基于人工神经网络的长周期储存式压力容器安全评价研究

尤毅聪

(福建省锅炉压力容器检验研究院泉州分院 泉州 362001)

基于人工神经网络的长周期储存式压力容器安全评价研究

尤毅聪

(福建省锅炉压力容器检验研究院泉州分院 泉州 362001)

本文基于人工神经网络，设计了一个长周期储存式压力容器安全分析评价系统。按压力容器自身的特点进行建模，选择三种类型缺陷为模拟对象，利用有限元应力分析进行应力计算，获取各种状态的应力数据作为训练的样本数据，并选用带二次动量项的BP算法对样本数据进行学习，进而建立长周期压力容器安全评价智能系统软件。最后将该评价智能系统软件计算的结果与GB／T 19624—2004《在用含缺陷压力容器安全评定》计算结果进行比对，系统准确性高。利用该软件使压力容器安全评价变得方便、快捷、简单。

神经网络 长周期压力容器 安全评价

1 背景

随着压力容器的高工况、大型化、复杂化，在用压力容器的安全使用受到人们高度关注，企业强烈诉求提高生产效率、增加经济效益，极力呼吁延长压力容器的检验周期，特别是石油化工行业。长周期压力容器就是使用寿命长，检验周期长的压力容器，采用先进的检验方法将压力容器的检验周期从正常的3～6年进行适当的延长，如延长到6～10年。为了保证压力容器在较长的周期内安全稳定运行，必须对缺陷加以区别，进行必要的安全评价，消除那些带有潜在危险的缺陷，而对没有安全威胁的缺陷予以保留。人工神经网络是一种智能学习判断的算法，可以避开传统方法计算相当复杂的局限性，因此笔者采用带二次动量项的BP算法，开发一套方便、快捷、有效、可靠的智能评价系统。

2 系统结构

本文创建一套基于人工神经网络的专家系统，对各种实际检测的缺陷数据和长周期压力容器的技术参数、服役条件等参数进行分析处理，进而建立长周期压力容器安全评价智能系统。在技术上本次研究采用了人工神经网络模型，该模型可以有效地对三种类型压力容器缺陷检测的参数（包括定量或定性的信息）等进行数据分析，利用人工神经网络的并行分布处理特性使该系统具备高速求解的能力，这对于进行压力容器缺陷评定也是有着特别重要的意义，也是本文与传统评估方法相比的先进之处。

本文采用三层结构的BP神经网络，包括一个输入层，一个隐含层和一个输出层，网络中只存在不同层神经元之间的权值连接，而不存在同一层神经元之间的连接，并且中间层采用S型激活函数，输出层采用线性激活函数。对长周期压力容器，设计的输入层节点个数等于检测到容器的特征参数个数。选择体积型缺陷、纵环焊缝裂纹缺陷、接管拐角裂纹缺陷三种常见缺陷。三种缺陷分别有7、11、8个特征参数（具体参数详见下文软件截图中图1、图2、图3的输入参数，对应的神经网络模型的输入层分别有7、11、8个输入参数，经过不断的调试和经验所得，三种缺陷在神经网络处理层中分别有8、14、10个隐含层，用来进行各个特征的非线性转换。神经网络的输出层都是为两个节点，计算结果值在[0，1]区间，两个节点分别对应“安全”和“不安全”。

如图1所示，评价软件先对样本数据进行预处理、学习得到安全评价知识库，然后用户将实际检测到的数据与知识库进行推理比较，得出安全评价结果，帮助用户决策，同时本次实际数据也作为样本数据重复第一步进入知识库。

图1 评价软件对样本数据预处理示意图

3 学习样本的获取

选择液化石油气储罐、氨罐两种设备作为长周期储存式压力容器的代表进行研究，研究过程以容器未发生材质劣化作为前提。氨罐的材质选取Q235B和Q245R；液化石油气罐则采用Q245R和Q345R两种材料。以不同材料的屈服强度、抗拉强度、弹性模量、泊松比、断裂韧性为参数，建立材料性能参数数据库模块。本次研究分别考虑了不同容积、特征尺寸、内压以及材料对压力容器应力结果的影响，对液化石油气卧式储罐选取12种典型尺寸模型容积从3～150m3进行建模；氨罐选取常见的4种尺寸模型容积从3～20m3进行建模。压力容器的焊缝是产生缺陷的常见部位，受位置分布、载荷条件、边界条件等多因素耦合影响，建立在理想假设基础上的理论公式计算必然会产生一定的误差，不能准确的表达焊缝区的受力情况，然而通过有限元模型计算的求解方法，避开了复杂的公式的推导，可以得到焊缝位置定量应力值及压力容器各部位的应力参量，以此为基础建立分类应力数据库模块。通过GB／T 19624-2004《在用含缺陷压力容器安全评定》，得出缺陷复合规则，建立缺陷复合模块。对平面型缺陷及体积型缺陷的安全评定程序进行设置，建立断裂评定模块。

从数据库中读取样本数据集，进行数据预处理。数据预处理过程包括：

1）去重，即去除具有重复变量值的样本，使得每个样本在建模过程中都是单一的，不会在神经网络学习过程中多次学习。

2）去除含有缺失值属性的样本。

3）数据类型的转换。观察并分析变量数据的类型，哪些变量是字符型的离散取值，哪些是数值型的连续取值。在神经网络模型建立中，需要将字符型的值一一对应地转换为数值型（R语言中也称编码），便于在R语言平台进行数据处理和神经网络的建模，后续可通过相反的过程一一对应地还原（R语言中也称解码）。

4 神经网络训练学习

神经网络是一个非线性动力学系统，其特色在于信息的分布存储和并行协同处理。它类似于人类大脑重复学习的方法，先给出一系列的样本，进行学习和训练，从而产生区别各种样品之间的不同特征和模式。它具备集体运算和自适应的能力，还具有很强的容错性和存储能力。

而传统BP算法收敛速度慢，本文引入二次动量项。一次动量因子

式中：

W——连接权值；

△W——连接权值的修正；

E——网络全局误差；

β——学习速率，0＜β＜1；

i——输入层第i个节点；

j——隐含层第j个节点；

η·Wij（n）——一次动量项；

n——学习次数；

η——一次动量因子，0＜｜η｜＜1。

二次动量因子

式中：

ξ·Wij（n-1） ——二次动量项，

ξ——二次动量因子，0＜｜ξ｜＜1。

这样就形成了以一次动量项为主、二次动量项为辅的调整因子。二次动量项的主要作用是辅助调整连接权变化的幅度。因此，为保证一次动量项为主，在整个训练过程中始终保持｜ξ｜≤｜η｜（一般0＜｜η｜＜1）。如果｜ξ｜偏大，则收敛速度过慢；反之，二次动量项不起作用。本次研究通过实验，发现下式确定的二次动量因子效果最好。

5 基于R语言和.net平台的系统开发

R作为一种高级语言，具有极高的编程效率，然而它也存在一些缺陷：界面开发能力较差，不像大多数应用软件那样具有友好的操作界面，对于一些企业级的用户来说，由于缺乏编程和统计学方面的知识，在使用过程中会遇到很大的困难。R使用的是解释性语言，大大限制了它的执行速度；源代码的公开不利于算法和数据的保密；局限于R运行环境而不能用于开发商用软件。此外，R在数据库操作方面缺乏灵活性，不能高效地管理和利用数据库。

在另一方面，C#.NET是针对.NET平台而设计的，是微软.NET计划中的主要开发语言。利用C#.NET开发的系统具有界面友好、执行速度快、易维护和升级等优点，能够生成可执行文件能有效地保护算法和数据，并可脱离编程环境运行。但是.NET平台缺少统计学、机器学习（尤其是人工神经网络）方面的类库，如果独立开发，致使软件开发周期加长，并且.NET在作图功能上表现并不突出，无法满足数据挖掘方面的应用。

本文将R语言和.NET强大的功能结合起来，实现优势互补，即既有友好界面又能应用统计学分析工具。

6 基于人工神经网络的长周期压力容器安全评价系统软件

体积型缺陷评估见图2，纵环焊缝的裂纹评估见图3，容器接管拐角裂纹评估见图4，综合评估见图4。若检验时，仅有一种缺陷，就单独进行评估，评估结果安全，则容器安全评价结论为安全；若发现有这三种缺陷中的两种或三种，就对其分别进行评估，只要有一项缺陷的评估是不安全，容器的整体评价为不安全。也就是对三种缺陷分别进行评估时，均应为安全。

图2 体积型缺陷评估界面

图3 纵环焊缝裂纹评估界面

图4 容器接管拐角裂纹评估界面

7 与国标计算的数据比对（见表1）

表1 人工神经网络智能评估软件评定结果与GB/T 19624评定结果对比

8 结论

基于人工神经网络的专家系统，按压力容器自身的特点进行建模，选择三种类型缺陷为模拟，利用有限元应力分析进行应力计算，获取各种状态的应力数据作为训练的样本数据，并选用带二次动量项的BP算法对样本数据进行学习，进而建立长周期压力容器安全评价系统软件。

将各种实际检测的缺陷数据和长周期压力容器的技术参数、服役条件等参数放入长周期压力容器安全评价系统软件进行分析处理，其结果与按GB/T 19624标准计算结果相符，说明该软件对储罐类的长周期压力容器的缺陷评价提供了一种可靠、准确的评价方法，同时也使得压力容器的安全评价变得方便、快捷。

1.王道文,等.MATLAB 软件在液氨储罐事故危害定量分析中的应用[J].中国特种设备安全,2011,27(10):9～11.

2.陈珊珊,等.大型常压储罐的完整性管理[J].中国特种设备安全,2011,27(12):34～36.

3.刘万朋,等.基于风险和AHP的压力容器维护策略[J].中国特种设备安全,2014,29(4):65～67.

4.马新旭,等.CAE在压力容器检验中的应用[J].中国特种设备安全,2011,27(6):21～24.

5. 江村,等.压力容器全面检验周期的确定[J].中国特种设备安全,2010,26(9):59～60.

6. 任国栋,等.在用含凹坑缺陷压力容器的安全评定[J].中国特种设备安全,2012,28(4):11～13.

Study of Storage Pressure Vessel Safety Evaluation for Long Period Based on Artifcial Neural Network

You Yicong
(Fujian Boiler and Pressure Vessel Inspection and Research Institute Quanzhou Branch Quanzhou 362001)

Based on artifcial neural network,a pressure vessel safety analysis and evaluation systemsfor long period is designed. In this paper, based on the tank modeling with characteristics of the container, stress of pressure vessel with three kinds of defects is calculated by fnite element stress analysis. The stress data in different condition is obtained as a training sample data, and the BP algorithm with momentum for the second sample data is chosen to learn the sample data, the intelligent pressure vessel safety assessment system software for long period is built. The fnal results are certifed with high accuracy comparing to the national standard GB/T 19624. In this paper, The software makes the pressure vessel safety assessment become more convenient, faster and easier.

Neural networks Long period of pressure vessels Safety assessment

X933.4

B

1673－257X(2014)11－38－06

10.3969/j.issn.1673-257X.2014.11.012

尤毅聪(1964～),男,高级工程师,从事锅炉压力容器检验及安全评价。

2014-05-20）