基于BP神经网络的油气长输管道土壤腐蚀性预测

王 齐，胡林林



基于BP神经网络的油气长输管道土壤腐蚀性预测

王 齐1，2，胡林林3

（1. 西南石油大学， 四川 成都 610500； 2.中国石油天然气股份有限公司西北销售分公司，四川 成都 611930；3. 四川宏达石油天然气工程有限公司，四川 成都 610000）

基于BP神经网络原理, 综合考虑六类土壤腐蚀指标（土壤电阻率、土壤含水量、氧化还原电位、氯离子含量、硫酸根离子含量和pH值），建立了一种土壤腐蚀速率的预测方法。基于这种方法，依据某油田的现场土壤数据，借助MATLAB神经网络工具箱建立了这一地区的土壤腐蚀性预测的BP神经网络模型。训练和预测结果表明：训练的腐蚀速率最大误差为-1.5%，预测的腐蚀速率最大误差为8%。由此可见，基于BP神经网络的土壤腐蚀性预测方法具有较好的预测精度，对油气管道的安全运行具有重要的意义。

土壤腐蚀性；BP神经网络；腐蚀速率；预测

近年来，随着中国在管道建设上的大力发展，形成了东北、华北、华中和西北地区的庞大地下石油与天然气管线网络，陆上管道总里程已达12万km[1]。这些管道随着时间的推移，在施工、地形沉降、土壤腐蚀等因素的影响下，管道可能会发生腐蚀、穿孔、泄漏等情况，而腐蚀更是造成油气管网泄漏的主要原因[1,2]。由于长输油气管道的长度长达几百或上千公里，在事故发生后很难迅速找到确定的位置，并且它可能会导致更多的事故，所以合理、准确地预测油气管道土壤腐蚀速率显得尤为重要[3]。

管道在土壤中的腐蚀速率受多种因素的影响[4]。这些因素包括：含水量、含盐量(包括氯离子含量、硫酸根离子含量等)、土壤电阻率、pH值、土壤氧化还原电位、金属腐蚀电位、硫酸盐还原菌等[5]，它们有的单独起作用，而有的则联合起作用。现在世界上已经发展出了很多种埋地管道土壤腐蚀的评价方法，如：单项指标评价方法、多项指标评价方法、电化学评价方法和模糊灰色理论等。但是，埋地管道的土壤腐蚀是多因素共同作用的结果。传统的单一指标腐蚀评价方法具有极大的局限性，因此评价方法的合理选择决定着土壤腐蚀评价的准确性[6]。

基于这些原因，在多项影响因素中建立一定的内在联系，从而综合的评价和分析土壤的腐蚀性成为了现今较为可靠地方法之一。本文拟采用人工神经网络算法中的BP神经网络建立土壤的腐蚀速率的预测模型。这种模型具有极强的非线形逼近、模糊推理、大规模并行处理、自训练学习、自组织和良好的容错性等特点[7]。因此，将该算法应用于长输管道腐蚀速率预测，从而可有效克服传统腐蚀评价方法可靠性低的缺点，提高评价的精确度和适用范围。

1 神经网络预测模型的建立

通过对油气管道土壤腐蚀机理分析，油气管道土壤腐蚀的主要影响因素是土壤电阻率、土壤含水量、氧化还原电位、氯离子含量、硫酸根离子含量和pH值。在建立BP神经网络模型前，确定这6个指标作为神经元的输入，而神经元的输出为单一指标，即管道的腐蚀速率。如图1所示为网络结构图，属于多输入，单一输出的网络结构。

图1 神经元结构模型

它是一个多输入单输出的非线形元件，其输入和输出关系可描述为：

（1）

式中：x—的输入信号(=1,2,...,)；

—神经元的偏置(阈值)；

W—第个神经元的连接权值；

—输入信号的数目，这里为6；

—神经元输出；

除包装刮起“绿色环保风”外，快递行业在运输方面也越来越环保。记者在昆明街头看到，除快递员的两轮车、三轮车是纯电动力外，快递行业使用的汽车也开始采用纯电动车，今年云南顺丰开始积极推动绿色运输与配送，“双11”期间投入的400余辆三轮车、200余辆两轮车和100辆汽车，均为新能源车和纯电动车。

—传递函数，也叫做激发或激励函数。

传递函数可为线性函数，但通常为非线性函数。常用的传递函数列举如下：阈值型函数、分段线性函数Sigmoid函数和高斯函数[8]。根据模型的特点，借助MATLAB软件对BP神经网络模型进行求解。求解步骤包括基于样本的网络训练和预测两部分。

2 实例计算

在前面所述模型的基础上，依据某油田油气长输管道的20组土壤理化性质与腐蚀埋片的测试数据，建立多指标的土壤腐蚀速率预测方法，并对其应用效果进行分析，样本数据如表1所示。

表1 训练样本数据

续表

编号土壤 电阻率含水率,%pH值氧化还原电位/mV硫酸根离子含量/(mg·kg-1)氯离子含量/(mmol·kg-1) 101.329.38.162744.862.43 115.417.48.652886.880.72 1291.114.78.521497.630.85 137.217.58.562686.380.49 14116.810.38.422344.620.18 1554.217.78.502357.001.08 161.027.38.351859.431.59 1785.710.68.653066.870.48 184.315.28.242590.971.30 192.311.08.181851.710.41 205.522.18.002414.3011.08

设置最小均方误差为0.000 01，学习率为0.01，动量系数为0. 9，最大训练次数为20 000，将表1中1~22 号样本数据作为训练样本进行训练。

由图2可知，训练得到的腐蚀速率与实际腐蚀速率的相对误差较小，最大相对误差为-1.5%,训练效果较好。

图2 训练值的相对误差

同时，为了检验该模型的实际预测效果，取该油田区块另外10组土壤数据，对其腐蚀速率进行预测，土壤参数如表2所示。

表2 预测样本数据

在前面网络训练的基础上，对表2所示10组数据的腐蚀速率进行预测。

预测结果如图3所示，实际腐蚀速率曲线与预测腐蚀速率曲线吻合较好，误差在工程可接受范围之内，大多数预测值略小于实际值。

图3 预测值与实际值的对比曲线

图4为相对误差曲线，进一步表明了该预测方法的可靠性。由图4可知，腐蚀速率的最小相对误差为1%，最大相对误差为8%，预测结果表明模型具有较高的预测精度，对管道沿线腐蚀速率的预测具有重要意义。由此可见，利用人工神经网络可以对样本数据进行有效的学习，仿真及预测，尤其是对于土壤这种受多种因素控制的腐蚀系统，BP神经网络具有很强的优越性。

图4 预测值的相对误差

3 结 论

（1）以BP神经网络为基础，综合考虑考虑土壤电阻率、土壤含水量、氧化还原电位、氯离子含量、硫酸根离子含量和pH值，六个指标，建立了油气管道土壤腐蚀性的预测模型。

（2）以某油田的实际数据为计算依据，对模型进行了训练和预测。结果表明该预测方法具有较较高的预测精度，训练值的最大误差为-1.5%，预测值的最大误差为8%。

（3）本文的研究成果为合理预测油气管道的腐蚀速率提供了理论和技术支撑。

参考文献：

［1］ 高鹏，王培鸿，王海英，等. 2014 年中国油气管道建设新进展[J]. 国际石油经济，2015 (3): 68-74.

［2］ 彭星煜，张鹏，李宗新，等. 油气长输管道外腐蚀维护风险缓解程度模型[J]. 石油工业技术监督，2006，22(10): 35-39.

［3］ 范开峰，王卫强，孙瑞，等. 天然气管道腐蚀与防腐分析[J]. 当代化工，2013，42(5): 653-656.

［4］ 林新宇，吴明，程浩力，等. 埋地油气管道腐蚀机理研究及防护[J]. 当代化工，2011，40(1): 53-55.

［5］ 宋光铃，曹楚南，林海潮，等. 土壤腐蚀性评价方法综述[J]. 腐蚀科学与防护技术，1993，5(4): 268-277.

［6］ 尹桂勤，张莉华，常守文，等. 土壤腐蚀研究方法概述[J]. 腐蚀科学与防护技术，2004，16(6): 367-370.

［7］Liao K, Yao Q, Wu X, et al. A numerical corrosion rate prediction method for direct assessment of wet gas gathering pipelines internal corrosion[J]. Energies, 2012, 5(10): 3892-3907.

［8］ 阎平凡，张长水. 人工神经网络与模拟进化计算[M]. 北京：清华大学出版社有限公司，2005.

Soil Corrosion Prediction of Oil and Gas Pipeline Based on BPNeural Network

1,2,3

（1. Southwest Petroleum University, SichuanChengdu610500，China；2. China petroleum and natural gas sales co., LTD. Northwest branch, Ganshu Lanzhou 730000, China; 3. Sichuan Hongda Petroleum & Natural Gas Co., Ltd., Sichuan Chengdu 610000，China）

Considering six soil erosion indexes of oilfields (soil resistivity, soil moisture, redox potential, chloride content, sulfate ion content and pH), a kind of soil corrosion rate prediction method based on BP neural network theory was established. Based on a certain oil field soil data, training and prediction were performed by using MATLAB neural network toolbox. The results show that the maximum relative error of training is -1.5% and the maximum relative error of prediction is 8%. Therefore, the prediction method of soil corrosion of oil and gas pipeline based on BP neural network has high accuracy , which has the vital significance to the safe operation of oil and gas pipelines.

soil corrosion; BP neural network; corrosion rate; prediction

TE 832

A

1671-0460（2016）09-2198-03

2016-03-29

王齐，男，四川绵阳人，助理工程师，2015 年毕业于西南石油大学油气储运工程专业。现主要从事油气管道及油库管道工程建设、维修检测及项目管理工作。E-mail: 814361691@qq.com。