CN110093610A - 一种埋地管道的极化电位获取方法 - Google Patents

一种埋地管道的极化电位获取方法 Download PDF

Info

Publication number
CN110093610A
CN110093610A CN201910479263.8A CN201910479263A CN110093610A CN 110093610 A CN110093610 A CN 110093610A CN 201910479263 A CN201910479263 A CN 201910479263A CN 110093610 A CN110093610 A CN 110093610A
Authority
CN
China
Prior art keywords
neuron
polarization potential
potential
data
layers
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.)
Pending
Application number
CN201910479263.8A
Other languages
English (en)
Inventor
冯旻祎
扈俊颖
高茂萍
彭川
魏根
张亚诏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201910479263.8A priority Critical patent/CN110093610A/zh
Publication of CN110093610A publication Critical patent/CN110093610A/zh
Pending legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23F—NON-MECHANICAL REMOVAL OF METALLIC MATERIAL FROM SURFACE; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL; MULTI-STEP PROCESSES FOR SURFACE TREATMENT OF METALLIC MATERIAL INVOLVING AT LEAST ONE PROCESS PROVIDED FOR IN CLASS C23 AND AT LEAST ONE PROCESS COVERED BY SUBCLASS C21D OR C22F OR CLASS C25
    • C23F13/00—Inhibiting corrosion of metals by anodic or cathodic protection
    • C23F13/02—Inhibiting corrosion of metals by anodic or cathodic protection cathodic; Selection of conditions, parameters or procedures for cathodic protection, e.g. of electrical conditions
    • C23F13/04—Controlling or regulating desired parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Metallurgy (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Organic Chemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Materials Engineering (AREA)
  • Prevention Of Electric Corrosion (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开一种埋地管道的极化电位获取方法，人工采集管道沿线各段的阴极保护数据；用BP神经网络原理建立管道极化电位关于电流、通电电位和土壤电阻率的预测模型；智能测试桩采集管道沿线各段阴极保护数据并传输至数据服务器；处理器调用数据服务器中阴极保护数据，用极化电位关于电流、通电电位和土壤电阻率的预测模型获取极化电位值。本发明能够通过智能测试桩自动采集数据并传输至数据服务器，将数据服务器中数据导入处理器后由极化电位关于电流、通电电位和土壤电阻率的预测模型获取极化电位值，提高了极化电位获取效率，降低了人力和时间成本，保证了极化电位获取的可靠性。

Description

一种埋地管道的极化电位获取方法
技术领域
本发明涉及埋地管道防护技术领域，特别涉及一种埋地管道的极化电位获取方法。
背景技术
随着石油与天然气的需求量不断增加，埋地钢制管道被广泛应用于石油与天然气的输送。管道需要翻山越岭、穿河跨谷，敷设在复杂土壤介质中的管道会遭受不同程度的腐蚀伤害，且随着管道服役时间的增加，管道腐蚀发生率也会大幅度提高。管道腐蚀不仅会引起油气泄漏损失以及人力维修的浪费，而且还可能会引发火灾、爆炸等重大事故，后果非常严重。为了提高埋地钢制管道的防腐蚀能力，会采用外加电流阴极保护法给管道一端施加电压和电流，使管道相对土壤电位为负，以此达到降低管道腐蚀速率的目的。
目前采用外加电流的埋地钢制管道阴极保护系统，多是一定周期沿管道人工采集数据，然后根据数据判断各管段是否达到保护状态。在人工采集数据的过程中，因为IR降的影响，需要采集的电位有通电电位和极化电位两组数据；其中极化电位才是管道的真实保护电位，是评判管道是否达到保护状态的重要参数，但是该数据的采集过程复杂，时间和人力成本较高，主观因素影响较大。
现有技术中较为先进的管道沿线智能测试桩，可以实现对电流、通电电位和极化电位的采集和传输，但目前处于初步应用阶段，极化电位的采集准确度有待验证和提高，而且容易受环境因素的影响，但是电流、通电电位等其它数据的采集较为准确。
发明内容
本发明的目的在于提供一种埋地管道的极化电位获取方法，用于解决埋地管道极化电位采集难度大、成本高的问题
为实现上述目的，本发明提供以下的技术方案：一种埋地管道的极化电位获取方法，包括以下步骤：
S10、人工采集管道沿线各段的阴极保护数据；
S20、用BP神经网络原理建立管道极化电位关于电流、通电电位和土壤电阻率的预测模型；
S30、智能测试桩采集管道沿线各段阴极保护数据并传输至数据服务器；
S40、处理器调用数据服务器中阴极保护数据，用极化电位关于电流、通电电位和土壤电阻率的预测模型获取极化电位值。
进一步的技术方案是，所述步骤S10中采集的阴极保护数据包括电流、通电电位、极化电位和土壤电阻率。
上述阴极保护数据是用传统测试桩采集，而非智能测试桩。
进一步的技术方案是，所述步骤S20中BP神经网络为三输入单输出结构，即输入为x、y、z，输出为f；
上述x为电流，y为通电电位，z为土壤电阻率，f为极化电位；
BP神经网络结构分为三层：输入层、隐含层和输出层；
用于训练BP神经网络的数据由步骤S10获取；
进一步的技术方案是，所述的BP神经网络的训练步骤如下：
S201、设置初始化权值w(0)，初始化权值一般选用一个较小的正数。
S202、对输入数据样本进行前向计算，计算公式为：
其中，为l层中的第j神经元与l-1层中的第i神经元之间的权值，yi l-1为l-1层中的第i神经元送来的激励信号，n表示第n次迭代，T为加到第j神经元前输入的个数，为l层的第 j神经元的线性组合输入，l＝1,2,3。
当神经元j属于输入层，即l＝1时，初始激励信号为：
其中，xj(n)为输入层中第j个输入。
S203、反向计算各神经元局部梯度δ：
输出层神经元局部梯度计算公式为：
ej(n)＝dj(n)-Oj(n)
隐含层神经元局部梯度计算公式为：
其中，Oj(n)为输出层第j神经元的输出，dj(n)为输出层第j神经元的奢望输出，为l层中第 j神经元的局部梯度，δk l+1为l层中第j神经元的局部梯度，wkj l+1为l层中第j神经元与l+1 层第k神经元之间的权值，K为l+1层中神经元个数，l＝1,2,3。
S204、修正各神经元之间的权值，修正公式为：
其中，η为网络学习步长，取值范围为[0,1]。
S205、计算总的平方误差均值，计算公式为：
其中，N为样本总数，c为所有输出单元的集合。
S206、重复步骤S202～S205进行新一周期的训练，直到EAV≤0.01。
进一步的技术方案是，所述步骤S30中智能测试桩采集监测管段的阴保数据后通过无线网络传输至数据服务器；
所述智能测试桩采集监测管段的阴保数据包括电流、通电电位和土壤电阻率。
进一步的技术方案是，所述步骤S40中极化电位关于电流、通电电位和土壤电阻率的预测模型是由BP神经网络原理建立。
本发明具有以下优点：本发明能够通过智能测试桩自动采集数据并传输至数据服务器，将数据服务器中数据导入处理器后由极化电位关于电流、通电电位和土壤电阻率的预测模型获取极化电位值，提高了极化电位获取效率，降低了人力和时间成本，保证了极化电位获取的可靠性。
附图说明
图1为本发明实施例提供的BP神经网络的结构示意图
图2为本发明实施例提供的管道沿线极化电位曲线图
具体实施方式
下面结合实施例和附图对本发明做更进一步的说明。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明实施例提供了一种埋地管道极化电位获取方法，该方法包括：
步骤S1、利用传统测试桩，而非智能测试桩，人工采集管道沿线各段的阴极保护数据，阴极保护数据包括：电流、通电电位、极化电位和土壤电阻率；
步骤S2、用BP神经网络原理建立管道极化电位关于电流、通电电位和土壤电阻率的预测模型；
具体的是：
BP神经网络以电流、通电电位和土壤电阻率三个参数为输入层变量，输出极化电位一个参数为输出层变量。以步骤S1采集的管道沿线各段的阴极保护数据为训练数据，定义各隐含层节点数。
如图1所示，上述BP神经网络的训练步骤为：
步骤S2A、设置初始化权值w(0)，初始化权值一般选用一个较小的正数。
步骤S2B、对输入数据样本进行前向计算，计算公式为：
其中，为l层中的第j神经元与l-1层中的第i神经元之间的权值，yi l-1为l-1层中的第i神经元送来的激励信号，n表示第n次迭代，T为加到第j神经元前输入的个数，为l层的第 j神经元的线性组合输入，l＝1,2,3。
当神经元j属于输入层，即l＝1时，初始激励信号为：
其中，xj(n)为输入层中第j个输入。
所述步骤S2B中数据样本由步骤S1获得，包括电流、通电电位、极化电位和土壤电阻率；
步骤S2C、反向计算各神经元局部梯度δ：
输出层神经元局部梯度计算公式为：
ej(n)＝dj(n)-Oj(n)
隐含层神经元局部梯度计算公式为：
其中，Oj(n)为输出层第j神经元的输出，dj(n)为输出层第j神经元的奢望输出，为l层中第 j神经元的局部梯度，δk l+1为l层中第j神经元的局部梯度，wkj l+1为l层中第j神经元与l+1 层第k神经元之间的权值，K为l+1层中神经元个数，l＝1,2,3。
步骤S2D、修正各神经元之间的权值，修正公式为：
其中，η为网络学习步长，取值范围为[0,1]；
所述步骤S2D中η取值为0.01。
步骤S2E、计算总的平方误差均值，计算公式为：
其中，N为样本总数，c为所有输出单元的集合；
所述步骤S2E中N取值为100。
步骤S2F、重复步骤S202～S205进行新一周期的训练，直到EAV≤0.01。
由步骤S2A～S2F可以建立极化电位关于电流、通电电位和土壤电阻率的BP神经网络预测模型。
步骤S3、智能测试桩采集阴极保护数据并传输至数据服务器；
所述步骤S3中智能测试桩采集监测管段的阴保数据后通过无线网络传输至数据服务器，智能测试桩采集监测管段的阴保数据包括电流、通电电位和土壤电阻率。
步骤S4、处理器调用数据服务器中阴极保护数据，用极化电位关于电流、通电电位和土壤电阻率的预测模型获取极化电位值；
所述获取极化电位值，通过输入数据服务器中电流、通电电位和土壤电阻率三组数据到由步骤S2建立的极化电位关于电流、通电电位和土壤电阻率的BP神经网络预测模型中获取极化电位值，参见附图2。
以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种埋地管道的极化电位获取方法，其特征在于，包括以下步骤：
S10、人工采集管道沿线各段的阴极保护数据；
S20、用BP神经网络原理建立管道极化电位关于电流、通电电位和土壤电阻率的预测模型；
S30、智能测试桩采集管道沿线各段阴极保护数据并传输至数据服务器；
S40、处理器调用数据服务器中阴极保护数据，用极化电位关于电流、通电电位和土壤电阻率的预测模型获取极化电位值。
2.根据权利要求1所述的一种埋地管道的极化电位获取方法，其特征在于，所述步骤S10中采集的阴极保护数据包括电流、通电电位、极化电位和土壤电阻率，上述阴极保护数据是用传统测试桩采集，而非智能测试桩。
3.根据权利要求1所述的一种埋地管道的极化电位获取方法，其特征在于，所述步骤S20中BP神经网络为三输入单输出结构，即输入为x、y、z，输出为f；
上述x为电流，y为通电电位，z为土壤电阻率，f为极化电位；
BP神经网络结构分为三层：输入层、隐含层和输出层。
4.根据权利要求3所述的一种埋地管道的极化电位获取方法，其特征在于，所述的BP神经网络的训练步骤如下：
S201、设置初始化权值w(0)，初始化权值一般选用一个较小的正数；
S202、对输入数据样本进行前向计算，计算公式为：
其中，为l层中的第j神经元与l-1层中的第i神经元之间的权值，yi l-1为l-1层中的第i神经元送来的激励信号，n表示第n次迭代，T为加到第j神经元前输入的个数，为l层的第j神经元的线性组合输入，l＝1,2,3；
当神经元j属于输入层，即l＝1时，初始激励信号为：
其中，xj(n)为输入层中第j个输入；
S203、反向计算各神经元局部梯度δ：
输出层神经元局部梯度计算公式为：
ej(n)＝dj(n)-Oj(n)
隐含层神经元局部梯度计算公式为：
其中，Oj(n)为输出层第j神经元的输出，dj(n)为输出层第j神经元的奢望输出，为l层中第j神经元的局部梯度，δk l+1为l层中第j神经元的局部梯度，wkj l+1为l层中第j神经元与l+1层第k神经元之间的权值，K为l+1层中神经元个数，l＝1,2,3；
S204、修正各神经元之间的权值，修正公式为：
其中，η为网络学习步长，取值范围为[0,1]；
S205、计算总的平方误差均值，计算公式为：
其中，N为样本总数，c为所有输出单元的集合；
S206、重复步骤S202～S205进行新一周期的训练，直到EAV≤0.01。
5.根据权利要求1所述的一种埋地管道的极化电位获取方法，其特征在于，所述步骤S30中智能测试桩采集监测管段的阴保数据后通过无线网络传输至数据服务器，所述智能测试桩采集监测管段的阴保数据包括电流、通电电位和土壤电阻率。
6.根据权利要求1所述的一种埋地管道的极化电位获取方法，其特征在于，所述步骤S40中极化电位关于电流、通电电位和土壤电阻率的预测模型是由BP神经网络原理建立。
CN201910479263.8A 2019-06-04 2019-06-04 一种埋地管道的极化电位获取方法 Pending CN110093610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910479263.8A CN110093610A (zh) 2019-06-04 2019-06-04 一种埋地管道的极化电位获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910479263.8A CN110093610A (zh) 2019-06-04 2019-06-04 一种埋地管道的极化电位获取方法

Publications (1)

Publication Number Publication Date
CN110093610A true CN110093610A (zh) 2019-08-06

Family

ID=67450106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910479263.8A Pending CN110093610A (zh) 2019-06-04 2019-06-04 一种埋地管道的极化电位获取方法

Country Status (1)

Country Link
CN (1) CN110093610A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113373449A (zh) * 2021-06-17 2021-09-10 西南石油大学 一种埋地钢质管道防腐层破损点预测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202153206U (zh) * 2011-06-10 2012-02-29 中国石油天然气股份有限公司 一种油气管道极化电位监测装置
CN102818762A (zh) * 2011-06-10 2012-12-12 中国石油天然气股份有限公司 一种油气管道极化电位监测装置
CN104805449A (zh) * 2015-04-28 2015-07-29 上海班柯管道工程有限公司 埋地钢质管道保护电位状态智能检测装置及系统
CN205223356U (zh) * 2015-10-30 2016-05-11 河南汉威电子股份有限公司 用于测量埋地管道阴极保护电位参数的监测装置
CN105822907A (zh) * 2016-05-17 2016-08-03 南方电网科学研究院有限责任公司 一种埋地金属管道管地电位的控制方法
CN106676541A (zh) * 2017-01-09 2017-05-17 国网浙江省电力公司电力科学研究院 一种金属管道杂散电流腐蚀防护方法
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108595905A (zh) * 2017-10-25 2018-09-28 中国石油化工股份有限公司 一种基于bp神经网络模型的冲蚀失效定量预测方法
CN109136939A (zh) * 2017-11-30 2019-01-04 中国石油天然气股份有限公司 一种管道极化电位获取方法
CN109161904A (zh) * 2018-10-30 2019-01-08 广州发展集团股份有限公司 埋地管道电位检测系统及方法
CN109284876A (zh) * 2018-11-19 2019-01-29 福州大学 基于pca-rbf埋地管道腐蚀速率预测方法
CN109782046A (zh) * 2019-01-25 2019-05-21 中国电力科学研究院有限公司 一种测量埋地金属管道极化电位的方法和系统
CN109797399A (zh) * 2019-01-22 2019-05-24 北京市燃气集团有限责任公司 埋地燃气管道极化电位的测量装置及方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102818762A (zh) * 2011-06-10 2012-12-12 中国石油天然气股份有限公司 一种油气管道极化电位监测装置
CN202153206U (zh) * 2011-06-10 2012-02-29 中国石油天然气股份有限公司 一种油气管道极化电位监测装置
CN104805449A (zh) * 2015-04-28 2015-07-29 上海班柯管道工程有限公司 埋地钢质管道保护电位状态智能检测装置及系统
CN205223356U (zh) * 2015-10-30 2016-05-11 河南汉威电子股份有限公司 用于测量埋地管道阴极保护电位参数的监测装置
CN105822907A (zh) * 2016-05-17 2016-08-03 南方电网科学研究院有限责任公司 一种埋地金属管道管地电位的控制方法
CN106676541A (zh) * 2017-01-09 2017-05-17 国网浙江省电力公司电力科学研究院 一种金属管道杂散电流腐蚀防护方法
CN108595905A (zh) * 2017-10-25 2018-09-28 中国石油化工股份有限公司 一种基于bp神经网络模型的冲蚀失效定量预测方法
CN109136939A (zh) * 2017-11-30 2019-01-04 中国石油天然气股份有限公司 一种管道极化电位获取方法
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN109161904A (zh) * 2018-10-30 2019-01-08 广州发展集团股份有限公司 埋地管道电位检测系统及方法
CN109284876A (zh) * 2018-11-19 2019-01-29 福州大学 基于pca-rbf埋地管道腐蚀速率预测方法
CN109797399A (zh) * 2019-01-22 2019-05-24 北京市燃气集团有限责任公司 埋地燃气管道极化电位的测量装置及方法
CN109782046A (zh) * 2019-01-25 2019-05-21 中国电力科学研究院有限公司 一种测量埋地金属管道极化电位的方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113373449A (zh) * 2021-06-17 2021-09-10 西南石油大学 一种埋地钢质管道防腐层破损点预测方法
CN113373449B (zh) * 2021-06-17 2022-02-08 西南石油大学 一种埋地钢质管道防腐层破损点预测方法

Similar Documents

Publication Publication Date Title
CN107991873B (zh) 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN109886830B (zh) 一种基于用户投诉信息的供水管网污染源追踪定位方法
CN104376380B (zh) 一种基于递归自组织神经网络的氨氮浓度预测方法
CN107590565A (zh) 一种构建建筑能耗预测模型的方法及装置
CN106777775B (zh) 一种基于多断面水位预测河流流量的神经网络方法
CN107016489A (zh) 一种电力系统抗差状态估计方法和装置
CN106676541A (zh) 一种金属管道杂散电流腐蚀防护方法
CN110414742A (zh) 一种多水位站联动的内河水位智能预测方法
CN109975366B (zh) 农村生活污水a2o处理终端出水cod浓度软测量方法及装置
CN110516735B (zh) 一种基于LSTM网络和Adam算法的天然气管道事件分类方法
CN109284876A (zh) 基于pca-rbf埋地管道腐蚀速率预测方法
CN104299032A (zh) 一种预测变电站接地网土壤腐蚀速率的方法
CN104376361A (zh) 一种基于bp神经网络算法的核事故源项反演方法
CN112949930B (zh) 基于pa-lstm网络的道路机动车尾气高排放预警方法
CN109002888A (zh) 一种赤潮预警方法
CN109150100A (zh) 光伏电站的故障检测方法、装置、设备及存储介质
CN113433057A (zh) 一种埋地金属管道杂散电流腐蚀速率预测装置及方法
CN109524982B (zh) 一种交直流电网暂态稳定风险评估方法
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN107632521B (zh) 一种基于决策树和神经网络的恒电位仪控制方法
CN110093610A (zh) 一种埋地管道的极化电位获取方法
CN114936742A (zh) 一种供水系统调度代理决策方法
CN114091320B (zh) 一种天然气管道腐蚀失效时间预测方法及装置
CN105046203A (zh) 基于夹角dtw距离的卫星遥测数据自适应层次聚类方法
CN109272144B (zh) 基于bpnn的中国北方草原地区ndvi的预测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190806

WD01 Invention patent application deemed withdrawn after publication