王 齊，胡林林

?

基于BP神經(jīng)網(wǎng)絡(luò)的油氣長輸管道土壤腐蝕性預(yù)測

王 齊1，2，胡林林3

（1. 西南石油大學(xué)， 四川 成都 610500； 2.中國石油天然氣股份有限公司西北銷售分公司，四川 成都 611930；3. 四川宏達石油天然氣工程有限公司，四川 成都 610000）

基于BP神經(jīng)網(wǎng)絡(luò)原理, 綜合考慮六類土壤腐蝕指標（土壤電阻率、土壤含水量、氧化還原電位、氯離子含量、硫酸根離子含量和pH值），建立了一種土壤腐蝕速率的預(yù)測方法?；谶@種方法，依據(jù)某油田的現(xiàn)場土壤數(shù)據(jù)，借助MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立了這一地區(qū)的土壤腐蝕性預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練和預(yù)測結(jié)果表明：訓(xùn)練的腐蝕速率最大誤差為-1.5%，預(yù)測的腐蝕速率最大誤差為8%。由此可見，基于BP神經(jīng)網(wǎng)絡(luò)的土壤腐蝕性預(yù)測方法具有較好的預(yù)測精度，對油氣管道的安全運行具有重要的意義。

土壤腐蝕性；BP神經(jīng)網(wǎng)絡(luò)；腐蝕速率；預(yù)測

近年來，隨著中國在管道建設(shè)上的大力發(fā)展，形成了東北、華北、華中和西北地區(qū)的龐大地下石油與天然氣管線網(wǎng)絡(luò)，陸上管道總里程已達12萬km[1]。這些管道隨著時間的推移，在施工、地形沉降、土壤腐蝕等因素的影響下，管道可能會發(fā)生腐蝕、穿孔、泄漏等情況，而腐蝕更是造成油氣管網(wǎng)泄漏的主要原因[1,2]。由于長輸油氣管道的長度長達幾百或上千公里，在事故發(fā)生后很難迅速找到確定的位置，并且它可能會導(dǎo)致更多的事故，所以合理、準確地預(yù)測油氣管道土壤腐蝕速率顯得尤為重要[3]。

管道在土壤中的腐蝕速率受多種因素的影響[4]。這些因素包括：含水量、含鹽量(包括氯離子含量、硫酸根離子含量等)、土壤電阻率、pH值、土壤氧化還原電位、金屬腐蝕電位、硫酸鹽還原菌等[5]，它們有的單獨起作用，而有的則聯(lián)合起作用。現(xiàn)在世界上已經(jīng)發(fā)展出了很多種埋地管道土壤腐蝕的評價方法，如：單項指標評價方法、多項指標評價方法、電化學(xué)評價方法和模糊灰色理論等。但是，埋地管道的土壤腐蝕是多因素共同作用的結(jié)果。傳統(tǒng)的單一指標腐蝕評價方法具有極大的局限性，因此評價方法的合理選擇決定著土壤腐蝕評價的準確性[6]。

基于這些原因，在多項影響因素中建立一定的內(nèi)在聯(lián)系，從而綜合的評價和分析土壤的腐蝕性成為了現(xiàn)今較為可靠地方法之一。本文擬采用人工神經(jīng)網(wǎng)絡(luò)算法中的BP神經(jīng)網(wǎng)絡(luò)建立土壤的腐蝕速率的預(yù)測模型。這種模型具有極強的非線形逼近、模糊推理、大規(guī)模并行處理、自訓(xùn)練學(xué)習(xí)、自組織和良好的容錯性等特點[7]。因此，將該算法應(yīng)用于長輸管道腐蝕速率預(yù)測，從而可有效克服傳統(tǒng)腐蝕評價方法可靠性低的缺點，提高評價的精確度和適用范圍。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

通過對油氣管道土壤腐蝕機理分析，油氣管道土壤腐蝕的主要影響因素是土壤電阻率、土壤含水量、氧化還原電位、氯離子含量、硫酸根離子含量和pH值。在建立BP神經(jīng)網(wǎng)絡(luò)模型前，確定這6個指標作為神經(jīng)元的輸入，而神經(jīng)元的輸出為單一指標，即管道的腐蝕速率。如圖1所示為網(wǎng)絡(luò)結(jié)構(gòu)圖，屬于多輸入，單一輸出的網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 神經(jīng)元結(jié)構(gòu)模型

它是一個多輸入單輸出的非線形元件，其輸入和輸出關(guān)系可描述為：

（1）

式中：x—的輸入信號(=1,2,...,)；

—神經(jīng)元的偏置(閾值)；

W—第個神經(jīng)元的連接權(quán)值；

—輸入信號的數(shù)目，這里為6；

—神經(jīng)元輸出；

除包裝刮起“綠色環(huán)保風(fēng)”外，快遞行業(yè)在運輸方面也越來越環(huán)保。記者在昆明街頭看到，除快遞員的兩輪車、三輪車是純電動力外，快遞行業(yè)使用的汽車也開始采用純電動車，今年云南順豐開始積極推動綠色運輸與配送，“雙11”期間投入的400余輛三輪車、200余輛兩輪車和100輛汽車，均為新能源車和純電動車。

—傳遞函數(shù)，也叫做激發(fā)或激勵函數(shù)。

傳遞函數(shù)可為線性函數(shù)，但通常為非線性函數(shù)。常用的傳遞函數(shù)列舉如下：閾值型函數(shù)、分段線性函數(shù)Sigmoid函數(shù)和高斯函數(shù)[8]。根據(jù)模型的特點，借助MATLAB軟件對BP神經(jīng)網(wǎng)絡(luò)模型進行求解。求解步驟包括基于樣本的網(wǎng)絡(luò)訓(xùn)練和預(yù)測兩部分。

2 實例計算

在前面所述模型的基礎(chǔ)上，依據(jù)某油田油氣長輸管道的20組土壤理化性質(zhì)與腐蝕埋片的測試數(shù)據(jù)，建立多指標的土壤腐蝕速率預(yù)測方法，并對其應(yīng)用效果進行分析，樣本數(shù)據(jù)如表1所示。

表1 訓(xùn)練樣本數(shù)據(jù)

續(xù)表

編號土壤 電阻率含水率,%pH值氧化還原電位/mV硫酸根離子含量/(mg·kg-1)氯離子含量/(mmol·kg-1) 101.329.38.162744.862.43 115.417.48.652886.880.72 1291.114.78.521497.630.85 137.217.58.562686.380.49 14116.810.38.422344.620.18 1554.217.78.502357.001.08 161.027.38.351859.431.59 1785.710.68.653066.870.48 184.315.28.242590.971.30 192.311.08.181851.710.41 205.522.18.002414.3011.08

設(shè)置最小均方誤差為0.000 01，學(xué)習(xí)率為0.01，動量系數(shù)為0. 9，最大訓(xùn)練次數(shù)為20 000，將表1中1~22 號樣本數(shù)據(jù)作為訓(xùn)練樣本進行訓(xùn)練。

由圖2可知，訓(xùn)練得到的腐蝕速率與實際腐蝕速率的相對誤差較小，最大相對誤差為-1.5%,訓(xùn)練效果較好。

圖2 訓(xùn)練值的相對誤差

同時，為了檢驗該模型的實際預(yù)測效果，取該油田區(qū)塊另外10組土壤數(shù)據(jù)，對其腐蝕速率進行預(yù)測，土壤參數(shù)如表2所示。

表2 預(yù)測樣本數(shù)據(jù)

在前面網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)上，對表2所示10組數(shù)據(jù)的腐蝕速率進行預(yù)測。

預(yù)測結(jié)果如圖3所示，實際腐蝕速率曲線與預(yù)測腐蝕速率曲線吻合較好，誤差在工程可接受范圍之內(nèi)，大多數(shù)預(yù)測值略小于實際值。

圖3 預(yù)測值與實際值的對比曲線

圖4為相對誤差曲線，進一步表明了該預(yù)測方法的可靠性。由圖4可知，腐蝕速率的最小相對誤差為1%，最大相對誤差為8%，預(yù)測結(jié)果表明模型具有較高的預(yù)測精度，對管道沿線腐蝕速率的預(yù)測具有重要意義。由此可見，利用人工神經(jīng)網(wǎng)絡(luò)可以對樣本數(shù)據(jù)進行有效的學(xué)習(xí)，仿真及預(yù)測，尤其是對于土壤這種受多種因素控制的腐蝕系統(tǒng)，BP神經(jīng)網(wǎng)絡(luò)具有很強的優(yōu)越性。

圖4 預(yù)測值的相對誤差

3 結(jié) 論

（1）以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，綜合考慮考慮土壤電阻率、土壤含水量、氧化還原電位、氯離子含量、硫酸根離子含量和pH值，六個指標，建立了油氣管道土壤腐蝕性的預(yù)測模型。

（2）以某油田的實際數(shù)據(jù)為計算依據(jù)，對模型進行了訓(xùn)練和預(yù)測。結(jié)果表明該預(yù)測方法具有較較高的預(yù)測精度，訓(xùn)練值的最大誤差為-1.5%，預(yù)測值的最大誤差為8%。

（3）本文的研究成果為合理預(yù)測油氣管道的腐蝕速率提供了理論和技術(shù)支撐。

參考文獻：

［1］ 高鵬，王培鴻，王海英，等. 2014 年中國油氣管道建設(shè)新進展[J]. 國際石油經(jīng)濟，2015 (3): 68-74.

［2］ 彭星煜，張鵬，李宗新，等. 油氣長輸管道外腐蝕維護風(fēng)險緩解程度模型[J]. 石油工業(yè)技術(shù)監(jiān)督，2006，22(10): 35-39.

［3］ 范開峰，王衛(wèi)強，孫瑞，等. 天然氣管道腐蝕與防腐分析[J]. 當代化工，2013，42(5): 653-656.

［4］ 林新宇，吳明，程浩力，等. 埋地油氣管道腐蝕機理研究及防護[J]. 當代化工，2011，40(1): 53-55.

［5］ 宋光鈴，曹楚南，林海潮，等. 土壤腐蝕性評價方法綜述[J]. 腐蝕科學(xué)與防護技術(shù)，1993，5(4): 268-277.

［6］ 尹桂勤，張莉華，常守文，等. 土壤腐蝕研究方法概述[J]. 腐蝕科學(xué)與防護技術(shù)，2004，16(6): 367-370.

［7］Liao K, Yao Q, Wu X, et al. A numerical corrosion rate prediction method for direct assessment of wet gas gathering pipelines internal corrosion[J]. Energies, 2012, 5(10): 3892-3907.

［8］ 閻平凡，張長水. 人工神經(jīng)網(wǎng)絡(luò)與模擬進化計算[M]. 北京：清華大學(xué)出版社有限公司，2005.

Soil Corrosion Prediction of Oil and Gas Pipeline Based on BPNeural Network

1,2,3

（1. Southwest Petroleum University, SichuanChengdu610500，China；2. China petroleum and natural gas sales co., LTD. Northwest branch, Ganshu Lanzhou 730000, China; 3. Sichuan Hongda Petroleum & Natural Gas Co., Ltd., Sichuan Chengdu 610000，China）

Considering six soil erosion indexes of oilfields (soil resistivity, soil moisture, redox potential, chloride content, sulfate ion content and pH), a kind of soil corrosion rate prediction method based on BP neural network theory was established. Based on a certain oil field soil data, training and prediction were performed by using MATLAB neural network toolbox. The results show that the maximum relative error of training is -1.5% and the maximum relative error of prediction is 8%. Therefore, the prediction method of soil corrosion of oil and gas pipeline based on BP neural network has high accuracy , which has the vital significance to the safe operation of oil and gas pipelines.

soil corrosion; BP neural network; corrosion rate; prediction

TE 832

A

1671-0460（2016）09-2198-03

2016-03-29

王齊，男，四川綿陽人，助理工程師，2015 年畢業(yè)于西南石油大學(xué)油氣儲運工程專業(yè)。現(xiàn)主要從事油氣管道及油庫管道工程建設(shè)、維修檢測及項目管理工作。E-mail: 814361691@qq.com。