并在適當情況下用于預測和控制，從而為各類研究和應用提供有力支持[12， -13]。建立這樣的模型可以用于多種目的，例如理解和解釋產生數據的機制等[14]。

1.2" ARIMA線性時間序列模型

通常線性時間序列模型包括自回歸平均（ARMA）模型，該模型包含了純自回歸（AR）和純滑動平均（MA）模型作為其特殊情形。ARMA模型通常被用于對線性動態結構進行建模，以表現變量之間的關系，并被廣泛用作預測線性現象的工具[15， -16]。另一種重要的時間序列模型是自回歸求和滑動平均（ARIMA）模型，穩定ARMA過程是他的子類別。

在實際生產過程中，時間序列數據往往呈現明顯的趨勢或周期性特點。但是，傳統的ARMA模型無法很好地滿足這些特性需求，因為其主要適用于平穩的時間序列數據。鑒于實際生產中的數據往往是不穩定的，為消除這種不穩定趨勢，通常會對數據進行預處理。預處理能夠去除數據中的異常值，從而令數據更趨于穩定[17， -18]。在去除異常值后，用ARMA模型建立新的模型，這個新模型被稱為ARIMA模型。它在很大程度上彌補了ARMA模型在處理非平穩時間序列數據方面的局限性。因此，ARIMA模型在實際生產應用中具有廣泛的應用價值，能夠為各種預測和分析任務提供有效的數據建模支持。

在建立ARIMA模型之后，利用ARIMA模型預測對管道剩余強度和壽命具有重要影響的d、A、L因素，結合B31G方法來確定管道的剩余使用壽命，從而實現預測埋地輸油管道剩余壽命的目標。

2" 管道剩余壽命預測實例分析

利用某油田輸油管道31年的相關數據進行分析。該管道管徑是DN300（323.9×8.4），材質為20#碳鋼；該管線的設計壓力是2.5 MPa··G，操作壓力是

1.0 MPa··G。待測量的數值涵蓋管道剩余壁厚d、軸向投影面積A和腐蝕缺陷的軸向長度L。根據現場使用情況，由專業的壓力實驗計算出該管段的剩余使用壽命為28年。表1為某油田管道31年的相關數據。

2.1" 數據相關性分析

這些歷史數據涵蓋了土壤參數，比如pH值、O2、水溶性氯離子、Ca2+、硫酸根離子等；以及工藝參數，如操作壓力和操作溫度等。為了更好地理解和利用這些數據，可以進行數據相關性分析，發現不同數據之間的潛在關聯，并且降低其維度。

Pearson相關系數是數據相關性分析中的一種，被用于衡量兩個固定距離變量之間的線性關系[19，-20]，給出 ， 兩個樣本，則X和Y之間的Pearson相關系數為：

。"""" （1）（1）

式中是X和Y的樣本平均值，是X和Y的的變量值。當Pearson相關系數r的絕對值升高時，表示自變量與因變量間的相互關聯加強： 為高度相關、 為顯著相關、 為低度相關、 為微弱相關。

根據相關性分析，H2S含量呈現出較低的相關性，而d、A、L與目標變量具有較高的相關性，其他因素的相關性較低。在構建模型時，通常會忽略具有微弱相關性的因素。表2展示了數據相關性分析的結果。

2.2" 建立ARIMA模型

對于埋地管道而言，L、d、A等這些數據難以實時獲取。這類信息不容易直接獲取，同時，它們在判斷管道剩余強度和壽命方面具有重大影響。因此，預測剩余壽命的問題將轉化為預測對管道剩余強度和使用壽命產生關鍵影響的因素。管道的腐蝕速率是隨時間的推移而不斷加快的，且總體又呈現一種線性的關系[21， -22]。因此，把時間因素融入到預測影響管道剩余強度和壽命的關鍵因素中是非常重要的。

2.2.1" 建立L的ARIMA模型

以L作為因變量，H2S含量、d、A作為自變量，構建ARIMA模型。圖1展示了0.5至31年期間，腐蝕缺陷軸向長度L的實際值和預測值之間的對比。

2.2.2nbsp; 建立d的ARIMA模型

以d作為因變量，H2S含量、L、A作為自變量，構建ARIMA模型。圖2展示了0.5至31年期間，腐蝕管道剩余壁厚d的實際值和預測值之間的對比。

2.2.3" 建立A的ARIMA模型

以A作為因變量，H2S含量、L、d作為自變量，構建ARIMA模型。圖3展示了0.5至31年期間，缺陷投影面積A的實際值和預測值之間的對比。

2.3" 基于ARIMA模型管道剩余壽命預測

將L、A、d三個影響因子分別視為因變量，構建時間序列ARIMA模型進行預測分析，從而獲得L、A、d這三個參數的預測結果，表3為其參數預測值。

2.3" 基于ARIMA模型管道剩余壽命預測

將L、A、d三個影響因子分別視為因變量，構建時間序列ARIMA模型進行預測分析，從而獲得L、A、d這三個參數的預測結果，表3為其參數預測值。

3" 預測模型的對比研究

通過研究管道剩余壽命預測方法，采用改進的B31G準則和SY/T 6151標準的評估方法，對腐蝕缺陷管道進行剩余強度評估，預測得到該管段的剩余使用壽命分別為26.5年和24.5年。然而，利用時間序列ARIMA模型并結合B31G評價方法預測得到的該管段剩余壽命為27年，這個結果與基于專業壓力實驗計算的剩余使用壽命（28年）較為相近，圖4展示了利用4種不同預測方法得到的管道剩余壽命的對比情況。

利用表格中的數據，結合B31G方法進行壽命預測。在第27.5年之后，p'小于等于操作壓力，因此可以認定該管道已經失效，建議進行維修更換。通過以上綜合分析，該管道的實際使用壽命為27年。

利用表格中的數據，結合B31G方法進行壽命預測。在第27.5年之后，p'小于等于操作壓力，因此可以認定該管道已經失效，建議進行維修更換。通過以上綜合分析，該管道的實際使用壽命為27年。

通過分析圖4，可知加入時間因素的ARIMA模型與B31G方法相結合，在預測含腐蝕缺陷埋地輸油管道剩余壽命方面比其他方法效果更優，更適用于這類預測場景。

4" 結 論（結束語）

（1）對ARIMA線性時間序列方法進行分析，并選取國內某油田一段管道不同時間段的歷史數據，利用ARIMA線性時間序列方法對重要作用因素L、d、A進行線性時間序列預測，創建ARIMA模型，用于預測影響管道剩余強度和剩余壽命的關鍵因素。

（2）利用改進的ASME B31G方法、SY/T 6151方法和ARIMA模型對管道進行剩余強度評估，得出了這段管道在三種方法下的建議使用壽命。將三種方法的預測結果對比可知，通過ARIMA模型可以較為準確地的預測管道剩余壽命，因此ARIMA模型更適合對該管段進行剩余強度評價，在管道安全防護中具有實際意義，同時為企業在管道防護方面提供科學的、有效的指導意見。

參考文獻：

[1]""" 吳忠. 在役輸油管道剩余壽命的預測 [J]. 江西化工， 2019， No.141（01）： 98-101.

[2]""" 李顏， 謝飛. 基于改進神經網絡腐蝕管線剩余壽命預測 [J]. 當代化工， 2020， 49（11）： 2629-32.

[3]""" 張維. 多因素綜合作用下高寒地區輸油管道剩余壽命的預測 [J]. 遼寧化工， 2022， 51（11）： 1556-60+64.

[4]""" ZHOU W G， LIU D J， WANG H， et al. Remaining-Life Prediction and Reliability Assessment of Buried Gas Pipelines under Corrosion and Alternating Loads [J]. Journal of Pipeline Systems Engineering and Practice， 2015， 6（1）.

[5]""" 劉承磊， 楊靜， 祝明， 等. 基于正態分布的腐蝕管道剩余壽命預測方法 [J]. 腐蝕與防護， 2023， 44（03）： 100-6+18.

[6]""" MA B， SHUAI J， WANG J， et al. Analysis on the Latest Assessment Criteria of ASME B31G-2009 for the Remaining Strength of Corroded Pipelines [J]. Journal of Failure Analysis amp; Prevention， 2011， 11（6）： p.666-71.

[7]""" VERITAS D N. DNV-RP-F101 Recommend practice corroded pipelines， ed [J]. Oslo： DNV， 2004.

[8]""" 史博， 王彥， 孫煊. 油氣管道腐蝕檢測及剩余壽命預測 [J]. 山東工業技術， 2015， No.201（19）： 4.

[9]""" WASIM M， DJUKIC M B B. External corrosion of oil and gas pipelines： A review of failure mechanisms and predictive preventions [J]. Journal of Natural Gas Science and Engineering， 2022， 100.

[10]" 錢嫣然， 何慧之， 仇海英， 等. 基于ARIMA模型的區域用電量預測方法 [J]. 信息技術， 2023， 47（01）： 180-5.

[11]" 王斌. 基于時間序列ARIMA模型的電力負荷短期預測分析 [J]. 石河子科技， 2019， No.245（03）： 43-7.

[12]" DAWOUD I， KACIRANLAR S. An optimal k of kth MA-ARIMA models under a class of ARIMA model [J]. Communications in Statistics-Theory and Methods， 2017， 46（12）： 5754-65.

[13]" LI X S， LIN J， ZHAO L. Time series clustering in linear time complexity [J]. Data Mining and Knowledge Discovery， 2021， 35（6）： 2369-88.

[14]" 張雅麗. 非線性時間序列的結構復雜性和相關性研究 [D]; ]. 北京交通大學， 2022.

[15]" LI S Y， LI R R. Comparison of Forecasting Energy Consumption in Shandong， China Using the ARIMA Model， GM Model， and ARIMA-GM Model [J]. Sustainability， 2017， 9（7）.

[16]" LOMADZE V. State representations of ARMA-models [J]. International Journal of Control， 2010， 83（10）： 2091-7.

[17]" FAN D Y， SUN H， YAO J， et al. Well production forecasting based on ARIMA-LSTM model considering manual operations [J]. Energy， 2021， 220.

[18]" FARUK D O. A hybrid neural network and ARIMA model for water quality time series prediction [J]. Engineering Applications of Artificial Intelligence， 2010， 23（4）： 586-94.

[19]" 張建勇， 高冉， 胡駿， 等. 灰色關聯度和Pearson相關系數的應用比較 [J]. 赤峰學院學報（自然科學版）， 2014， 30（21）： 1-2.

[20]" 張占陽， 周銘輝， 高艷龍， 等. 基于Pearson相關系數分析唐山臺斷層CO2濃度與地溫相關性及其與地震的關系 [J]. 內陸地震， 2022， 36（03）： 227-36.

[21]" 鄧霄， 白天陽， 崔宇翔， 等. 含腐蝕缺陷管道剩余壽命預測方法評述 [J]. 油氣與新能源， 2021， 33（05）： 28-32.

[22]" 李晗， 高濤. 油氣管道腐蝕因素及剩余壽命預測研究 [J]. 石化技術， 2018， 25（06）： 93.

Residual Life Prediction of Buried Oil Pipeline

Based on ARIMA Linear Time Series

Sun JianBo2

（1. Wuchang Natural Gas Center Station of Xinjiang Oilfield Oil and Gas Storage and Transportation Branch，

Xinjiang Urumqi 830000，China）

Abstract：" The ARIMA linear time series approach is used to build a residual life prediction model for underground oil pipelines. To create a pipeline remaining life prediction model and predict the remaining life of oil pipelines， the ARIMA approach was chosen. The results show that the ARIMA model predicts the remaining life of this section of the pipeline to be 27 years， which is close to the remaining life of 28 years calculated by professional pressure experiments， and that the ARIMA model is more accurate in predicting the remaining life of the pipeline when compared to other models.

Key words：" Oil pipelines;" Remaining service life;" ARIMA time-series