Evaluation of Uniform Corrosion Defects of Oil-Gas-Water Gathering Pipeline Based on Radial Basis Function Artificial Neural Network Prediction Model
摘 要
利用多相动态腐蚀检测装置测定不同工况下油气水集输管道的均匀腐蚀速率,以此结果为样本建立径向基函数人工神经网络预测模型,并对管道均匀腐蚀缺陷进行评价。结果表明:当以硫化氢含量、二氧化碳含量、水含量、钙离子含量、镁离子含量、氯离子含量、温度、压力、流速等为输入信号,以管道均匀腐蚀速率为输出信号时,9-29-1型径向基函数人工神经网络结构合理且准确度良好,经过4 450次迭代后,预测模型的均方误差为0.000 9,小于允许收敛误差限0.001 0,在训练阶段、验证阶段与测试阶段线性拟合的决定系数分别为0.993、0.973、0.969,预测值和期望值具有较高相关性,同时还依据该模型找出了9段存在均匀腐蚀风险的管道。
Abstract
The uniform corrosion rates of oil-gas-water gathering pipeline under different working conditions were measured by a multiphase dynamic corrosion detection device. A radial basis function artificial neural network prediction model was established using the data from above mentioned experiment as samples. The average corrosion defects of the pipeline were also evaluated. The results show that 9-29-1 radial basis artificial neural network had a reasonable structure and good accuracy when hydrogen sulfide content, carbon dioxide content, water content, calcium ion content, magnesium ion content, chloride ion content, temperature, pressure and flow rate were used as input signals and uniform corrosion rate was used as output signal. A mean square error of 0.000 9 lower than the specific convergence tolerance of 0.001 0 was obtained after 4 450 iterations. The coefficients of determination of linear fitting in training, verification and testing stages were 0.993, 0.973 and 0.969, respectively, demonstrating high relevance between the predicted values and the desired values. Meanwhile, according to the model, 9 sections of pipelines with uniform corrosion risk were found.
中图分类号 TG172.8 DOI 10.11973/fsyfh-202010010
所属栏目 数值模拟
基金项目 中国国家留学基金(201908610135);陕西省科学技术研究与发展计划(2016GY-150)
收稿日期 2020/1/12
修改稿日期
网络出版日期
作者单位点击查看
引用该论文: ZENG Weiguo,LI Shuhua,LI Yan,FAN Zheng. Evaluation of Uniform Corrosion Defects of Oil-Gas-Water Gathering Pipeline Based on Radial Basis Function Artificial Neural Network Prediction Model[J]. Corrosion & Protection, 2020, 41(10): 50
共有人对该论文发表了看法,其中:
人认为该论文很差
人认为该论文较差
人认为该论文一般
人认为该论文较好
人认为该论文很好
参考文献
【1】崔凯燕,闫茂成,王晓霖,等. 某输气管道的腐蚀缺陷评价与维修决策[J]. 腐蚀与防护,2019,40(9):682-686.
【2】蔡锐,吴鹏,赵金龙,等. 某L245集输管道腐蚀失效原因分析[J]. 表面技术,2019,48(5):58-64.
【3】青鹏,徐岭灵,黄元和,等. 元坝气田产出水集输系统腐蚀特征及防护措施实践[J]. 石油与天然气化工,2019,48(2):85-89.
【4】姚景,王文武. 弯管中油水固三相转相对冲刷腐蚀影响研究[J]. 中国安全生产科学技术,2018,14(6):142-148.
【5】鄢标,张广晶,高强,等. 普光气田高含硫腐蚀缺陷输气管道安全评价[J]. 油气储运,2019,38(1):45-50.
【6】岳明,汪运储. 页岩气井下油管和地面集输管道腐蚀原因及防护措施[J]. 钻采工艺,2018,41(5):125-127.
【7】梁裕如,姬丙寅. 某输油管道腐蚀泄漏失效原因分析[J]. 表面技术,2016,45(8):68-73.
【8】原徐杰. 油气输送管道内冲刷腐蚀的研究进展[J]. 电镀与涂饰,2016,35(20):1091-1094.
【9】王翔,赵东风. 基于ASME B31G准则的油气管道腐蚀安全性评估[J]. 工业安全与环保,2013,39(1):57-60.
【10】李琴,席御僖,黄志强,等. 腐蚀缺陷管道评价标准保守性对比分析[J]. 中国安全生产科学技术,2015,11(1):151-155.
【11】陈福来,帅健. SY/T 6477-2000与API RP579-2000含体积型缺陷管道评定方法对比[J]. 压力容器,2006,23(5):10-12.
【12】骆正山,蒋丽云. 基于概率神经网络的油气管道的可靠性评估[J]. 消防科学与技术,2015,34(11):1517-1520.
【13】曾佳俊,周学杰,吴军,等. 金属材料大气腐蚀试验相关性与寿命预测研究现状[J]. 腐蚀科学与防护技术,2015,27(1):90-94.
【14】宋伟伟,董彩常,张波. 人工神经网络在我国海水腐蚀中的应用[J]. 腐蚀与防护,2012,33(8):668-671.
【15】任振甲,张军,骆成双,等. 基于人工神经网络研究原油腐蚀的影响因素[J]. 腐蚀与防护,2011,32(4):293-296.
【16】刘威,赵选民,邓春龙,等. 灰色神经网络模型在海水腐蚀预测中的应用[J]. 中国腐蚀与防护学报,2008,28(4):201-204.
【17】范峥,姬盼盼,李超,等. 模糊神经网络-遗传算法优化丙烯酸苄酯合成工艺[J]. 化工学报,2019,70(11):4315-4324.
【18】孙宝财,李淑欣,俞树荣,等. 改进BP算法的腐蚀管道剩余强度预测[J]. 中国腐蚀与防护学报,2011,31(5):404-408.
【19】于桂杰,赵崇,迟建伟,等. 基于人工神经网络的连续油管疲劳寿命预测[J]. 中国石油大学学报(自然科学版),2018,42(3):131-136.
【20】陈廷勇,殷树友,林和平. RBF人工神经网络拓扑结构定义与解的唯一性证明[J]. 东北师大学报(自然科学版),2009,41(3):30-35.
【21】花广如,李文浩,郭阳阳. 基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测[J]. 腐蚀与防护,2017,38(8):573-577.
【22】韩志国,王基铭,陈智高. 基于人工神经网络的石油化工工程建设项目管理绩效评价[J]. 石油学报(石油加工),2010,26(3):317-323.
【23】田珍,刘学会. 基于RBF神经网络的煤矿瓦斯涌出量预测[J]. 煤炭技术,2012,31(7):97-98.
【24】董淑华,邢贞相,娄丹,等. 基于改进径向基函数的降雨量短期预测研究[J]. 沈阳农业大学学报,2017,48(3):367-372.
【25】贾宝惠,方艺斌,王毅强. 基于RBF神经网络的2024铝合金酸性盐雾腐蚀实验预测[J]. 航空材料学报,2019,39(4):32-39.
【26】翟秀云. 基于PSO-RBFNN的3C钢在海水环境中的腐蚀速率预测[J]. 腐蚀与防护,2014,35(11):1127-1130.
【27】朱红秀,刘欢,李宏远,等. 基于优化RBF神经网络的管道缺陷量化分析方法[J]. 仪表技术与传感器,2016(2):83-86.
【2】蔡锐,吴鹏,赵金龙,等. 某L245集输管道腐蚀失效原因分析[J]. 表面技术,2019,48(5):58-64.
【3】青鹏,徐岭灵,黄元和,等. 元坝气田产出水集输系统腐蚀特征及防护措施实践[J]. 石油与天然气化工,2019,48(2):85-89.
【4】姚景,王文武. 弯管中油水固三相转相对冲刷腐蚀影响研究[J]. 中国安全生产科学技术,2018,14(6):142-148.
【5】鄢标,张广晶,高强,等. 普光气田高含硫腐蚀缺陷输气管道安全评价[J]. 油气储运,2019,38(1):45-50.
【6】岳明,汪运储. 页岩气井下油管和地面集输管道腐蚀原因及防护措施[J]. 钻采工艺,2018,41(5):125-127.
【7】梁裕如,姬丙寅. 某输油管道腐蚀泄漏失效原因分析[J]. 表面技术,2016,45(8):68-73.
【8】原徐杰. 油气输送管道内冲刷腐蚀的研究进展[J]. 电镀与涂饰,2016,35(20):1091-1094.
【9】王翔,赵东风. 基于ASME B31G准则的油气管道腐蚀安全性评估[J]. 工业安全与环保,2013,39(1):57-60.
【10】李琴,席御僖,黄志强,等. 腐蚀缺陷管道评价标准保守性对比分析[J]. 中国安全生产科学技术,2015,11(1):151-155.
【11】陈福来,帅健. SY/T 6477-2000与API RP579-2000含体积型缺陷管道评定方法对比[J]. 压力容器,2006,23(5):10-12.
【12】骆正山,蒋丽云. 基于概率神经网络的油气管道的可靠性评估[J]. 消防科学与技术,2015,34(11):1517-1520.
【13】曾佳俊,周学杰,吴军,等. 金属材料大气腐蚀试验相关性与寿命预测研究现状[J]. 腐蚀科学与防护技术,2015,27(1):90-94.
【14】宋伟伟,董彩常,张波. 人工神经网络在我国海水腐蚀中的应用[J]. 腐蚀与防护,2012,33(8):668-671.
【15】任振甲,张军,骆成双,等. 基于人工神经网络研究原油腐蚀的影响因素[J]. 腐蚀与防护,2011,32(4):293-296.
【16】刘威,赵选民,邓春龙,等. 灰色神经网络模型在海水腐蚀预测中的应用[J]. 中国腐蚀与防护学报,2008,28(4):201-204.
【17】范峥,姬盼盼,李超,等. 模糊神经网络-遗传算法优化丙烯酸苄酯合成工艺[J]. 化工学报,2019,70(11):4315-4324.
【18】孙宝财,李淑欣,俞树荣,等. 改进BP算法的腐蚀管道剩余强度预测[J]. 中国腐蚀与防护学报,2011,31(5):404-408.
【19】于桂杰,赵崇,迟建伟,等. 基于人工神经网络的连续油管疲劳寿命预测[J]. 中国石油大学学报(自然科学版),2018,42(3):131-136.
【20】陈廷勇,殷树友,林和平. RBF人工神经网络拓扑结构定义与解的唯一性证明[J]. 东北师大学报(自然科学版),2009,41(3):30-35.
【21】花广如,李文浩,郭阳阳. 基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测[J]. 腐蚀与防护,2017,38(8):573-577.
【22】韩志国,王基铭,陈智高. 基于人工神经网络的石油化工工程建设项目管理绩效评价[J]. 石油学报(石油加工),2010,26(3):317-323.
【23】田珍,刘学会. 基于RBF神经网络的煤矿瓦斯涌出量预测[J]. 煤炭技术,2012,31(7):97-98.
【24】董淑华,邢贞相,娄丹,等. 基于改进径向基函数的降雨量短期预测研究[J]. 沈阳农业大学学报,2017,48(3):367-372.
【25】贾宝惠,方艺斌,王毅强. 基于RBF神经网络的2024铝合金酸性盐雾腐蚀实验预测[J]. 航空材料学报,2019,39(4):32-39.
【26】翟秀云. 基于PSO-RBFNN的3C钢在海水环境中的腐蚀速率预测[J]. 腐蚀与防护,2014,35(11):1127-1130.
【27】朱红秀,刘欢,李宏远,等. 基于优化RBF神经网络的管道缺陷量化分析方法[J]. 仪表技术与传感器,2016(2):83-86.
相关信息