CN109784590B - 一种基于cagm(1,1)-bpnn的在役油气管道腐蚀预测方法 - Google Patents

Abstract

本发明公开了一种基于CAGM(1,1)‑BPNN的在役油气管道腐蚀预测方法，包括以下步骤：获取在役油气管道的检测点数据序列；根据在役油气管道的检测点数据序列得腐蚀深度累加生成序列；对腐蚀深度累加生成序列X⁽¹⁾中的每点进行m次方处理,得腐蚀深度开方序列；计算腐蚀深度开方均值序列：建立灰微分方程，然后求解该灰微分方程，得腐蚀深度CAGM(1,1)模型的时间响应函数；计算

的模拟值，然后对

的模拟值进行m次方运行，再累减生成油气管道腐蚀深度的模拟值，然后利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值，该方法能够较为准确的预测在役油气管道的腐蚀深度。

Description

一种基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法

技术领域

本发明属于在役油气管道输送技术领域，涉及一种基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法。

背景技术

管道运输通常被认为是需要大量和长距离的运输流体的最安全和最经济的方式,主要输送天然气或石油,从原油到汽油、煤油、柴油和重质燃料.随着石油和天然气工业蓬勃发展,全球已经在各种水深和土壤条件下安装了数千公里的管道,全球经济严重依赖庞大的管道网络来传输能源,管道易受各种损坏和老化缺陷的影响，而导致管道失效的最常见原因是腐蚀、应力裂纹、缝焊裂缝、材料缺陷以及挖掘设备造成的外部损坏等.数千起事故证明,管道故障的后果在经济和环境方面都是灾难性的,因此,保障管道运营的安全性对于世界能源需求至关重要.而风险评估被认为是提高管道运营安全性的极为有价值的工具,通过对管道的风险评估能使管道运营商合理地对管道进行管理检查和预防性维护,并且在分配预防资源方面至关重要.许多研究指出腐蚀是石油和天然气运输管道风险评估的主要问题.因此油气管道腐蚀预测在管道风险评估领域具有一定话题性,有效且精准的预测成为了众多学者研究的目标.

对此，我国在役油气管道的风险评估的工作正走向定量积极主动的策略。包括Monte Carlo Simulation、ARMA Model、Markov Process、Gumbel分布等模型的建立，以上方法虽然得到的结果与实际值较接近，但缺乏对点蚀的深入研究。由于腐蚀剩余寿命预测工作中存在着许多不确定因素，实际工况下的缺陷发展规律很难确定。另外，在管道腐蚀的众多影响因素之间还存在着相互影响。这就造成腐蚀剩余寿命预测工作难度增大。因此，有必要探寻一些新方法来提高腐蚀剩余寿命预测的可操作性以及准确性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法，该方法能够较为准确的预测在役油气管道的腐蚀深度。

为达到上述目的，本发明所述的基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法包括以下步骤：

1)获取在役油气管道的检测点数据序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中，x⁽⁰⁾(k)为第k次检测到的在役油气管道检测点的腐蚀深度；

2)根据步骤1)中的在役油气管道的检测点数据序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))得腐蚀深度累加生成序列X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中，

3)当腐蚀深度累加生成序列X⁽¹⁾中的值均小于等于预设值时，则以X⁽¹⁾(k+1)-X⁽¹⁾(k)作为

时刻的导数，并选取腐蚀深度累加生成序列X⁽¹⁾中k点与k+1点之间的中心值

则有

当腐蚀深度累加生成序列X⁽¹⁾中的值不是均小于等于预设值时，则转至步骤1)；

4)对腐蚀深度累加生成序列X⁽¹⁾中的每点进行m次方处理,得腐蚀深度开方序列

其中，

5)计算腐蚀深度开方均值序列

6)令参数列

则运用最小二乘法可求得:

7)建立灰微分方程，然后求解该灰微分方程，得腐蚀深度CAGM(1,1)模型的时间响应函数；

8)根据步骤7)得到的腐蚀深度CAGM(1,1)模型的时间响应函数计算

的模拟值，然后对

的模拟值进行m次方运行，再累减生成油气管道腐蚀深度的模拟值，然后利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值。

步骤6)中的腐蚀深度CAGM(1,1)模型的时间响应函数为：

步骤7)建立的灰微分方程为：

利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正的具体过程为：

81)计算油气管道腐蚀深度残差序列ε⁽⁰⁾＝{ε⁽⁰⁾(1),ε⁽⁰⁾(2),…,ε⁽⁰⁾(n)}；

82)采用滚动时间序列表示方法，得BP神经网络动态输入样本为：

BP神经网络动态输入样本输出样本为：

T(k)＝{ε⁽⁰⁾(k)|k＝s+1,s+2,…,n}；

83)采用n-s组s维油气管道腐蚀深度样本构成BP神经网络的训练集{(P(k),ε⁽⁰⁾(k)|k＝s+1,s+2,…,n}，通过训练后的BP神经网络求出油气管道腐蚀深度预测值的残差值；

84)利用

对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值。

本发明具有以下有益效果：

本发明所述的基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法在具体操作时，在传统灰色系统的基础上，改变现有GM(1,1)模型的背景值，然后将改进后的GM(1,1)模型与BP神经网络模型相结合，以保证预测结果与实际趋势的高度一致性，以达到提高预测精度的目的。需要说明的是，BP神经网络模型在处理数据时的非线性拟合能力较强，且具有自学习及自适应的特点，本发明将改进后的GM(1,1)模型与BP神经网络模型相结合，以实现在役油气管道腐蚀的高精度预测，保证在役油气管道运行的安全。

附图说明

图1为仿真实验中油气管道腐蚀检测实际值及各GM(1,1)模型预测值的发展趋势图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明所述的基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法包括以下步骤：

1)获取在役油气管道的检测点数据序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中，x⁽⁰⁾(k)为第k次检测到的在役油气管道检测点的腐蚀深度；

2)根据步骤1)中的在役油气管道的检测点数据序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))得腐蚀深度累加生成序列X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中，

3)当腐蚀深度累加生成序列X⁽¹⁾中的值均小于等于预设值时，则以X⁽¹⁾(k+1)-X⁽¹⁾(k)作为

时刻的导数，并选取腐蚀深度累加生成序列X⁽¹⁾中k点与k+1点之间的中心值

则有

当腐蚀深度累加生成序列X⁽¹⁾中的值不是均小于等于预设值时，则转至步骤1)；

4)对腐蚀深度累加生成序列X⁽¹⁾中的每点进行m次方处理,得腐蚀深度开方序列

其中，

5)计算腐蚀深度开方均值序列

6)令参数列

则运用最小二乘法可求得:

7)建立灰微分方程

然后求解该灰微分方程，得腐蚀深度CAGM(1,1)模型的时间响应函数为：

8)根据步骤7)得到的腐蚀深度CAGM(1,1)模型的时间响应函数计算

的模拟值，然后对

的模拟值进行m次方运行，再累减生成油气管道腐蚀深度的模拟值，然后利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值。

步骤8)中，利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正的具体过程为：

81)计算油气管道腐蚀深度残差序列ε⁽⁰⁾＝{ε⁽⁰⁾(1),ε⁽⁰⁾(2),…,ε⁽⁰⁾(n)}；

82)采用滚动时间序列表示方法，得BP神经网络动态输入样本为：

BP神经网络动态输入样本输出样本为：

T(k)＝{ε⁽⁰⁾(k)|k＝s+1,s+2,…,n}；

83)采用n-s组s维油气管道腐蚀深度样本构成BP神经网络的训练集{(P(k),ε⁽⁰⁾(k)|k＝s+1,s+2,…,n}，通过训练后的BP神经网络求出油气管道腐蚀深度预测值的残差值；

84)利用

对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值。

仿真实验

以某油气管道试验段为例,管道材料采用API 5L X52,管道外径为0.4m,管道壁厚为10mm,材料密度为7850kg/m³,屈服强度为360MPa,泊松比为0.30,设计压力为10.2MPa，试验压力为15MPa，运营压力为1.17MPa(流水),7.6MPa(静水)。管道随时间的推移,个别位置可看到蚀坑，定期测量蚀坑的深度,以检测数据中的第二时间点为本次实验的序号一，往后每隔3个时间点取一次数据,得到表1所示的腐蚀检测数据。

表1

用中心逼近式(m＝2)灰色系统模型预测的公式为：

传统GM(1,1)预测值、参数优化GM(1,1)模型(本发明)、中心逼近式GM(1,1)预测值与实际值折线图如图1，可计算一次模拟平均模拟相对误差为60.16％，二次模拟平均模拟相对误差为5.93％。

本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术。

以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图，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 (4)

1.一种基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法，其特征在于，包括以下步骤：

1)获取在役油气管道的检测点数据序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中，x⁽⁰⁾(k)为第k次检测到的在役油气管道检测点的腐蚀深度；

2)根据步骤1)中的在役油气管道的检测点数据序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))得腐蚀深度累加生成序列X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中，

3)当腐蚀深度累加生成序列X⁽¹⁾中的值均小于等于预设值时，则以X⁽¹⁾(k+1)-X⁽¹⁾(k)作为

时刻的导数，并选取腐蚀深度累加生成序列X⁽¹⁾中k点与k+1点之间的中心值

则有

当腐蚀深度累加生成序列X⁽¹⁾中的值不是均小于等于预设值时，则转至步骤1)；

4)对腐蚀深度累加生成序列X⁽¹⁾中的每点进行m次方处理,得腐蚀深度开方序列

其中，

5)计算腐蚀深度开方均值序列

6)令参数列

则运用最小二乘法可求得:

7)建立灰微分方程，然后求解该灰微分方程，得腐蚀深度CAGM(1,1)模型的时间响应函数；

8)根据步骤7)得到的腐蚀深度CAGM(1,1)模型的时间响应函数计算

的模拟值，然后对

的模拟值进行m次方运行，再累减生成油气管道腐蚀深度的模拟值，然后利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值。

2.根据权利要求1所述的基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法，其特征在于，步骤7)中的腐蚀深度CAGM(1,1)模型的时间响应函数为：

3.根据权利要求1所述的基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法，其特征在于，步骤7)建立的灰微分方程为：

4.根据权利要求1所述的基于CAGM(1,1)-BPNN的在役油气管道腐蚀预测方法，其特征在于，利用BP神经网络模型对油气管道腐蚀深度的模拟值进行修正的具体过程为：

81)计算油气管道腐蚀深度残差序列ε⁽⁰⁾＝{ε⁽⁰⁾(1),ε⁽⁰⁾(2),…,ε⁽⁰⁾(n)}；

82)采用滚动时间序列表示方法，得BP神经网络动态输入样本为：

BP神经网络动态输入样本输出样本为：

T(k)＝{ε⁽⁰⁾(k)|k＝s+1,s+2,…,n}；

83)采用n-s组s维油气管道腐蚀深度样本构成BP神经网络的训练集{(P(k),ε⁽⁰⁾(k)|k＝s+1,s+2,…,n}，通过训练后的BP神经网络求出油气管道腐蚀深度预测值的残差值；

84)利用

对油气管道腐蚀深度的模拟值进行修正，得油气管道腐蚀深度的预测值。

Images