吳慶偉，王金龍，張平

基于FOA-SVM模型的輸油管道內(nèi)腐蝕速率預(yù)測(cè)

吳慶偉，王金龍，張平

（中國(guó)特種設(shè)備檢測(cè)研究院，北京100029）

針對(duì)管道內(nèi)腐蝕速率相關(guān)問題，采集某輸油管道內(nèi)腐蝕的實(shí)測(cè)數(shù)據(jù)，應(yīng)用多元統(tǒng)計(jì)分析算法，在支持向量機(jī)（SVM）的基礎(chǔ)上建立管道內(nèi)腐蝕速率預(yù)測(cè)模型。采用果蠅優(yōu)化算法（FOA）對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化訓(xùn)練，建立FOASVM預(yù)測(cè)模型，利用實(shí)測(cè)數(shù)據(jù)樣本對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)。結(jié)果表明：綜合方差和均差分別為1．397×10－3和0．037 4，F(xiàn)OA-SVM預(yù)測(cè)模型相比灰色組合模型預(yù)測(cè)值和最小二乘支持向量機(jī)（LS-SVM）模型預(yù)計(jì)結(jié)果穩(wěn)定性好、精度高，但是FOA-SVM預(yù)測(cè)模型訓(xùn)練時(shí)間較長(zhǎng)，今后在提高模型預(yù)測(cè)效率上需要進(jìn)一步研究。

管道內(nèi)腐蝕速率；支持向量機(jī)SVM；果蠅算法FOA；多元統(tǒng)計(jì)分析

Abstract：Using multivariate statistical analysis method，a new prediction model for pipeline internal corrosion rate was put forward on the basis of support vector machine（SVM）by collecting the measured data of internal corrosion rates of the oil pipeline．Fruit flies optimization algorithm（FOA）was used to optimize the training of prediction model and establish the FOA-SVM forecasting model．The forecast result was checked by using measured sample data．Considering that the integrated variance was 1．397×10－3and the mean deviation was 0．037 4，the FOA-SVM prediction model had better stability and higher precision compared with the grey combinational model．However，due to the longer training time of the FOA-SVM prediction model，further study is still needed to improve the model prediction efficiency．

Key words：internal pipeline corrosion rate；support vector machine SVM；fruit flies optimization algorithm（FOA）；multivariate statistical analysis

據(jù)不完全統(tǒng)計(jì)，我國(guó)油田生產(chǎn)現(xiàn)狀已進(jìn)入中、高含水期，由于輸油管道服務(wù)年限的延續(xù)，內(nèi)腐蝕損傷長(zhǎng)度不斷增加，穿孔事故頻發(fā)，僅東部油田各類管道穿孔損傷每年達(dá)2萬(wàn)余次，更換管道長(zhǎng)度約400 km／a，給油田帶來了巨大的經(jīng)濟(jì)損失?；诖耍姸鄬＜覍W(xué)者在管道內(nèi)腐蝕預(yù)測(cè)方法方面進(jìn)行了大量的研究［1-6］。劉曉東等［4］將灰色系統(tǒng)理論、人工神經(jīng)網(wǎng)絡(luò)及時(shí)間序列分析方法相結(jié)合，建立灰色組合模型，通過對(duì)腐蝕速率測(cè)量數(shù)據(jù)序列的趨勢(shì)性、周期性及隨機(jī)性成分分別建模，從而實(shí)現(xiàn)對(duì)腐蝕速率的預(yù)測(cè)；王曉光等［5］建立LS-SVM組合模型對(duì)管道腐蝕速率進(jìn)行預(yù)測(cè)，展示了變權(quán)組合在提高預(yù)測(cè)精度和穩(wěn)定性方面的優(yōu)勢(shì)。本工作采用FOASVM模型預(yù)測(cè)了輸油管道內(nèi)的腐蝕速率，對(duì)比分析了FOA-SVM模型、灰色組合模型、LS-SVM模型，以期為預(yù)測(cè)管道內(nèi)腐蝕速率提供一種新方法。

1 SVM基本理論

SVM是由統(tǒng)計(jì)學(xué)理論而來，主要針對(duì)小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)、分類和預(yù)測(cè)的一種方法，將“低維空間”上的點(diǎn)或線映射到＂高維空間＂，尋找一個(gè)平面將這些點(diǎn)或線分離，這種線形函數(shù)統(tǒng)稱為“超平面”［7-8］。通過松弛變量和核函數(shù)（Kernel）處理實(shí)現(xiàn)低維到高維的轉(zhuǎn)化，線性由不可分轉(zhuǎn)化為可分，最后對(duì)轉(zhuǎn)化之后的樣本進(jìn)行線性分析［9-11］。

假設(shè)樣本為（x1，x2，…xn．）∈Rn，（y1，y2，…yn．）∈R，x∈R為輸入?yún)?shù)，y∈R為相應(yīng)的輸出參數(shù)，n為樣本個(gè)數(shù)。SVM的轉(zhuǎn)化過程就是建立一個(gè)非線性映射φ，將數(shù)據(jù)x映射到高維特征空間F，回歸函數(shù)為［12］：

根據(jù)多元統(tǒng)計(jì)分析理論，可通過以下目標(biāo)數(shù)極小化確定SVM回歸函數(shù)：

約束條件為

拉格朗日對(duì)偶性變量約束優(yōu)化

約束條件為

式中：ai，ai*為拉格朗日系數(shù)；αi，βi為拉格朗日算子；b這臨界值；ω為權(quán)值矢量；ξ，ξ*為非負(fù)松弛變量；C為懲罰變量；ε為不敏感損失函數(shù)參數(shù)；K（xi，xj）為SVM的核函數(shù)。

核函數(shù)是計(jì)算兩個(gè)向量在隱式映射空間中的內(nèi)積函數(shù)，將低維空間中向量通過變換得到高維空間量的向量?jī)?nèi)積值，文中選用高斯徑向基核函數(shù)，即：K（xi，xj）＝exp（－g|xi－xj|2），g為核函數(shù)的參數(shù)寬度。

通過以上的理論推導(dǎo)可得到回歸函數(shù)為

對(duì)于新的輸入?yún)?shù)x可通過該式計(jì)算得到相應(yīng)的輸出值。

2 果蠅算法優(yōu)化支持向量機(jī)

果蠅優(yōu)化算法是一種基于果蠅覓食行為而推演出尋求全局智能優(yōu)化的新方法，屬于演化式計(jì)算的范疇，亦屬于人工智能的領(lǐng)域，可混合其他方法與管道內(nèi)腐蝕技術(shù)一起使用，如模糊數(shù)學(xué)、經(jīng)驗(yàn)公式、灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)等。通過果蠅自身位置來估計(jì)周圍的味道濃度，隨后果蠅向味道濃度的極值方向飛去，重復(fù)迭代味道濃度求取目標(biāo)函數(shù)的最優(yōu)解［13-16］。

由于果蠅是在三維空間飛行，而原始的FOA算法是在二維空間搜尋全局極值，因此將可能無法搜尋到三維空間中的最佳值，因此本工作采用三維空間搜尋，對(duì)FOA進(jìn)行改進(jìn)。

FOA對(duì)SVM優(yōu)化的具體步驟，見圖1所示。

第二，多重困境兒童。在實(shí)際中，很多兒童可能即屬于生理性困境兒童，也屬于社會(huì)性困境兒童。多重困境是非常常見的現(xiàn)象。困境兒童概念體系的建立有助于幫助辨認(rèn)最困難的兒童群體。

圖1中：Rran為隨機(jī)數(shù)；i＝1，2，…，m；yij為真實(shí)值；m為各個(gè)交叉驗(yàn)證訓(xùn)練子集的果蠅數(shù)目；f（xij）為交叉訓(xùn)練的預(yù)測(cè)值；bF為F的最大值；bI為F最大值所處的位置。

因?yàn)镾VM的優(yōu)化參數(shù)是C和G，所以X和Y均為m行2列矩陣。采用迭代的方法對(duì)參數(shù)進(jìn)行優(yōu)化，同時(shí)判定味道濃度相比上一次迭代的味道濃度變化，如果優(yōu)于上一步迭代則轉(zhuǎn)至步驟（7），否則繼續(xù)循環(huán)直至達(dá)到指定循環(huán)次數(shù)N時(shí)，循環(huán)終止。

3 FOA-SVM管道內(nèi)腐蝕速率預(yù)測(cè)模型

某輸油管道材質(zhì)為20號(hào)鋼，1990年10月建成投產(chǎn)，使用壓力為1．0～5．0 MPa，輸送介質(zhì)為產(chǎn)地不同的原油，影響管道內(nèi)腐蝕速率主要參數(shù)為硫含量、酸值、溫度、流速、壓力，實(shí)測(cè)數(shù)據(jù)統(tǒng)計(jì)見表1。將影響內(nèi)腐蝕速率的參數(shù)作為輸入向量，內(nèi)腐蝕速率作為輸出向量，建立FOA-SVM預(yù)測(cè)模型。選取某輸油管道內(nèi)腐蝕速率實(shí)測(cè)數(shù)據(jù)1～25組樣本作為訓(xùn)練集，以徐州管道局輸油管道試驗(yàn)數(shù)據(jù)作為測(cè)試集，采用實(shí)測(cè)值與灰色組合模型、LS-SVM模型、FOA-SVM模型預(yù)計(jì)值對(duì)比分析的方法，對(duì)FOASVM模型的性能進(jìn)行評(píng)價(jià)。

3．1 建立回歸模型

將參數(shù)值輸入SPSS軟件，設(shè)腐蝕速率y為因變量，硫含量xi、酸值x2、溫度x3、流速x4、壓力x5為自變量。FOA-SVM多元線性回歸模型采用逐步回歸的方法，針對(duì)影響因素變量對(duì)因變量的影響程度進(jìn)行分析比較。建立多元性回歸模型時(shí)，為了使得回歸模型具有良好的解釋能力和預(yù)測(cè)效果，自變量的選擇準(zhǔn)則如下：

（1）自變量對(duì)因變量呈線性相關(guān)，且影響效果顯著；

（2）相關(guān)程度比較，自變量之間應(yīng)低于因變量與自變量之間的的相關(guān)程度；

（3）預(yù)測(cè)值的確定，自變量應(yīng)完全滿足因變量的統(tǒng)計(jì)數(shù)據(jù)。

圖1 FOA優(yōu)化SVM步驟圖Fig．1 FOA optimized SVM step figure

表1 某輸油管道內(nèi)腐蝕速率實(shí)測(cè)數(shù)據(jù)統(tǒng)計(jì)表Tab．1 Statistical table of internal corrosion rate measurement data for an oil pipeline

優(yōu)選自變量過程中，當(dāng)回歸方程中所有自變量對(duì)因變量各自影響顯著時(shí)，再考慮從其他未選中變量代人方程，循環(huán)往復(fù)直至所有自變量?jī)?yōu)選后，求解結(jié)束。由逐步回歸法得到的回歸方程為

y＝0.072x1＋0.054x2＋0.013 （8）

由此可以看出，逐步回歸忽略了溫度、流速兩個(gè)變量，壓力對(duì)管道的腐蝕速率影響不大。而回歸方程中硫含量和酸值的Sig值都為0，具有統(tǒng)計(jì)顯著性。得到的回歸方程的調(diào)整R2為0．307，具有較好的擬合優(yōu)度。

對(duì)模型所有數(shù)據(jù)進(jìn)行殘差分析，優(yōu)化模型。結(jié)果顯示6、8、9號(hào)三組數(shù)據(jù)的殘差絕對(duì)值殘差較大，忽略這三組數(shù)據(jù)，重新建立回歸方程，調(diào)整R2為0．426，滿足要求。得到結(jié)果為

3．2 腐蝕速率預(yù)測(cè)及分析

基于FOA模型優(yōu)化回歸參數(shù)C和G，設(shè)定群體個(gè)數(shù)為20，遺傳代數(shù)為200，C參數(shù)范圍［0，500］，G參數(shù)范圍［0，100］。得到的優(yōu)化參數(shù)C1和G1為0．041和0．012 8輸入FOA-SVM模型訓(xùn)練，結(jié)果見圖2。圖2中除6、8和9三個(gè)樣本外，其他訓(xùn)練后的樣本和實(shí)測(cè)值具有很好的擬合性。

圖2 FOA-SVM模型內(nèi)腐蝕速率預(yù)測(cè)結(jié)果對(duì)比Fig．2 Comparison of corrosion rate prediction results of FOA-SVM model

3.3 FOA-SVM模型評(píng)價(jià)

為了體現(xiàn)FOA-SVM模型的優(yōu)越性，使用徐州管道局輸油管道試驗(yàn)數(shù)據(jù)對(duì)FOA-SVM模型進(jìn)行檢驗(yàn)，將其結(jié)果與灰色組合模型［4］、LS-SVM 模型［5］兩種方法計(jì)算結(jié)果進(jìn)行比較，見表2［17］。

由表2可見：FOA-SVM預(yù)測(cè)模型預(yù)測(cè)結(jié)果的方差和均差分別為0．037 4、1．397×10－3，從誤差角度分析來看，F(xiàn)OA-SVM模型預(yù)測(cè)值方差、均差都小于其他算法，說明FOA-SVM模型具有相對(duì)較高的預(yù)測(cè)精度；從擬合效果來看，F(xiàn)OA-SVM模型的平方相關(guān)系數(shù)高于其他模型，說明FOA-SVM具有較好的擬合效果。

4 結(jié)論

（1）運(yùn)用新建的FOA-SVM模型對(duì)輸油管道內(nèi)腐蝕速率進(jìn)行了預(yù)測(cè)該模型預(yù)計(jì)的方差為1．397×10－3，均差為0．037 4，并與灰色組合模型、LS-SVM模型預(yù)測(cè)結(jié)果的對(duì)比分析，具有較好的泛化能力和較強(qiáng)的預(yù)測(cè)功能，可以相對(duì)準(zhǔn)確、高效地對(duì)輸油管道內(nèi)腐蝕速率進(jìn)行預(yù)測(cè)。

表2 模型預(yù)測(cè)結(jié)果對(duì)比表Tab．2 Comparison table of model evaluation performance

（2）FOA-SVM模型算法在輸油管道內(nèi)腐蝕速率預(yù)測(cè)的應(yīng)用，充實(shí)了管道內(nèi)腐蝕速率的預(yù)測(cè)方法，雖然能夠準(zhǔn)確、高效地預(yù)測(cè)管道內(nèi)腐蝕速率，但該模型針對(duì)樣本數(shù)目多時(shí)，存在訓(xùn)練消耗時(shí)間長(zhǎng)、效率低的缺點(diǎn)，今后在預(yù)測(cè)效率問題上還需進(jìn)一步研究。

［1］ 陳浩力，呂仁軍，姜煒，等．基于Excel的GM（1，1）模型在預(yù)測(cè)油氣管道腐蝕速率中的應(yīng)用［J］．腐蝕與防護(hù)，2014，4：378-380．

［2］ 孫海．天然氣壓氣站內(nèi)腐蝕掛片監(jiān)測(cè)管道內(nèi)腐蝕［J］．腐蝕與防護(hù)，2011，3：239-242．

［3］ 羅金恒，趙新偉，白真權(quán)，等．管道土壤腐蝕速率測(cè)試方法［J］．油氣儲(chǔ)運(yùn)，2004，11：50-53，60．

［4］ 劉曉東，李著信．基于灰色組合模型的管道腐蝕速率預(yù)測(cè)［J］．壓力容器，2007（3）：15-19．

［5］ 王曉光，張弢，周慧．基于LS-SVM的管道腐蝕速率灰色組合預(yù)測(cè)模型［J］．?dāng)?shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014（7）：82-87．

［6］ 黃天杰，殷安會(huì)，劉智勇，等．吉林油田礦場(chǎng)條件下CO2腐蝕模擬裝置的建立及實(shí)驗(yàn)研究［J］．表面技術(shù)，2015（3）：69-73．

［7］ 丁世飛，齊丙娟，譚紅艷．支持向量機(jī)理論與算法研究綜述［J］．電子科技大學(xué)學(xué)報(bào)，2011（1）：2-10．

［8］ 顧亞祥，丁世飛．支持向量機(jī)研究進(jìn)展［J］．計(jì)算機(jī)科學(xué)，2011（2）：14-17．

［9］ 張學(xué)工．關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)［J］．自動(dòng)化學(xué)報(bào)，2000，26（1）：32-43．

［10］ PAN W．A new fruit fly optimization algorithm：taking the financial distress model as an example［J］．Knowledge-Based Systems，2011，26（7）：69-74．

［11］ 牛培峰，麻紅波．基于支持向量機(jī)和果蠅優(yōu)化算法的循環(huán)流化床鍋爐Nox排放特性研究［J］．動(dòng)力工程學(xué)報(bào)，2013，33（4）：267-271．

［12］ 張宏偉，朱志潔，霍丙杰，等．基于改進(jìn)的FOA-SVM導(dǎo)水裂隙帶高度預(yù)測(cè)研究［J］．中國(guó)安全科學(xué)學(xué)報(bào)，2013（10）：9-14．

［13］ 張勇，夏樹發(fā)，唐冬生．果蠅優(yōu)化算法對(duì)多峰函數(shù)求解性能的仿真研究［J］．暨南大學(xué)學(xué)報(bào)（自然科學(xué)與醫(yī)學(xué)版），2014（1）：82-87．

［14］ 寧劍平，王冰，李洪儒，等．遞減步長(zhǎng)果蠅優(yōu)化算法及應(yīng)用［J］．深圳大學(xué)學(xué)報(bào)（理工版），2014（4）：367-373．

［15］ 王雪剛，鄒早建．基于果蠅優(yōu)化算法的支持向量機(jī)參數(shù)優(yōu)化在船舶操縱預(yù)報(bào)中的應(yīng)用［J］．上海交通大學(xué)學(xué)報(bào)，2013（6）：884-888．

［16］ 高東磊，劉友寬，蘇杰，等．果蠅優(yōu)化算法和粒子群優(yōu)化算法的應(yīng)用對(duì)比［J］．儀器儀表用戶，2013（4）：83-84，41．

［17］ 裘冬平，孫建華．基于GA-BP神經(jīng)網(wǎng)絡(luò)的輸油管道內(nèi)腐蝕速率預(yù)測(cè)［J］．青島大學(xué)學(xué)報(bào)，2011，26（1）：29-31．

Prediction of Oil Pipeline Internal Corrosion Rate Based on FOA-SVM model

WU Qingwei，WANG Jinlong，ZHANG Pin
（China Special Equipment Inspection and Research Institute，Beijing 100012，China）

TG179

A

1005-748X（2017）09-0732-05

10.11973／fsyfh-201709015

2016-02-25

吳慶偉（1986－），工程師，碩士，從事壓力管道安全完整性技術(shù)研究與工程應(yīng)用，13624181793，woqingweide＠163．com