小样本预测埋地管道外腐蚀速率

赵阳

摘要：为解决现有线性回归模型、单一支持向量机和遗传算法优化支持向量机（GA-SVM） 等管道腐蚀速率预测准确率低的难题，选取总含盐量、氧化还原电位、pH 值、氯离子浓度、硝酸根浓度、硫酸根浓度、溶解氧含量、自然腐蚀电位等埋地管道外腐蚀速率的主要影响因素作为输入变量，采用麻雀搜索算法优化支持向量机算法，建立了麻雀搜索优化的支持向量机（SSA-SVM） 腐蚀速率预测模型。测试集验证结果表明，SSA-SVM 模型的决定系数R2 为0.991 9，高于线性回归模型（0.718 9）、单一支持向量机（0.844 2） 和GA-SVM（0.913 7）；均方根误差为0.068 6 mm/a，低于其他3 种模型的0.116 6、1.774 5、0.118 3 mm/a；平均绝对误差为0.090 2 mm/a，低于其他3 种模型的0.147 4、1.705 6、0.097 7 mm/a；平均相对误差为3.94%，低于其他3 种模型的25.59%、32.29% 和6.42%。采用此模型随机选择B 管道8 组检测数据预测埋地管线外腐蚀速率，与现场实际年腐蚀速率对比预测精度为0.964 2，高于GA-SVM 的预测精度0.669 0，表明该模型可应用于埋地管道的外腐蚀量和腐蚀速率预测，为埋地管道的安全运行提供数据支持。

关键词：石油天然气；油气储运；集输管道；管道腐蚀；预测模型；影响因素；麻雀搜索算法；支持向量机

中图分类号：TE988.2；TP183 文献标识码： A

0 引言

原油是油田企业的重要产品，因此，做好原油的输送非常重要［1］。埋地油气集输管道受土壤环境影响导致腐蚀，降低管道使用寿命，增加维护成本，降低运行安全性［2］。预测腐蚀速率为管道建设、运维提供选址、维护等作业的关键参数，是油气集输管道腐蚀防护领域的关键环节［3］。现阶段，埋地管道腐蚀速率预测模型有很多，如线性回归预测模型、灰色预测模型和机器学习预测模型等。

线性回归预测模型是一种统计学模型，该模型通过建立线性方程预测管道的腐蚀速率，但无法对埋地管道的腐蚀速率进行精准预测［4］。张华礼等结合某油田油井历史工况数据，建立自变量与因变量的数据库，利用线性回归的方法建立了腐蚀预测模型［5］，该模型具有一定的应用价值，但由于各种环境因素相互作用，不能有效处理非线性关系，因此其预测精度一般。

灰色预测模型将不确定性系统作为研究对象，适用于小样本数据，应用较为广泛［6］。何天隆等基于传统GM （1，N） 模型（Grey Model （1，N）） 构建了灰色预测模型，改进原模型存在的预测机理缺陷，验证了模型的可靠性［7］，但该模型存在预测波动性较大的问题。

近年来，人工智能中的机器学习算法已被广泛应用于管道的腐蚀速率预测，并且能够对影响因素的非线性关系进行处理［8］。Xiang 等针对BP 神经网络模型（Backpropagation Neural Network， BP） 在计算中存在不稳定的问题，利用灰色关联度筛选出主要影响因素，并通过遗传算法（Genetic Algorithm，GA） 优化BP 网络，提高了模型预测的稳定性［9］，但需要大量数据才能维持模型的稳定性，仍具有一定的局限。凌晓等针对萤火虫算法（FireflyAlgorithm，FA） 易出现陷入局部最优的问题，提出FA 的改进方案，提升FA 全局寻优能力，并将改进的FA 算法与BP 结合在一起，使得BP 的预测精度得到大幅提升［10］，但BP 的收敛速度较慢且不容易跳出局部最优限制，对大规模问题处理能力较差。

毕傲睿等采用粒子群算法（Particle Swarm Optimization，PSO） 对支持向量机（Support Vector Machine，SVM） 进行优化，解决了SVM 的参数选取问题，建立的预测模型相对误差仅2.82%［11］，但PSO 易陷入局部最优解的状态，会导致误差增大。夏俏健等应用主成分分析法（Principal Component Analysis，PCA） 降维处理，选取贡献率较大的影响因素，建立的SVM 预测模型较好地处理了管道腐蚀的非线性问题［12］，由于没有优化算法对SVM 进行优化，导致模型训练时间较长。李响等为解决BP 神经网络需要大量数据的问题，利用GA 优化SVM 的关键参数，有效降低管道腐蚀的预测误差，为管道腐蚀失效风险提供参考［13］，但运用GA 优化时需要选择适当的参数取值范围。

综上所述，目前的研究主要存在两个方面的问题：一是传统的预测模型如线性回归预测模型无法有效处理非线性问题，其处理复杂数据的能力较差，导致其预测精度低；二是一些基于机器学习建立的预测模型需要大量数据才能保证模型的准确性，对小样本问题的处理能力较差，且容易过拟合，也需要进一步改进。

针对以往预测模型存在的问题，提出麻雀搜索算法（Sparrow Search Algorithm，SSA） 优化SVM 的埋地油气集输管道外腐蚀速率预测模型， 利用SSA 对SVM 的惩罚因子C 和核参数g 进行寻优，从而得到预测精度更高、误差更小的模型，并与线性回归模型、单一SVM 模型和GA-SVM 模型的预测结果进行了对比。结果表明，SSA-SVM 预测模型相比其他模型具有更高的预测精度，能够为管道的检测和防护提供可靠的理论依据。

1 SSA-SVM 模型构建与评估

1.1 模型构建

SSA 是一种较为新颖的群智能优化算法，这是一种基于鸟类行为的启发式算法［14］，模拟了麻雀寻找食物和迁徙的行为，该算法通过个体搜索和群体搜索的策略，以寻找最优解或接近最优解的解决方案，从而提高预测模型的预测精度［15］。SSA 算法的学习能力较弱，不易产生过于复杂的模型形态，可以防止过拟合问题的发生［16］。