基于神经网络的高含硫气田L360钢腐蚀速率预测*

刘德绪，梁法春，2，龚金海，赵景茂

(1.中国石化集团中原石油勘探局勘察设计研究院，河南濮阳 457001;2.中国石油大学(华东)储运与建筑工程学院，山东 青岛 266555;3.北京化工大学材料科学与工程学院，北京 100029)

基于神经网络的高含硫气田L360钢腐蚀速率预测*

刘德绪1，梁法春1，2，龚金海1，赵景茂3

(1.中国石化集团中原石油勘探局勘察设计研究院，河南濮阳 457001;2.中国石油大学(华东)储运与建筑工程学院，山东 青岛 266555;3.北京化工大学材料科学与工程学院，北京 100029)

高含硫气田地面集输系统广泛使用L360钢，由于腐蚀因素的多样性及协同效应，其腐蚀速率预测一直是个难题。文章介绍了不同腐蚀因素对L360钢腐蚀速率的影响。随着H2S和CO2压力的增高，腐蚀速率先降后升，在H2S和CO2压力为1.00和0.67 MPa时达到最小值;随Cl－质量浓度的升高，腐蚀速率增大，但当Cl－质量浓度高于40 g/L后，腐蚀速率反而降低;随着温度的升高，腐蚀速率增大，当温度超过70℃后，腐蚀速率反而降低。建立了三层结构BP神经网络模型，输入层有6个神经元，分别代表H2S，CO2分压、Cl－质量浓度、温度、流速和沉积硫6种腐蚀影响因素，隐层神经元数目为8个，输出层神经元数目为1个，代表腐蚀速率。结果表明，L360钢在试验水中的平均腐蚀速率的预测最大误差在15.9%以内，可以满足工程应用要求。

高含硫气田 腐蚀速率 预测模型 神经网络

国内高含硫天然气资源丰富，地质储量已超过8 000×108m3。由于输送介质的高压性、易燃易爆性、剧毒性和强腐蚀性，高含硫气田地面集输系统面临十分突出的安全、防腐蚀和环保问题［1］。高压酸气集输环境下极易发生电化学腐蚀、应力腐蚀开裂(SSC)和氢致开裂(HIC)腐蚀，导致管道、设备穿孔进而引发泄漏［2］。防腐蚀技术研究是开发高含硫气田的一项长期而艰巨的任务［3］。碳钢在输气管道中的腐蚀是一个非常复杂的过程，影响的因素很多，而且各种影响因素的作用机理并不完全明确，加上这些因素的影响也不完全是线性的，因此很难找到影响腐蚀的主要因素和腐蚀规律，更无法准确地建立一个数学预测模型。随着计算机技术和现代数学的发展，其中神经网络、灰色理论等非线性方法已经成功地应用在腐蚀研究领域［4-5］。该文将研究L360钢在普光输气环境中的主要腐蚀因素，并建立人工神经网络模型进行腐蚀预测。

1 高含硫环境下L360钢腐蚀影响因素

高含硫环境下L360钢腐蚀影响因素主要包括H2S及 CO2分压、Cl－质量浓度、输送介质温度、气体流速和单质硫等。利用腐蚀评价装置，模拟高含硫湿气集输系统环境，分别测量了不同腐蚀因素下腐蚀速率，见图1。L360的腐蚀速率随着H2S和CO2压力的增高先降后升，在H2S和CO2压力为1.00和0.67 MPa时达到最小值。

图1 气体分压对腐蚀速率的影响Fig.1 Effect of gas partial pressure on the corrosion rate

Cl－质量浓度和温度对L360钢的腐蚀的影响，见图2。从图2中可看出腐蚀速率随Cl－质量浓度的升高而增大，但当Cl－质量浓度高于40 g/L后，随Cl质量浓度升高腐蚀速率降低;随着温度的升高，腐蚀速率逐渐升高，当温度超过70℃后，L360钢的腐蚀速率反而降低。

图2 Cl-质量浓度对L360钢腐蚀速率的影响Fig.2 Effect of chloride concentration on the corrosion rate of L360

高含硫环境下，腐蚀规律复杂，腐蚀速率与影响因素之间存在非常复杂的映射关系，当前综合考虑多种腐蚀因素的模型研究尚不充分。而人工神经网络具有模糊识别和非线性预测能力，在此尝试采用BP神经网络预测腐蚀速率。

2 人工神经网络预测模型

2.1 腐蚀速率神经网络模型结构

在众多腐蚀影响因素中，H2S和CO2分压、Cl－质量浓度、温度、流速和沉积硫是影响腐蚀的主要因素。在不同因素条件下，室内共进行了80组试验。

多层前馈神经网络的学习算法是反向传播(Back Propagation)，即BP算法。利用这些数据对BP网络进行了训练。BP网络采用三层神经网络，网络结构为8-9-1(8个输入节点、9个中间隐层节点和1个输出节点)的形式。研究中发现隐层节点数对网络有重要影响。当隐层节点少于8个时，网络根本就不学习;当隐层节点为8个时，网络可以学习但它不认识以前没有见过的样本;继续增加隐层节点数使学习时间增长，预测精度提高;当隐层节点增加过多时，学习时间过长，而且精度提高不大。经过多次试验，最后确定采用9个隐层节点，见图3。

网络模型中输入层到隐层以及隐层到输出层的权值矩阵设置如下:

式中:Vij为输入层中第i个节点到隐含层第j各节点的权向量;Wjk为隐含层第j个节点到输出层的权向量。

隐含层特性函数采用Sigmoid函数:

图3 三层BP神经网络结构Fig.3 The layout of 3-layer neural network

2.2 BP神经网络训练过程

输入训练样本后，经前向传播，网络将产生输出，此输出与其目标值之差即为训练样本的输出误差，所有训练样本的输出误差平方和即构成一目标函数，BP算法的目的即是使此误差平方和最小。依据目标函数，按梯度最速下降法，反向传播调整网络权值，直到满足要求为止，见图4。

图4 BP神经网络训练过程Fig.4 BP neural network training progress

3 结果分析

利用上述训练好的网络，根据试验条件和环境因素数据，就可以求出L360钢在试验溶液中的腐蚀速度的预测值，并与实测值进行比较，结果见下表1。

表1 L360钢腐蚀速度预测结果Table 1 The prediction results of corrosion rate of L360 steel

从表1可以看出，L360钢腐蚀速率预测误差均小于15.9%，大部分在10%以下，这种预测精度对于现场来说，达到了较高程度，因此表明所构建的神经网络是可行的。

4 结论

(1)腐蚀速率预测评价试验表明L360钢腐蚀速率受H2S和CO2分压、Cl－质量浓度、温度、流速及沉积硫等因素协同影响，具有明显的非线性特点;

(2)神经网络表明BP三层神经网络模型能够反应腐蚀速率和影响因素之间的复杂映射关系，可为集输系统安全设计和运行提供依据。

［1］廖仕孟.高含硫气田地面集输建设的实践和认识［J］.天然气工业，2008 ，28(4):5-8.

［2］蒋毅，蒋洪，朱聪，等.高含硫气田集输管道材质的选择［J］. 油气储运，2006 ，25(12):43-45.

［3］边云燕，郭成华.高含硫气田地面集输工艺技术的新发展［J］. 天然气与石油，2006，24(5):28-31.

［4］韩力群.人工神经网络理论、设计及应用［M］.北京:化学工业出版社，2007:108-110.

［5］胡召音.灰色理论及其应用研究［J］.武汉理工大学学报，2003，27(3):405-406.

Prediction of L360 Steel Corrosion Rate in High－sulfur Gas Field Using Artificial Neural Network

Liu Dexü1，Liang Fachun1，2，Gong Jinhai1，Zhao Jingmao3
(1.Survey＆ Design Institute of SINOPEC Zhongyuan Petroleum Exploration Bureau，Puyang，Henan 457001;2.College of Pipeline and Civil Engineering of China University of Petroleum，Qingdao Shandong 266555;3.College of Material Science＆ Engineering，Beijing University of Chemical Technology，Beijing 100029)

L360 steel is widely used in gathering and transportation systems of the high－sulfur gas field.It is difficult to predict the corrosion rate due to many corrosion factors and their the synergistic effect.The impacts of different corrosion factors on the corrosion rate of L360 steel are studied.The results show that the corrosion rate of L360 steel falls initially，reaches the minimum at H2S/CO2=1.00/0.67(MPa)，then increases gradually with the increase in the partial pressure of H2S/CO2.The corrosion rate increases with concentration of Cl－，and falls when the concentration of Cl－is over 40 g/L.The corrosion rate increases with the temperature and decreases when the temperature is over 70℃.A BP network of three layers has been developed.The input layer has six neurons，representing H2S partial pressure，CO2partial pressure，Cl－concentration，temperature，chloride concentration，velocity and deposited sulfur respectively.The output layer has one neuron，representing corrosion rate.The neuron number of hidden layer is 8.The prediction results have shown that the maximum error is with 15.9%，which satisfies the requirements of the engineering

high －sulfur gas field，corrosion rate，prediction model，artificial neural network

O359

A

1007－015X(2012)02－0001－03

2012－01－ 09;修改稿收到日期:2012－02－03。

刘德绪(1960－)，男，1983年毕业于中国石油大学(华东)，教授级高工，主要从事油气田地面集输及腐蚀防护等研究工作。E-mail:liuduxu@163.com。

国家科技重大专项(2011ZX05017)、教育部博士学科点基金资助项目(200804251516)。

(编辑 寇岱清)