CN107063991A - 一种输送管道内部腐蚀缺陷动态安全评定方法和装置 - Google Patents
一种输送管道内部腐蚀缺陷动态安全评定方法和装置 Download PDFInfo
- Publication number
- CN107063991A CN107063991A CN201710243447.5A CN201710243447A CN107063991A CN 107063991 A CN107063991 A CN 107063991A CN 201710243447 A CN201710243447 A CN 201710243447A CN 107063991 A CN107063991 A CN 107063991A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- mrow
- pipeline
- msub
- conveyance conduit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 136
- 230000007797 corrosion Effects 0.000 title claims abstract description 133
- 230000007547 defect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 37
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 239000007769 metal material Substances 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims description 8
- 229910052751 metal Inorganic materials 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 238000000840 electrochemical analysis Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000003487 electrochemical reaction Methods 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 abstract 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 29
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 29
- 229910002092 carbon dioxide Inorganic materials 0.000 description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 239000003345 natural gas Substances 0.000 description 8
- 239000007789 gas Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000005660 chlorination reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical group [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000006392 deoxygenation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- ZOMNIUBKTOKEHS-UHFFFAOYSA-L dimercury dichloride Chemical group Cl[Hg][Hg]Cl ZOMNIUBKTOKEHS-UHFFFAOYSA-L 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000003317 industrial substance Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Pipeline Systems (AREA)
Abstract
本发明提供了一种输送管道内部腐蚀缺陷动态安全评定方法和装置。该方法包括:获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀扩展速率;依据获得的腐蚀扩展速率,运用自适应神经模糊推理系统,建立与腐蚀扩展速率的数学模型;获取管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,预测腐蚀扩展速率;建立管道极限状态方程,获得管道的安全状态。本发明还提供了一种输送管道内部腐蚀缺陷动态安全评定装置。本发明的输送管道内部腐蚀缺陷动态安全评定方法和装置,解决了难以动态准确评定含腐蚀缺陷油气输送管道安全状态问题。
Description
技术领域
本发明涉及一种评定方法和装置,尤其涉及一种输送管道内部腐蚀缺陷动态安全评定方法和装置,属于石油开采技术领域。
背景技术
天然气是优质的能源和化工原料,随着经济快速发展,社会对天然气资源的需求量迅速增加。通常大型油气田分布在一些偏远地区,而天然气需求主要集中在工业发达的城市地区。因此在天然气行业中,运输成为与采集同等重要的问题。
在众多的运输方式中,管道运输以其成本低、输送量大、可靠性高的优点,成为输送天然气资源最主要的方式。然而,在油气的开采过程中,常常会带有杂质,比如二氧化碳、硫化氢、水蒸气等,在特定的条件下,气态水会冷凝成液态水并汇集在管道低洼部位或形成液膜覆盖于管道表面,并溶解腐蚀性气体,形成腐蚀性溶液,引起管道内部腐蚀,降低管道寿命,造成物质泄漏,甚至导致环境破坏和人员安全事故。
现有研究发现,除了腐蚀性物质,如二氧化碳、硫化氢、水蒸气等外,管道承受的压力也会影响材料的电化学腐蚀行为,这些因素之间存在复杂的耦合作用,导致管道腐蚀发生和扩展,目前没有定量的物理模型可以准确描述各因素之间的内在关联关系。
因此如何有效准确的评定含内部腐蚀缺陷的天然气管道的安全状态,动态跟踪安全状态变化趋势,保障天然气输送管道的安全运行是目前亟待解决的重要问题。
针对天然气管道内部腐蚀问题,目前采用的方法主要是内腐蚀直接评价法和智能内检测方法。直接评价法方法通过对管输天然气流动特性和管道几何形态分析,预测水在管道中最有可能积聚的位置,该方法无法获知腐蚀的变化情况;智能内检测方法可以获得腐蚀的位置和尺寸,进而评定当前管道安全状态,为掌握安全状态变化情况,则需要定期检测,而检测周期往往依据工程经验制定,缺乏理论依据。此外,在腐蚀检测过程中,由于仪器精度及人员操作技能影响,测量的腐蚀缺陷尺寸往往与实际缺陷存在误差,测量结果具有一定的随机性,影响安全评定的准确性。腐蚀扩展速率与管道所处腐蚀环境及载荷因素密切相关,如果能建立影响因素与腐蚀扩展速率的关联关系,通过检测管道实际的环境参量和缺陷状态,能够得到腐蚀缺陷的扩展情况,并考虑缺陷数据不确定性的影响,则可以有效地促进缺陷安全评定方法的实际工程应用。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于油气输送管道内部腐蚀缺陷动态安全评定方法,解决现有技术中难以动态准确评定含腐蚀缺陷油气输送管道安全状态问题。
为了实现上述技术问题,本发明提供了一种输送管道内部腐蚀缺陷动态安全评定方法,该输送管道内部腐蚀缺陷动态安全评定方法包括以下步骤:
步骤一:获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀扩展速率;
步骤二:依据获得的腐蚀扩展速率,运用自适应神经模糊推理系统,建立CO2分压、H2S含量、氯化物含量、应力水平与腐蚀扩展速率的数学模型;
步骤三:获取管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,预测腐蚀扩展速率;
步骤四:建立管道极限状态方程,通过无损检测方法获得内腐蚀发生部位的腐蚀缺陷尺寸及概率分布形式和参数,得到管道安全状态随时间的变化规律,获得管道的安全状态;
管道极限状态方程为:
LSF(T)=tres(T)-tmin
其中,tres(T)为T时刻管道腐蚀缺陷处剩余壁厚;tmin为管道最小要求壁厚;
当tres(T)>tmin,即LSF(T)>0时,认为管道安全;
当tres(T)≤tmin,即LSF≤0时,管道失效。
在本发明的输送管道内部腐蚀缺陷动态安全评定方法中,优选地,步骤一中,通过腐蚀-应力耦合电化学测试获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀电流密度,转换为腐蚀扩展速率。
在本发明的输送管道内部腐蚀缺陷动态安全评定方法中,优选地,不同的CO2分压是指分压为0MPa-0.1MPa;
不同的H2S含量是指H2S含量为0ppm-300ppm;
不同的氯化物含量是指氯化物含量为0wt%-3.5wt%;
不同的应力水平是指压力为0MPa-600MPa。
在本发明的输送管道内部腐蚀缺陷动态安全评定方法中,优选地,根据腐蚀电流密度根据如下公式转换为腐蚀扩展速率Vcorr(nm/a):
其中,A为金属原子量;
n为电化学反应中金属的失电子数;
icorr为腐蚀电流,A/m2;
ρ为金属密度,g/cm3。
在本发明的输送管道内部腐蚀缺陷动态安全评定方法中,优选地,步骤二中,首先进行数据预处理和样本集划分,运用自适应神经模糊推理系统建立数学模型,数据与处理和样本集划分按照如下步骤进行:
将每一组测试数据作为一个样本,以CO2分压、H2S含量、氯化物含量、应力水平为样本的输入数据,对应的腐蚀速率作为输出数据;
对于给定的全部样本集,采用进行归一化处理,处理之后的数值按比例缩放到[0,1]范围内。
在本发明的输送管道内部腐蚀缺陷动态安全评定方法中,优选地,进行归一化处理时,按照如下步骤进行:
其中,xi为输入数据的第i个样本,yi为输出数据的第i个样本,xi'为输入数据归一化后的第i个样本,yi'为输入数据归一化后的第i个样本,max为取最大值函数,min为取最小值函数。
在本发明的输送管道内部腐蚀缺陷动态安全评定方法中,优选地,步骤四中,根据管道设计文件得到管道的壁厚数据,缺陷处剩余最小壁厚和预测出的腐蚀扩展速率,采用蒙特卡洛算法,得到管道安全状态随时间的变化规律。
本发明还提供了一种输送管道内部腐蚀缺陷动态安全评定装置,该输送管道内部腐蚀缺陷动态安全评定装置包括:
参数获取模块,用于获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀扩展速率;
数学模型建立模块,用于依据获得的腐蚀扩展速率,运用自适应神经模糊推理系统,建立CO2分压、H2S含量、氯化物含量、应力水平与腐蚀扩展速率的数学模型;
预测模块,用于获取管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,预测腐蚀扩展速率;
评价模块,用于建立管道极限状态方程,通过无损检测方法获得内腐蚀发生部位的腐蚀缺陷尺寸及概率分布形式和参数,获得管道的安全状态。
在本发明的输送管道内部腐蚀缺陷动态安全评定装置中,优选地,通过腐蚀-应力耦合电化学测试获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀电流密度,转换为腐蚀扩展速率。
在本发明的输送管道内部腐蚀缺陷动态安全评定装置中,优选地,不同的CO2分压是指分压为0MPa-0.1MPa;
不同的H2S含量是指H2S含量为0ppm-300ppm;
不同的氯化物含量是指氯化物含量为0wt%-3.5wt%;
不同的应力水平是指压力为0MPa-600MPa。
在本发明的输送管道内部腐蚀缺陷动态安全评定装置中,优选地,根据腐蚀电流密度根据如下公式转换为腐蚀扩展速率Vcorr(nm/a):
其中,A为金属原子量;
n为电化学反应中金属的失电子数;
icorr为腐蚀电流,A/m2;
ρ为金属密度,g/cm3。
在本发明的输送管道内部腐蚀缺陷动态安全评定装置中,优选地,首先进行数据预处理和样本集划分,运用自适应神经模糊推理系统建立数学模型,数据与处理和样本集划分按照如下步骤进行:
将每一组测试数据作为一个样本,以CO2分压、H2S含量、氯化物含量、应力水平为样本的输入数据,对应的腐蚀速率作为输出数据;
对于给定的全部样本集,采用进行归一化处理,处理之后的数值按比例缩放到[0,1]范围内。
在本发明的输送管道内部腐蚀缺陷动态安全评定装置中,优选地,进行归一化处理时,按照如下步骤进行:
其中,xi为输入数据的第i个样本,yi为输出数据的第i个样本,xi'为输入数据归一化后的第i个样本,yi'为输入数据归一化后的第i个样本,max为取最大值函数,min为取最小值函数。
在本发明的输送管道内部腐蚀缺陷动态安全评定装置中,优选地,根据管道设计文件得到管道的壁厚数据,缺陷处剩余最小壁厚和预测出的腐蚀扩展速率,采用蒙特卡洛算法,得到管道安全状态随时间的变化规律。
与现有技术相比,本发明的输送管道内部腐蚀缺陷动态安全评定方法和装置,具有如下优点和效果:
综合考虑应力水平与介质因素的耦合腐蚀作用,运用自适应神经模糊推理方法,建立了腐蚀影响因素与腐蚀缺陷扩展速率之间定量关系的数学模型,并编制成计算机程序,能够快速、准确的评定出含内部腐蚀缺陷油气输送管道随时间变化的安全状态,为管道检验维修提供决策依据。
附图说明
图1为实施例1的输送管道内部腐蚀缺陷动态安全评定装置的结构图。
图2为实施例1的输送管道内部腐蚀缺陷动态安全评定方法的工艺流程图。
图3为实施例1采用的五层自适应神经模糊推理结构示意图。
具体实施方式
为了对本发明的技术特征、目的和有益效果有更加清楚的理解,现对本发明的技术方案进行以下详细说明,但不能理解为对本发明的可实施范围的限定。
实施例1
本实施例首先提供了一种输送管道内部腐蚀缺陷动态安全评定装置,其结构如图1所示,该输送管道内部腐蚀缺陷动态安全评定装置包括:
参数获取模块,用于获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀扩展速率;
数学模型建立模块,用于依据获得的腐蚀扩展速率,运用自适应神经模糊推理系统,建立CO2分压、H2S含量、氯化物含量、应力水平与腐蚀扩展速率的数学模型;
预测模块,用于获取管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,预测腐蚀扩展速率;
评价模块,用于建立管道极限状态方程,通过无损检测方法获得内腐蚀发生部位的腐蚀缺陷尺寸及概率分布形式和参数,获得管道的安全状态。
本实施例还提供了一种输送管道内部腐蚀缺陷动态安全评定方法,其流程如图2所示,具体包括以下步骤:
步骤一:通过腐蚀-应力耦合电化学测试获得油气输送管道常用金属材料在不同的CO2分压、H2S含量、氯化物含量和不同应力水平下的腐蚀电流密度,并转换为腐蚀速率。
试验装置采用万能试验机配合电化学工作站,采用去离子水和分析纯级化学试剂配置不同介质浓度的溶液,介质具体范围为CO2分压0-0.1MPa,H2S含量0-300ppm,含量氯化物含量0-3.5wt%,应力水平0-600MPa。测试的金属材料包括低、中、高强度管线钢。
测试的金属材料依据万能试验机要求的规格进行加工,试样为棒状,试样表面使用绝缘防腐硅橡胶封装,中间留出1cm长的工作表面。使用前进行丙酮和乙醇除油、烘干备用。测试时,采用三电极系统,工作电极为试样,参比电极为饱和甘汞电极,辅助电极为铂电极。测试时,首先将试样置于盛有除氧溶液的电化学池中,然后将其夹持在万能试验机上,并施加某一拉伸应力,测试体系的开路电位直至稳定。然后每间隔一段时间测试体系的电化学阻抗,直至连续三次测量的阻抗谱曲线没有明显变化后,对体系进行极化曲线测试,将测试获得的极化曲线进行拟合,得到腐蚀电流密度icorr,按下式计算腐蚀扩展速率Vcorr:
其中,A为金属原子量;n为电化学反应中金属的失电子数;icorr为腐蚀电流,A/m2;ρ为金属密度,g/cm3。
步骤二:依据测试数据,运用自适应神经模糊推理方法,建立CO2分压、H2S含量、氯化物含量、应力水平等影响因素与腐蚀速率之间定量关系的数学模型。
(1)数据预处理和样本集划分
将每一组测试数据作为一个样本,把CO2分压、H2S含量、氯化物含量、应力水平作为样本的输入数据,对应的腐蚀速率作为输出数据。
对于给定的全部样本集,采用下面公式对样本的输入和输出数据进行归一化处理,处理之后的数值按比例缩放到[0,1]范围内。
将预处理之后的样本集划分为训练样本和测试样本。其中,训练样本用于模型训练,测试样本用来评价训练好之后的模型预测性能。
(2)建立数学模型
本实施例采用五层自适应神经模糊推理结构,如图3所示,输入参数有四个xi,i=1,2,3,4,分别为CO2分压、H2S含量、氯化物含量、应力水平;输出参数为腐蚀速率yi。
各层的功能如下:
第一层:将输入变量x=[xi,i=1,2,3,4]模糊化,输出对应模糊集合的隶属度值,这一层的每个节点i为自适应节点,有其节点函数。节点的传递函数可表示为:
式中:为模糊集A(A1,A2,A3,A4,B1,B2,B3,B4,C1,C2,C3,C4,D1,D2,D3,D4)的隶属度,它确定了给定输入满足A的程度。这里A的隶属度可以是任意合适的参数化隶属函数。根据所选择的隶属函数的形式,可以得到相应的参数集,称为条件参数。如高斯隶属函数:
式中{σj,cj}是参数集,称为前提参数。
第二层:实现条件部分的模糊集合的运算,每个节点的输出对应每条规则的适用度,它是所有输入参数的乘积
每个结点的输出表示一条规则的激励强度,本层的结点函数还可以采用取小、有界积或强积的形式。
第三层:对各条规则的适用度进行归一化处理,该层中的结点也是固定结点。
第四层:每个节点的传递函数为线性函数,表示局部的线性模型,计算出每条规则的输出值:
fj=aj0+aj1x1+aj2x2+aj3x3+aj4x4
式中是从第3层传来的归一化激励强度,{aj0,aj1,aj2,aj3,aj4}是该结点的参数集。本层的参数称为结论参数。
第五层:计算所有规则的输出之和:
对于前提参数和结论参数,通常采用一种混合学习算法进行训练。对于前提参数,采用反向传播算法,而对于结论参数则采用线性最小二乘估计算法调整参数。在每一次迭代中,首先输入信号沿网络正向传递到第4层,此时固定前提参数,采用最小二乘算法调节结论参数;然后,信号继续沿着网络正向传递知道输出层,此后,将获得的误差信号沿网络反向传播,从而可调节前提参数。以此方式对给定的条件参数,可以得到结论参数的全局最优点,这样不仅可以降低梯度法中搜索空间的维数,通常还可以大大提高参数的收敛速度。
步骤三:通过测量和运行数据得到天然气管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,进行腐蚀扩展速率的预测;
按照建立的自适应神经模糊推理模型编写计算机程序,然后将现场测定的CO2分压、H2S含量、氯化物含量、应力水平输入计算机程序,计算得到腐蚀缺陷扩展速率V。
步骤四:建立管道的极限状态方程,通过无损检测方法获得内腐蚀发生部位的腐蚀缺陷尺寸及概率分布形式和参数,根据管道设计文件得到管道的壁厚数据,当前缺陷处剩余壁厚、和预测出的腐蚀扩展速率,采用蒙特卡洛算法,计算出管道失效概率随时间的变化规律,获得管道的安全状态。
管道极限状态方程为:
LSF(T)=tres(T)-tmin
式中:tres(T)为T时刻管道腐蚀缺陷处剩余壁厚;tmin为管道最小要求壁厚。当计算出的缺陷处剩余壁厚tres(T)>tmin,即LSF(T)>0时,认为管道安全;当剩余壁厚tres(T)≤tmin,即LSF≤0时,管道失效。
管道失效概率可写为:
PF(T)=P(LSF(T)≤0)
采用蒙特卡洛方法计算管道失效概率:
式中,N为蒙特卡洛模拟的循环次数,n为模拟结果中LSF≤0的次数。
下面以X70管线钢的缺陷安全评定为例子进行详细说明。
以X70钢为试验材料,通过腐蚀-应力耦合电化学测试获得X70钢在不同的CO2分压、H2S含量、氯化物含量、应力水平下的腐蚀速率,具体的试验数据见表1。
表1
以上共34个数据样本,前30个数据为训练样本,后4个为测试样本。每组样本包括输入数据(氯化物含量x1、CO2分压x2、H2S浓度x3、应力水平x4)和输出数据(腐蚀速率y)。利用自适应神经模糊推理方法建立氯化物含量、CO2分压、H2S浓度、应力水平等影响因素与腐蚀速率之间相互关系的数学模型。
根据以上模型,编制计算机程序,输入测试样本的所有测试样本的输入数据(氯化物含量、CO2分压、H2S浓度、应力水平),将模型的预测值和实验比较,发现二者吻合得较好,其绝对百分误差的值都比较小,满足工程需要(见表2)。
表2
选取实际运行管段,根据实际的氯化物含量、CO2分压、H2S含量及管道压力水平,利用基于上述自适应神经模糊推理模型编写计算机程序,计算管道平均腐蚀速率为0.42mm/a。利用蒙特卡洛方法计算管道20年内的管道失效概率将从0增加到0.3。
以上实施例说明,本发明的输送管道内部腐蚀缺陷动态安全评定方法和装置,能够快速、准确的评定出含内部腐蚀缺陷油气输送管道随时间变化的安全状态,为管道检验维修提供决策依据。
Claims (10)
1.一种输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,该输送管道内部腐蚀缺陷动态安全评定方法包括以下步骤:
步骤一:获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀扩展速率;
步骤二:依据获得的腐蚀扩展速率,运用自适应神经模糊推理系统,建立CO2分压、H2S含量、氯化物含量、应力水平与腐蚀扩展速率的数学模型;
步骤三:获取管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,预测腐蚀扩展速率;
步骤四:建立管道极限状态方程,通过无损检测方法获得内腐蚀发生部位的腐蚀缺陷尺寸及概率分布形式和参数,得到管道安全状态随时间的变化规律,获得管道的安全状态;
管道极限状态方程为:
LSF(T)=tres(T)-tmin
其中,tres(T)为T时刻管道腐蚀缺陷处剩余壁厚;tmin为管道最小要求壁厚;
当tres(T)>tmin,即LSF(T)>0时,认为管道安全;
当tres(T)≤tmin,即LSF≤0时,认为管道失效。
2.根据权利要求1所述的输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,所述步骤一中,通过腐蚀-应力耦合电化学测试获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀电流密度,转换为腐蚀扩展速率。
3.根据权利要求1或2所述的输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,不同的CO2分压是指分压为0MPa-0.1MPa;
不同的H2S含量是指H2S含量为0ppm-300ppm;
不同的氯化物含量是指氯化物含量为0wt%-3.5wt%;
不同的应力水平是指压力为0MPa-600MPa。
4.根据权利要求2所述的输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,根据腐蚀电流密度通过如下公式转换为腐蚀扩展速率Vcorr(nm/a):
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>m</mi>
<mo>/</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>8.76</mn>
<mo>&CenterDot;</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>r</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>26.8</mn>
<mo>&CenterDot;</mo>
<mi>n</mi>
<mo>&CenterDot;</mo>
<mi>&rho;</mi>
</mrow>
</mfrac>
</mrow>
其中,A为金属原子量;
n为电化学反应中金属的失电子数;
icorr为腐蚀电流,A/m2;
ρ为金属密度,g/cm3。
5.根据权利要求1所述的输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,所述步骤二中,首先进行数据预处理和样本集划分,运用自适应神经模糊推理系统建立数学模型,数据与处理和样本集划分按照如下步骤进行:
将每一组测试数据作为一个样本,以CO2分压、H2S含量、氯化物含量、应力水平为样本的输入数据,对应的腐蚀速率作为输出数据;
对于给定的全部样本集,采用进行归一化处理,处理之后的数值按比例缩放到[0,1]范围内。
6.根据权利要求5所述的输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,进行归一化处理时,按照如下步骤进行:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mi>max</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,xi为输入数据的第i个样本,yi为输出数据的第i个样本,x′i为输入数据归一化后的第i个样本,y′i为输入数据归一化后的第i个样本,max为取最大值函数,min为取最小值函数。
7.根据权利要求1所述的输送管道内部腐蚀缺陷动态安全评定方法,其特征在于,在所述步骤四中,根据管道设计文件得到管道的壁厚数据,缺陷处剩余最小壁厚和预测出的腐蚀扩展速率,采用蒙特卡洛算法,得到管道安全状态随时间的变化规律。
8.一种输送管道内部腐蚀缺陷动态安全评定装置,其特征在于,该输送管道内部腐蚀缺陷动态安全评定装置包括:
参数获取模块,用于获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀扩展速率;
数学模型建立模块,用于依据获得的腐蚀扩展速率,运用自适应神经模糊推理系统,建立CO2分压、H2S含量、氯化物含量、应力水平与腐蚀扩展速率的数学模型;
预测模块,用于获取管道腐蚀部位所在管段的CO2分压、H2S含量、氯化物含量、应力水平,依据建立的数学模型,预测腐蚀扩展速率;
评价模块,用于建立管道极限状态方程,通过无损检测方法获得内腐蚀发生部位的腐蚀缺陷尺寸及概率分布形式和参数,获得管道的安全状态。
9.根据权利要求8所述的输送管道内部腐蚀缺陷动态安全评定装置,其特征在于,通过腐蚀-应力耦合电化学测试获得输送管道常用金属材料在不同的CO2分压、H2S分压、氯化物含量和不同应力水平下的腐蚀电流密度,转换为腐蚀扩展速率。
10.根据权利要求8或9所述的输送管道内部腐蚀缺陷动态安全评定装置,其特征在于,不同的CO2分压是指分压为0MPa-0.1MPa;
不同的H2S含量是指H2S含量为0ppm-300ppm;
不同的氯化物含量是指氯化物含量为0wt%-3.5wt%;
不同的应力水平是指压力为0MPa-600MPa。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710243447.5A CN107063991B (zh) | 2017-04-14 | 2017-04-14 | 一种输送管道内部腐蚀缺陷动态安全评定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710243447.5A CN107063991B (zh) | 2017-04-14 | 2017-04-14 | 一种输送管道内部腐蚀缺陷动态安全评定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107063991A true CN107063991A (zh) | 2017-08-18 |
CN107063991B CN107063991B (zh) | 2020-03-10 |
Family
ID=59600705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710243447.5A Active CN107063991B (zh) | 2017-04-14 | 2017-04-14 | 一种输送管道内部腐蚀缺陷动态安全评定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107063991B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680488A (zh) * | 2018-05-31 | 2018-10-19 | 北京市燃气集团有限责任公司 | 一种地库上方埋地燃气管道腐蚀检测方法 |
CN108845035A (zh) * | 2018-07-06 | 2018-11-20 | 北京领示科技有限公司 | 一种基于超声无损定量检出概率的延寿方法 |
CN109540968A (zh) * | 2018-11-22 | 2019-03-29 | 重庆大学 | 一种定量检测设备内部三维缺陷的方法 |
CN109815595A (zh) * | 2019-01-26 | 2019-05-28 | 南智(重庆)能源技术有限公司 | 油气田井下管柱及井口输气管线硫化氢腐蚀大数据分析方法 |
CN110567406A (zh) * | 2018-06-06 | 2019-12-13 | 中国石油化工股份有限公司 | 一种对流程工业设备和管道进行超声波定点测厚的数据处理方法 |
CN111476428A (zh) * | 2020-04-16 | 2020-07-31 | 泸州老窖酿酒有限责任公司 | 基于大数据分析的酿酒工艺优化方法 |
CN113466406A (zh) * | 2021-06-08 | 2021-10-01 | 重庆科技学院 | 一种页岩气集输干线点蚀预测方法 |
CN113624391A (zh) * | 2020-05-08 | 2021-11-09 | 中国石油天然气股份有限公司 | 一种油田集输管道内h2s和co2分压的获取方法 |
CN113640077A (zh) * | 2020-05-11 | 2021-11-12 | 中国石油天然气股份有限公司 | 确定检测样本的方法和装置 |
CN113640456A (zh) * | 2020-05-11 | 2021-11-12 | 中国石油天然气股份有限公司 | 确定输气管道样本的方法和装置 |
CN113640199A (zh) * | 2021-07-15 | 2021-11-12 | 中国特种设备检测研究院 | 化工设备腐蚀监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855368A (zh) * | 2011-06-30 | 2013-01-02 | 中国石油天然气股份有限公司 | 一种炼油装置高温部位腐蚀剩余寿命预测方法 |
US20140005995A1 (en) * | 2012-06-29 | 2014-01-02 | Chevron U.S.A. Inc. | Processes and systems for predicting corrosion |
CN103512842A (zh) * | 2012-06-26 | 2014-01-15 | 韦尔斯特里姆国际有限公司 | 样品测试装置及方法 |
CN103983559A (zh) * | 2014-04-16 | 2014-08-13 | 深圳大学 | 钢筋起锈及氯离子浓度极限状态的提示装置和提示方法 |
CN105069486A (zh) * | 2015-09-09 | 2015-11-18 | 西安石油大学 | 基于极限学习机的石化设备腐蚀预测方法 |
CN105243488A (zh) * | 2015-10-08 | 2016-01-13 | 中国石油天然气股份有限公司 | 一种管道挖掘机械损伤失效概率确定方法及系统 |
CN105653791A (zh) * | 2015-12-29 | 2016-06-08 | 中国石油天然气集团公司 | 一种基于数据挖掘的在役油管柱腐蚀失效预测系统 |
US20160238547A1 (en) * | 2013-10-15 | 2016-08-18 | 1835963 Alberta Ltd. | Sensing Element Compositions and Sensor System for Detecting and Monitoring Structures for Hydrocarbons |
-
2017
- 2017-04-14 CN CN201710243447.5A patent/CN107063991B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855368A (zh) * | 2011-06-30 | 2013-01-02 | 中国石油天然气股份有限公司 | 一种炼油装置高温部位腐蚀剩余寿命预测方法 |
CN103512842A (zh) * | 2012-06-26 | 2014-01-15 | 韦尔斯特里姆国际有限公司 | 样品测试装置及方法 |
US20140005995A1 (en) * | 2012-06-29 | 2014-01-02 | Chevron U.S.A. Inc. | Processes and systems for predicting corrosion |
US20160238547A1 (en) * | 2013-10-15 | 2016-08-18 | 1835963 Alberta Ltd. | Sensing Element Compositions and Sensor System for Detecting and Monitoring Structures for Hydrocarbons |
CN103983559A (zh) * | 2014-04-16 | 2014-08-13 | 深圳大学 | 钢筋起锈及氯离子浓度极限状态的提示装置和提示方法 |
CN105069486A (zh) * | 2015-09-09 | 2015-11-18 | 西安石油大学 | 基于极限学习机的石化设备腐蚀预测方法 |
CN105243488A (zh) * | 2015-10-08 | 2016-01-13 | 中国石油天然气股份有限公司 | 一种管道挖掘机械损伤失效概率确定方法及系统 |
CN105653791A (zh) * | 2015-12-29 | 2016-06-08 | 中国石油天然气集团公司 | 一种基于数据挖掘的在役油管柱腐蚀失效预测系统 |
Non-Patent Citations (5)
Title |
---|
S.M. MOUSAVIFARD 等: "Application of artificial neural network and adaptive neuro-fuzzy inference system to investigate corrosion rate of zirconium-based nano-ceramic layer on galvanized steel in 3.5% NaCl solution", 《JOURNAL OF ALLOYS AND COMPOUNDS》 * |
崔维汉 等: "《中国防腐蚀工程师实用技术大全 第1册》", 31 October 2001, 太原:山西科学技术出版社 * |
张广利 等: "基于不同评价准则的含腐蚀缺陷管道概率评价方法研究", 《中国安全科学学报》 * |
张清 等: "CO2/H2S对油气管材的腐蚀规律及研究进展", 《腐蚀与防护》 * |
沈长松 等: "《水工建筑物》", 31 March 2008, 北京:中国水利水电出版社 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680488A (zh) * | 2018-05-31 | 2018-10-19 | 北京市燃气集团有限责任公司 | 一种地库上方埋地燃气管道腐蚀检测方法 |
CN108680488B (zh) * | 2018-05-31 | 2021-10-15 | 北京市燃气集团有限责任公司 | 一种地库上方埋地燃气管道腐蚀检测方法 |
CN110567406A (zh) * | 2018-06-06 | 2019-12-13 | 中国石油化工股份有限公司 | 一种对流程工业设备和管道进行超声波定点测厚的数据处理方法 |
CN108845035A (zh) * | 2018-07-06 | 2018-11-20 | 北京领示科技有限公司 | 一种基于超声无损定量检出概率的延寿方法 |
CN109540968A (zh) * | 2018-11-22 | 2019-03-29 | 重庆大学 | 一种定量检测设备内部三维缺陷的方法 |
CN109540968B (zh) * | 2018-11-22 | 2020-12-29 | 重庆大学 | 一种定量检测设备内部三维缺陷的方法 |
CN109815595A (zh) * | 2019-01-26 | 2019-05-28 | 南智(重庆)能源技术有限公司 | 油气田井下管柱及井口输气管线硫化氢腐蚀大数据分析方法 |
CN111476428A (zh) * | 2020-04-16 | 2020-07-31 | 泸州老窖酿酒有限责任公司 | 基于大数据分析的酿酒工艺优化方法 |
CN113624391A (zh) * | 2020-05-08 | 2021-11-09 | 中国石油天然气股份有限公司 | 一种油田集输管道内h2s和co2分压的获取方法 |
CN113624391B (zh) * | 2020-05-08 | 2023-04-07 | 中国石油天然气股份有限公司 | 一种油田集输管道内h2s和co2分压的获取方法 |
CN113640077A (zh) * | 2020-05-11 | 2021-11-12 | 中国石油天然气股份有限公司 | 确定检测样本的方法和装置 |
CN113640456A (zh) * | 2020-05-11 | 2021-11-12 | 中国石油天然气股份有限公司 | 确定输气管道样本的方法和装置 |
CN113640456B (zh) * | 2020-05-11 | 2024-05-28 | 中国石油天然气股份有限公司 | 确定输气管道样本的方法和装置 |
CN113466406A (zh) * | 2021-06-08 | 2021-10-01 | 重庆科技学院 | 一种页岩气集输干线点蚀预测方法 |
CN113640199A (zh) * | 2021-07-15 | 2021-11-12 | 中国特种设备检测研究院 | 化工设备腐蚀监测方法 |
CN113640199B (zh) * | 2021-07-15 | 2024-04-19 | 中国特种设备检测研究院 | 化工设备腐蚀监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107063991B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107063991A (zh) | 一种输送管道内部腐蚀缺陷动态安全评定方法和装置 | |
Soomro et al. | Integrity assessment of corroded oil and gas pipelines using machine learning: A systematic review | |
Li et al. | A data-driven corrosion prediction model to support digitization of subsea operations | |
AU2010204512B2 (en) | Method and system for predicting corrosion rates using mechanistic models | |
CN103870670B (zh) | 一种油管腐蚀程度预测方法及装置 | |
Balekelayi et al. | External corrosion pitting depth prediction using Bayesian spectral analysis on bare oil and gas pipelines | |
Chen et al. | Risk assessment of corroded casing based on analytic hierarchy process and fuzzy comprehensive evaluation | |
Stepova et al. | Modeling of the corrosion process in steel oil pipelines in order to improve environmental safety | |
Yuzevych et al. | Improving the diagnostics of underground pipelines at oil-and-gas enterprises based on determining hydrogen exponent (PH) of the soil media applying neural networks | |
Papavinasam et al. | Review of models to predict internal pitting corrosion of oil and gas pipelines | |
Abyani et al. | A new approach for finite element based reliability evaluation of offshore corroded pipelines | |
Tesfamariam et al. | General corrosion vulnerability assessment using a Bayesian belief network model incorporating experimental corrosion data for X60 pipe steel | |
CN115186590A (zh) | 一种管道腐蚀剩余寿命预测方法 | |
Mohd Tahir et al. | Underground corrosion model of steel pipelines using in situ parameters of soil | |
Ikechukwu et al. | Correlation between soil properties and external corrosion growth rate of carbon steel | |
Qin et al. | Quantitative risk assessment of static equipment in petroleum and natural gas processing station based on corrosion-thinning failure degree | |
Soomro et al. | Deep learning-based reliability model for oil and gas pipeline subjected to stress corrosion cracking: A review and concept | |
AU2021101888A4 (en) | System and method for corrosion prediction in oil and gas pipeline | |
Stepovaja et al. | Methods for precautionary management for environmental safety at energy facilities | |
Obaseki | Diagnostic and prognostic analysis of oil and gas pipeline with allowable corrosion rate in Niger Delta Area, Nigeria | |
Gao et al. | Prediction of submarine pipeline corrosion based on the improved grey prediction model | |
Guan et al. | Application of probabilistic model in pipeline direct assessment | |
Smart et al. | Internal corrosion direct measurement enhances pipeline integrity | |
Miao et al. | Corroded submarine pipeline degradation prediction based on theory-guided IMOSOA-EL model | |
Yuzevych et al. | Determination of the place depressurization of underground pipelines in the monitoring of oil and gas enterprises |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |