一种管道腐蚀人工智能预警方法

1.本发明属于管道安全技术领域，具体涉及一种管道腐蚀人工智能预警的建立方法。


背景技术：

2.在油气田管道生产运行过程中，管道腐蚀会使管壁缺陷部位变薄，造成管道承压能力降低，导致管道腐蚀失效，致使管道泄漏，引发的事故往往具有突发性和隐蔽性，会造成巨大损失。所以在管道发生腐蚀事故之前，对于严重的腐蚀缺陷部位，应及时预警、检修、维护，采取相应的防护措施，科学地指导管道安全运行管理。
3.目前，现有的腐蚀预警方法还存在着一些有待解决的问题：腐蚀预警方法的建立往往依赖于严苛的网络基础设施，需要建立复杂的数据库作为依据，数据采集原则较模糊，增加了预警前期工作的难度，可操作性较低；腐蚀预警方法大多以无法继续服役的管道为基础，挖掘分析检测得到的管道泄露数据，对未来腐蚀情况进行概率判断，未能有效预防管道事故的发生，预警结果准确性较低，防护措施缺乏针对性。
4.因此，为降低管道腐蚀事故发生的风险，需建立算法预测管道剩余寿命，判定管道安全服役条件，明确腐蚀预警等级，主动提前采取应对措施，发明一种管道腐蚀人工智能预警方法显得尤为重要。


技术实现要素：

5.本发明的目的在于提供一种管道腐蚀人工智能预警方法，以解决管道腐蚀后由于抗压能力降低所面临的风险预警问题。
6.一种管道腐蚀人工智能预警方法，其特征在于，包括如下步骤：
7.步骤1：收集管道的基础数据：
8.管道外径d
w
，mm；(2)管道内径d
n
，mm；(3)管道材料的屈服强度σ
s
，mpa；(4)管道壁厚d，mm；(5)管道设计压力p，mpa；(6)管道腐蚀裕量c，mm；(7)管道生产运行时间t
s
，a；(8)管道设计使用年限t
u
。
9.步骤2：划分管道腐蚀缺陷区域：
10.检测管道腐蚀缺陷按照轴向和环向对区域进行网格划分：轴向划分m份分别为c1、c2…
c
i
…
c
m
，环向划分n份分别为l1、l2…
l
j
…
l
n
，从而将腐蚀缺陷离散划分为m
×
n个壁厚测量点a
ij
(i＝1、2、3
…
m；j＝1、2、3
…
n)；
11.其中：m为轴向划定的区域个数，c1、c2…
c
m
为轴向划定区域的每一份对应一个缺陷的轴向测量点；n为环向划定的区域个数，l1、l2…
l
n
为轴向划定区域的每一份对应一个缺陷的环向测量点；a
ij
为腐蚀缺陷离散划分的m
×
n个壁厚测量点。
12.步骤3：管道继续服役条件的判定，具体步骤：
13.(a)通过公式(1)求解轴向要求最小壁厚通过公式(2)求解环向要求最小壁厚将计算结果和带入公式(3)确定管道最小要求壁厚t
min
：
[0014][0015][0016][0017]
式中：为轴向要求最小壁厚，mm；为环向要求最小壁厚，mm；t
min
为管道最小要求壁厚，mm；
[0018]
(b)统计管道腐蚀缺陷区域的m
×
n个壁厚测量点的壁厚值a
ij
，其中测量得到壁厚值最小的是a
min
，通过公式(4)求解所有被测点壁厚的平均值t
am
：
[0019][0020]
式中：a
ij
为腐蚀缺陷离散划分的m
×
n个测量点的壁厚值，mm；t
am
为所有被测点壁厚的平均值，mm；
[0021]
(c)通过公式(5)求解管道的剩余壁厚比r
t
：
[0022][0023]
式中：r
t
为管道的剩余壁厚比；
[0024]
(d)求解管道轴向最大允许腐蚀缺陷的长度l：
[0025]
若r
t
≥0.793，则
[0026]
若r
t
＜0.793，则
[0027]
其中：l为轴向最大允许腐蚀缺陷的长度值，mm；
[0028]
(e)确定管道安全服役条件：
[0029]
若la≤l，则管道可以继续服役；
[0030]
若la>l且tam
‑
c≥0.9tmin时，则管道可以继续服役；
[0031]
若la>l且tam
‑
c＜0.9tmin时，则管道不可以继续服役，判定为一级预警等级，预警标识显示为红色；
[0032]
其中：l
a
为管道壁厚断面腐蚀缺陷的轴向长度，mm。
[0033]
步骤4：预测管道剩余寿命：
[0034]
(a)基于在线监测预测管道剩余寿命：
[0035]
1)预测管道腐蚀速率，具体步骤：
[0036]
①
整理现场腐蚀监测数据集：某一时间段的监测时间数据集α(t1、t2、t3…
t
n
)；监测时间对应的腐蚀速率数据集β(v1、v2、v3…
v
n
)；
[0037]
其中：t1、t2、t3…
t
n
为按照时间排序间隔一个步长的监测时间；v1、v2、v3…
v
n
为监测时间对应的腐蚀速率监测值，mm/a；
[0038]
②
观察腐蚀监测数据集补充缺失数据：
[0039]
任取腐蚀监测时间数据集α中的3个时间t
a
、t
b
、t
c
，取腐蚀速率数据集β中对应的腐蚀速率监测值v
a
、v
b
、v
c
，带入公式(6)得到缺失时间t
x
对应的腐蚀速率值v
x
：
[0040][0041]
式中：t
a
、t
b
、t
c
为监测时间数据集α中的任意三个时间；v
a
、v
b
、v
c
为腐蚀速率数据集β中t
a
、t
b
、t
c
对应的腐蚀速率监测值，mm/a；t
x
为缺失的监测时间；v
x
为t
x
对应的腐蚀速率，mm/a；
[0042]
③
构建长短时记忆神经网络：
[0043]
i完整的腐蚀监测数据集：包含腐蚀数据缺失值的监测时间数据集α’(t1、t2、t3…
t
x
…
t
n
)和对应的腐蚀速率数据集β’(v1、v2、v3…
v
x
…
v
n
)，其中α’为输入值，β’为输出值；
[0044]
ii长短时记忆神经网络模型内部结构包含遗忘门、输入门、输出门：
[0045]
i上一时间t
i
‑1的腐蚀速率监测v
i
‑1经过t
i
时间长短时神经网络的遗忘门f(t
i
)式(7)进行更新遗忘：
[0046][0047]
式中：f(t
i
)表示为遗忘门函数；σ为神经网络激活函数，此处选用sigmoid函数；w
f
与u
f
为遗忘门权重系数矩阵；b
f
为网络偏置值；t
i
为目标预测时间；表示t
i
时间对应的时间数据；t
i
‑1为监测时间数据集α’的某一时间；v
i
‑1表示对应的腐蚀速率数据集β’中的腐蚀速率，mm/a；
[0048]
iit
i
对应的时间数据t
i
‑1时间对应的腐蚀监测值v
i
‑1进入t
i
时间长短时神经网络的输入门i(t
i
)式(8)与备选内容
[0049][0050][0051]
式中：i(t
i
)表示输入门的决定系数；σ为神经网络激活函数，此处选用sigmoid函数；w
i
与u
i
为输入门决定系数权重系数矩阵；b
i
表示输入门决定系数矩阵的偏置值；表示输入门备选内容；w
c
表示输入门备选内容权重矩阵；b
c
表示输入门备选内容的偏置值；tanh表示双曲正切激励函数；
[0052]
iii利用t
i
时刻的遗忘门f(t
i
)与输入门决定系数i(t
i
)、备选内容进行神经元状态当前的更新，得到t
i
时刻的神经元更新函数式(10)：
[0053][0054]
式中：表示t
i
‑1时间的神经更新函数；表示t
i
时间的神经更新函数；
[0055]
ivt
i
时间的神经元更新函数t
i
对应的时间数据和上一时间t
i
‑1时刻对应的腐蚀速率监测值v
i
‑1经过t
i
时间的输出门式(11)，输出腐蚀速率预测值v
i
式(12)：
[0056][0057][0058]
式中：表示输出门决定系数；σ表示神经网络激活函数，此处选用sigmoid函数；w
o
表示输出门权重矩阵；b
o
表示输出门的偏置值；v
i
表示目标时间t
i
的腐蚀速率预测值，mm/a；
[0059]
2)将上述预测得到的腐蚀速率预测值v
i
、腐蚀管道最小要求壁厚t
min
和所有被测点壁厚的平均值t
am
带入公式(13)求解管道剩余寿命t’l
：
[0060][0061]
式中：t’l
为基于在线监测管道剩余寿命，a；
[0062]
k为安全系数，当la≤l时，k取值为1；当la＞l时，k取值为0.9；
[0063]
(b)基于超声波测厚预测管道剩余寿命：
[0064]
1)估算管道腐蚀速率v
μ
式(14)：
[0065][0066]
式中：v
μ
为腐蚀速率估值，mm/a；
△
d为同点测厚前后壁厚之差，mm；
△
t为测厚前后时间差，a；
[0067]
2)求解管道计算壁厚ε式(15)：
[0068][0069]
式中：ε为钢管计算壁厚，mm；p为设计压力，mpa；σ
s
为钢管屈服强度，mpa；
[0070]
3)将腐蚀速率估值v
μ
和管道计算壁厚ε带入计算公式(16)求解腐蚀剩余寿命t”l
：
[0071][0072]
式中：t”l
为基于超声波测厚管道剩余寿命，a；
[0073]
(b)确定管道剩余寿命t
l
：
[0074]
t
l
＝min(t’l
,t”l
)
ꢀꢀꢀ
(17)
[0075]
式中：t
l
为管道剩余寿命，a。
[0076]
步骤5：管道安全服役条件的判定：
[0077]
(a)若t
l
≥t
u
‑
t
s
，则管道可以继续安全服役，判定为五级预警等级，预警标识显示为绿色；
[0078]
(b)若t
l
＜t
u
‑
t
s
，则需进一步判定腐蚀预警等级；
[0079]
其中：t
s
为管道生产运行时间，a；t
u
为设计年限，a。
[0080]
步骤6：腐蚀预警等级设定条件：
[0081]
(a)若t
s
<t
l
<t
u
‑
t
s
时，则判定为四级预警等级，预警标识显示为蓝色；
[0082]
(b)若10<t
l
<t
u
时，则判定为三级预警等级，预警标识显示为黄色；
[0083]
(c)若3<t
l
<10时，则判定为二级预警等级，预警标识显示为橙色；
[0084]
(d)若t
l
<3时，则判定为一级预警等级，预警标识显示为红色。
[0085]
步骤7：预警处理：
[0086]
(a)对于一级预警，腐蚀程度非常严重，需更换腐蚀管道；
[0087]
(b)对于二级预警，腐蚀程度严重，管道需停止运行并进行修理；
[0088]
(c)对于三级预警，腐蚀程度比较重，管道降压运行并进行修理；
[0089]
(d)对于四级预警，注意观察管道腐蚀情况；
[0090]
(e)对于五级预警，表示管道腐蚀控制情况较好，管道可以安全生产运行。
[0091]
本发明具有以下有益效果：
[0092]
(1)该腐蚀预警方法收集易获取的管道基础数据，以管道可以继续服役为前提，建立管道剩余寿命算法，简化腐蚀预警步骤，提高系统可操作性。
[0093]
(2)该腐蚀预警方法以管道剩余寿命预测为基础，采取人工智能软测量和超声波测厚估算的方法形成冗余，可克服管道剩余寿命计算条件不全面的缺陷，提高了腐蚀预警准确性。
[0094]
(3)该腐蚀预警方法能够较为准确预测管道剩余寿命，判定管道腐蚀预警等级，有利于油气田提前主动掌控管道腐蚀情况，采取针对性防护措施，促使管道安全、经济、可靠运行，为智慧油气田的建设提供腐蚀预警层面的技术支撑。
附图说明
[0095]
图1是腐蚀预警运行流程图；
[0096]
图2是长短记忆神经网络信息传递流程图；
[0097]
图3是管道腐蚀缺陷网格划分示意图。
具体实施方式
[0098]
下面结合附图和具体实施案例对本发明进行详细的描述。
[0099]
实施案例1：
[0100]
以x站场内的1号管道为例，对管道进行腐蚀预警。具体实施步骤：
[0101]
步骤1：收集1号管道基础数据如下：(1)管道外径d
w1
＝41.3mm；(2)管道内径d
n1
＝132.5mm；(3)管道材料的屈服强度σ
s1
＝240mpa；(4)管道壁厚d1＝8.8mm；(5)管道腐蚀裕量c1＝4mm；(6)管道设计压力p1＝20mpa。
[0102]
步骤2：划分1号管道腐蚀缺陷区域：检测1号管道腐蚀缺陷按照轴向和环向对区域进行网格划分：轴向划分4份分别为c1、c2、c3、c4，环向划分5份分别为l1、l2、l3、l4、l5，从而将腐蚀缺陷离散划分为20个壁厚测量点分别为a1×1＝9.36mm、a1×2＝9.52mm、a1×3＝9.12mm、a1×4＝9.41mm、a1×5＝9.33mm、a2×1＝9.15mm、a2×2＝8.86mm、a2×3＝9.49mm、a2×4＝8.81mm、a2×5＝9.51mm、a3×1＝9.57mm、a3×2＝9.71mm、a3×3＝9.25mm、a3×4＝9.39mm、a3×5＝9.26mm、a4×1＝9.66mm、a4×2＝9.29mm、6a4×3＝9.50mm、a4×4＝9.62mm、a4×5＝9.52mm。
[0103]
步骤3：1号管道继续服役条件的判定：
[0104]
(a)通过公式(1)求解轴向要求最小壁厚通过公式(2)求解环向要
求最小壁厚将计算结果带入公式(3)确定腐蚀管道最小要求壁厚t
min1
＝7.67mm；
[0105]
(b)统计1号管道腐蚀缺陷区域的20个壁厚测量点的壁厚值，可以确定测量得到壁厚值最小的是a
min1
＝8.81mm，带入公式(4)求解可得所有被测点壁厚的平均值t
am1
＝9.37mm；
[0106]
(c)通过公式(5)求解管道的剩余壁厚比r
t1
＝0.63mm；
[0107]
(d)由于r
t1
＜0.793，则1号管道轴向允许最大腐蚀缺陷的长度
[0108]
(e)确定1号管道安全服役条件：1号管道壁厚断面腐蚀缺陷的轴向长度l
a1
＝80mm，由于l
a1
＞l1且t
am1
‑
c1＝5.37mm＜0.9t
min
＝6.903mm，则管道不可以继续服役，判定为一级预警等级，预警显示为红色。
[0109]
步骤4：对1号管道进行一级预警处理：停止运行并更换管道。
[0110]
实施案例2：
[0111]
以x站场内的2号管道为例，对管道进行腐蚀预警。具体实施步骤：
[0112]
步骤1：收集2号管道基础数据如下：(1)管道外径d
w2
＝168.8mm；(2)管道内径d
n2
＝157.3mm；(3)管道材料的屈服强度σ
s2
＝360mpa；(4)管道壁厚d2＝11.5mm；(5)管道设计年限t
u2
＝20a；(6)管道生产运行时间t
s2
＝10a；(7)管道腐蚀裕量c2＝3.0mm；(8)管道设计压力p2＝9.6mpa。
[0113]
步骤2：划分2号管道腐蚀缺陷区域：检测2号管道腐蚀缺陷按照轴向和环向对区域进行网格划分：轴向划分4份分别为c
’1、c
’2、c
’3、c
’4，环向划分4份分别为l
’1、l
’2、l
’3、l
’4，从而将腐蚀缺陷离散划分为16个壁厚测量点分别为a
’1×1＝12.55mm、a
’1×2＝13.58mm、a
’1×3＝14.87mm、a
’1×4＝14.38mm、a
’2×1＝11.84mm、a
’2×2＝13.48mm、a
’2×3＝14.33mm、a
’2×4＝14.35mm、a
’3×1＝11.76mm、a
’3×2＝13.78mm、a
’3×3＝16.50mm、a
’3×4＝15.10mm、a
’4×1＝11.27mm、a
’4×2＝13.44mm、a
’4×3＝15.92mm、a
’4×4＝15.28mm。
[0114]
步骤3：2号管道继续服役条件的判定：
[0115]
(a)通过公式(1)求解轴向要求最小壁厚通过公式(2)环向要求最小壁厚将计算结果带入公式(3)确定腐蚀管道最小要求壁厚t
min2
＝2.91mm；
[0116]
(b)统计2号管道腐蚀缺陷区域的16个壁厚测量点的壁厚值，可以确定测量得到壁厚值最小的是a
min2
＝11.27mm，带入公式(4)求解可得所有被测点壁厚的平均值t
am2
＝13.90mm；
[0117]
(c)通过公式(5)求解管道的剩余壁厚比r
t2
＝2.84mm；
[0118]
(d)由于r
t2
≥0.793，则2号管道轴向允许最大腐蚀缺陷长度
[0119][0120]
(e)确定2号管道安全服役条件：2号管道壁厚断面腐蚀缺陷的轴向长度l
a2
＝80mm，由于l
a1
≤l1，则管道可以继续服役。
[0121]
步骤4：预测2号管道剩余寿命：
[0122]
(a)基于在线监测预测2号管道剩余寿命：
[0123]
1)预测管道腐蚀速率，具体步骤：
[0124]
①
整理现场腐蚀监测数据集：2018年1月1日到2021年7月1日的监测时间数据集α2(2018年1月1日、2018年2月1日、2018年3月1日
…
2019年4月1日、2019年6月1日
…
2021年7月1日)；监测时间对应的腐蚀速率数据集β2(0.01367mm/a、0.04719mm/a、0.03254mm/a
…
0.0423mm/a、0.05478mm/a
…
0.05718mm/a)见表1：
[0125]
表1 2号管道2018年1月1日至2021年7月1日的腐蚀监测数据
[0126]
α2时间集β2腐蚀速率集(mm/a)2018年1月1日0.013672018年2月1日0.047192018年3月1日0.03254
……
2019年4月1日0.042302019年6月1日0.05478
……
2020年7月1日0.05718
[0127]
②
观察表1腐蚀监测数据集补充缺失数据：表1中共有2处腐蚀速率缺失需要补充，分别是2号管道2019年5月1日的腐蚀速率值v
x
、2020年3月1日的腐蚀速率值v
x
′
：
[0128]
首先，提取2019年4月1日的的监测时间数据t
a
＝401和对应的腐蚀速率v
a
＝0.0423mm/a；2019年6月1日的监测时间数据t
b
＝601和对应的腐蚀速v
b
＝0.05478mm/a；2019年7月1日的监测时间数据t
c
＝701和对应的腐蚀速率v
c
＝0.02537mm/a，以上数值代入式(7)补充计算2019年5月的时间数据t
x
＝501对应的腐蚀速率值v
x
：
[0129]
同理，提取2020年2月1日监测时间数据t
a
′
＝201和对应的腐蚀速率值v
a
′
＝0.0233mm/a，；2020年4月1日的监测时间数据t
b
＝401和对应的腐蚀速率值v
b
′
＝0.04523mm/a；2020年5月1日的监测时间数据t
c
′
＝501和对应的腐蚀速率值v
c
′
＝0.03754mm/a，以上数值代入式(7)补充计算2020年3月的监测时间数据t
x
′
＝301对应的腐蚀速率值v
x
′
＝0.0179mm/a；
[0130]
③
构建长短时记忆神经网络，具体步骤：
[0131]
i完整的2号管道腐蚀监测数据集：包含腐蚀数据缺失值的监测时间数据集α
’2(2018年1月1日、2018年2月1日、2018年3月1日
…
2019年5月1日
…
2020年3月1日
…
2021年7月1日)，监测时间对应的腐蚀速率数据集β
’2(0.01367mm/a、0.04719mm/a、
[0132]
0.03254mm/a
…
0.033mm/a
…
0.0179mm/a
…
0.05718mm/a)见表2，其中α’为输入值，β’为输出值；
[0133]
表22号管道2018年1月1日至2021年7月1日的完整腐蚀监测数据
[0134]
输入值α
’2输出值β
’2(mm/a)2018年1月1日0.013672018年2月1日0.04719
2018年3月1日0.03254
……
2019年4月1日0.042302019年5月1日0.033002019年6月1日0.05478
……
2020年3月1日0.01790
……
2020年7月1日0.05718
[0135]
ii长短时记忆神经网络模型内部结构包含遗忘门、输入门、输出门：
[0136]
ii以1个月为步长，2018年1月1日即时间数据101对应腐蚀速率监测值v
101
＝0.01367(mm/a)经过2018年2月1日即时间数据x
t2
＝201的长短时神经网络的遗忘门f(t
201
)带入式(8)进行更新遗忘：
[0137]
f(201)＝sigmod(w
f
*0.1367+u
f
*201+b
f
)
ꢀꢀꢀ
(8)
[0138]
ii2018年2月1日对应的时间数据＝201、2018年1月1日即时间数据101对应的腐蚀监测值v
101
＝0.01367(mm/a)进入时间数据201长短时神经网络的输入门i(201)式(9)与备选内容
[0139]
i(201)＝sigmod(w
i
*0.1367+u
i
*201+b
i
)
ꢀꢀꢀ
(9)
[0140][0141]
iii利用2018年2月1日时间数据210的遗忘门f(201)与输入门决定系数i(201)、备选内容进行神经元状态当前的更新，得到2018年2月1日时间数据201的神经元更新函数c
201
式(11)：
[0142][0143]
iv2018年2月1日的神经元更新函数c
201
、2018年2月1日8时间数据201和上一时间数据101对应的腐蚀速率监测值v
101
＝0.01367(mm/a)经过时间数据201的输出门o
201
式(12)，输出2018年2月1日的腐蚀速率预测值v
201
＝0.0028mm/a式(13)：
[0144]
o
201
＝sigmod(w
o
*0.01367+u
o
*201+b
o
)
ꢀꢀꢀ
(12)
[0145]
v
201
＝o
201
·
tanh(c
201
)
ꢀꢀꢀ
(13)
[0146]
2)将腐蚀速率预测值v
201
＝0.028mm/a、最小要求壁厚t
min2
＝2.91mm和所有被测点壁厚的平均值t
am2
＝13.90mm带入式(14)求解2号管道剩余寿命其中l
a
≤l，k2取值为1；
[0147]
(b)基于超声波测厚预测2号管道剩余寿命：
[0148]
1)将管道壁厚d2＝11.5mm、壁厚最小测量值a
min2
＝11.27mm和生产运行时间t
s2
＝10a带入公式(14)估算腐蚀速率v
μ2
＝0.023mm/a；
[0149]
2)将管道设计压力p2＝9.6mpa、外径
10
d
w2
＝168.8mm、屈服强度σ
s2
＝360mpa和腐蚀裕量c2＝3.0mm带入公式(15)求解管道计算壁厚ε2＝4.17mm；
[0150]
3)将计算结果v
μ2
＝0.023mm/a和ε2＝4.17mm带入公式(16)求解剩余寿命t”l2
＝308.7a；
[0151]
(c)通过公式(17)确定2号管道剩余寿命t
l
：t
l2
＝min(t’l2
,t”l2
)＝308.7a。
[0152]
步骤5：2号管道安全服役条件的判定：由于t
l2
≥t
u2
‑
t
s2
＝10a，则管道可以继续安全服役，判定为五级预警等级，预警标识显示为绿色。
[0153]
步骤6：2号管道进行五级预警处理：管道腐蚀控制情况较好，管道可以安全生产运行。
[0154]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。