基于PCA-GRNN模型的集输管道腐蚀速率预测

辛 欣

（中煤科工集团西安研究院有限公司，陕西西安710054）

与原油长输管道相比，集输管道具有建设速度快、占地面积少、成本低等优点。但是由于集输管道内的原油并未进行处理，原油中含有大量的酸性成分、无机离子以及水成分，使得集输管道极易遭受腐蚀，当腐蚀严重时，可能引起管道穿孔[1-2]。在另一方面，长输管道发生穿孔泄漏时，并不会对原油的生产产生影响，但是集输管道发生穿孔泄漏时，会对原油的开采生产产生严重影响，因此，对原油集输管道的腐蚀速率进行预测十分重要，也具有较强的现实意义。

目前，国内外大量学者对集输管道的腐蚀问题进行了深入研究。刘志德等[3]人通过实验的方法，研究了高含硫环境下集输管道腐蚀的影响因素，研究结果表明集输管道在40℃的环境下更容易遭受腐蚀，但是并没有对腐蚀速率进行预测；De Warrd等[4]人充分考虑原油的含水率因素，拟合出了集输管道腐蚀速率的经验公式，但是由于考虑的影响因素较少，所以经验公式的计算误差相对较大；CorrOcean公司[5]在充分考虑集输管道腐蚀速率影响因素的基础上，建立了集输管道腐蚀速率轮廓图，但是如果原油的含水率相对较高，则利用该轮廓图的腐蚀速率查询结果误差较大；程远鹏等[6]人对X65集输管道材料进行了腐蚀行为分析，分析结果显示，当原油中的CO2含量增加时，集输管道的腐蚀速率降低，但是也没有对腐蚀速率进行预测。

在人工智能快速发展的大背景下，使用智能算法对原油集输管道的腐蚀速率进行预测也是一种可行方案。在本次研究中，在对集输管道腐蚀速率影响因素进行分析的基础上，将使用两种智能算法的组合模型对腐蚀速率进行预测，从而为保障集输管道安全提供一种新思路。

1 集输管道腐蚀速率影响因素分析

对集输管道腐蚀速率产生影响的因素可以分为两种类型，一种是原油成分因素，另一种是管道输送条件。原油成分因素指的是原油pH值、含水率、二氧化碳含量、硫化氢含量、盐含量以及溶解氧含量等因素，管道输送条件指的是集输管道的压力、温度以及原油的流速等因素。

在原油成分方面，一般情况下，原油的pH值越低，说明原油中的酸性成分含量越高，集输管道的腐蚀速率就相对越高；原油中的含水率越高，集输管道的腐蚀速率越快[7]；二氧化碳会与原油中的水成分产生化学作用生成碳酸，碳酸本身就会对管道产生腐蚀；硫化氢会在水成分中发生电离反应，电离产生的硫离子将与管道成分反应生成硫化铁，同时，二氧化碳与硫化氢会对管道产生综合反应，两者之间会产生协同作用，加快管道的腐蚀速率；溶解氧为管道腐蚀提高了必要的条件[8]；盐含量对管道的腐蚀可以分为两方面，首先，某些盐组分将直接与二氧化碳、硫化氢或者水成分发生反应，从而生成酸性物质，间接对管道产生腐蚀，其次，某些盐组分也可以直接与管道金属产生反应，直接对管道产生腐蚀，同时，由于盐成分的存在，可能会对集输管道内防腐层产生破坏，从而使管道的腐蚀速率加快。

在管道输送条件方面，随着温度的升高，原油的熵值也将增加，从而使得原油组分之间的混乱程度增加，原油中腐蚀性成分或水成分与管道之间的接触概率增加，管道的腐蚀速率增加，但是当温度升高到一定数值时，原油中的水成分含量将下降，从而使得腐蚀速率降低；随着原油流速的增加，管道的腐蚀速率也将持续增加，原油流速对集输管道腐蚀产生的影响相对较大，一般来说，当原油流速从0.7 m/s增加到1.4 m/s时，管道的腐蚀速率将增加5倍；随着管道压力的增加，管道的腐蚀速率也将增加，但是压力对腐蚀速率的影响相对较小，目前的研究结果显示，对于X60管道而言，管道压力从0.1 MPa升高到6.3 MPa，管道的腐蚀速率将变为原来的1.5倍[9]。

通过以上分析可以发现，原油pH值、含水率、二氧化碳含量、硫化氢含量、盐含量、溶解氧含量、管道温度、原油流速、管道压力等九种因素都可能对集输管道的腐蚀速率产生影响，因此，在本次研究中将初选这九种因素作为腐蚀速率预测的初选因素。

2 数据来源及研究方法

2.1 数据来源

在本次研究中，采用国内某集输场站所采集的集输管道腐蚀速率数据，该集输厂站内的原油密度为0.841 9 g/cm3，凝点为14℃，原油中的含硫量相对较小，仅为0.08%，集输站场内的管道采用的是L360N无缝钢管材料。通过向原油中人工添加二氧化碳、硫化氢、氯化钠、氯化钙、游离水、氧气等成分，使得获取的实验数据产生变化，最终采集到实验数据30组，部分实验数据如表1所示。在本次研究中，随机抽取25组数据作为模型的训练样本，对剩余的5组数据进行预测，并将预测结果与实际结果进行对比，计算其平均绝对误差，以此验证PCA-GRNN模型的可行性。

表1 部分实验结果

2.2 PCA降维算法

PCA算法全称为主成分分析法，该算法主要是通过计算各因素对集输管道腐蚀速率的贡献率，从而优选出对腐蚀速率产生主要影响的因素，进而达到数据降维的目的[10]。

在使用该种算法时，首先需要将上文选择的腐蚀速率影响因素数据组合为矩阵X，然后依次计算该矩阵的相关系数矩阵R、相关系数的特征值λi以及相应的特征向量αi，R及主成分贡献率的计算公式如下所示：

式中：Xij为矩阵X第i行第 j列的数据；R为相关系数矩阵；αi为特征向量；Xi为矩阵X的第i行数据；Zp表示计算得到的主成分。

最后通过公式即可得到前K项腐蚀速率影响因素对腐蚀速率数值的累计贡献率。一般情况下，当累计贡献率大于80%时，即可使用前K项影响因素代替所有影响因素进行下一步研究。但是，在本次研究中，为了保证预测结果的科学性和准确性，将累计贡献率大于98%的前K项腐蚀速率影响因素代替所有影响因素输入到GRNN模型中进行学习预测[11]。

2.3 GRNN预测算法

GRNN算法即为广义回归神经网络算法，是在传统的神经网络算法的基础上发展起来的一种预测算法。GRNN算法主要由四层网络结构组成，分别是输入层、模式层、求和层以及输出层[12]。GRNN算法的基本结构如图1所示。

图1GRNN模型网络结构

GRNN算法基于数学中的非线性回归理论，在对数据进行学习和预测的过程中，首先假设腐蚀速率为变量y，影响因素为变量x1,x2,…,xn，多项影响因素变量共同组成X，变量y与X之间的概率密度函数为f(X,y)，则变量y与X之间的非线性回归结果可以通过式（3）计算得到。

式（3）中的Ŷ可以用来表示GRNN预测的预测结果，但是在上述公式中，变量y与X之间的概率密度函数为 f(X,y)难以求解准确值，只能通过估算的方式得到其数值，估算公式如式（4）所示。

式中：Xi为变量X第i行数据产生的行矩阵，即第i组样本的各种影响因素数据；Yi为第i组样本所对应的腐蚀速率数据；n为样本的数量；p为样本的维度，即影响因素的数量；σ为光滑因子，当σ取值较大时，则腐蚀速率预测结果将趋近于所有输入腐蚀速率数据的平均值，当σ取值较小时，预测误差相对较大[13]。因此，光滑因子的选择是GRNN算法使用的关键所在，为了保障预测结果的准确性，在本次研究中，使用交叉验证的方式对光滑因子进行优选。

2.4 PCA-GRNN模型组合

PCA-GRNN算法的组合模型结构流程如图2所示。在使用的过程中，首先将上文初选的9种影响因素数据输入到PCA算法中，对其进行降维处理，优选出累计贡献率大于98%的腐蚀速率影响因素代替所有影响因素进行下一步的预测。将30组实验数据分为两部分，一部分包含25组实验数据，将其作为模型的训练样本，另一部分包含5组实验数据，将其作为模型的预测样本，并将预测结果与实际腐蚀速率进行对比，计算其预测结果的平均绝对误差，最后，将PCA-GRNN模型与PCA-BP神经网络模型、PCA-WNN神经网络模型的预测结果进行对比，因此验证PCA-GRNN模型的准确性。

3 集输管道腐蚀速率预测

3.1 PCA降维结果分析

在MATLAB软件中编写PCA代码，将原油pH值、含水率、二氧化碳含量、硫化氢含量、盐含量、溶解氧含量、管道温度、原油流速、管道压力等九种因素数据输入到PCA算法中，对其进行主成分分析，计算各因素的贡献率和累计贡献率，计算结果如表2所示。从表2中可以看出，原油pH值、含水率、二氧化碳含量、硫化氢含量将会对集输管道的腐蚀起主要影响，其中，原油pH值对腐蚀速率的影响最大，管道压力对腐蚀速率的贡献率仅为1.472 3%，证明管道压力对腐蚀速率的影响很小，因此，在使用GRNN模型对腐蚀速率进行预测的过程中可以忽略管道压力的影响。最终，选择原油pH值、含水率、二氧化碳含量、硫化氢含量、盐含量、溶解氧含量、管道温度、原油流速八种因素作为集输管道腐蚀速率的影响因素进行GRNN预测。

3.2 腐蚀速率预测结果分析

将原油pH值、含水率、二氧化碳含量、硫化氢含量、盐含量、溶解氧含量、管道温度、原油流速这八种因素作为集输管道腐蚀速率的影响因素，在MATLAB软件中建立GRNN预测模型。使用交叉验证的方法对光滑因子进行优选，优选结果为0.7。将25组数据作为训练样本，对5组数据进行预测，并将PCA-GRNN模型的预测结果和PCA-BP神经网络模型、PCA-WNN神经网络模型的预测结果进行对比，预测结果如图3所示，预测误差如图4所示，预测结果的平均绝对误差和预测时间如表3所示。从图4、表3中可以看出，PCA-GRNN模型的预测结果与集输管道的实际腐蚀速率十分接近，平均绝对误差仅有1.28%，预测时间仅为3.78 s；PCA-WNN神经网络模型的预测误差也相对较小，仅有2.56%，但是该模型的预测时间相对较长；PCA-BP神经网络模型的预测误差最大，且预测时间最长，说明该方法并不适用于集输管道腐蚀速率预测。综上所述，PCA-GRNN模型适用于集输管道腐蚀速率预测。

图2PCA-GRNN模型预测流程

表2 主成分分析结果

图3 腐蚀速率预测结果

图4 腐蚀速率预测误差

表3 模型预测平均绝对误差及预测时间

4 结论

在本次研究中，首先对引起原油集输管道腐蚀的因素进行了系统分析，初选出了集输管道腐蚀速率预测的相关影响因素。然后通过建立PCA-GRNN模型，对初选的影响因素进行了优选，使用从油田单位获取的30组集输管道腐蚀速率数据，将25组数据作为训练样本，对5组数据进行了预测，并将预测结果和PCABP神经网络模型、PCA-WNN神经网络模型的预测结果、误差以及预测时间进行对比，由此得出了以下三个结论：

（1）原油pH值、含水率、二氧化碳含量、硫化氢含量、盐含量、溶解氧含量、管道温度、原油流速、管道压力这九种因素都可能对集输管道的腐蚀速率产生影响，其中，二氧化碳含量、硫化氢含量两者之间的影响具有一定的协同作用；

（2）通过PCA的处理结果可以看出，原油pH值、含水率、二氧化碳含量、硫化氢含量将会对集输管道的腐蚀起主要影响，其中，原油pH值对腐蚀速率的影响最大，管道压力对腐蚀速率的贡献率最小，在腐蚀速率预测的过程中，可以忽略管道压力对腐蚀速率的影响；

（3）PCA-GRNN模型与PCA-BP神经网络模型、PCA-WNN神经网络模型的预测结果相比，PCAGRNN模型的预测平均绝对误差最小，且预测时间最少，PCA-BP神经网络模型的预测平均绝对误差最大，且预测时间最长，证明PCA-GRNN模型完全适用于集输管道腐蚀速率预测。