胡 軍 郝 林 張少洋

（中海油安全技術服務有限公司，天津 300457）

0 引言

內腐蝕是引起海洋石油生產中海底管道失效的主要因素[1]，內腐蝕可造成管道結構強度降低，導致泄漏，而且內腐蝕引起的事故往往具有突發(fā)性和隱蔽性，因此后果一般比較嚴重。輸送油氣等介質的管道中若含有水、二氧化碳（CO2）和硫化氫（H2S）等腐蝕性介質，則發(fā)生內腐蝕的風險較大。國際上EGIG、PARLOC、PHMSA均對管道的失效頻率進行了統(tǒng)計[2,3]。

針對油水混輸海底管道的內腐蝕風險，從設計建造階段、運營階段均采取了管控措施，主要包括：

（1）設計建造階段：設計公司對擬輸送的介質組分進行分析，結合管道的運行溫度、壓力、流速計算腐蝕速率，同時提出緩蝕劑等化學藥劑的應用要求（通常緩蝕劑效率80～90%），最終確定腐蝕余量；

（2）運營階段：管道運營方對其監(jiān)測管道介質組分、運行壓力、溫度、腐蝕掛片/電阻探針腐蝕速率，定期進行清管通球作業(yè)以避免管道內壁積累污垢，同時定期進行緩蝕劑效用評價[4,5]。

但由于運行階段管道運行參數(shù)的變化，如運行壓力溫度的變化、含水量的變化，特別是緩釋劑沿管道全線的應用效果、固體顆粒沉積、腐蝕垢片等多方面的影響，管道內腐蝕的發(fā)展趨勢與設計階段的預估存在一定的差異。內腐蝕風險仍是管道運營單位重點關注的內容。

管道運營單位采用管道內檢測以及內腐蝕直接評估的方式分析管道腐蝕狀況[6]。對于海底管道目前具備內檢測條件的通常都進行檢測，對于暫時不具備條件的采用內腐蝕直接評估的方式進行分析。管道內檢測是獲取管道本體狀況的最直接手段，通過管道內檢測可獲取管道全線的缺陷數(shù)據(jù)，獲取的缺陷數(shù)據(jù)反映了管道歷年運行工況的綜合影響結果，且內檢測只能給出缺陷的情況，對于如何控制缺陷，降低腐蝕速率仍需進行更多的分析評估。內腐蝕直接評價是按照相關標準要求，基于腐蝕理論對腐蝕的機理及腐蝕速率進行分析，找出關鍵影響因素，提出后續(xù)管控措施?？紤]到內檢測費用較高，采用內檢測與內腐蝕直接評估相結合的方式能夠優(yōu)化管理成本。

對于腐蝕機理與腐蝕控制的研究，目前主要基于實驗室高壓釜動態(tài)試驗以及相關的經驗公式或數(shù)值模擬[7]。但分析的結果由于假定條件與管道運行實際工況仍有所區(qū)別，因此腐蝕速率的預測仍有所偏差。

本文從腐蝕主導因素出發(fā)，結合管道的實際檢測數(shù)據(jù)，采用機器學習算法對腐蝕缺陷進行分析，通過數(shù)據(jù)的分析找出不同運行參數(shù)的影響權重，同時可以根據(jù)管道未來運行工況條件能夠更有效預測管道腐蝕趨勢[8]。本文提出的分析思路能夠作為其他管道的管理手段，可以優(yōu)化檢測周期，實現(xiàn)降本增效。

1 基于內腐蝕直接評價（ICDA）理論的管道內腐蝕影響因素

1.1 ICDA腐蝕關注要點

內腐蝕直接評價方法是一種無需進入管道內部，又可有效識別管道內部腐蝕風險的完整性評價方法，其在國外已應用于工程實際，并形成相關規(guī)范，圖1內腐蝕直接評價技術中給出了不同規(guī)范的適用范圍。

圖1 內腐蝕直接評價技術

內腐蝕直接評價根據(jù)輸送介質不同，評估算法有所不同，但基本理念一致，即易積砂、積液的位置最易發(fā)生腐蝕。同時內腐蝕直接評價技術還給出了腐蝕的其它相關影響因素，如油水交界面、細菌影響等。腐蝕的影響因素如下圖所示。

給予ICDA的方法計算出腐蝕高風險區(qū)后，即可根據(jù)腐蝕速率模型計算腐蝕風險，如Pots Model、Nesic Model、Srinivasan Model、De Waard and Milliams Model、Norsok M506。以Norsok M506為例，該腐蝕模型考慮了CO2分壓、溫度、流速等因素的影響。不同腐蝕速率模型計算的腐蝕速率存在一定的差異。

1.2 管道運行期腐蝕影響因素分析

結合管道運行階段的可獲取參數(shù)，對腐蝕影響情況進行分析，進一步構建基于機器學習算法的數(shù)據(jù)邏輯模型。

（1）溫度、壓力、流量、含水率

管道出入口的溫度壓力可進行監(jiān)測，對于管道沿線任意位置的溫度壓力可根據(jù)熱力、水力相關公式進行計算。溫度對于腐蝕的影響較為顯著，根據(jù)國內外相關試驗數(shù)據(jù)以及經驗公式，60～80℃時CO2腐蝕速率最高，在30～50℃時最適宜SRB的生長，易出現(xiàn)細菌腐蝕，因此管道沿線不同位置區(qū)間對應的腐蝕機理有所不同。管道的輸送壓力決定了CO2的溶解度，通常壓力越高腐蝕速率越高。

管道輸送量決定了介質流速，流速越低越容易造成固體顆粒沉積，在易于沉積的位置將發(fā)生氧濃差腐蝕，同時阻斷了緩蝕劑對管道的保護?；贜ACE SP0208中的“三層”模型，針對20余條海底管道計算了避免形成固定砂層的臨界速率，選取10條管道計算結果進行統(tǒng)計展示，如圖2所示。針對其中部分已開展內檢測管道的檢測數(shù)據(jù)發(fā)現(xiàn)，實際流速與臨界流速的比值越低，腐蝕風險越高。

圖2 基于三層模型計算臨界流速與實際流速對比

介質含水率決定了油水界面，通常對于部分高含水率的海底管道，水相與管道內壁充分接觸；

（2）水質檢測

根據(jù)水質檢測結果，依據(jù)SY/T 0600-2009油田水結垢預測標準，對海管入口、出口的水樣進行結垢趨勢計算。對于結垢趨勢嚴重的介質更易發(fā)生垢下腐蝕；另一方面，水中的氯離子含量也是腐蝕的重要影響因素。氯離子因其較高的極性和穿透性，破壞金屬表面的鈍化膜，腐蝕形態(tài)以點蝕為主；

（3）管道高程

管道低洼位置容易積液/積砂，在“三層”模型中，計算的臨界流速隨著管道傾角增大而升高；

（4）二氧化碳、硫化氫含量

二氧化碳、硫化氫含量越高腐蝕約嚴重。管道運營方能夠定期對二氧化碳、硫化氫含量進行檢測。實際運行中還應考慮硫化氫的產生是由于介質自帶還是由于細菌產生的，通常管道入口未檢測出硫化氫，但管道出口出現(xiàn)硫化氫，說明管道內部存在細菌腐蝕；

（5）腐蝕掛片/電阻探針腐蝕速率監(jiān)測

腐蝕掛片/電阻探針能夠一定程度上反映管道腐蝕情況，對于二氧化碳腐蝕參考性較強，圖3給出了腐蝕刮片清洗前的狀態(tài)。但根據(jù)管道運行案例，存在實際腐蝕速率遠高于腐蝕掛片的監(jiān)測速率；另一方面對于掛片的附著物檢測也是對判斷管道內部腐蝕情況的一項依據(jù)；

圖3 腐蝕掛片含油泥含砂（清洗前）

（6）清管通球清除物

清管通球能夠清除管道內雜質，通常清除物為泥沙雜質、垢片，存在此類清除物時，說明管道存在固體顆粒沉積造成垢下腐蝕的風險；

（7）緩蝕劑緩釋效率

隨著運行工況的改變，如混輸管道含水率的升高、水質變化等，緩蝕劑防腐效果將發(fā)生變化。緩蝕劑緩釋效率能夠有效減緩腐蝕速率，對管道的安全運行起到了至關重要的作用。管道運營公司定期對采用的緩蝕劑進行評價，驗證應用效果，緩蝕劑試驗掛片情況如圖4所示。

圖4 緩蝕劑試驗

2 機器學習算法

通過管道內檢測可獲取管道全線的缺陷數(shù)據(jù)，每一缺陷將給出對應里程位置及缺陷的深度、長度、寬度、鐘點位置，結合內腐蝕直接評價方法對腐蝕高風險區(qū)域的判斷方法以及Norsok-M506等腐蝕預測模型，可以找出管道運行工藝參數(shù)與缺陷的對應關系，進而對管道缺陷數(shù)據(jù)進行預測分析。

從管道現(xiàn)場管理角度，目前可獲取的工藝數(shù)據(jù)包括管道每天的工藝參數(shù)，如管道出入口的溫度、壓力，定期的腐蝕檢測數(shù)據(jù)，如CO2分壓、腐蝕掛片檢測數(shù)據(jù)；另一方面，管道沿線由于溫降以及壓降，不同管段的溫度、壓力、CO2分壓均不同。而腐蝕內檢測數(shù)據(jù)體現(xiàn)的是一定時期內的綜合情況。

機器學習是用數(shù)據(jù)或以往的經驗，以此優(yōu)化計算機程序的性能標準。目前應用較多的算法如SVM（Support Vector Machine）支持向量機、Logistic Regression邏輯回歸、Linear regression線性回歸、多層神經網絡?？紤]到腐蝕數(shù)據(jù)分析并非分類問題，因此線性回歸以及多層神經網絡算法較為合適[9-14]。

線性回歸，是利用數(shù)理統(tǒng)計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關系的一種統(tǒng)計分析方法，運用十分廣泛。

BP神經網絡算法，其模型拓撲結構包括輸入層、隱層和輸出層。

對于兩種方法的輸入值為運行溫度與壓力，輸出值為實際檢測的腐蝕缺陷。

3 某管道內檢測腐蝕速率預測

3.1 某管道腐蝕數(shù)據(jù)與工藝參數(shù)處理

國內某管道投產運行8年開展了管道內檢測，共計7616處缺陷，缺陷數(shù)據(jù)情況如下圖所示。根據(jù)圖5、圖6可看出如下情況：

圖5 管道缺陷直方圖（500m間隔）

圖6 管道缺陷深度直方圖

（1）腐蝕缺陷數(shù)量與管道里程存在一定的聯(lián)系：管道里程1000～3000m，各區(qū)間缺陷數(shù)量總體一致；3000～3500m，缺陷數(shù)量顯著增大；3500～6500m，缺陷數(shù)量較上游減小約50%；6500～10500m，缺陷數(shù)量明顯減小；

（2）管道缺陷深度數(shù)量呈指數(shù)分布。

獲取了該管道自投入使用至檢測時入口與出口的工藝參數(shù)，包括溫度、壓力、流量，對數(shù)據(jù)處理如下：

a. 取歷年工藝參數(shù)的平均值，如表1所示；

表1 管道歷年工藝參數(shù)平均值

b. 沿管道里程根據(jù)管道入口與出口工藝參數(shù)的平均值采用線性插值的方式進行換算。

通過數(shù)據(jù)的處理即可獲得缺陷深度與運行溫度及壓力的對應關系。

為更好的預測分析管道腐蝕程度，每50個缺陷數(shù)據(jù)保留其中最大的3個數(shù)據(jù)，構建的對應關系如圖7、圖8所示。

圖7 缺陷深度與壓力對應關系

圖8 缺陷深度與溫度對應關系

3.2 線性回歸分析

腐蝕數(shù)據(jù)共計39組，采用31組作為訓練集，剩余8組作為驗證集?；赑ython的Linear Regression對數(shù)據(jù)進行線性回歸分析，回歸擬合結果如圖9所示，擬合函數(shù)為，根據(jù)擬合結果，管道運行壓力對腐蝕的影響大于溫度的影響。

圖9 線性回歸擬合結果

3.3 神經網絡回歸分析

腐蝕數(shù)據(jù)共計39組，采用31組作為訓練集，剩余8組作為驗證集。基于Python的MLP Regressor對數(shù)據(jù)進行線性回歸分析，采用tanh函數(shù)作為激活函數(shù)，擬合結果如圖10所示。

圖10 神經網絡擬合結果

3.4 腐蝕趨勢預測

管道運行溫度與壓力存在波動，基于目前的回歸模型即可預測不同工藝參數(shù)下的腐蝕情況。以58℃，1.3MPa的工藝參數(shù)為例，預測腐蝕結果如表2所示。

表2 腐蝕預測

4 結語

基于內腐蝕直接評價理念中的腐蝕分析方法，結合管道歷年運行工藝參數(shù)及內檢測結果，采用線性回歸以及神經網絡算法，對管道腐蝕缺陷進行了統(tǒng)計分析，同時預測了在不同工藝條件下的腐蝕趨勢。按照該算法，能夠實時按照管道運行工藝參數(shù)預測未來腐蝕程度。通過分析得出如下結論：

（1）基于管道內檢測數(shù)據(jù)，管道缺陷深度數(shù)量呈指數(shù)分布；

（2）考慮到腐蝕數(shù)據(jù)分析并非分類問題，因此線性回歸以及多層神經網絡算法較為合適；

（3）提出了基于歷年工藝參數(shù)的一種分析模型，即計算管道入口與出口歷年工藝參數(shù)的平均值，以該平均值為基礎采用線性插值的方式計算管道沿線不同位置的溫度與壓力，為更好的分析管道工藝參數(shù)與缺陷的對應關系，選取不同管段0.5%的最大腐蝕缺陷，最終將工藝參數(shù)作為輸入值，腐蝕缺陷數(shù)據(jù)作為輸出值，構建數(shù)學模型；

（4）基于Python采用線性回歸以及多層神經網絡算法對數(shù)據(jù)進行了分析，給出了擬合函數(shù)，同時以58℃，1.3MPa的工藝參數(shù)為例，預測腐蝕趨勢，兩種算法預測結果基本一致；

（5）基于該擬合結果，能夠預測管道不同運行工況時不同管段的腐蝕速率。