陳永清

（江西省天然氣集團有限公司管道分公司，南昌 330000）

引言

天然氣管道CO2腐蝕程度對管道的正常生產(chǎn)、運行產(chǎn)生著很重要的影響，決定了管道使用過程中的經(jīng)濟效益，天然氣管道CO2腐蝕程度是影響管道壽命的主要因素，間接的對天然氣的輸送數(shù)據(jù)產(chǎn)生一定的影響，嚴(yán)重情況下會導(dǎo)致管道出現(xiàn)事故，對生產(chǎn)加工產(chǎn)生嚴(yán)重的后果。因此在加工生產(chǎn)的過程中要制定天然氣管道CO2腐蝕的應(yīng)急保護措施，同時提升天然氣輸送管道抗CO2腐蝕性能，才能確保管道的正常運作[1]。

預(yù)測模型的原理是采取相應(yīng)的模型對管道的生產(chǎn)實時監(jiān)控，建立完善的模型保障生產(chǎn)過程中管道的正常運行，對于CO2腐蝕程度能夠具備預(yù)測效果，同時通過相應(yīng)設(shè)備的關(guān)聯(lián)實現(xiàn)管道的保護[2]。預(yù)測模型可以為天然氣管道創(chuàng)設(shè)良好的運行程序和系統(tǒng)，在運行的過程中對CO2腐蝕程度進行監(jiān)控，當(dāng)出現(xiàn)管道腐蝕嚴(yán)重或者系統(tǒng)運行出現(xiàn)故障時，可以提前進行系統(tǒng)預(yù)警提示[3]，確保正常生產(chǎn)。

對天然氣管道CO2腐蝕機理及預(yù)測模型研究，建立液化天然氣（Liquefied Natural Gas，簡稱LNG）管道抗CO2腐蝕效果的模型，在模型的構(gòu)造中，充分考慮到管道輸送數(shù)據(jù)的精確性，通過機器學(xué)習(xí)搭建相應(yīng)的預(yù)測模型，構(gòu)建系統(tǒng)運行的仿真環(huán)境，滿足天然氣管道CO2腐蝕程度的預(yù)測和估計。本文針對天然氣管道CO2腐蝕機理進行了研究，設(shè)計合理的天然氣管道CO2腐蝕機理，構(gòu)造機器學(xué)習(xí)算法的預(yù)測模型，通過仿真環(huán)境完成模型的驗證。

1 天然氣管道防CO2腐蝕的系統(tǒng)搭建

天然氣管道在設(shè)計的過程中，為了確保天然氣傳輸數(shù)據(jù)的穩(wěn)定性和精確性，對天然氣管道進行實時監(jiān)控，采取了物聯(lián)網(wǎng)平臺下的大數(shù)據(jù)體系實現(xiàn)這個過程，在大數(shù)據(jù)體系下，對天然氣管道防CO2腐蝕程度能夠進行精確的監(jiān)控，實時撲捉到管道內(nèi)的天然氣的輸送情況和管道的腐蝕程度，同時為了保障天然氣管道防CO2腐蝕的系統(tǒng)搭建工作的運行，在系統(tǒng)的實現(xiàn)過程中采取模糊神經(jīng)網(wǎng)絡(luò)的算法，對天然氣管道內(nèi)的壓力、流量和溫度進行序列分配，序列分配的過程中執(zhí)行卷積壓縮，構(gòu)建合理的對數(shù)神經(jīng)網(wǎng)絡(luò)，從而輸出相應(yīng)的數(shù)據(jù)，通過輸出的數(shù)據(jù)可以精確的對天然氣管道內(nèi)的情況進行掌握，具體的天然氣管道抗CO2腐蝕系統(tǒng)的算法邏輯圖如圖1所示。

圖1中，采取的時機器學(xué)習(xí)算法搭建天然氣管道防CO2腐蝕的系統(tǒng)，系統(tǒng)的搭建過程中使用了卷積神經(jīng)網(wǎng)絡(luò)的方法對時序圖進行序列同構(gòu)，達到數(shù)據(jù)的處理效果，在模糊神經(jīng)網(wǎng)絡(luò)的方法下形成對天然氣管道內(nèi)的環(huán)境的預(yù)測，通過構(gòu)造模型的輸出數(shù)據(jù)實現(xiàn)管道的監(jiān)測，可以保障天然氣管道的正常工作和運行。

圖1 天然氣管道防CO2腐蝕系統(tǒng)的算法邏輯

2 天然氣管道數(shù)字模擬仿真預(yù)測模型

2.1 數(shù)據(jù)的前置治理算法

2.1.1 圖論統(tǒng)計學(xué)方法

天然氣管道CO2腐蝕機理及預(yù)測模型中，建立三維的BIM模型，并在模型搭建的過程中采取LOD法將相應(yīng)的管道數(shù)據(jù)導(dǎo)入到模型中，形成相應(yīng)的數(shù)據(jù)信息流，相關(guān)的數(shù)據(jù)表達的輸出形式為{A，x，y，z，b1，b2，n，t}。數(shù)據(jù)表達形式中{A}代表了序列號，{x，y，z}代表的是三維模型中的數(shù)據(jù)的精確坐標(biāo)，{b1，b2}代表的是管道前后關(guān)聯(lián)的點，{n}代表的是數(shù)據(jù)的數(shù)值，{t}代表的是讀取數(shù)值的時間，將上述的數(shù)據(jù)信息流展開在時間軸{t}上，得出最開始的圖序列的統(tǒng)計結(jié)果。

2.1.2 四維時空空間卷積方法

將上述數(shù)據(jù)信息流中的{x，y，z，t}四個坐標(biāo)進行空間卷積處理，強化數(shù)據(jù)的特征和序列，得出相應(yīng)的函數(shù)表達式如下式（1）所示：

式中：

G（x，y，z，t）—間卷積輸出值；

g（b）—四維序列數(shù)據(jù)，不同維度的卷積模式對象不同的輸出值；

x（m-b）y（m-b）z（m-b）t（m-b）—空間卷積的分量函數(shù)。

2.2 基于機器學(xué)習(xí)的數(shù)據(jù)深度挖掘算法

2.2.1 基于六階多項式深度迭代回歸算法的模糊神經(jīng)網(wǎng)絡(luò)

六階多項式深度迭代回歸算法過程是將相應(yīng)的數(shù)據(jù)變量導(dǎo)入到回歸方程中，保留原有的數(shù)據(jù)信息量，將數(shù)據(jù)特征反應(yīng)在小規(guī)模數(shù)據(jù)中，實現(xiàn)回歸算法的深度迭代，具體的回歸算法的方程如式（2）所示：

式中：

n—模糊神經(jīng)網(wǎng)絡(luò)的節(jié)點總數(shù)；

i—遍歷指針；

j—函數(shù)方程的階數(shù)；

y—模糊神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)據(jù)的輸出值；

Aj—第j階多項式的回歸系數(shù)。

2.2.2 基于對數(shù)深度迭代回歸算法的對數(shù)神經(jīng)網(wǎng)絡(luò)

對數(shù)深度迭代回歸算法采取的是通過對數(shù)函數(shù)實現(xiàn)數(shù)據(jù)的處理，在對數(shù)模型的構(gòu)造下完成數(shù)據(jù)的坐標(biāo)精確度的控制，這種方法適用于對數(shù)神經(jīng)網(wǎng)絡(luò)的算法構(gòu)造中，相應(yīng)的基函數(shù)構(gòu)造如式（3）所示：

式中：

A、B—待回歸系數(shù)。

其他數(shù)學(xué)符號含義同前文公式（2）。

3 天然氣管道預(yù)測模型的仿真度驗證分析

3.1 仿真驗證方案

天然氣管道抗CO2腐蝕預(yù)測模型構(gòu)造中，對于仿真過程的驗證是確保模型構(gòu)造合理性的關(guān)鍵，在仿真驗證方案的設(shè)計中，采取matlab軟件中的simulink控件搭建合理的仿真分析環(huán)境，以某個天然氣公式的天然氣管道的傳輸數(shù)據(jù)作為原始數(shù)據(jù)，對數(shù)據(jù)進行相應(yīng)的處理，利用基函數(shù)對相關(guān)的管道內(nèi)壓力、天然氣傳輸流量、管道溫度及其他數(shù)據(jù)進行收斂，通過仿真分析，分析數(shù)據(jù)間的差異和數(shù)據(jù)偏離程度，結(jié)果如下：

決定系數(shù)R2的算法如公式（4）：

式中：

xi—數(shù)據(jù)序列中第i個輸入值；

n—數(shù)據(jù)的總數(shù)。

標(biāo)準(zhǔn)偏差率的算法如公式（5）：

式中：

σ—數(shù)據(jù)的標(biāo)準(zhǔn)偏差率；

xi—第i個數(shù)據(jù)的輸入項；

μ—輸出數(shù)據(jù)的均值；

n—統(tǒng)計學(xué)意義如上。

平均離群率的算法如公式（6）：

式中：

B—標(biāo)準(zhǔn)離群率；

A，B，C—相關(guān)系數(shù)，控制直線為Ax+By+C=1；

（xi，yi）—二維坐標(biāo)；

max（B）—最大值；

min（B）—最小值。

對輸出數(shù)據(jù)進行預(yù)測的過程中，考慮到預(yù)測數(shù)據(jù)的有效性，采取合適的驗證方法完成曲線的推測，從而計算出數(shù)據(jù)節(jié)點的敏感度，算法公式如下式（7）所示：

式中：

n—統(tǒng)計學(xué)意義如上；

ri—數(shù)據(jù)序列的第i個實測值；

fi—數(shù)據(jù)序列的第i個預(yù)測值。

3.2 天然氣管道流量分布數(shù)據(jù)耦合度

天然氣管道流量分布數(shù)據(jù)耦合度要根據(jù)管道數(shù)據(jù)流的分布來確定，通過數(shù)據(jù)流分布狀況實現(xiàn)數(shù)據(jù)的分散度運算，建立管道流量分布的數(shù)據(jù)耦合度，用于監(jiān)測管道的腐蝕程度及其他特征，得出流量分布數(shù)據(jù)耦合度統(tǒng)計如表1所示。

表1中，決定系數(shù)（R2）指的是數(shù)據(jù)的隨機變量與其他變量之間的關(guān)系，反應(yīng)了變量之間的特征；標(biāo)準(zhǔn)偏差率（s）代表了數(shù)據(jù)之間的分散程度，可以通過標(biāo)準(zhǔn)偏差率衡量數(shù)據(jù)間的偏差大?。黄骄x群率代表的是數(shù)據(jù)偏離流量數(shù)據(jù)點的百分比大小。

表1 流量分布數(shù)據(jù)耦合度統(tǒng)計表

3.3 天然氣管道CO2腐蝕數(shù)據(jù)耦合度

天然氣管道CO2腐蝕數(shù)據(jù)耦合度與管道的滲透程度和管道孔隙的參數(shù)有一定的關(guān)系，管道的孔隙大小也會隨著天然氣輸送壓力的大小而發(fā)生相應(yīng)的變化，間接的影響到了天然氣管道CO2腐蝕數(shù)據(jù)耦合度，具體如表2所示。

表2中，可以看出通過相應(yīng)的算法仿真可以確定天然氣管道CO2腐蝕數(shù)據(jù)耦合度，在仿真環(huán)境下的決定系數(shù)比BIM自帶的決定系數(shù)要高，說明算法條件下的耦合度水平較高。

表2 天然氣管道CO2腐蝕耦合度統(tǒng)計表

3.4 數(shù)據(jù)前推估計敏感度

天然氣管道CO2腐蝕數(shù)據(jù)耦合度關(guān)聯(lián)著數(shù)據(jù)曲線，數(shù)據(jù)曲線反應(yīng)了數(shù)據(jù)前推估計敏感度，通過對數(shù)據(jù)的前推估計敏感度的分析，得出統(tǒng)計表如表3所示。

表3中，可以直觀的看出算法仿真的環(huán)境下5 s的曲線估計前推量數(shù)據(jù)結(jié)果略高于BIM自帶的數(shù)據(jù)結(jié)果，15 s、30 s、60 s的模式中，算法仿真環(huán)境下的曲線估計前推量數(shù)據(jù)結(jié)果遠高于BIM自帶的數(shù)據(jù)結(jié)果，比較結(jié)果t＜10.000，P＜0.05，具有明顯統(tǒng)計學(xué)意義。

表3 數(shù)據(jù)前推估計敏感度統(tǒng)計表

4 總結(jié)

天然氣管道抗CO2腐蝕預(yù)測模型構(gòu)造中，對于仿真過程的驗證是確保模型構(gòu)造合理性的關(guān)鍵，在仿真驗證方案的設(shè)計中，采取matlab軟件中的simulink控件搭建合理的仿真分析環(huán)境，對天然氣管道CO2腐蝕數(shù)據(jù)耦合度進行分析，結(jié)果證明了天然氣管道預(yù)測模型可以有效的監(jiān)測管道CO2腐蝕程度，算法仿真驗證結(jié)果說明此預(yù)測模型可以很好的進行天然氣管道的異常預(yù)警，保障天然氣管道的安全工作，具有實用性和可靠性。