CN109460631B - 一种海底混输管道腐蚀速率预测方法 - Google Patents
一种海底混输管道腐蚀速率预测方法 Download PDFInfo
- Publication number
- CN109460631B CN109460631B CN201811550944.0A CN201811550944A CN109460631B CN 109460631 B CN109460631 B CN 109460631B CN 201811550944 A CN201811550944 A CN 201811550944A CN 109460631 B CN109460631 B CN 109460631B
- Authority
- CN
- China
- Prior art keywords
- corrosion rate
- sequence
- model
- transportation pipeline
- mixed transportation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pipeline Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海底混输管道腐蚀速率预测方法,包括以下步骤:1)不等时间间距测量海底混输管道的腐蚀速率检测值序列X(0);2)根据步骤1)得到的海底混输管道的腐蚀速率检测值序列X(0)构建用于海底混输管道腐蚀速率预测的ARIMA模型及NEGM(1,1,τ)模型;3)将ARIMA模型和NEGM(1,1,τ)模型分别利用等权重法、灰色关联度准则及误差平方和最小准则建立三个组合预测模型;4)根据均方根误差RMSE、平均相对误差AARD及平均误差MAPE对步骤3)建立的三个组合预测模型进行性能评估,并选择性能最优的组合预测模型,然后利用性能最优的组合预测模型进行海底混输管道腐蚀速率的预测,该方法能够通过组合预测海底混输管道腐蚀速率,并且预测精度较高。
Description
技术领域
本发明属于海底油气管道输送技术领域,涉及一种海底混输管道腐蚀速率预测方法。
背景技术
海底管道作为海上油气输送的“生命线”,与陆地管道相比,海底管道面临的环境更加复杂,随着海洋资源的不断被开发,海洋油气开发已经从浅海延伸到3000m多的深海,这更是加大了海底管道的腐蚀和泄漏的风险,一旦管道发生泄漏事故,将会造成巨大的经济损失。其中,混输管道作为海底管道系统的重要组成部分,其输送的介质不仅包括油、气,很多情况下还掺杂着水和砂,这就加快了管道的腐蚀速度。因此,对海底混输管道进行腐蚀速率预测,掌握其腐蚀趋势具有重要意义。
为了准确把握海底管道腐蚀速率的变化趋势,国内外许多学者做了许多工作。NMNoor等采用半概率预测方法,对含有腐蚀缺陷的海底管道剩余强度进行预测。谭开忍等建立了基于非等间距GM(1,1)海底管道剩余寿命预测模型,拓宽了传统GM(1,1)的使用范围。姜峰等针对传统GM(1,1)模型中新信息利用不完全的问题,提出以x(1)(kn)为建模初始值对某海洋立管剩余寿命进行预测。上述研究虽取得了一定的成果,但由于影响海底管道腐蚀的因素众多且关系错综复杂,使得单一预测模型的缺陷逐渐显现出来。其次,不同的预测方法由于自身的优缺点,对于原始数据的利用是存在差异的,不同的预测模型利用的数据角度不同使之利用的数据信息也不尽相同,不同预测模型之间相互补充的关系使得组合模型在预测方面得到了关注。如Cui J等采用变权组合模型,结合MGM(1,n)模型和LSSVM模型,实现了航空发电机寿命的预测。Camelo等分别结合ARIMAX、HW与ANN,形成相应的组合模型,较单一预测模型来说,提高了预测精度。
虽然组合模型广泛应用于其他领域,但在管道腐蚀预测领域并不多见,因此寻求一些组合预测方法来提高海底混输管道腐蚀速率的预测精度至关重要。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种海底混输管道腐蚀速率预测方法,该方法能够通过组合预测海底混输管道腐蚀速率,并且预测精度较高。
为达到上述目的,本发明所述的海底混输管道腐蚀速率预测方法包括以下步骤:
1)不等时间间距测量海底混输管道的腐蚀速率检测值序列X(0),X(0)={x(0)(1),x(0)(2),...,x(0)(n)},x(0)(k)表示序号为k时管道腐蚀速率的检测值;
2)根据步骤1)得到的海底混输管道的腐蚀速率检测值序列X(0)构建用于海底混输管道腐蚀速率预测的ARIMA模型及NEGM(1,1,τ)模型;
3)将ARIMA模型和NEGM(1,1,τ)模型分别利用等权重法、灰色关联度准则及误差平方和最小准则建立三个组合预测模型;
4)根据均方根误差RMSE、平均相对误差AARD及平均误差MAPE对步骤3)建立的三个组合预测模型进行性能评估,并选择性能最优的组合预测模型,然后利用性能最优的组合预测模型进行海底混输管道腐蚀速率的预测。
建立用于海底混输管道腐蚀速率预测的NEGM(1,1,τ)模型的具体过程为:
11)由海底混输管道的腐蚀速率检测值序列X(0)计算一阶累加1-AGO序列X(1),其中,X(1)={x(1)(1),x(1)(2),...,x(1)(n)},Δtj=tj-tj-1,j=2,3,...,n,tj表示序号为j时对应的检测时间;
12)由海底混输管道的腐蚀速率检测值序列X(0)和一阶累加1-AGO序列计算海底混输管道的腐蚀速率检测值序列X(0)的光滑比ρ(k)及级比σ(1)(k),其中,根据计算得到的光滑比ρ(k)及级比σ(1)(k)判断海底混输管道的腐蚀速率检测值序列X(0)是否满足光滑性条件,当海底混输管道的腐蚀速率检测值序列X(0)满足光滑性条件时,则转至步骤13)中;当海底混输管道的腐蚀速率检测值序列X(0)不满足光滑性条件时,则转至步骤1)中;
13)根据一阶累加1-AGO序列X(1)计算得序列X(0)紧邻均值生成序列Z(1),其中Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)),z(1)(k)=0.5(x(1)(k)+x(1)(k-1)),k=2,3,…,n;
建立用于海底混输管道腐蚀速率预测的ARIMA模型的具体操作过程为:
21)将海底混输管道的腐蚀速率检测值序列X(0)进行平稳化处理,得平稳序列Y(0);
22)绘制平稳序列Y(0)的自相关函数及偏自相关函数图,根据偏自相关函数图的性质以及ARIMA模型的定阶准则确定最优的模型;
23)对步骤22)中的ARIMA模型进行参数估计,得用于海底混输管道腐蚀速率预测的ARIMA模型;
本发明具有以下有益效果:
本发明所述的海底混输管道腐蚀速率预测方法在具体操作时,先建立单一的ARIMA模型及NEGM(1,1,τ)模型,再利用等权重法、灰色关联度准则及误差平方和最小准则建立三个组合预测模型,然后对该三个组合预测模型进行性能评估,选取性能最优的组合预测模型进行海底混输管道腐蚀速率的预测,以提高预测的精度,操作简单、方便,能够有效的提高预测的有效性。
附图说明
图1为本发明的流程图;
图2为仿真实验中三个组合预测模型的预测值与实际值对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1,本发明所述的海底混输管道腐蚀速率预测方法包括以下步骤:
1)不等时间间距测量海底混输管道的腐蚀速率检测值序列X(0),X(0)={x(0)(1),x(0)(2),...,x(0)(n)},x(0)(k)表示序号为k时管道腐蚀速率的检测值;
2)根据步骤1)得到的海底混输管道的腐蚀速率检测值序列X(0)构建用于海底混输管道腐蚀速率预测的ARIMA模型及NEGM(1,1,τ)模型;
3)将ARIMA模型和NEGM(1,1,τ)模型分别利用等权重法、灰色关联度准则及误差平方和最小准则建立三个组合预测模型;
其中,等权重法就是赋予每种预测模型权重得到在该定权方法下的组合预测模型,其中,m表示海底混熟管道腐蚀速率预测模型共有m种;灰色关联度准则,即为通过使灰色关联度η最大的途径确定各单一预测模型的权重,以此来建立该准则下的组合预测模型;误差平方和最小准则具体为:设J为组合模型预测误差的平方和,h表示由单一预测模型构成的组合预测模型个数,组合预测模型在该准则下的权重系数的求解转化为了下面的规划问题:
4)根据均方根误差RMSE、平均相对误差AARD及平均误差MAPE对步骤3)建立的三个组合预测模型进行性能评估,并选择性能最优的组合预测模型,然后利用性能最优的组合预测模型进行海底混输管道腐蚀速率的预测。
建立用于海底混输管道腐蚀速率预测的NEGM(1,1,τ)模型的具体过程为:
11)由海底混输管道的腐蚀速率检测值序列X(0)计算一阶累加1-AGO序列X(1),其中,X(1)={x(1)(1),x(1)(2),...,x(1)(n)},Δtj=tj-tj-1,j=2,3,...,n,tj表示序号为j时对应的检测时间;
12)由海底混输管道的腐蚀速率检测值序列X(0)和一阶累加1-AGO序列计算海底混输管道的腐蚀速率检测值序列X(0)的光滑比ρ(k)及级比σ(1)(k),其中,根据计算得到的光滑比ρ(k)及级比σ(1)(k)判断海底混输管道的腐蚀速率检测值序列X(0)是否满足光滑性条件,当海底混输管道的腐蚀速率检测值序列X(0)满足光滑性条件时,则转至步骤13)中;当海底混输管道的腐蚀速率检测值序列X(0)不满足光滑性条件时,则转至步骤1)中;
13)根据一阶累加1-AGO序列X(1)计算得序列X(0)紧邻均值生成序列Z(1),其中Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)),z(1)(k)=0.5(x(1)(k)+x(1)(k-1)),k=2,3,…,n;
建立用于海底混输管道腐蚀速率预测的ARIMA模型的具体操作过程为:
21)将海底混输管道的腐蚀速率检测值序列X(0)进行平稳化处理,得平稳序列Y(0);
22)绘制平稳序列Y(0)的自相关函数及偏自相关函数图,根据偏自相关函数图的性质以及ARIMA模型的定阶准则确定最优的模型;
23)对步骤22)中的ARIMA模型进行参数估计,得用于海底混输管道腐蚀速率预测的ARIMA模型;
仿真实验
不等时间间距测量南海崖城13-1气田某海底混输管道腐蚀速率,得到20个腐蚀速率检测值如表1所示。
表1
1)建立NEGM(1,1,τ)模型
利用表1中的数据建立NEGM(1,1,τ)模型,得到参数a=-0.031144,μ=0.131623,建模初始值时间参数τ=7.152776,则该NEGM(1,1,τ)模型的时间响应函数及其还原值分别为:
得基于该模型下的序号13-20号的预测值,如表2所示:
表2
2)建立ARIMA模型
先对表1中的数据在进行对数转化的基础上检验其平稳性,检验结果显示经过对数转换后的新的数据序列lnX是非平稳的,接着对序列lnX实现平稳化处理,处理结果表明,lnX序列经过两次差分后转化为平稳数据序列Y(0),由此确定模型中的d=2。
绘制序列Y(0)的自相关函数和偏自相关函数图,根据偏自相关函数图的性质及ARIMA模型的定阶准则确定为ARIMA(2,2,3)模型。
对上述ARIMA(2,2,3)模型进行参数估计,得ARIMA(2,2,3)预测模型为:
利用该模型进行预测,得到预测值如表3所示。
表3
3)得到下面三个组合预测模型:
组合预测模型1:
y(k)=0.5x1(k)+0.5x2(k)
组合预测模型2:
y(k)=0.45x1(k)+0.55x2(k)
组合预测模型3:
y(k)=0.36x1(k)+0.64x2(k)
得到基于组合预测模型1、2和3的海底混输管道腐蚀速率预测值,三个组合预测模型的预测值及其相对误差如表4所示,与实际检测值的对比如图1所示。
表4
为更加准确地把握腐蚀速率变化趋势,本发明在上述建立组合预测模型的基础上利用RMSE、AARD与MAPE对组合预测模型进行性能评价,结果如表5所示。
表5
综合分析图1、表4及表5,可以明确组合预测模型2为海底混输管道腐蚀速率的最优组合预测模型。
本发明在具体操作时,分别建立NEGM(1,1,τ)模型和ARIMA模型,得到单一模型的海底混输管道预测值,两者预测误差分别为2.0514%和1.5686%,在建立组合预测模型进行预测时,得到组合预测模型1-3的预测误差分别为0.9151%、0.8979%和0.9489%,利用组合预测模型评价指标对三个组合预测模型进行性能评价,分别得到三个组合预测模型的RMSE、AARD和MAPE值,如附图2,结果显示,组合预测模型2的性能优于其它两个组合预测模型。综合上面所述,组合预测模型2的预测不仅优于组合预测模型1和3,同时还优于两个单一预测模型,证明了NEGM(1,1,τ)-ARIMA最优组合预测模型的有效性,能够更能准确把握海底混输管道腐蚀变化规律。
本发明说明书中的相关内容都是对本发明的进行解释说明,其中未做详细说明描述的内容都是本领域专业技术人员周知的现有公开技术。为了能够更加清楚地描述本发明的相关内容,本说明书中附有本发明在实施实验中的相关图表以及附图。但是本领域的技术人员可以理解;在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化、修改都是可能的。因此,所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定,而不应局限于最佳实施例和附图所公开的内容。
Claims (5)
1.一种海底混输管道腐蚀速率预测方法,其特征在于,包括以下步骤:
1)不等时间间距测量海底混输管道的腐蚀速率检测值序列X(0),X(0)={x(0)(1),x(0)(2),...,x(0)(n)},x(0)(k)表示序号为k时管道腐蚀速率的检测值;
2)根据步骤1)得到的海底混输管道的腐蚀速率检测值序列X(0)构建用于海底混输管道腐蚀速率预测的ARIMA模型及NEGM(1,1,τ)模型;
3)将ARIMA模型和NEGM(1,1,τ)模型分别利用等权重法、灰色关联度准则及误差平方和最小准则建立三个组合预测模型;
4)根据均方根误差RMSE、平均相对误差AARD及平均误差MAPE对步骤3)建立的三个组合预测模型进行性能评估,并选择性能最优的组合预测模型,然后利用性能最优的组合预测模型进行海底混输管道腐蚀速率的预测。
2.根据权利要求1所述的海底混输管道腐蚀速率预测方法,其特征在于,建立用于海底混输管道腐蚀速率预测的NEGM(1,1,τ)模型的具体过程为:
12)由海底混输管道的腐蚀速率检测值序列X(0)和一阶累加1-AGO序列计算海底混输管道的腐蚀速率检测值序列X(0)的光滑比ρ(k)及级比σ(1)(k),其中,根据计算得到的光滑比ρ(k)及级比σ(1)(k)判断海底混输管道的腐蚀速率检测值序列X(0)是否满足光滑性条件,当海底混输管道的腐蚀速率检测值序列X(0)满足光滑性条件时,则转至步骤13)中;当海底混输管道的腐蚀速率检测值序列X(0)不满足光滑性条件时,则转至步骤1)中;
13)根据一阶累加1-AGO序列X(1)计算得序列X(0)紧邻均值生成序列Z(1),其中Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)),z(1)(k)=0.5(x(1)(k)+x(1)(k-1)),k=2,3,…,n;
4.根据权利要求1所述的海底混输管道腐蚀速率预测方法,其特征在于,建立用于海底混输管道腐蚀速率预测的ARIMA模型的具体操作过程为:
21)将海底混输管道的腐蚀速率检测值序列X(0)进行平稳化处理,得平稳序列Y(0);
22)绘制平稳序列Y(0)的自相关函数及偏自相关函数图,根据偏自相关函数图的性质以及ARIMA模型的定阶准则确定最优的模型;
23)对步骤22)中的ARIMA模型进行参数估计,得用于海底混输管道腐蚀速率预测的ARIMA模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811550944.0A CN109460631B (zh) | 2018-12-18 | 2018-12-18 | 一种海底混输管道腐蚀速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811550944.0A CN109460631B (zh) | 2018-12-18 | 2018-12-18 | 一种海底混输管道腐蚀速率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109460631A CN109460631A (zh) | 2019-03-12 |
CN109460631B true CN109460631B (zh) | 2022-10-11 |
Family
ID=65613687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811550944.0A Active CN109460631B (zh) | 2018-12-18 | 2018-12-18 | 一种海底混输管道腐蚀速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460631B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186840B (zh) * | 2019-07-03 | 2021-07-16 | 西安石油大学 | 一种注水井套管损伤测试数据的处理方法 |
CN113268883B (zh) * | 2021-06-03 | 2024-06-04 | 西安建筑科技大学 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
CN113177748B (zh) * | 2021-06-28 | 2021-08-31 | 西南石油大学 | 一种输气管道震害评价方法 |
CN114492232B (zh) * | 2022-01-08 | 2024-04-05 | 西南石油大学 | 一种海底管道内腐蚀敏感因素分析方法 |
CN117688872A (zh) * | 2023-12-27 | 2024-03-12 | 中国特种设备检测研究院 | 一种管道腐蚀速率预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
CN108388724A (zh) * | 2018-02-09 | 2018-08-10 | 西安建筑科技大学 | 一种基于参数优化的GM-Markov海底管道腐蚀预测方法 |
-
2018
- 2018-12-18 CN CN201811550944.0A patent/CN109460631B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
CN108388724A (zh) * | 2018-02-09 | 2018-08-10 | 西安建筑科技大学 | 一种基于参数优化的GM-Markov海底管道腐蚀预测方法 |
Non-Patent Citations (1)
Title |
---|
基于误差补偿的GM-RBF海底管道腐蚀预测模型;骆正山等;《中国安全科学学报》;20180315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109460631A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460631B (zh) | 一种海底混输管道腐蚀速率预测方法 | |
CN104063588A (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 | |
Esfahani et al. | On determination of natural gas density: least square support vector machine modeling approach | |
CN107341341A (zh) | 一种河口点源突发性水污染事件溯源方法 | |
CN106355320B (zh) | 一种灰色系统海底油气管道坠物腐蚀可靠性评估方法 | |
Jones et al. | A High-resolution, Three-dimensional Model of the M2, M4M6, S2, N2, K1and O1Tides in the Eastern Irish Sea | |
CN111563072A (zh) | 一种基于ais信息的船舶实时准确位置获取方法 | |
CN110851774A (zh) | 一种城市供水管网的漏损估计方法 | |
Mannina et al. | Receiving water quality assessment: comparison between simplified and detailed integrated urban modelling approaches | |
Raj et al. | Quantifying Atlantic Water transport to the Nordic Seas by remote sensing | |
CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
Kanao et al. | Numerical estimation of multiple leakage positions of a marine pollutant using the adjoint marginal sensitivity method | |
Kim et al. | The development of an AI-based model to predict the location and amount of wax in oil pipelines | |
CN113343402B (zh) | 基于多层卷积稀疏编码的管道腐蚀等级评估方法 | |
Li et al. | Pipeline bending strain measurement and compensation technology based on wavelet neural network | |
De Filippis et al. | Effects of different boundary conditions on the simulation of groundwater flow in a multi-layered coastal aquifer system (Taranto Gulf, southern Italy) | |
Moeini et al. | Wave parameter hindcasting in a lake using the SWAN model | |
Kaewpradap et al. | Top of the line corrosion-Comparison of model predictions with field data | |
Li et al. | [Retracted] Prediction of Chemical Corrosion Rate and Remaining Life of Buried Oil and Gas Pipelines in Changqing Gas Field | |
CN115482882A (zh) | 管道腐蚀数据获取及管道腐蚀速率预测模型构建方法 | |
Shen et al. | Inversion study on pollutant discharges in the Bohai Sea with the adjoint method | |
CN114492232B (zh) | 一种海底管道内腐蚀敏感因素分析方法 | |
Chen et al. | The improved kriging interpolation algorithm for local underwater terrain based on fractal compensation | |
CN116011356B (zh) | 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法 | |
CN117540277B (zh) | 一种基于WGAN-GP-TabNet算法的井漏预警方法 |
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 |