长输油气管道检测技术研究现状

牛爱军，郭克星，董 超，高 杰

1.国家石油天然气管材工程技术研究中心，陕西宝鸡 721008

2.宝鸡石油钢管有限责任公司，陕西宝鸡 721008

3.陕西省特种设备检验检测研究院，陕西西安 710000

随着全球经济的持续发展，能源需求将激增，根据国际能源署（IEA）的预测，石油仍然是全球未来最重要的能量来源[1]。管道作为输送石油和天然气最经济、高效的方式，一直以来被广泛使用。随着我国管道工业的不断发展，已经形成了以中俄东线管道为代表的第三代管道体系，管道输送技术跻身世界第一方阵[2]。随着管道长度的增加，泄漏风险加大。自1970 年起的50 年时间里，欧洲发生了共计1 172 起管道失效事故。其中，因外力引发的事故占比48.4%，因违规操作引发的事故占比7.4%[3]。1984年我国东北某管段断裂跑油1 470 t，1988 年某穿越黄河管段断裂耗资1 700 万元修建了复线，造成了极大的能源和经济损失。近年来，美国加利福尼亚州南部奥兰治县、圣佩德罗湾和墨西哥湾等地也发生了管道失效造成的原油泄漏事故。杨玉锋等[4]研究指出，自2002年美国开始重视管道管理以来，特大事故明显减少，上报事故和重大事故数量基本持平。上报事故和重大事故主要失效原因为材料/焊接、腐蚀和开挖损坏，特大事故的主要失效原因是开挖损坏、其他不明原因和误操作。为了降低管道运行风险，提高风险预防能力，在“十三五”期间，我国重点支持了在管道行业开展泄漏监测、第三方损坏预警、地灾监测、腐蚀监测和设备故障等技术攻关，取得了长足的进步[5−6]。骆正山等[7]提出一种基于RS−MSWOA−LSSVM 的油气管道失效压力预测模型。结果表明，RS−MSWOA−LSSVM 模型与LSSVM 模型和WOA−LSSVM 模型相比，其预测结果的相关系数提升至0.996 8，均方误差降至0.063 9 MPa，均方根误差降至0.252 8 MPa，平均绝对误差降至0.222 3 MPa，说明该模型的预测结果与实际结果的拟合度更高，且预测精度优于其他两种模型。冯翠翠[8]指出，新形势下长输油气管道管理模式应以精细化管理为主要理论依据。

目前，在役长输油气管道数量巨大，管道穿越的地质条件复杂，早期的施工工艺不佳且服役年限较长，管道已经进入事故多发期，因此围绕管道检测开展相关研究刻不容缓。基于此，对长输油气管道检测技术的研究进展进行分析，总结了常用的管道检测技术，旨在为我国的管道检测从业人员提供参考。

1 内检测技术

管道内检测技术是指在不影响管道正常安全运行的条件下，通过载有无损检测设备和信号采集、处理及存储系统的智能型清管器，以管内输送介质为行进动力，对管道腐蚀、变形以及裂纹程度进行在线监测的技术[9]。管道内检测是管道完整性评价的重要手段，可获得内检测数据。通过内检测数据的对比，可以对管道基础特征、管道缺陷、管道坐标等进行分析[10]。对管道的管理和实时监控具有重要意义。

1.1 漏磁检测

漏磁检测（Magnetic Flux Leakage，MFL）技术是管道检测应用最多的无损检测（Nondestructive Testing，NDT）技术之一。管道漏磁内检测技术的原理是在管道周向均匀布置永磁铁，对管壁进行饱和磁化，当管壁没有缺陷时，磁力线被约束在管壁之内；当管壁存在缺陷时，管壁磁力线穿出管壁产生漏磁。通过传感器采集漏磁信号，达到检测目的，检测原理如图1所示。

管道漏磁内检测系统由驱动模块、磁化模块、传感模块、数据采集与传感模块、供电模块、里程记录模块、环向定位测量模块、速度控制模块、振动和冲击悬置模块等组成[11]。管道漏磁内检测技术的特点是检测效率高、技术相对成熟、结果可靠、经济性高，是目前全球长输管道、油气田集输管道应用最多的检测技术。

李亚平等[12]设计了一种长输变径管道的漏磁管道内检测器。该检测器的密封节采用折叠型皮碗，磁路及探头采用浮动式结构，探头为双排交错布置。结果显示，磁路及探头浮动效果良好，在不同管径中可保持对管壁的贴合，满足检测要求。

在目前的研究中还没有发现关于缺陷检测速度的研究。针对这一问题，Ege 等[13]设计了两种新的管道检测仪（Pipeline Inspection Gauge，PIG），如图2 所示。测量采集的数据通过使用MyRIO 1900显示在LCD 屏幕上。针对新设计的PIG 在检测管道缺陷方面的可用性通过Origin 分析程序的试验结果进行了验证。

图2 设计生产的两种PIG[13]

由于单个漏磁检测仪对与其磁场平行的腐蚀缺陷并不敏感，所以通常在一次检测中采用两种具有垂直磁场的漏磁检测仪来检测所有腐蚀缺陷。Xiang 等[14]应用检测概率（Probability of Detection，POD）来定量评估两种单独的漏磁检测仪及其组合使用时的检测能力。由于MFL 的特点，提出将POD模型构建为两个几何特征的函数，即体积和方向，这对MFL 信号反应有很大影响。使用逻辑OR操作整合两种漏磁检测仪的检测结果，研究其组合的POD。通过提出的POD 模型，研究了确保腐蚀缺陷能被漏磁检测仪检测出来的最低标准。

Peng 等[15]从数据分析的角度全面回顾了采用MFL 技术进行管道腐蚀评估的情况。对MFL 信号和数据的分析有助于腐蚀定量和预测。对于腐蚀量化，讨论了信号处理方法和表征模型，其目的是加强测量和腐蚀的表征。对于腐蚀预测，研究了多种MFL 数据匹配方法，这些方法将连续的在役检测（In−line Inspection，ILI）运行中的缺陷对齐。随后，介绍了可预测未来腐蚀状态的腐蚀增长模型。此外，还回顾了被腐蚀管道的可靠性分析，并探讨了MFL 与其他无损检测技术融合的潜力。

1.2 弱磁应力检测

长输油气管道发生破坏泄漏的主要诱因是应力集中，该诱因会对管道安全造成严重威胁，基于长输油气管道应力检测和评价，提出弱磁应力检测技术[16]。弱磁检测的原理是根据材料自身的磁导率和存在缺陷材料的磁导率变化，通过测量材料的磁感应强度从而对材料出现损伤的部位进行定性检测和定量评估。该检测技术可以为管道管理提供完整的数据支持，能够在一定程度上预防事故发生，降低安全隐患，具有很大的市场应用前景。

闵希华等[17]针对油气长输管道内检测发展需求，自主研发了高精度弱磁内应力检测装置，用以评价管道应力集中程度。将应力集中的程度划分为4 个级别，每个级别对应的风险见表1。研究指出，产生的弱磁信号与应力集中程度和管道损伤状态明显相关，二次弱磁内检测可以准确辨识管道应力集中风险程度。

表1 管道应力集中程度及其对应的风险[17]

刘斌等[18]就弱磁应力内检测技术重点研究了外界磁场强度对检测信号的影响规律。结果表明，应力集中区磁信号的特征与初始磁化强度和应力方向有关，铁磁体的初始磁化强度不为0，磁畴沿应力方向重新排列；当磁畴排列方向与磁化方向一致时，铁磁体磁化强度增加；当磁畴逆磁化方向排列，磁化强度随外界磁场强度的增加而减小，主应力方向微磁信号特征减弱。

1.3 超声波内检测

超声波内检测技术的原理是利用金属表面可以反射和传播超声波的原理，通过内置的检测器发射超声波信号，信号经过管道内壁和外壁的一系列反射之后再次被探头捕捉到，通过超声波传播的时间差来计算可能出现的缺陷类型和大小[19]。目前应用较为广泛的超声波检测器有超声直波检测器和超声横波检测器两种。Rosen 公司制造的超声波内检测器如图3所示。

图3 Rosen公司的超声波内检测器[20]

Du 等[21]针对压力管道的检测问题提出并完成了一套完整的涵盖密封和耐外压功能的超声波内检测智能球壳结构设计。一部分为内球体，另一部分为外壳。经过在管道内实际应用表明，超声波球形检测器通过弯曲管道、倾斜管道和竖直管道时，均能顺利到达出口处，无卡堵，运动姿态稳定，能够采集沿途各种信息、判断缺陷的存在、实现精确定位。

马建民等[22]以长输大口径油气管道的全自动超声波检测为依据，总结了全自动超声波检测试块的设计思路及试块中各人工反射体的作用，阐述了全自动超声波检测试块的加工、检验及试块检测验证的质量控制程序，为全自动超声波检测人员提供了技术参考。

Pratomo 等[23]从PT.Pageo Utama 获得侧扫声呐和双头扫描剖面仪数据。侧扫声呐数据用来作为管道的视觉表现，而双头扫描剖面仪数据用来获得海洋和周围管道的地形，以确定自由跨度的尺寸。结果显示，6.8 km的水下管道有47个自由跨度。最长的自由跨度是FS−43，长度为42.109 m，高度为0.44 m，位于KP6.045。最高的自由跨度是FS−45，高度为1.22 m，长度为20.329 m，位于KP6.465处。

1.4 瞬变模型法

瞬变模型法是通过建立管内流体流动的数学模型，在限制的边界条件下对管内流场求解，并将计算值和管段实测值进行对比，当计算值与实测值的偏差大于一定范围时，即可认定管道发生了泄漏。该方法的特点是检测范围较广、定位精度较高和响应时间较短[24−25]。

Shaik 等[26]使用前馈反向传播网络开发了一个智能模型，预测原油管道的状况，如金属损失异常、壁厚、焊缝异常和压力流量。通过改变隐藏神经元的数量，使用Levenberg−Marquardt 算法对模型进行了训练，对最大决定系数（R2）值和最小平均平方误差进行了研究。研究发现，R2值取决于隐藏神经元的数量。用16 个隐藏神经元开发的模型准确地预测了估计维修系数值，R2值为0.999 8。压力对管道状况有很大的负面影响，而焊缝周长对管道状况有很小的负面影响。

吕圆[27]通过构建长输油气管道管壁的应力集中区模型，根据坐标系计算油气管道应力集中区磁感应分布情况，最后利用4 层的BP 神经网络实现对磁感应分布数据的分析，得到对应检测点的管道状态。结果表明，该设计方法可实现对管道异常状态的准确检测。

Shaik 等[28]使用人工神经网络开发了一个智能模型。用12 个隐藏神经元开发的模型准确地预测了管道状况，S1、S2、S3、S4 和S5 管道段的总体R2值分别为0.981 48、0.993 59、0.994 30、0.993 36和0.990 84。为了解影响管道状况的因素之间的相互关系，进行了敏感性分析，对管道系统的剩余使用寿命进行了估计。

1.5 管道机器人

管道机器人一般包括移动载体、视觉系统、信号传送系统、动力系统和控制系统。管道机器人是一种沿管道内部自由移动的设备，用于检查管道中存在的损坏、裂缝和腐蚀。市场上有许多类型的机器人，如螺杆式机器人和轮式机器人[29]。

刘洪斌等[30]设计了一款液压驱动蠕动式爬行管道机器人，针对天然气管道内壁损伤和腐蚀开裂情况进行检测。计算了其驱动和越障能力，并采用仿真技术对其进行分析，制作了物理样机对其各项性能进行测试。结果表明，管道机器人的运动特性与理论分析结果一致，机器人运行过程平稳可靠，能够保证足够的通过能力及驱动性能，可实现复杂工况下的检测。

Zhang 等[31]指出管道检测仪PIG 的球形密封杯外缘的应力和应变分布很复杂，当PIG 处于直管段时，它可以被抽象为聚氨酯橡胶和钢之间应力的问题。首先，将橡胶和钢之间应力的数值解和分析解进行了比较，以验证数值解。然后，使用MSC Marc 2016 讨论了当PIG 处于凹陷管道中时，球形密封杯的过盈量（δ）、厚度（t）和弧度（θ）对密封杯外边缘的应力和应变分布的影响。结果表明，当PIG 在直管段运行时，密封盘的过盈量对应力和应变分布的影响最大（见图4）；然而，当PIG 在管道凹陷处运行时，密封杯的厚度对应力和应变分布的影响最大。

图4 PIG处于直管段时球形密封杯边缘的应力应变分布

Karkoub 等[32]使用一个小型移动机器人和一个全角全向视觉系统对管道进行检查。该系统使用锥形/双曲镜捕捉全景视频，并将其传输到监测站，以检查天然气管道的内表面。视频经过一系列处理以获得整个管道内表面的平面图像。介绍了使用配备有CCD 相机和锥形镜子的移动机器人进行的模拟和实验研究，证明了这种检测技术的可行性。

陈宏华等[33]针对管道机器人作业过程中可能产生方向不确定及电磁干扰大等问题，设计了一种机械式方向自动调节装置。针对该装置展开了运动学仿真并运用于管道检测，验证了该装置能较快并准确调整管道检测机器人的姿态。

2 外检测技术

管道外检测技术是指在地面不开挖的情况下，对管道外腐蚀进行检测评价，减小外腐蚀对管道完整性的影响[9]。

2.1 光纤传感检漏法

光纤传感检漏法的原理是通过对管道沿途泄漏振动信号进行提取、分析和处理，从而进一步判别管道泄漏情况和位置[34]。分布式光纤传感器的检测原理如图5所示。

图5 分布式光纤传感器的检测原理[34]

邱秀分等[35]为了提高检测准确率，提出了一种基于分布式光纤传感技术的油气管道破坏信号检测方法。结果表明，短时平均能量与修正过零率标准差联合检测管道破坏信号的方法能够剔除干扰，对人工、机械模拟入侵事件检测准确率超过90%，可为管道安全运行提供技术保障。

Cabral 等[36]使用嵌入到接头黏合层中的光纤布拉格光栅（Fiber Bragg Grating，FBG）传感器来监测管道黏合接头的组装和运行。这种方法可以根据FBG 传感器数据的实时和长期反馈来决定何时进行有针对性的深入检查，从而降低监测成本，并提高运行安全性。

Yang 等[37]利用一种基于分布式光纤传感器信号时空特征的新型机器学习方法来实时监测油气管道的安全。通过对从现场收集的大量数据进行分析证实，设计的模型可以在强噪声和各种硬件条件下准确定位并实时识别管道的损坏事件，并能有效处理信号漂移问题。

2.2 基于模型的检测法

基于以往一些检测数据集的管道检测图像和在线检测图像，Bhowmik[38]开发了一个深度学习图像处理模型。在通过管道检测进行腐蚀监测期间，数字孪生系统将收集的数据进行处理和分析。分析后的数据可以用来对腐蚀类型进行分类，并确定要采取的行动。基于深度学习的数字孪生体在腐蚀检测方面显著改善了当前的腐蚀识别效率，减少了海上检测的整体时间。

Fadhli 等[39]将回归模型用于油气管道腐蚀预测的建模。建立了两个具有不同因素选择的线性模型，即：模型1（其因素包括连续和离散值的混合）、模型2（其因素只限于连续值）。研究结果表明，模型2 比模型1 具有更好的预测性能，其性能为95.56%，而模型1为83.03%。

2.3 基于无人机的检测法

基于无人机的检测方法具有维护要求低、续航能力高和成本较低等优点。与目前使用的载人飞行器（Manned Aerial Vehicle，MAV）相比，具有一定的优势，可以提高安全性，降低成本，通信能力较强。

为了对管道进行例行检查和检测，以确保管道的完整性和持续的安全运行，Ukaegbu 等[40]利用模块化无人驾驶飞行器（Unmanned Aerial Ve⁃hicles，UAV）与深度学习算法相结合的方法对管道进行检测，设计的无人机模型如图6所示。结果表明，本研究中采用的深度学习模型的训练、验证和测试准确率分别为88.3%、87.5%和83.3%。同时，训练和验证的损失为0.358 3和0.364 9。

图6 设计的无人机模型[40]

Alharam 等[41]设计了一个配备了热像仪的无人机，可以监测石油和天然气管道，以检测偏远和危险地区的管道泄漏情况，该系统使用基于人工智能的机载处理系统来进行泄漏检测。此外，所实施的系统有高精确度的分类器，这个分类器可以快速实现实时处理功能。这个系统有实时警报，延迟时间小于100 ms。这项研究的目的是减少当前检测的总成本和警报管道泄漏所需的时间。

2.4 磁信号法

磁层成像法（MTM）是一种检测金属磁性记忆信号的非接触式外部检测方法。其在长距离油气管道和海底管道检测方面有很大的应用潜力。然而，磁信号的空间分布特征和传播规律尚不明确，这使得MTM 成为被动检测。Liu 等[42]在边界条件的基础上，建立了管外应力集中区磁场分布的三维数学模型；对于应力集中区位于管道内壁顶部和底部的两种情况，通过有限元分析对模型进行了求解；研究了管道外磁信号的变化规律，并设计了实验来验证该模型；结果表明，穿过管壁后，磁记忆信号的形状保持不变。由于管道介质的磁导率远大于空气的磁导率，磁记忆信号在穿透管壁后被明显衰减。随着探测高度的增加，管外的磁感应强度呈指数级衰减。研究结果还表明，磁断层扫描方法可以检测到管道任何位置的应力集中区，当其位于管道顶部时，检测精度更高。

金属磁性记忆（MMM）检测技术是检测铁磁性材料应力损伤的有效方法，特别是在长距离油气管道焊缝裂纹检测领域具有巨大的应用潜力。Liu 等[43]为了研究MMM 的产生机制和焊缝裂纹的信号特征，提出了定量计算内部检测的非均匀磁荷的MMM 信号的模型。研究了裂纹深度、裂纹宽度和管道内压变化对MMM 信号的影响，并通过大量实验研究证明了理论结果。结果表明，轴向分量只有一个峰值，而径向分量有两对独立且零交叉的峰值，其中外侧的一对对应焊缝，内侧的一对对应裂纹。特征值随着裂纹深度的增加而非线性变化，增长速度逐渐降低。特征值随裂纹宽度线性增加，径向分量比轴向分量对宽度更敏感。内压会增加焊缝和裂纹周围的应力集中，但裂纹周围的应力反应更敏感。因此，MMM 信号与内压呈正相关，特征值将随内压增加而线性增加。

2.5 三维激光扫描技术

三维激光扫描技术是继GPS空间定位系统之后的又一项测绘技术。三维激光扫描技术通过高速激光扫描测量的方法，能够大面积、高分辨率快速获取被测对象表面的三维坐标数据，同时可以通过专业软件和测量数据建立物体的三维实体模型。该技术具有非接触性、快速性、主动性等特性，实时获取的数据具有高密度、高精度等特点。

蔡景明等[44]通过分析三维激光扫描技术的原理和特点，发现该方法能够有效应用于长输管道变形量的测量。其详细介绍了三维激光扫描数据获取流程，并通过在几何变形器检测到的缺陷点处应用，验证了该检测方法的有效性。通过对传统工具、几何变形检测器和三维激光扫描3种检测结果进行分析，可知三维激光扫描检测技术具有更高的测量精度和可靠性。

3 结束语

长输油气管道的检测是一项艰巨、漫长且复杂的任务，不同的管道运行情况面临不同的困难和挑战。目前，国内外已经开发了许多的管道检测技术，但是还没有一种技术可以适用于所有管道的检测，各种检测方法都在借鉴彼此的优点来弥补不足。随着我国管道建设投入的不断加大，应该将人工智能、大数据和物联网等融入管道检测技术中，从而提高各种信号的分析能力和处理能力。