基于神经网络的油气管道防腐层失效分析的研究

发布时间：2016-10-23 08:16

摘 要

近些年来，随着科学技术的不断发展，出现了越来越多的先进的管道管理技术，石油管道的腐蚀问题产生的后果变得越来越小，损失越来越少，但是，管道腐蚀问题仍然是当今石油行业需要重点解决的问题之一。我国现在虽然也采取了众多的方法预测腐蚀程度，延缓腐蚀进度，但是结果不尽如人意，输油管道的老化腐蚀问题依然较为严重，存在众多的安全隐患。为了更好地管理输油管道，增加企业的收入，降低安全事故发生率，必须要弄清楚输油管道的腐蚀率，腐蚀速度随着时间和外界环境的变化产生的变化，只要能够清楚的得到这些数据才能够让复杂的管道腐蚀问题变得简单，为以后更大规模的发展油气管道做出相应的技术支持。
本文将重点根据地下管道可能出现的众多的腐蚀及故障问题，介绍人工神经网络这种先进的思想和方法，并且不断的改进，从而从实质上解决管道保温层可能出现的众多的问题。众多类型的管道，尤其是地下管道的存在，极大地增加了保护管道的难度。地下管道中，由于地质种类不同，以及潮湿程度、温度、压力等等原因使得它们出现千差万别的腐蚀进度，很难确定地下管道的腐蚀速率，这样就会出现材料浪费或者管道破坏的情况发生，直接影响了石油行业的利润以及人类的生命财产安全。为了应对解决外界的众多干扰因素，本文采用了动态的径向基过程神经元网络方法，然后结合复杂的金属土壤，对管道的腐蚀问题作出准确的预测。这种动态的处理方式，让原本由于复杂的外界环境产生的各种影响降到最低，并且这种方法具有一般方法不具备的稳定性和记忆识别能力，越来越受到行业的青睐。众多专家学者使用这种方法对复杂的管道腐蚀问题做了全面的研究，得到了令人满意的结果，它能够在较短的时间内得到检测管道的基本情况，并且全面研究对比得到较为准确的管道腐蚀速率。
关键词：神经网络，模式识别，防腐保温层失效，智能诊断  
 
ABSTRACT

In recent years, with the development of science and technology, there has been more and more advanced pipeline management technology, consequences of pipeline corrosion problem is getting smaller, and fewer losses, however, the corrosion of the pipes still is one of the oil industry needs to focus on solving the problem. Although in our country has also taken a large number of prediction of corrosion, delaying the progress of the corrosion, but the result is not satisfactory, aging pipeline corrosion remains a serious problem, there are many security risks. In order to better manage the pipeline to increase business income, reduce the rate of accidents, it is necessary to clarify pipeline corrosion rate, the corrosion rate with the change of time and changes in the external environment, as long as they clear these data can make complex pipeline corrosion issues simple, for the future large-scale development of oil and gas pipelines to the technical support.
This article will focus on underground pipeline may appear a multitude of corrosion and failures, introducing such advanced ideas and methods of artificial neural networks, and continuous improvement, so as to substantively address pipe insulation numerous problems that may arise. Many types of pipelines, especially the existence of underground pipes, which greatly increases the difficulty of protecting pipelines. Underground pipeline, due to geological variety and degree of moisture, temperature, pressure, etc, makes them different corrosion progress, it is difficult to determine the corrosion rate of buried pipes, so there will be waste material or pipeline damage happens, directly affect the profits of the oil industry as well as the safety of human life and property. In response to address the many factors of outside, used radial basis process neural network method for dynamic, then combined with metal soil, make accurate predictions of pipeline corrosion issues. This dynamic approach, so that the original due to the complexity of the external environmental impact to a minimum, and the methods come in General does not have the stability and the ability to identify the memory, more favored by the industry. Many experts and scholars have used complex pipeline corrosion issues made a comprehensive study, and satisfactory results were obtained, it can be detected within a short period of time the basic condition of the pipeline, and a comprehensive study on the comparison and get more accurate corrosion rate.
Keywords:Neural networks，Matrix recognition，Anticorrosion insulation failureIntelligent diagnosis

目    录
目    录 4
1 绪论 1
1.1 研究背景与意义 1
1.2 国内外研究现状 2
1.2.1 安全评估技术 2
1.2.2 管道检测技术 3
1.2.3 管道腐蚀预测技术 4
1.3 本文研究内容 5
2 相关技术概述 7
2.1 模式识别与故障诊断 7
2.1.1 模式识别 7
2.1.2 故障诊断 9
2.2 人工神经网络原理 10
2.2.1 人工神经网络简介 10
2.2.2 人工神经网络特性 13
2.2.3 激活函数(Activation Function)类型 13
2.2.4 人工神经网络的训练 16
2.2.5 人工神经网络的拓扑特性 17
2.3 基于神经网络的智能诊断 18
2.3.1 基于神经网络的智能诊断的形成 18
2.3.2 人工神经网络的故障诊断能力 19
2.3.3 人工神经网络用于故障诊断的结构 20
2.3.4 基于神经网络的智能诊断方法 20
3 油气长输腐蚀管道剩余强度分级评价技术 22
3.1 腐蚀缺陷形状的模型化 22
3.1.1 腐蚀缺陷的长度与深度的确定 22
3.1.2 腐蚀区面积的计算 24
3.2 剩余强度评价所需的数据及其确定方法 25
3.2.1 腐蚀缺陷管段的几何尺寸及相关参数 25
3.2.2 缺陷管段的载荷形式及相关参数 26
3.2.3 腐蚀区特征参数的测定 26
3.3 油气管道腐蚀剩余强度分级评价的流程 27
3.3.1 均匀腐蚀缺陷评价 27
3.3.1.1 均匀腐蚀缺陷一级评价 28
3.3.1.2 均匀腐蚀缺陷的二级评价 29
3.3.2 局部腐蚀缺陷评价 30
3.3.2.1 局部腐蚀缺陷的一级评价 31
3.3.2.2 局部腐蚀缺陷的二级评价 33
3.3.3 点蚀缺陷评价 36
3.3.3.1 点蚀缺陷的一级评价 36
3.3.3.2 点蚀缺陷的二级评价 38
3.4 防腐保温层分级评价标准与现场检测 40
3.4.1 管道防腐保温层分级评价准则 40
3.4.2 管道防腐保温层现场检测结果 41
4 基于多层前馈神经网络的管道失效模式识别 42
4.1 模糊逻辑系统 42
4.1.1 模糊规则库 42
4.1.2 模糊推理机 43
4.1.3 模糊产生器和反模糊化器 43
4.2 模糊系统与神经网络的融合 44
4.3 正则化模糊神经网络 45
4.3.1 模糊规则描述 45
4.3.2 网络拓扑结构 46
4.3.3 网络参数确定方法 48
4.4 加权模糊推理网络 49
4.4.1 加权模糊逻辑推理 49
4.4.2 模糊推理元 49
4.4.3 模糊推理网络模型 50
4.4.4 网络训练过程 51
4.5 在管道腐蚀失效模式诊断中的应用 52
4.5.1 学习样本筛选 53
4.5.2 实际资料处理 54
5 BP神经网络对防腐层的故障诊断 56
5.1 BP网络构建 56
5.1.1 网络结构 56
5.1.2 数据样本 57
5.1.3 训练方法 58
5.1.4 激活函数 58
5.1.5 权值初始化 58
5.2 基于基本BP算法的预测 59
5.2.1 基本BP算法参数设置 59
5.2.2 BP网络模型拓扑结构的确定 60
5.2.3 腐蚀行为预测 61
5.3 基于改进BP算法的预测 63
5.3.1 有动量的梯度下降法 63
5.3.2 有动量及自适应学习率的梯度下降法 65
6 总结与展望 68
参考文献 69
致    谢 72
 
1 绪论

1.1 研究背景与意义
从上世纪五六十年代开始，我国开始有初步的油气田建成，到目前为止绝大部分油气田已经具有三四十年的历史，经过这些年的发展，这些油气田已经渐渐的变得越来越大，并且越来越专业，具备一定的规模和地位。
由于石油管道的腐蚀引起的不必要的损失以及产生的影响，并不仅仅发生在我国，发达的国家也会出现这种情况，也会带来重大的损失。据专业的统计数据显示美国每年都会花费7千万美元来用于油田的管道腐蚀问题[1]，这其中不仅仅包括管道维修费用，，还包括产生的环境污染以及人员伤亡等情况产生的费用。具体的情况可以通过下表仔细观察：
在考虑解决输油管道腐蚀问题的同时，还应该注意为了避免随时和危险所投入的资本，比较投入的资金与发生危险事故造成的损失，然后通过不断地改进管理方式和方法，降低资金投入，尽量做到低投入高回报，满足企业家的要求。盲目的资金投入不仅不利于输油管道的维护，还会给企业造成极大的经济负担，不利于企业的发展[2]。所以在关注输油管道腐蚀问题的同时，还应该注意经济效益，本文重点介绍的人工神经网络管理体系能够同时满足这两种需要。管道的基本情况中包括输油管道的腐蚀失效以及输油管道的安全可靠性，只有清晰的了解这些基本的管道情况，才能为检测管道制定合理的保养计划，得出较为准确的管道腐蚀程度以及腐蚀速率。通过使用智能的神经网络系统，能够建立全面有效的管道管理计划，在将来定能极大地降低石油管道的由于腐蚀引起的不必要的损失[3]。
本文提及并且全面研究分析的人工神经网络方法具有其他一般方法不具备的智能识别与处理系统，能够在较短的时间内处理大量的数据信息，对于输油管道的腐蚀问题能够产生重要的影响，能够帮助油田形成一整套系统的管理体系，增加企业的收入，并且降低管道腐蚀产生的费用，减少输油管道事故率以及降低事故率具有重要的意义。

6 总结与展望

在信息时代的背景下，具有特色的智能诊断量计算机人工智能与其理论完美的结合在一起。文章针对管道防腐保温层的检测使用人工神经网络技术手段并结合以上的各项理论知识对管道防腐半温层进行检测分析，为该技术进入新的发展阶段奠定了理论及实践的基础。
通过以上文章总结而得：
1）管道防腐保温层的检测结合多项检测技术，其中主要使用交流电流衰减法、现场开挖验证技术，针对模型的各类参数进行检测得出结果，进一步整合得出故障诊断模型情况。 
2）针对管道防腐保温层出现的故障检测，使用BP人工神经网络进行对应的训练检测。
3）为保障检测结果的精确度需根据现场具体情况进行梯度下降法的调整，也就是使用BP人工网络中的改进算法进行。
神经网络技术和智能诊断的实践运用过程中依然有不足之处，为弥足缺陷需进行细致深入的研究：
1）在神经网络的基础下进行阶段性分析。针对数据进行板块的分类分析形成小波范围内的数值变动，它的成功运行更是成为典范。
2）演化神经网络。演化神经网络的运用成功的解决非线性系统中具有复杂性的各类问题，它的使用使得智能诊断进入了新的里程碑。

本文编号：150034