基于KPCA-ICS-SVM模型的胶粘复合材料涂层管道外腐蚀速率预测研究

2022-08-19吴艳

粘接 2022年8期

吴艳

(中海油东方石化有限责任公司，海南东方 572600)

在使用金属管道对石油、天然气以及成品油等能源进行输送的过程中，金属管道一般会采用埋地敷设的方式，仅有部分场站内的管道会采用架空敷设方式。埋地敷设占地面积相对较少，不会影响管道沿线的环境，该种敷设方式的安全系数也相对较高。但是，由于土壤中含有一定量的腐蚀性物质，因此，会引起管道外腐蚀问题。事实上，土壤腐蚀是威胁管道安全的重要因素，对金属管道的外腐蚀速率进行预测，有助于相关企业制定合理的措施保障管道安全运行。

由于管道安全运行十分关键，因此，国内外学者针对金属管道的外腐蚀问题开展了多方面的研究。据报道，针对腐蚀管道的可靠性问题，引入了贝叶斯方法，建立了管道可靠性与外腐蚀数据之间的关系模型，并从外腐蚀的角度出发，对管道进行了安全评估研究；针对管道外腐蚀的影响因素问题，引入了动态贝叶斯的方法，对管道外腐蚀的因素进行了系统研究。在此基础上，根据管道外腐蚀的评价结果，对管道的剩余寿命进行了评估，针对管道的外腐蚀速率问题，引入了BPNN(误差反向传播神经网络)的预测方法，并使用IFA(改进萤火虫)算法，对BPNN算法中的参数进行了优选，最终使用BPNN算法对外腐蚀速率问题进行了预测研究，但是在使用BPNN算法的过程中非常容易出现局部最优的问题，因此，预测误差相对较大；引入了RBF(径向基神经网络)算法，对影响管道外腐蚀的因素进行了系统分析，并对管道外腐蚀速率进行了预测研究，但是在使用RBF算法的过程中，随着数据量的增加，网络结构将更加的复杂，数据预测的准确度将会降低。

事实上，尽管国内外学者对管道的外腐蚀问题进行了多方面的研究，也取得了众多的成果；但是，例如预测精度相对较低、预测过程相对较为复杂等。针对这些问题，本研究提出了一种基于KPCA-ICS-SVM组合模型，以实例验证的方式，对该种方法用于管道外腐蚀预测的可行性以及可靠性分别进行研究，为管道外腐蚀的预测问题提供一种新的思路，为保障管道安全运行奠定基础。

1 基础数据及设定

为了对管道外腐蚀速率进行准确的预测研究，本文将以我国某天然气管道为例，对其进行研究。该天然气管道的输量达到了8×10m/a，其设计压力达到了8 MPa，管道运行的最大压力为5.5 MPa，管道的材料为API X80管线钢；在管道建设的过程中，为了降低腐蚀速率，采用了外防腐层+外加电流阴极保护的防护措施。受到管道建设以及第3方入侵的影响，外防腐层的破坏较为严重；同时，阴保参数的设置不合理，管道沿线需要穿越酸性土壤地区，最终导致管道的外腐蚀问题较为严重。

为了获取外腐蚀速率信息，在距离管道1 m的位置处敷设实地埋片。实地埋片的材料与管道材料相同，在实地埋片的表面没有增设防腐层，使用电连接的方式，将实地埋片与管道相互连接，使得二者的电位保持一致，根据实地埋片的质量变化情况，对其均匀腐蚀速率进行计算。为了了解土壤的理化性质，在实地埋片的周围取土，并根据国家标准GB/T 19285─2014《埋地钢质管道腐蚀防护工程检验》要求，对其各种理化性质进行化验。

事实上，土壤体系相对较为复杂，分别由气、液、固3相体系所构成。同时，土壤也属于一种电解质胶体，由于土壤中存在大量的杂散电流，这使得管道在遭受化学腐蚀的同时，也将会遭受一定的电化学腐蚀。对于金属材料而言，在埋地敷设的前提下，其化学腐蚀主要由土壤中的理化性质所决定，在土壤成分存在差异的前提下，其腐蚀速率必然会存在一定的差异。由于管道在敷设之前都已经增设防腐层，其可以将腐蚀性物质与金属材料相互隔离，与阴极保护方法产生协同作用，最终降低管道的腐蚀速率。在进行管道腐蚀速率研究的过程中，需要对影响因素进行合理的选择。选择的影响因素需要具有一定的代表性，可以充分反映金属腐蚀的严重性，同时，所选择的影响因素还需要做到容易测量的原则。本研究最终选择土壤含水量、土壤含盐量、土壤的pH值、土壤的氧化-还原电位、土壤的自然腐蚀电位、土壤的电位梯度、土壤的电阻率、土壤中氯离子的含量、管道防腐层破损点的密度以及阴极保护的有效率等10项因素作为影响管道外腐蚀的初始影响因素。

2 算法理论基础

2.1 KPCA算法

核主成分分析(KPCA)算法是在主成分分析(PCA)算法基础上发展起来的一种影响因素分析算法，其可以利用非线性的方法，对影响某一事物的主成分进行提取。事实上，在使用PCA算法的过程中，其主要是基于数据样本，但是对于KPCA算法而言，其使用的过程中主要是基于输入数据的维度。对于管道的外腐蚀问题，其影响因素相对较多，且影响因素之间的非线性特征十分明显，因此，KPCA算法适用于管道外腐蚀速率影响因素的降维处理问题。在使用KPCA算法的过程中，假设样本数据集为(=0,1,2,…,；影响外腐蚀速率的因素有m个)，∈；通过引入非线性的函数()，进而使得数据样本可以转换进入高维空间，并可以得到协方差矩阵：

(1)

对该矩阵的特征值以及特征值对应的特征向量进行求解，通过使用函数()，可以得到：

()-()=0

(2)

式中：可以使用函数()来表示，即

(3)

式中：为数学中的拉格朗日乘子。把式(2)和式(3)相互结合，并加入核函数以后，可以得到：

-=0

(4)

(5)

2.2 ICS算法

(6)

(7)

2.3 SVM算法

支持向量机(SVM)算法属于一种相对较为先进的数据分类以及预测算法，在使用该种算法的过程中，对学习数据集进行非线性的映射:∈→，进而可以将其输入到高维空间中，并在高维空间中对数据进一步的处理。首先，假设所有的学习数据集可以表示为{(,),(,),…,(,)}，其中∈为输入数据矢量；∈为目标的数值；为样本的个数。对数据进行处理：

(8)

(9)

式中：为模型的惩罚函数；为模型的损失参数，这2项参数的设定对于整个SVM算法的使用十分关键。但是，在确定这2项参数的过程中，目前并没有很好的方法，一般都是依靠研究人员自身的经验进行确定，这导致参数确定的精度相对较低，且容易受到主观因素的影响。

3 基于KPCA-ICS-SVM模型的埋地管道外腐蚀速率预测模型构建

3.1 组合模型构建

在使用SVM模型对管道外腐蚀速率进行预测的过程中，其预测的精度与参数和具有很强的联系，因此，本研究将会使用ICS模型对这两项参数进行优选，最终建立用于埋地管道外腐蚀速率预测的组合模型；模型的组合方法如图1所示。使用该模型的流程为：

图1 组合模型流程图Fig.1 Combined model flow chart

(1)对数据进行处理。假设样本的数量为个，(,)，=1,2,3,…,表示各个样本，将所有的样本数据分为2个组，分别是学习数据集以及预测数据集。其中，对于外腐蚀速率的影响因素而言，其属于输入数据集：=[1,2,…,]；参数为

外腐蚀速率影响因素的数量，对于外腐蚀速率而言，使用表示。使用以下公式对数据进行归一化处理：

(10)

(2)降维处理。使用KPCA算法，对外腐蚀速率的影响因素进行降维处理，优选出影响埋地管道外腐蚀的主要影响因素；

(11)

(4)模型训练。将学习数据集输入到组合模型中，将适应度函数最小值作为模型训练的目标，使用ICS算法对SVM算法中的参数进行优选，最终得到最佳的KPCA-ICS-SVM组合模型；

(5)结果预测。将预测数据集输入到最佳KPCA-ICS-SVM组合模型中，对埋地管道外腐蚀速率进行预测，并将预测结果与实际外腐蚀速率进行对比，验证模型的准确性。

3.2 模型评估方法

为对本研究所提出的组合模型进行合理的验证，引入均方根误差(RMSE)和希尔不等系数(Theil IC)2种类型的评估方法，对组合模型的预测准确性进行评价。2种类型评估方法的计算公式：

(12)

(13)

对于本研究采用的2种评估方法而言，其计算结果越小，则证明预测精度越高。如果RMSE的计算结果超过了10%，则证明模型的预测结果较差。

4 实例应用

4.1 样本数据整理及分类

根据上面介绍的数据采集方法，共采集数据55组，将55组数据分为2部分。其中，45组数据用于模型训练；在模型的相关参数达到最佳以后，将剩余10组数据输入到组合模型中。对本研究所提组合模型的可行性进行验证，本次研究所考虑的管道外腐蚀速率影响因素和采集的部分数据如表1所示。

表1 本次研究采集的部分数据Tab.1 Some data collected in this study

4.2 KPCA算法处理结果分析

使用MATLAB软件对KPCA算法进行编程，对影响埋地管道外腐蚀速率的相关因素进行综合性分析。对于不同类型的影响因素而言，其量纲的差距相对较大，因此，在进行KPCA处理之前，需要使用式(10)对其进行归一化处理。在归一化处理后，才能对其进行KPCA分析，分析结果如表2所示。

表2 埋地管道外腐蚀影响因素KPCA算法分析结果Tab.2 Results of KPCA Algorithm analysis

由表2可知，由于前4项影响因素的累计贡献率已经超过了85%；因此，可以将前4项影响因素作为影响管道外腐蚀速率的主要因素。进一步分析发现，对于电化学腐蚀行为而言，其与土壤的表观电导有关，土壤的表观电导主要由2部分构成，分别是土壤中液相的电导以及土壤的表观电导。2种类型的电导存在本质区别，前者主要依靠液相离子进行导电，后者主要依靠固相的离子进行导电，这2种类型的电导与土壤自身的电阻率、含盐量、含水量有关；同时，土壤的pH值会直接影响管道金属的化学腐蚀行为。另一方面，表2中后三者对于管道外腐蚀的影响相对较小，这主要是因为该条管道沿线的电气化设施相对较少，因此，杂散电流也相对较弱；对于破损点而言，其密度均值为0.1处/(100 m)左右，根据防腐层的评级标准，其处于1级和2级之间，且偏向于1级，因此，防腐层的质量相对较好。通过对阴极保护电流进行分析发现，该条管道大多数位置处的保护电位满足要求，仅有部分位置处的保护电位低于-0.85 V。综合而言，土壤表面电位梯度、破损点密度以及阴极保护率对于管道外腐蚀速率的影响相对较小。

4.3 参数优选结果分析

为了对ICS算法的应用优势进行验证，将使用CS算法与其进行对比。CS算法使用过程中的参数设置与ICS算法相同，2种类型算法的迭代过程如图2所示。

图2 ICS算法和CS算法的迭代过程Fig.2 Iterative process of ICS Algorithm and CS Algorithm

由图2可知，对于ICS算法而言，其迭代速度相对较快，在迭代次数达到75次以后，误差的变化基本稳定；对于CS算法而言，其迭代速度相对较慢，在迭代次数达到114次以后，误差的变化才能达到稳定。由此可见，与传统的CS算法相比，ICS算法的性能更加优越，使用ICS算法对SVM算法中的参数进行优选，进而得到=12.83和=4.56。

4.4 腐蚀速率预测及结果对比

为了对本次研究所提模型的先进性进行验证，本研究将使用同样的训练数据，对常见的4种智能学习算法进行训练；并使用同样的验证数据集，对智能算法的性能进行验证。不同类型智能算法预测结果与实际腐蚀速率的对比情况如图3所示。

图3 不同类型智能算法预测结果与实际腐蚀速率对比图Fig.3 Comparison of different types of intelligent algorithm predictive results and actual corrosion rate

由图3可知，不同类型智能预测算法在对管道外腐蚀速率进行预测的过程中，预测结果的变化趋势与实际腐蚀速率的变化趋势都十分接近，仅依靠对比预测结果与实际腐蚀速率，无法对本次研究所提出的KPCA-CS-SVM组合模型的先进性进行验证。因此，本研究对验证数据集中不同算法预测结果的相对误差进行了计算，不同类型智能算法预测结果的相对误差如图4所示。

图4 不同类型智能算法预测结果的相对误差Fig.4 Relative error of different types of intelligent algorithm prediction results

由图4可知，KPCA-ICS-SVM组合模型在使用的过程中，10组样本的预测结果相对误差均小于BP神经网络等3种类型的智能模型，仅在少量数据位置处，预测结果的相对误差高于KPCA-CS-SVM模型。为了对本研究所提组合模型的性能进一步的验证，使用上文中提出的性能验证方法，对评估指标进行计算；不同模型评估指标的计算结果如图5所示。

图5 不同类型智能算法的性能评估Fig.5 Performance assessment of different types of intelligent algorithms

由图5可知，本研究所提出的KPCA-ICS-SVM模型在对管道外腐蚀速率进行预测的过程中，与BP神经网络模型相比，其RMSE数值降低了4.52%，Theil IC数值降低了3.89%；与RBF神经网络模型相比，其RMSE数值降低了2.54%，Theil IC数值降低了2.17%；与KPCA-PSO-SVM模型相比，其RMSE数值降低了1.66%；Theil IC数值降低了1.44%；与KPCA-CS-SVM模型相比，其RMSE数值降低了0.35%，Theil IC数值降低了0.31%。

综合分析可以发现，使用KPCA-ICS-SVM模型进行管道外腐蚀速率预测的性能相对较好。因此，未来在对管道腐蚀速率进行评估的过程中，可以引入该种类型的智能算法。