碳鋼在不同水質中腐蝕速率的預測模型

邢會爽 何禹侖 劉鵬

摘? 要：腐蝕作為循環冷卻水系統面臨的三大問題之一，對其進行實時、準確的監測，有助于及時發現和控制生產中的腐蝕問題。在分析已有腐蝕速率監測技術的基礎上，結合換熱器材質、水質、腐蝕控制的實際情況和控制效果，模擬管殼式換熱器運行過程中冷卻水的流動及傳質特點，構建了循環冷卻水動態模擬綜合評價系統。結合最小二乘支持向量機算法原理，以腐蝕速率為目標量，建立了基于水質參數預測腐蝕速率的模型，為阻垢緩蝕效果的評價提供了可靠的腐蝕特性數據。

關鍵詞：循環冷卻水? ?腐蝕速率? ?水質參數? ?LS-SVM? 預測模型

中圖分類號：TE988.2

Prediction Models for the Corrosion Rate of Carbon Steel in Different Water Qualities

XING Huishuang1? HE Yulun 2? LIU Peng2

1.Jilin Vocational College of Industry and Technology；2. Northeast Electric Power University， Jilin， Jilin Province， 132012 China

Abstract： Corrosion is one of the three major problems faced by the circulating cooling water system， and its real-time and accurate monitoring is helpful to timely detect and control corrosion problems in production. Based on the analysis of the existing monitoring technology of the corrosion rate， and combined with the actual situation and control effect of heat exchanger materials， water quality and corrosion control， the flow and mass transfer characteristics of cooling water during the operation of shell-and-tube heat exchangers are simulated， and a dynamic simulation and comprehensive evaluation system of circulating cooling water is constructed. Combined with the principle of the least square support vector machine algorithm， a model for predicting the corrosion rate based on water quality parameters is established with the corrosion rate as the target quantity， which provides the reliable data of corrosion properties for the evaluation of scale and corrosion inhibition effects.

Key Words： Circulating cooling water; Corrosion rate; Water quality parameter; LS-SVM; Prediction model

金屬材料憑借其優越的使用特性和優良的工藝特性，已經被廣泛應用到現代工業技術設備和日常生活中。但在實際應用中金屬材料同時又最容易受周圍環境介質影響，發生腐蝕、穿孔及泄露損壞[1]。腐蝕主要發生在金屬與介質界面上，是一種復雜的多相反應，且隨著時間的推移，腐蝕會逐漸對金屬內部造成破壞[2]。碳鋼直接暴露的表面受到腐蝕的場景和條件繁多[3]，腐蝕過程一個使能量降低的自發破壞過程。

碳鋼作為現代工業使用較為廣泛的金屬材料其腐蝕性的研究一直備受關注[4]。目前常用的腐蝕判定指數有Larson指數法（LI）、腐蝕指數（CI）、侵蝕指數（AI）等，但是這些指數局限于對腐蝕的定性判斷，不能作為腐蝕傾向的定量判斷。劉武等人[5]應用灰色GM（1，1）模型對管道腐蝕速率進行了預測，該方法僅考慮了單一變量的變化，忽略了影響腐蝕的各因素間的相互關系。支持向量機（Support Vector Machine，SVM）可消除人工神經網絡收斂速度慢、易陷入局部最小、存在過擬合等問題，由于其具有學習速度快、樣本數量要求少、全局最優、泛化能力強等優點在回歸預測領域得到廣泛應用。

1? 實驗方法

實驗水通過抽濾泵分別經由系統的下水箱、上水箱、換熱器（即碳鋼管）、水質檢測池，最后再回到下水箱完成循環。其中，上水位箱中裝有溢流管，用來恒定碳鋼管入口水壓；下水箱中裝有一套板式散熱器作為冷卻設備。它與專門的空冷裝置連通，通過PID控制系統與恒溫水浴控制系統共同作用來維持模擬管式換熱器的入口水溫恒定；通過自動控制系統來調節電加熱棒和空冷系統，使水浴溫度和碳鋼管的入口溫度維持在設定溫度的±0.5 ℃范圍內。在封閉式循環冷卻水系統循環的過程中，對各個與腐蝕過程相關的水質參數進行監測。

2? 實驗原理

2.1? 最小二乘支持向量機預測算法原理

最小二乘支持向量機（LS-SVM）是通過將最小二乘線性系統應用到支持向量機中，用求解線性關系式問題來代替支持向量機算法中的求解二次規劃問題，有效降低了該算法的復雜度，不僅節約運算時間而且還提高了模型的預測精度。與標準SVM不同，LS-SVM選擇的二范數作為損失函數，優化問題變為：

同時用等式約束條件代替不等式約束條件：

引入Lagrang函數L來求解優化問題：

式（3）中：是拉格朗日乘子，常數。再根據KKT條件，對式（3）求偏導，得如下等式和約束條件：

式（4）中：，上式消去和，求解線性方程組，利用最小二乘算法求出和，由此可得預測模型：

3 最小二乘支持向量機腐蝕速率預測結果

使用表1中第一組數據作為樣本數據進行訓練，使用第二組數據作為驗證數據。為了對比LS-SVM模型的預測性能，本文采用BP神經網絡作為參照模型，使用相同的數據進行訓練和驗證。

圖1為BP神經網絡和LS-SVM兩種預測模型的預測結果。相比于BP神經網絡模型，本文提出的LS-SVM模型能夠更準確地預測腐蝕速率及其變化趨勢。

為了進一步分析兩種模型的預測性能，對其分別求取平均絕對百分比誤差MAPE：

式（6）中：和分別為實際的和預測的腐蝕速率值。兩種模型預測結果的MAPE值分別為：LS-SVM為3.54%；BP為7.05%。結果表明：LS-SVM方法是一種很好的冷卻水腐蝕速率預測方法，具有很好的實際應用前景。

4? 結語

本文研究了冷卻水/碳鋼界面的腐蝕特性，通過實驗系統動態模擬了管式換熱器的實際運行工況，實現對水質參數和腐蝕速率的監測。基于水質參數與實時監測數據，建立了基于BP神經網絡和LS-SVM神經網絡的腐蝕速率預測模型。預測結果表明：基于LS-SVM模型具有更好的預測精度，MAPE為3.54%。

參考文獻

宋成立，羅金恒，成少兵，等.油氣集輸管道的腐蝕速率預測研究進展[J].科學技術與工程，2023（23）：9766-9774.

姜海生，努爾夏提·奴爾東，劉軍衡.基于循環神經網絡的腐蝕速率預測[J].腐蝕與防護，2023（11）：78-80.

杜立成.碳鋼在鹽霧環境下的腐蝕模擬研究[D].哈爾濱：哈爾濱工業大學，2022.

李長俊，徐倩，賈文龍，等.含水原油輸送鋼管CO2腐蝕速率預測機理模型研究進展[J].科學技術與工程， 2021（32）：13628-13637.

劉武季壽紅，蘭志林，等.灰色GM（1，1）模型在管道腐蝕預測中的應用[J].管道技術與設備，2008（5）：52-53，56.