CN111104989A - 燃气管道腐蚀预测方法和装置 - Google Patents

燃气管道腐蚀预测方法和装置 Download PDF

Info

Publication number
CN111104989A
CN111104989A CN201911405535.6A CN201911405535A CN111104989A CN 111104989 A CN111104989 A CN 111104989A CN 201911405535 A CN201911405535 A CN 201911405535A CN 111104989 A CN111104989 A CN 111104989A
Authority
CN
China
Prior art keywords
corrosion
model
pipeline
data
pipeline corrosion
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
CN201911405535.6A
Other languages
English (en)
Inventor
秦炜
尤勇
王星
王力伟
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.)
Beijing Cnten Zhihui Technology Co ltd
Original Assignee
Beijing Cnten Zhihui Technology Co ltd
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 Beijing Cnten Zhihui Technology Co ltd filed Critical Beijing Cnten Zhihui Technology Co ltd
Priority to CN201911405535.6A priority Critical patent/CN111104989A/zh
Publication of CN111104989A publication Critical patent/CN111104989A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations

Abstract

本发明提供了一种燃气管道腐蚀预测方法和装置，所述方法包括以下步骤：采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据；根据土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域；在每个子区域，根据管道腐蚀深度数据构建相应的统计模型；根据统计模型对相应的子区域进行管道腐蚀状态预测。本发明能够提高预测模型的可靠性，提高预测精度，且具有实际可操作性。

Description

燃气管道腐蚀预测方法和装置
技术领域
本发明涉及燃气管道腐蚀监测技术领域，具体涉及一种燃气管道腐蚀预测方法和一种燃气管道腐蚀预测装置。
背景技术
地下燃气管道腐蚀造成的穿孔和泄露会造成严重的生产和安全事故，对其腐蚀状况进行有效预测对于制定合理的检测和维修方案具有重要意义。点蚀是局部腐蚀中比较危险的一种方式，其破坏性强且不易察觉。
目前对于地下燃气管道腐蚀的分析和预测的数学模型有基于BP神经网络等，然而目前的预测模型多存在以下缺陷：缺乏考虑管道安装和监测的现实条件，对于一些腐蚀影响因素与管道腐蚀之间的关联性考虑的不够；用于建模的样本点过于稀疏，造成模型精度和可靠性不理想；部分技术处在理论研究阶段，未形成完整可行的技术方案。
发明内容
本发明为解决上述技术问题，提供了一种燃气管道腐蚀预测方法和装置，能够提高预测模型的可靠性，提高预测精度，且具有实际可操作性。
本发明采用的技术方案如下：
一种燃气管道腐蚀预测方法，包括以下步骤：采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据；根据所述土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将所述监测区域划分为多个子区域；在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型；根据所述统计模型对相应的子区域进行管道腐蚀状态预测。
所述的燃气管道腐蚀预测方法还包括：将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，以判断是否存在异常腐蚀管道区段；对所述异常腐蚀管道区段进行预警并针对所述异常腐蚀管道区段制定检测方案。
所述土壤腐蚀性数据包括土壤的电阻率、PH值和氧化还原电位数据。
所述统计模型为灰色叠加马尔可夫链模型，在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型，包括：对子区域内所有监测点进行分别的灰色系统GM(1,1)建模；汇总所有监测点对应的灰色系统GM(1,1)模型数据，进行齐次马尔可夫链参数估计，得到所述灰色叠加马尔可夫链模型。
根据所述管道腐蚀深度数据构建相应的统计模型，具体包括：建立灰色系统GM(1,1)模型，求出管道腐蚀深度数据的预测数据，并与实际数据做比较，以进行模型精度检验；根据管道腐蚀深度数据确认各检测时段的管道腐蚀状态，并将对应的模型状态作为马尔可夫链模型中的转移状态；对同一子区域内的所有监测点，分别根据对应的灰色系统GM(1,1)模型给出预测数据，并得出对应的模型状态，进而估计一阶马尔可夫链转移概率。
在将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析后，还基于新的管道腐蚀深度数据对所述灰色叠加马尔可夫链模型进行迭代更新。
针对所述异常腐蚀管道区段所制定的检测方案包括增加检测手段、缩短检测周期。
一种燃气管道腐蚀预测装置，包括：第一采集模块，所述第一采集模块用于采集监测区域内的管道腐蚀深度数据；第二采集模块，所述第二采集模块用于采集监测区域内的土壤腐蚀性数据；区域划分模块，所述区域划分模块用于根据所述土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将所述监测区域划分为多个子区域；模型建立模块，所述模型建立模块用于在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型；腐蚀预测模块，所述腐蚀预测模块用于根据所述统计模型对相应的子区域进行管道腐蚀状态预测。
所述的燃气管道腐蚀预测装置还包括：异常判断模块，所述异常判断模块用于将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，以判断是否存在异常腐蚀管道区段；异常预警模块，所述异常预警模块用于对所述异常腐蚀管道区段进行预警。
所述统计模型为灰色叠加马尔可夫链模型，所述模型建立模块用于对子区域内所有监测点进行分别的灰色系统GM(1,1)建模，并汇总所有监测点对应的灰色系统GM(1,1)模型数据，进行齐次马尔可夫链参数估计，得到所述灰色叠加马尔可夫链模型。
本发明的有益效果：
本发明实施例的燃气管道腐蚀预测方法和装置，通过采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据，并根据土壤腐蚀性数据进行土壤腐蚀性分级，以及根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域，在每个子区域，可根据管道腐蚀深度数据构建相应的统计模型，然后根据统计模型对相应的子区域进行管道腐蚀状态预测，由此，通过划分子区域，增加了样本数量，能够提高所构建的统计模型的可靠性，将土壤腐蚀性与燃气管道腐蚀建立关联，并通过统计模型进行管道腐蚀状态预测，能够提高预测精度，并且，结合具体检测数据，应用统计模型，具有实际可操作性。
附图说明
图1为本发明实施例的燃气管道腐蚀预测方法的流程图；
图2为本发明一个实施例的燃气管道腐蚀预测方法的实现流程示意图；
图3为本发明一个实施例的燃气管道腐蚀预测方法的流程图；
图4为本发明实施例的燃气管道腐蚀预测装置的方框示意图；
图5为本发明一个实施例的燃气管道腐蚀预测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例的燃气管道腐蚀预测方法包括以下步骤：
S1，采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据。
在本发明的一个实施例中，土壤腐蚀性数据可包括土壤的电阻率、PH值和氧化还原电位数据。可在监测区域内的多个监测点分别设置腐蚀深度测量仪、电阻率测量仪、PH值测量仪和电位测量仪，以对应采集每个监测点的管道腐蚀深度数据和土壤腐蚀性数据。在本发明的一个具体实施例中，腐蚀深度测量仪可基于X光片、图像、超声波等测量埋地燃气管道的点蚀深度。
S2，根据土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域。
在采集到监测区域内的管道腐蚀深度数据和土壤腐蚀性数据后，可对采集到的数据进行汇总分析。
首先可根据《油气田及管道岩土工程勘察规范》(GB50568-2010)和DIN50929《土壤腐蚀性的影响及评价指数》(德国)土壤腐蚀性评价标准，对土壤腐蚀性进行分级，分级指标如表1：
表1
土壤电阻率 土壤PH值 氧化还原电位(Eh7) 腐蚀等级
0～5 <3.5 <50 极强
5～20 3.5～4.5 50～100 强
20～50 4.5～6.5 100～200 中
50～100 6.5～8.5 200～400 弱
>100 >8.5 >400 极弱
然后，可根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域。对同一时间安装的同一类管道的监测点，汇总其管道腐蚀深度数据，一般认为土壤腐蚀性是管道点蚀最重要的影响因素，进而可以认为同一类区域，即子区域内的腐蚀进展服从同一个统计分布。接下来可基于每一个子区域内的数据分别构建统计模型，后续步骤涉及一个子区域的建模和预测过程。
S3，在每个子区域，根据管道腐蚀深度数据构建相应的统计模型。
在本发明的一个实施例中，统计模型为灰色叠加马尔可夫链模型，参照图2，可对子区域内所有监测点(假设有N个)分别进行灰色系统GM(1,1)建模，并汇总所有监测点对应的灰色系统GM(1,1)模型数据，进行齐次马尔可夫链MC(Markov Chain)参数估计，得到灰色叠加马尔可夫链模型(GMCPS，Gray Markov Chains prediction model based onProbability Summation)。也就是说，灰色叠加马尔可夫链模型的构建包括灰色系统GM(1,1)建模和齐次马尔可夫链MC建模两部分。
灰色模型(Grey Model，简称GM模型)一般表达方式为GM(n,x)模型，其含义是：用n阶微分方程对x个变量建立模型。该模型的特点是无需大量数据样本，短期预测效果好，运算过程简单。鉴于燃气管道腐蚀数据样本获取量有限，其点蚀深度符合指数规律，因而具有一定的适用性。
在本发明的一个具体实施例中，首先，可建立灰色系统GM(1,1)模型，求出管道腐蚀深度数据的预测数据，并与实际数据做比较，以进行模型精度检验。
具体地，设定某管道检测区段最大点蚀深度数据，按检测时间(间隔相同)依次为：x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，n为数据个数，将每一个数据累加以便弱化随机序列的波动性和随机性,得到新的数列为：x(1)＝(x(1)(1),x(1)(2),…,x(1)(n))，其中
Figure BDA0002348537750000051
根据灰色理论，对x(1)建立关于t的白化形式的一阶一元微分方程GM(1,1)：
Figure BDA0002348537750000052
其中a、u为待解系数。该微分方程的解为：
Figure BDA0002348537750000061
其还原值
Figure BDA0002348537750000062
通过相减，计算得到：
Figure BDA0002348537750000063
令
Figure BDA0002348537750000064
则利用最小二乘原理得：
Figure BDA0002348537750000065
其中YT＝[x(0)(2),x(0)(3),…,x(0)(n)]，
Figure BDA0002348537750000066
代入式(3)，可以求得预测值计算式
Figure BDA0002348537750000067
为确保模型可靠性，需对模型精度进行检验，这里采用后验差检验法，具体计算如下：
设定残差
Figure BDA0002348537750000068
即观测值和预测值的差，原始数据的平均值
Figure BDA0002348537750000069
残差平均值
Figure BDA00023485377500000610
由此求得原始数据的标准差：
Figure BDA00023485377500000611
残差q(k)的标准差：
Figure BDA00023485377500000612
其后验差比值：
Figure BDA00023485377500000613
小误差概率p：
Figure BDA0002348537750000071
在后验差检验中，后验差比值c越小，精度越高，一般要求c<0.35(最大不超过0.65)，小误差概率p>0.95(不小于0.7)。
然后，可根据管道腐蚀深度数据确认各检测时段的管道腐蚀状态，并将对应的模型状态作为马尔可夫链模型中的转移状态。
具体地，依据国家现行标准《钢制管道管体腐蚀损伤评价方法》SY/T6151的规定，将管壁腐蚀程度划分为轻、中、重、严重、穿孔五种状况，如表2所示。将此状态作为马尔可夫链模型中的转移状态。
表2
腐蚀状态 最大点蚀深度 模型状态
轻度 <1mm 1
中度 1～2mm 2
重度 2mm～50％壁厚 3
严重 50～80％壁厚 4
穿孔 >80％壁厚 5
进而，可对同一子区域内的所有监测点，分别根据对应的灰色系统GM(1,1)模型获得的预测公式
Figure BDA0002348537750000072
给出预测数据，并得出对应的模型状态，进而估计一阶马尔可夫链转移概率。
具体地，设p(xn+1＝in+1|xn＝in)表示在第n次检测时间，燃气管道腐蚀状态是in的条件下，第n+1次检测时间，状态是in+1的概率。若其转移概率和检测时间无关，则转移概率的估计式如下：
pi,j＝P(xn+1＝j|xn＝i)＝Mi,j/Mi (9)
其中，Mi,j为从状态i经过一步转移到状态j的转移次数，Mi为处于状态i的次数。用P表示模型的状态转移概率矩阵，如表2，有5个腐蚀状态。
Figure BDA0002348537750000081
根据公式(9)，统计已知观测值和GM(1,1)预测值的计数，对马尔可夫转移概率矩阵P参数进行估计P＝(pi,j)。
最后，还可对构建的灰色叠加马尔可夫链模型进行“马氏性”检验。
具体地，设定fij为状态i转移到j的频数，计算边际概率p-j：
Figure BDA0002348537750000082
根据转移概率矩阵计算统计量χ2：
Figure BDA0002348537750000083
给定显著性水平α，查表可得χα 2，当
Figure BDA0002348537750000084
时，模型管道点蚀深度序列值满足马氏性。
S4，根据统计模型对相应的子区域进行管道腐蚀状态预测。
参照图2，可通过构建的灰色叠加马尔可夫链模型对每个监测点分别进行管道腐蚀状态预测。
具体地，设定预测模型某一初始状态用向量表示，记为S0，则依据马尔可夫模型，第1步的状态概率S1＝S0P。在齐次模型下，Sn＝S0P(n)。在GMCPS模型下，其每个状态的预测概率计算如下：设与待预测年份相距步长k的年份所处状态为i，计算步长k的状态转移矩阵P(k)的第i个行向量，叠加不同步长的行向量即可求得指标值处于该状态的预测概率。取概率值最高的状态即为待预测年份的管道腐蚀预测状态。
进一步地，如图3所示，本发明实施例的燃气管道腐蚀预测方法还可包括：
S5，将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，以判断是否存在异常腐蚀管道区段。
将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，一方面可评估统计模型的可靠性，另一方面，在预测数据与实际数据较为接近时，可在当前或后续预测数据中某一管道区段的管道腐蚀深度较大时判定该管道区段位异常腐蚀管道区段。
另外，在将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析后，还可基于新的管道腐蚀深度数据对统计模型进行迭代更新。即执行该步骤S5后可返回步骤S2，基于新的数据重新构建统计模型。
S6，对异常腐蚀管道区段进行预警并针对异常腐蚀管道区段制定检测方案。
在判定异常腐蚀管道区段后，可对其进行预警，以便针对性地制定维修方案。进一步地，还可针对异常腐蚀管道区段制定检测方案，例如可增加检测手段、缩短检测周期等。
根据本发明实施例的燃气管道腐蚀预测方法，通过采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据，并根据土壤腐蚀性数据进行土壤腐蚀性分级，以及根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域，在每个子区域，可根据管道腐蚀深度数据构建相应的统计模型，然后根据统计模型对相应的子区域进行管道腐蚀状态预测，由此，通过划分子区域，增加了样本数量，能够提高所构建的统计模型的可靠性，将土壤腐蚀性与燃气管道腐蚀建立关联，并通过统计模型进行管道腐蚀状态预测，能够提高预测精度，并且，结合具体检测数据，应用统计模型，具有实际可操作性。
此外，通过对统计模型，例如上述具体实施例的灰色叠加马尔可夫链模型的不断更新，能够获取新的、更准确的管道腐蚀状态，并针对性地制定新的检测和维修方案。
对应上述实施例的燃气管道腐蚀预测方法，本发明还提出一种燃气管道腐蚀预测装置。
如图4所示，本发明实施例的燃气管道腐蚀预测装置，包括第一采集模块10、第二采集模块20、区域划分模块30、模型建立模块40和腐蚀预测模块50。其中，第一采集模块10用于采集监测区域内的管道腐蚀深度数据；第二采集模块20用于采集监测区域内的土壤腐蚀性数据；区域划分模块30用于根据土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域；模型建立模块40用于在每个子区域，根据管道腐蚀深度数据构建相应的统计模型；腐蚀预测模块50用于根据统计模型对相应的子区域进行管道腐蚀状态预测。
在本发明的一个实施例中，土壤腐蚀性数据可包括土壤的电阻率、PH值和氧化还原电位数据。第一采集模块10可包括在监测区域内的多个监测点分别设置的腐蚀深度测量仪，第二采集模块20可包括在监测区域内的多个监测点分别设置的电阻率测量仪、PH值测量仪和电位测量仪。在本发明的一个具体实施例中，腐蚀深度测量仪可基于X光片、图像、超声波等测量埋地燃气管道的点蚀深度。
区域划分模块30可对采集到的数据进行汇总分析。首先区域划分模块30可根据《油气田及管道岩土工程勘察规范》(GB50568-2010)和DIN50929《土壤腐蚀性的影响及评价指数》(德国)土壤腐蚀性评价标准，对土壤腐蚀性进行分级，分级指标如表1。然后，区域划分模块30可根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域。对同一时间安装的同一类管道的监测点，汇总其管道腐蚀深度数据，一般认为土壤腐蚀性是管道点蚀最重要的影响因素，进而可以认为同一类区域，即子区域内的腐蚀进展服从同一个统计分布。接下来可基于每一个子区域内的数据分别构建统计模型，后续涉及一个子区域的建模和预测过程。
在本发明的一个实施例中，统计模型为灰色叠加马尔可夫链模型，参照图2，模型建立模块40可对子区域内所有监测点(假设有N个)分别进行灰色系统GM(1,1)建模，并汇总所有监测点对应的灰色系统GM(1,1)模型数据，进行齐次马尔可夫链参数估计，得到灰色叠加马尔可夫链模型(GMCPS，Gray Markov Chains prediction model based onProbability Summation)。也就是说，灰色叠加马尔可夫链模型的构建包括灰色系统GM(1,1)建模和齐次马尔可夫链MC(Markov Chain)建模两部分。
灰色模型(Grey Model，简称GM模型)一般表达方式为GM(n,x)模型，其含义是：用n阶微分方程对x个变量建立模型。该模型的特点是无需大量数据样本，短期预测效果好，运算过程简单。鉴于燃气管道腐蚀数据样本获取量有限，其点蚀深度符合指数规律，因而具有一定的适用性。
在本发明的一个具体实施例中，首先，模型建立模块40可建立灰色系统GM(1,1)模型，求出管道腐蚀深度数据的预测数据，并与实际数据做比较，以进行模型精度检验。
具体地，设定某管道检测区段最大点蚀深度数据，按检测时间(间隔相同)依次为：x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，n为数据个数，将每一个数据累加以便弱化随机序列的波动性和随机性,得到新的数列为：x(1)＝(x(1)(1),x(1)(2),…,x(1)(n))，其中
Figure BDA0002348537750000111
根据灰色理论，对x(1)建立关于t的白化形式的一阶一元微分方程GM(1,1)：
Figure BDA0002348537750000112
其中a、u为待解系数。该微分方程的解为：
Figure BDA0002348537750000113
其还原值
Figure BDA0002348537750000114
通过相减，计算得到：
Figure BDA0002348537750000121
令
Figure BDA0002348537750000122
则利用最小二乘原理得：
Figure BDA0002348537750000123
其中YT＝[x(0)(2),x(0)(3),…,x(0)(n)]，
Figure BDA0002348537750000124
代入式(3)，可以求得预测值计算式
Figure BDA0002348537750000125
为确保模型可靠性，需对模型精度进行检验，这里采用后验差检验法，具体计算如下：
设定残差
Figure BDA0002348537750000126
即观测值和预测值的差，原始数据的平均值
Figure BDA0002348537750000127
残差平均值
Figure BDA0002348537750000128
由此求得原始数据的标准差：
Figure BDA0002348537750000129
残差q(k)的标准差：
Figure BDA00023485377500001210
其后验差比值：
Figure BDA00023485377500001211
小误差概率p：
Figure BDA00023485377500001212
在后验差检验中，后验差比值c越小，精度越高，一般要求c<0.35(最大不超过0.65)，小误差概率p>0.95(不小于0.7)。
然后，模型建立模块40可根据管道腐蚀深度数据确认各检测时段的管道腐蚀状态，并将对应的模型状态作为马尔可夫链模型中的转移状态。
具体地，依据国家现行标准《钢制管道管体腐蚀损伤评价方法》SY/T6151的规定，将管壁腐蚀程度划分为轻、中、重、严重、穿孔五种状况，如表2所示。将此状态作为马尔可夫链模型中的转移状态。
进而，模型建立模块40可对同一子区域内的所有监测点，分别根据对应的灰色系统GM(1,1)模型获得的预测公式
Figure BDA0002348537750000131
给出预测数据，并得出对应的模型状态，进而估计一阶马尔可夫链转移概率。
具体地，设p(xn+1＝in+1|xn＝in)表示在第n次检测时间，燃气管道腐蚀状态是in的条件下，第n+1次检测时间，状态是in+1的概率。若其转移概率和检测时间无关，则转移概率的估计式如下：
pi,j＝P(xn+1＝j|xn＝i)＝Mi,j/Mi (9)
其中，Mi,j为从状态i经过一步转移到状态j的转移次数，Mi为处于状态i的次数。用P表示模型的状态转移概率矩阵，如表2，有5个腐蚀状态。
Figure BDA0002348537750000132
根据公式(9)，统计已知观测值和GM(1,1)预测值的计数，对马尔可夫转移概率矩阵P参数进行估计P＝(pi,j)。
最后，模型建立模块40还可对构建的灰色叠加马尔可夫链模型进行“马氏性”检验。
具体地，设定fij为状态i转移到j的频数，计算边际概率p-j：
Figure BDA0002348537750000133
根据转移概率矩阵计算统计量χ2：
Figure BDA0002348537750000141
给定显著性水平α，查表可得χα 2，当
Figure BDA0002348537750000142
时，模型管道点蚀深度序列值满足马氏性。
参照图2，腐蚀预测模块50可通过模型建立模块40构建的灰色叠加马尔可夫链模型对每个监测点分别进行管道腐蚀状态预测。
具体地，设定预测模型某一初始状态用向量表示，记为S0，则依据马尔可夫模型，第1步的状态概率S1＝S0P。在齐次模型下，Sn＝S0P(n)。在GMCPS模型下，其每个状态的预测概率计算如下：设与待预测年份相距步长k的年份所处状态为i，计算步长k的状态转移矩阵P(k)的第i个行向量，叠加不同步长的行向量即可求得指标值处于该状态的预测概率。取概率值最高的状态即为待预测年份的管道腐蚀预测状态。
进一步地，如图5所示，本发明实施例的燃气管道腐蚀预测装置还可包括异常判断模块60和异常预警模块70。异常判断模块60用于将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，以判断是否存在异常腐蚀管道区段；异常预警模块70用于对异常腐蚀管道区段进行预警。
异常判断模块60将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，一方面可评估统计模型的可靠性，另一方面，在预测数据与实际数据较为接近时，可在当前或后续预测数据中某一管道区段的管道腐蚀深度较大时判定该管道区段位异常腐蚀管道区段。
另外，在异常判断模块60将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析后，区域划分模块30和模型建立模块40还可基于新的管道腐蚀深度数据对统计模型进行迭代更新。
在判定异常腐蚀管道区段后，异常预警模块70可对其进行预警，以便针对性地制定维修方案。进一步地，还可针对异常腐蚀管道区段制定检测方案，例如可增加检测手段、缩短检测周期等。
根据本发明实施例的燃气管道腐蚀预测装置，通过采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据，并根据土壤腐蚀性数据进行土壤腐蚀性分级，以及根据区域位置和土壤腐蚀性级别将监测区域划分为多个子区域，在每个子区域，可根据管道腐蚀深度数据构建相应的统计模型，然后根据统计模型对相应的子区域进行管道腐蚀状态预测，由此，通过划分子区域，增加了样本数量，能够提高所构建的统计模型的可靠性，将土壤腐蚀性与燃气管道腐蚀建立关联，并通过统计模型进行管道腐蚀状态预测，能够提高预测精度，并且，结合具体检测数据，应用统计模型，具有实际可操作性。
此外，通过对统计模型的不断更新，能够获取新的、更准确的管道腐蚀状态，并针对性地制定新的检测和维修方案。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种燃气管道腐蚀预测方法，其特征在于，包括以下步骤：
采集监测区域内的管道腐蚀深度数据和土壤腐蚀性数据；
根据所述土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将所述监测区域划分为多个子区域；
在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型；
根据所述统计模型对相应的子区域进行管道腐蚀状态预测。
2.根据权利要求1所述的燃气管道腐蚀预测方法，其特征在于，还包括：
将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，以判断是否存在异常腐蚀管道区段；
对所述异常腐蚀管道区段进行预警并针对所述异常腐蚀管道区段制定检测方案。
3.根据权利要求2所述的燃气管道腐蚀预测方法，其特征在于，所述土壤腐蚀性数据包括土壤的电阻率、PH值和氧化还原电位数据。
4.根据权利要求3所述的燃气管道腐蚀预测方法，其特征在于，所述统计模型为灰色叠加马尔可夫链模型，在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型，包括：
对子区域内所有监测点进行分别的灰色系统GM(1,1)建模；
汇总所有监测点对应的灰色系统GM(1,1)模型数据，进行齐次马尔可夫链参数估计，得到所述灰色叠加马尔可夫链模型。
5.根据权利要求4所述的燃气管道腐蚀预测方法，其特征在于，在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型，具体包括：
建立灰色系统GM(1,1)模型，求出管道腐蚀深度数据的预测数据，并与实际数据做比较，以进行模型精度检验；
根据管道腐蚀深度数据确认各检测时段的管道腐蚀状态，并将对应的模型状态作为马尔可夫链模型中的转移状态；
对同一子区域内的所有监测点，分别根据对应的灰色系统GM(1,1)模型给出预测数据，并得出对应的模型状态，进而估计一阶马尔可夫链转移概率。
6.根据权利要求5所述的燃气管道腐蚀预测方法，其特征在于，在将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析后，还基于新的管道腐蚀深度数据对所述灰色叠加马尔可夫链模型进行迭代更新。
7.根据权利要求2所述的燃气管道腐蚀预测方法，其特征在于，针对所述异常腐蚀管道区段所制定的检测方案包括增加检测手段、缩短检测周期。
8.一种燃气管道腐蚀预测装置，其特征在于，包括：
第一采集模块，所述第一采集模块用于采集监测区域内的管道腐蚀深度数据；
第二采集模块，所述第二采集模块用于采集监测区域内的土壤腐蚀性数据；
区域划分模块，所述区域划分模块用于根据所述土壤腐蚀性数据进行土壤腐蚀性分级，并根据区域位置和土壤腐蚀性级别将所述监测区域划分为多个子区域；
模型建立模块，所述模型建立模块用于在每个子区域，根据所述管道腐蚀深度数据构建相应的统计模型；
腐蚀预测模块，所述腐蚀预测模块用于根据所述统计模型对相应的子区域进行管道腐蚀状态预测。
9.根据权利要求8所述的燃气管道腐蚀预测装置，其特征在于，还包括：
异常判断模块，所述异常判断模块用于将预测的管道腐蚀状态与采集到的管道腐蚀深度数据进行比对分析，以判断是否存在异常腐蚀管道区段；
异常预警模块，所述异常预警模块用于对所述异常腐蚀管道区段进行预警。
10.根据权利要求9所述的燃气管道腐蚀预测装置，其特征在于，所述统计模型为灰色叠加马尔可夫链模型，所述模型建立模块用于对子区域内所有监测点进行分别的灰色系统GM(1,1)建模，并汇总所有监测点对应的灰色系统GM(1,1)模型数据，进行齐次马尔可夫链参数估计，得到所述灰色叠加马尔可夫链模型。
CN201911405535.6A 2019-12-31 2019-12-31 燃气管道腐蚀预测方法和装置 Pending CN111104989A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911405535.6A CN111104989A (zh) 2019-12-31 2019-12-31 燃气管道腐蚀预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405535.6A CN111104989A (zh) 2019-12-31 2019-12-31 燃气管道腐蚀预测方法和装置

Publications (1)

Publication Number Publication Date
CN111104989A true CN111104989A (zh) 2020-05-05

Family

ID=70424505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405535.6A Pending CN111104989A (zh) 2019-12-31 2019-12-31 燃气管道腐蚀预测方法和装置

Country Status (1)

Country Link
CN (1) CN111104989A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111578150A (zh) * 2020-05-27 2020-08-25 倪慧珍 一种油气输送管网安全在线实时监测与预警管理系统
CN112984612A (zh) * 2021-02-05 2021-06-18 河北绿源地热能开发有限公司 一种用于热网系统的智能监控系统及方法
CN114492980A (zh) * 2022-01-21 2022-05-13 中特检深燃安全技术服务(深圳)有限公司 一种城镇燃气埋地管道腐蚀风险的智能预测方法
CN115879913A (zh) * 2023-02-13 2023-03-31 成都秦川物联网科技股份有限公司 一种智慧燃气管网维修物资预测方法和物联网系统、介质
CN115899595A (zh) * 2023-03-08 2023-04-04 成都秦川物联网科技股份有限公司 一种智慧燃气管道防腐优化方法、物联网系统及存储介质
US11982613B2 (en) 2023-03-08 2024-05-14 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022596A (zh) * 2016-05-16 2016-10-12 北京石油化工学院 一种城市燃气管道系统危险性预测评价方法
US20160364608A1 (en) * 2015-06-10 2016-12-15 Accenture Global Services Limited System and method for automating information abstraction process for documents
CN106897497A (zh) * 2017-01-23 2017-06-27 扬州大学 基于滑动灰色模型和加权马尔可夫链的降雨量预测方法
CN107634516A (zh) * 2017-09-11 2018-01-26 三峡大学 一种基于灰色‑马尔可夫链的配网状态估计方法
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
CN110187280A (zh) * 2019-05-20 2019-08-30 天津大学 一种基于灰色模型的锂电池剩余寿命概率预测的方法
CN110223101A (zh) * 2019-05-09 2019-09-10 昆明理工大学 一种加油站便利店零售销量的预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160364608A1 (en) * 2015-06-10 2016-12-15 Accenture Global Services Limited System and method for automating information abstraction process for documents
CN106022596A (zh) * 2016-05-16 2016-10-12 北京石油化工学院 一种城市燃气管道系统危险性预测评价方法
CN106897497A (zh) * 2017-01-23 2017-06-27 扬州大学 基于滑动灰色模型和加权马尔可夫链的降雨量预测方法
CN107634516A (zh) * 2017-09-11 2018-01-26 三峡大学 一种基于灰色‑马尔可夫链的配网状态估计方法
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
CN110223101A (zh) * 2019-05-09 2019-09-10 昆明理工大学 一种加油站便利店零售销量的预测方法
CN110187280A (zh) * 2019-05-20 2019-08-30 天津大学 一种基于灰色模型的锂电池剩余寿命概率预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
俞树荣 等: "利用灰色马尔可夫模型预测腐蚀管道寿命", 《机械强度》 *
李琳 等: "油气管道土壤腐蚀分级评价研究", 《安全与环境学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111578150A (zh) * 2020-05-27 2020-08-25 倪慧珍 一种油气输送管网安全在线实时监测与预警管理系统
CN112984612A (zh) * 2021-02-05 2021-06-18 河北绿源地热能开发有限公司 一种用于热网系统的智能监控系统及方法
CN112984612B (zh) * 2021-02-05 2022-05-24 河北绿源地热能开发有限公司 一种用于热网系统的智能监控系统及方法
CN114492980A (zh) * 2022-01-21 2022-05-13 中特检深燃安全技术服务(深圳)有限公司 一种城镇燃气埋地管道腐蚀风险的智能预测方法
CN115879913A (zh) * 2023-02-13 2023-03-31 成都秦川物联网科技股份有限公司 一种智慧燃气管网维修物资预测方法和物联网系统、介质
CN115879913B (zh) * 2023-02-13 2023-05-05 成都秦川物联网科技股份有限公司 一种智慧燃气管网维修物资预测方法和物联网系统、介质
US11966885B2 (en) 2023-02-13 2024-04-23 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and Internet of Things (IoT) systems for predicting maintenance materials of smart gas pipeline networks
CN115899595A (zh) * 2023-03-08 2023-04-04 成都秦川物联网科技股份有限公司 一种智慧燃气管道防腐优化方法、物联网系统及存储介质
CN115899595B (zh) * 2023-03-08 2023-05-23 成都秦川物联网科技股份有限公司 一种智慧燃气管道防腐优化方法、物联网系统及存储介质
US11982613B2 (en) 2023-03-08 2024-05-14 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas

Similar Documents

Publication Publication Date Title
CN111104989A (zh) 燃气管道腐蚀预测方法和装置
Sarmadi et al. Bridge health monitoring in environmental variability by new clustering and threshold estimation methods
Di Maio et al. Combining relevance vector machines and exponential regression for bearing residual life estimation
Valor et al. Reliability assessment of buried pipelines based on different corrosion rate models
Lozovan et al. Detection of specific features in the functioning of a system for the anti-corrosion protection of underground pipelines at oil and gas enterprises using neural networks
Kuniewski et al. Sampling inspection for the evaluation of time-dependent reliability of deteriorating systems under imperfect defect detection
CN108508863A (zh) 一种基于灰色模型的机电设备故障诊断方法
Wang et al. Bayesian dynamic forecasting of structural strain response using structural health monitoring data
Li et al. A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines
US20220057367A1 (en) Method for evaluating pipe condition
Shaik et al. Recurrent neural network-based model for estimating the life condition of a dry gas pipeline
CN108460230A (zh) 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法
Shaik et al. Remaining useful life prediction of a piping system using artificial neural networks: A case study
Yiwei et al. A model-based prognostics method for fatigue crack growth in fuselage panels
Compare et al. Interacting multiple-models, state augmented particle filtering for fault diagnostics
Seo et al. Integrated structural health monitoring system and multi-regression models for determining load ratings for complex steel bridges
Feng et al. Enhanced real-time crack monitoring and updating in welded structural components with limited measurement data
Pang et al. RUL prediction for bivariate degradation process considering individual differences
Khan et al. Particle filter based prognosis study for predicting remaining useful life of steam generator tubing
CN116384732A (zh) 场站管道风险智能评估方法、系统、存储介质及计算设备
CN111783308A (zh) 一种精确预测隧道围岩位移的方法
Prakash et al. A two-phase model to predict the remaining useful life of corroded reinforced concrete beams
Haider et al. Effect of frequency of pavement condition data collection on performance prediction
CN110083933A (zh) 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法
AU2021101888A4 (en) System and method for corrosion prediction in oil and gas pipeline

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200505

RJ01 Rejection of invention patent application after publication