宋 丹

(國家管網(wǎng)集團北方管道有限責任公司長春輸油氣分公司,長春 130062)

0 引言

經(jīng)過多年的探索開發(fā),陸地上的原油資源日益匱乏,已經(jīng)不能滿足人們生產(chǎn)生活的需要。而海底蘊含著豐富的資源,確保海底原油管道正常運行,關(guān)系著生態(tài)環(huán)境及原油運輸質(zhì)量,故及時檢測出管道損傷是重中之重。目前,原油管道損傷檢測技術(shù)主要分為兩大類[1],即基于硬件的檢測方法和基于軟件的定位方法?；谟布臋z測方法是由檢測設(shè)備實時監(jiān)控管道外部環(huán)境狀態(tài)來實現(xiàn)對管道損傷的檢測,主要包括無人機檢測法、示蹤檢測法、分布式光線檢測法、漏磁檢測法等。基于軟件的檢測定位方法是由管道自動監(jiān)測系統(tǒng)對管道內(nèi)的流體力學(xué)參數(shù)進行實時監(jiān)測與采集,進而對這些參數(shù)進行處理,從而實現(xiàn)對損傷管道的檢測,主要包括聲學(xué)檢測法、壓力梯度法、負壓法、機器學(xué)習(xí)法等。本研究基于TLENT軟件模擬管道損傷導(dǎo)致原油泄露事故,獲得管道損傷泄露數(shù)據(jù)。建立訓(xùn)練集對相關(guān)機器學(xué)習(xí)模型進行訓(xùn)練,選取最優(yōu)的機器學(xué)習(xí)模型,研究不同損傷程度孔徑對預(yù)測平均誤差的影響。

1 原油管道損傷模擬

1.1 流體力學(xué)原理

管道內(nèi)流體流動過程一般為穩(wěn)態(tài),管道發(fā)生損傷導(dǎo)致泄露事故發(fā)生后,流體不再為穩(wěn)態(tài)狀態(tài),其壓力、流量、溫度等發(fā)生突變。管道內(nèi)流體遵循連續(xù)性方程、動量守恒方程與能量守恒方程[2]。

連續(xù)性方程用數(shù)學(xué)公式表示為:

(1)

動量方程用數(shù)學(xué)公式表示為:

(2)

能量守恒方程用數(shù)學(xué)公式表示為:

(3)

式中:H為管道中的壓頭,m;v為流速,m/s;x為管道位置變量,m;t為時間變量,s;θ為管道與水平面夾角,rad;f為管道水力摩阻系數(shù);D為管道內(nèi)徑,m;T為原油溫度,℃;Cv為原油比熱容,J/(kg℃);ρ為原油密度;p為管道內(nèi)某處原油壓力,K為管道的總傳熱系數(shù);T0為環(huán)境溫度;a為水擊波傳播速度,m/s。

當原油管道某處發(fā)生損傷導(dǎo)致原油泄露后,管道全線壓力下降。

1.2 模型建立

TLNET是一款液體管網(wǎng)仿真軟件,能夠?qū)艿纼?nèi)液體進行瞬態(tài)及動態(tài)模擬,建立由A地向B地運輸原油的海底原油管道模型。假設(shè)入口原油溫度為40 ℃,管道內(nèi)徑1219 mm,管道壁厚8 mm,粗糙度為0.03 mm,管道總長度為45 km。設(shè)置動態(tài)腳本,從0時刻開始,時長為2 h,間隔時間0.01 h。

圖1 原油管道模型Fig.1 Crude oil pipeline model

共模擬2250種損傷工況,工況組合如表1所示。所得數(shù)據(jù)用于后續(xù)模型訓(xùn)練數(shù)據(jù)集與預(yù)測數(shù)據(jù)集。

表1 模擬工況Tab.1 Simulated condition

表2 輸入數(shù)據(jù)與預(yù)測目標Tab.2 Imported data and predicted targets

2 機器學(xué)習(xí)檢測管道損傷

機器學(xué)習(xí)是涉及統(tǒng)計學(xué)、概率論、最優(yōu)化方法等多種理論交叉的學(xué)科。機器學(xué)習(xí)從大量已知數(shù)據(jù)中提取數(shù)據(jù)之間的關(guān)系,訓(xùn)練得到一種概率模型,進而實現(xiàn)對未知數(shù)據(jù)的預(yù)測。機器學(xué)習(xí)流程如圖2所示。

圖2 機器學(xué)習(xí)流程Fig.2 Machine learning process

2.1 數(shù)據(jù)采集與處理

基于建立的模型,采集不同工況下原油管道損傷泄露數(shù)據(jù)。

損傷位置與損傷孔徑的預(yù)測對損傷前后數(shù)據(jù)變化敏感,因此將所有損傷前后的數(shù)據(jù)作差得到新的數(shù)據(jù)集,作為訓(xùn)練數(shù)據(jù)集及預(yù)測數(shù)據(jù)集。

2.2 模型訓(xùn)練

2.2.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向反饋的神經(jīng)網(wǎng)絡(luò),由輸入層、隱層及輸出層組成[3]。每層神經(jīng)元的狀態(tài)參數(shù)僅直接影響下一層神經(jīng)元權(quán)值,使神經(jīng)網(wǎng)絡(luò)誤差趨于最小,過程如式(4)。

ek(n)=dk(n)-yk(n)

(4)

總體能量函數(shù)為:

(5)

網(wǎng)絡(luò)正向計算過程如下:

(6)

yj(n)=f[vj(n)]

(7)

(8)

yk(n)=f[vk(n)]

(9)

權(quán)值修正參量為:

Δwji(n)=ηδj(n)yi(n)

(10)

ωji(n+1)=ωji(n)+Δωji(n)=ωji(n)+

ηδj(n)yi(n)

(11)

BP神經(jīng)網(wǎng)絡(luò)算法如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型Fig.3 BP neural network model

2.2.2 支持向量機算法

支持向量機是建立在概率論數(shù)理統(tǒng)計學(xué)基礎(chǔ)上的機器學(xué)習(xí)算法。其從最優(yōu)分類面出發(fā),定義問題空間優(yōu)化問題,將原問題轉(zhuǎn)化為求解對偶空間中的凸二次規(guī)劃問題。當原有空間無法建立相對應(yīng)的超平面時,需引入核函數(shù)概念,完成非線性到線性的轉(zhuǎn)換,分類函數(shù)可表示為[4]:

f(x)=wTφ(x)+b

(12)

未解決數(shù)據(jù)存在噪音污染的問題,可將條件適當放寬,允許數(shù)據(jù)點發(fā)生些許偏離,約束條件為:

yi(wTφ(xi)+b)≥1-ξi(i=1,2,…,n)

(13)

式中:ξi為松弛變量,需對ξi進行限制,目標函數(shù)為:

ξi≥0,(i=1,2,…,n)

(14)

通過拉格朗日定理求解得到最終的分類決策函數(shù)為:

(15)

2.2.3 預(yù)測結(jié)果

利用TLNET模型對不同工況進行模擬,獲得預(yù)測模型測試數(shù)據(jù)集,用訓(xùn)練好的模型進行預(yù)測。BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機算法預(yù)測平均誤差如表3所示。

表3 預(yù)測平均誤差Tab.3 Mean prediction value

訓(xùn)練結(jié)果說明BP神經(jīng)網(wǎng)絡(luò)算法對損傷位置預(yù)測效果優(yōu)于支持向量機算法,支持向量機算法對損傷孔徑預(yù)測平均誤差優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。

為更準確地評定兩種算法對于不同規(guī)模損傷孔徑預(yù)測效果,以孔徑大小為基準,定義10～20 mm孔徑為小型損傷,30～40 mm為中型損傷,50 mm為大型損傷,比較不同損傷程度對算法模型預(yù)測準確度的影響。結(jié)果顯示,各算法模型對損傷位置與損傷程度孔徑的預(yù)測平均誤差都隨損傷程度的增大而減小,如表4、表5所示。

表4 不同損傷程度下各算法模型損傷位置預(yù)測平均誤差Tab.4 Average error of damage location prediction of each algorithm model under different damagedegrees

表5 不同損傷程度下各算法模型損傷程度孔徑預(yù)測平均誤差Tab.5 Average error of prediction of damage degree aperture of each algorithm model under different damage degrees

3 結(jié)論

基于FLNET對原油管道2250種損傷工況進行模擬,獲得損傷前后損傷位置處管道內(nèi)流體壓力、流量等數(shù)據(jù)。對機器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)算法與支持向量機算法原理進行概括,應(yīng)用模擬得到的原油管道損傷數(shù)據(jù)作為機器學(xué)習(xí)訓(xùn)練數(shù)據(jù)集與預(yù)測數(shù)據(jù)集。對兩種算法預(yù)測平均誤差進行對比可知:BP神經(jīng)網(wǎng)絡(luò)算法對損傷位置預(yù)測效果優(yōu)于支持向量機算法,支持向量機算法對損傷孔徑預(yù)測平均誤差優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。比較不同損傷程度對算法模型預(yù)測準確度的影響可知:BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機算法模型對損傷位置與損傷程度孔徑的預(yù)測平均誤差均隨損傷程度的增大而減小。