CN113433057B - 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 - Google Patents
一种埋地金属管道杂散电流腐蚀速率预测装置及方法 Download PDFInfo
- Publication number
- CN113433057B CN113433057B CN202110613789.8A CN202110613789A CN113433057B CN 113433057 B CN113433057 B CN 113433057B CN 202110613789 A CN202110613789 A CN 202110613789A CN 113433057 B CN113433057 B CN 113433057B
- Authority
- CN
- China
- Prior art keywords
- metal pipeline
- corr
- pore
- corrosion
- pipeline
- 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
- 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
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种埋地金属管道杂散电流腐蚀速率预测装置及方法,适用于对地铁周边金属管道损坏进行判定。包括工业计算机、可控直流电源、电化学工作站、正极电极、辅助电极、参比电极、绝缘挡板、金属管道、负极电极;完成各个不同腐蚀和电化学阻抗谱信号测试;据电化学阻抗谱信号拟合等效电路,获得等效电路内各等效电阻阻值;建立预测数据集;建立脉冲神经网络;完成脉冲神经网络训练、验证和测试建立基于电化学阻抗谱的埋地金属管道杂散电流腐蚀速率预测方法。其步骤简单,使用效果好,解决了常规失重法测量腐蚀速率繁琐难以操作的问题,为埋地管线杂散电流腐蚀监测提供了一种有效的间接检测方法。
Description
技术领域
本发明涉及一种电流腐蚀速率预测装置及方法,尤其是一种适用于地铁周围金属管道检测使用的基于电化学阻抗谱的埋地金属管道杂散电流腐蚀速率预测装置及方法。
背景技术
城市地下环境中的管网交错复杂,管网的安全性对于城市的安全有重要的影响。大型城市内地铁线路较多,很多地铁管线与城市管网呈交错或平行的分布关系。目前地铁采用电牵引的形式,在地铁运行过程中会有部分牵引电流经由走行轨泄漏致地下环境,形成杂散电流。杂散电流会对地铁系统附近埋地金属管道产生严重的电化学腐蚀影响,严重时甚至会造成腐蚀穿孔等严重事故,因而杂散电流对于管网的安全威胁不容忽视。
目前,针对埋地管线的杂散电流腐蚀问题主要通过监测与防护两者共同进行以减少其可能遭受的电化学腐蚀。由于埋地管线建设完成后难以进行开挖监测,以长效参比电极为代表的间接监测成为了埋地金属管道腐蚀监测主要手段。长效参比电极监测手段存在着施工质量要求高、参比电极种类对于监测效果有较大影响、发生失效后难以对传感器进行替换等问题。因此,亟需一种可靠新型间接监测手段,以提高埋地管线杂散电流腐蚀监测的可靠性、鲁棒性和准确度。
发明内容
本发明提供一种埋地金属管道杂散电流腐蚀速率预测装置及方法,能够对于埋地管线的有效、准确间接监测,保证长时间的腐蚀速率预测精度和可靠性。
为了达到上述目的,本发明的一种埋地金属管道杂散电流腐蚀速率预测装置,其包括用以模拟地铁附近地层环境的容器,容器内设有一根金属管道,容器内通过间隔设置绝缘挡板将金属管道分隔为多段空间,容器内被绝缘挡板分隔的每段空间内包裹金属管道的均设有模拟地铁附近不同腐蚀成分的腐蚀介质,用以模拟不同的腐蚀环境,每段空间内的金属管道上均设有测点,测点包括辅助电极和参比电极,参比电极垂直于金属管道布置,参比电极末端与金属管道相距20mm,辅助电极与参比电极在同一平面内并与参比电极呈45°夹角,辅助电极末端与金属管道相距20mm,在整条金属管道的一侧端部设有与可控直流电源的正极电极,正极电极与金属管道一侧端部相距50mm,负极电极均布于金属管线上且与参比电极呈45°夹角,与管道相距50mm,每个负极电极末端投影在管线钢表面的区域即为该负极电极所对应的管线阳极区域,负极电极均布于金属管线上,辅助电极、参比电极沿金属管道纵向均布,并分别与电化学工作站相连,电化学工作站和可控直流电源均与工业计算机相连.
2.根据权利要求1所述一种埋地金属管道杂散电流腐蚀速率预测装置及方法,其特征在于:负极电极沿管线均布于金属管道上方并与金属管道之间距离50mm,且与金属管道表面不直接接触;在金属管道的负极电极附近布置多组辅助电极和参比电极,用以完成电化学阻抗谱测试的多组三电极系统,腐蚀介质为含电解质溶液的细沙。
3.根据权利要求1所述的一种埋地金属管道杂散电流腐蚀速率预测装置及方法,其特征在于:利用可控直流电源加载动态模拟杂散电流信号,通过工业计算机控制可控直流电源的电压信号,模拟在地铁运行时极化电位的剧烈波动而在地铁夜间较为平稳的周期变化特性。
4.根据权利要求1所述的一种埋地金属管道杂散电流腐蚀速率预测装置及方法,其特征在于:所述的绝缘挡板将相邻测点隔离开,保证在多个测点同时测量电化学阻抗谱信号时不会受到相邻测点的信号干扰。
5.一种使用上述任一权利要求所述的埋地金属管道杂散电流腐蚀速率预测装置及方法,其特征在于步骤如下:
步骤1、设置不同的地铁地铁现场的腐蚀环境,并将在每个环境下设置金属管道段,检测各个金属管道段的极化电位变化曲线,从极化电位变化曲线中获得动态模拟杂散电流信号,然后通过向可控直流电源加载动态模拟杂散电流信号,获得各金属管道段的腐蚀时长:tcorr 1,tcorr 2,tcorr 3,…tcorr n和与不同参数的细沙腐蚀环境,并测量金属管道各个阳极区域的电化学阻抗谱信号;
步骤2、取出金属管道并称量重量,之后与埋设前的初始重量进行对比,从而获得金属管道段在不同腐蚀环境下的杂散电流腐蚀速率vcorr={vcorr 1,vcorr 2,vcorr 3,…,vcorr i,…,vcorr n};
步骤3、根据金不同腐蚀环境下所检测得到的电化学阻抗谱信号,利用电化学阻抗谱信号的等效电路,根据等效电路参数获得交换电荷电阻;交换电荷电容;电解质环境电阻;腐蚀产物层电阻;腐蚀产物层电容;
步骤4、建立等效电路电阻与腐蚀速率的预测数据集{V},预测数据集{V}的输入端包含四个变量,分别为交换电荷电阻Rct、电解质环境电阻Re、腐蚀产物层电阻Rpore和交换电荷电容Cdl、腐蚀产物层电容Cpore和管线纵向电阻Rpipe;数据集输出端变量为杂散电流腐蚀速率vcorr;
步骤5、在预测数据集{V}神经网络基础上,设置脉冲神经网络参数,建立脉冲神经网络预测模型,脉冲神经网络的结构为4-8-1,包括4个输入变量,1个输出变量,8个隐含层神经元,脉冲神经网络以交换电荷电阻Rct、电解质环境电阻Re i、腐蚀产物层电阻Rpore交换电荷电容:Cdl、腐蚀产物层电容:Cpore和管线纵向电阻Rpipe为输入变量,以腐蚀速率vcorr为输出变量,将预测数据集{V}神经网络进行网络训练;
步骤6、,将预测数据集{V}中的数据根据比例70%:15%:15%分别划分为训练集{Vtrain}、验证集{Vvalidation}和测试集{Vtest};
基于训练集{Vtrain}进行神经网络训练过程,直至满足所设定的迭代条件:达到最大的迭代次数Nmax,进一步利用验证集{Vvalidation}和和测试集{Vtest}对脉冲神经网络进行验证和测试,分别根据腐蚀速率的训练结果{vcorr 1 test,vcorr 2 test,vcorr 3 test,…,vcorr i test,…,vcorr q test}、验证结果{vcorr q+1 validation,vcorr q+2 validation,vcorr q+3 validation,…,vcorr q+i validation,…,vcorr p validation}和测试结果{vcorr p+1 train,vcorr p+2 train,vcorr p+3 train,…,vcorr p+i train,…,vcorr n train}计算平均训练精度Atrain、平均验证精度Avalidation、和平均测试精度Atest;
若平均训练精度Atrain、平均验证精度Avalidation和平均测试精度Atest三者之间相差小于5%,则认为步骤5中所建立的基于脉冲神经网络预测模型满足精度要求,即可使用该模型预测埋地金属管道的杂散电流腐蚀速率。
在容器中设置一整条的金属管道,然后使用多个绝缘挡板,套在金属管道上并将容器内空间分割成n个子空间,同时将金属管道划分为n个金属管道段,在每个子空间内的金属管道段上设置一个测点,并将测点通过电化学工作站与工业计算机连接,之后布置与可控直流电源连接的正极电极和负极电极;然后在各个子空间内倒入细沙,之后向每个子空间里倒入不同氯离子浓度、不同离子组成、不同pH值的溶液,从而使每个子空间模拟出n个不同的地铁现场的腐蚀环境,利用电化学工作站测量各个金属管道段的极化电位变化曲线,对测得的极化电位变化曲线进行等效放大获得动态模拟杂散电流信号,进而通过向可控直流电源加载动态模拟杂散电流信号,获得金属管道不同位置上的腐蚀时长:tcorr 1,tcorr 2,tcorr 3,…tcorr n和与不同参数的细沙腐蚀环境,并测量各个阳极区域的电化学阻抗谱信号;
根据金属管道在不同氯离子浓度、不同离子组成、不同pH值的腐蚀环境下所检测得到的电化学阻抗谱信号,使用电化学阻抗谱中的奈奎斯特图和伯德图分别拟合测得的电化学阻抗谱信号的等效电路,根据等效电路参数获得交换电荷电阻Rct={Rct 1,Rct 2,Rct 3,…,Rct i,…,Rct n};交换电荷电容Cdl={Cdl 1,Cdl 2,Cdl 3,…,Cdl i,…,Cdl n};电解质环境电阻Re={Re 1,Re 2,Re 3,…,Re i,…,Re n};腐蚀产物层电阻Rpore={Rpore 1,Rpore 2,Rpore 3,…,Rpipe i,…,Rpore n};腐蚀产物层电容Cpore={Cpore 1,Cpore 2,Cpore 3,…,Cpore i,…,Cpore n}。
8.根据权利要求5所述的预测方法,其特征在于:平均训练精度Atrain、平均验证精度Avalidation和平均测试精度Atest的计算方法如下:
8.根据权利要求5所述的预测方法,其特征在于:每次埋地管线电化学阻抗谱测试的交换电荷电阻Rct i、电解质环境电阻Re i和腐蚀产物层电阻Rpore i通过以下方法进行计算:
交换电荷电阻:Rct i=(Rct i(1)+Rct i(2)+Rct i(3)+…+Rct i(m))/m;
电解质环境电阻Re i=(Re i(1)+Re i(2)+Re i(3)+…+Re i(m))/m;
腐蚀产物层电阻:Rpore i=(Rpore i(1)+Rpore i(2)+Rpore i(3)+…+Rpore i(m))/m;
交换电荷电容:Cdl i=(Cdl i(1)+Cdl i(2)+Cdl i(3)+…+Cdl i(m))/m;
腐蚀产物层电容:Cpore i=(Cpore i(1)+Cpore i(2)+Cpore i(3)+…+Cpore i(m))/m;
式中,m为实验系统中埋地管线上所设置三电极测点的数目。
金属管道纵向电阻通过以下方法进行计算:
Rpipe=s×Rpipe’
式中,s为金属管道的长度,单位m;Rpipe ’为单位距离的金属管道纵向电阻,单位kΩ/m,根据金属管道的工程技术资料获得。
有益效果:本发明建立电化学阻抗谱等效电路电阻/腐蚀速率数据集,利用脉冲神经网络建立腐蚀速率预测模型,从而将等效电路电阻映射至腐蚀速率间,实现了仅测量管线局部位置的电化学阻抗谱信号就能实现对于腐蚀速率的准确间接监测,而避免了常规预测方法中对于环境参数的测量,该方法简单易行且具有交钱的鲁棒性,能够保证预测模型在长时间的预测精度。
附图说明
图1基于电化学阻抗谱的埋地金属管道腐蚀速率预测实验台
图2本发明动态杂散电流信号
图3基于电化学阻抗谱的埋地金属管道腐蚀速率预测方法流程图
图4基于电化学阻抗谱的埋地金属管道腐蚀速率预测实验系统等效电路
图中:1-工业计算机;2-可控直流电源;3-电化学工作站;4-正极电极;5-辅助电极;6-参比电极;7-绝缘挡板;8-金属管道;9-负极电极。
具体实施方式
下面结合附图对本发明作进一步详细说明
如图1所示,本发明所采用的技术方案是:1.一种埋地金属管道8杂散电流腐蚀速率预测装置,其特征在于:它包括用以模拟地铁附近地层环境的容器,容器内设有一根金属管道8,容器内通过间隔设置绝缘挡板7将金属管道8分隔为多段空间,容器内被绝缘挡板7分隔的每段空间内包裹金属管道8的均设有模拟地铁附近不同腐蚀成分的腐蚀介质,用以模拟不同的腐蚀环境,每段空间内的金属管道8上均设有测点,测点包括辅助电极5和参比电极6,参比电极6垂直于金属管道8布置,参比电极6末端与金属管道8相距20mm,辅助电极5与参比电极6在同一平面内并与参比电极6呈45°夹角,辅助电极5末端与金属管道8相距20mm,在整条金属管道8的一侧端部设有与可控直流电源2的正极电极4,正极电极4与金属管道8一侧端部相距50mm,负极电极9均布于金属管线上且与参比电极呈45°夹角,与管道相距50mm,每个负极电极9末端投影在管线钢表面的区域即为该负极电极9所对应的管线阳极区域,负极电极9均布于金属管线上,辅助电极5、参比电极6沿金属管道8纵向均布,并分别与电化学工作站3相连,电化学工作站3和可控直流电源2均与工业计算机1相连.
2.根据权利要求1所述一种埋地金属管道8杂散电流腐蚀速率预测装置,其特征在于:负极电极9沿管线均布于金属管道8上方并与金属管道8之间距离50mm,且与金属管道8表面不直接接触;在金属管道8的负极电极9附近布置多组辅助电极5和参比电极6,用以完成电化学阻抗谱测试的多组三电极系统,腐蚀介质为含电解质溶液的细沙。
3.根据权利要求1所述的一种埋地金属管道8杂散电流腐蚀速率预测装置,其特征在于:利用可控直流电源2加载动态模拟杂散电流信号,通过工业计算机1控制可控直流电源的电压信号,模拟在地铁运行时极化电位的剧烈波动而在地铁夜间较为平稳的周期变化特性。
4.根据权利要求1所述的一种埋地金属管道8杂散电流腐蚀速率预测装置,其特征在于:所述的绝缘挡板7将相邻测点隔离开,保证在多个测点同时测量电化学阻抗谱信号时不会受到相邻测点的信号干扰。
5.一种使用上述任一权利要求所述的埋地金属管道8杂散电流腐蚀速率预测装置的预测方法,其特征在于步骤如下:
步骤1、设置不同的地铁地铁现场的腐蚀环境,并将在每个环境下设置金属管道8段,检测各个金属管道8段的极化电位变化曲线,从极化电位变化曲线中获得动态模拟杂散电流信号,然后通过向可控直流电源2加载动态模拟杂散电流信号,获得各金属管道8段的腐蚀时长:tcorr 1,tcorr 2,tcorr 3,…tcorr n和与不同参数的细沙腐蚀环境,并测量金属管道8各个阳极区域的电化学阻抗谱信号;
步骤2、取出金属管道8并称量重量,之后与埋设前的初始重量进行对比,从而获得金属管道8段在不同腐蚀环境下的杂散电流腐蚀速率vcorr={vcorr 1,vcorr 2,vcorr 3,…,vcorr i,…,vcorr n};
步骤3、根据金不同腐蚀环境下所检测得到的电化学阻抗谱信号,利用电化学阻抗谱信号的等效电路,根据等效电路参数获得交换电荷电阻;交换电荷电容;电解质环境电阻;腐蚀产物层电阻;腐蚀产物层电容;
步骤4、建立等效电路电阻与腐蚀速率的预测数据集{V},预测数据集{V}的输入端包含四个变量,分别为交换电荷电阻Rct、电解质环境电阻Re、腐蚀产物层电阻Rpore和交换电荷电容Cdl、腐蚀产物层电容Cpore和管线纵向电阻Rpipe;数据集输出端变量为杂散电流腐蚀速率vcorr;
步骤5、在预测数据集{V}神经网络基础上,设置脉冲神经网络参数,建立脉冲神经网络预测模型,脉冲神经网络的结构为4-8-1,包括4个输入变量,1个输出变量,8个隐含层神经元,脉冲神经网络以交换电荷电阻Rct、电解质环境电阻Re i、腐蚀产物层电阻Rpore交换电荷电容:Cdl、腐蚀产物层电容:Cpore和管线纵向电阻Rpipe为输入变量,以腐蚀速率vcorr为输出变量,将预测数据集{V}神经网络进行网络训练;
步骤6、,将预测数据集{V}中的数据根据比例70%:15%:15%分别划分为训练集{Vtrain}、验证集{Vvalidation}和测试集{Vtest};
基于训练集{Vtrain}进行神经网络训练过程,直至满足所设定的迭代条件:达到最大的迭代次数Nmax,进一步利用验证集{Vvalidation}和和测试集{Vtest}对脉冲神经网络进行验证和测试,分别根据腐蚀速率的训练结果{vcorr 1 test,vcorr 2 test,vcorr 3 test,…,vcorr i test,…,vcorr q test}、验证结果{vcorr q+1 validation,vcorr q+2 validation,vcorr q+3 validation,…,vcorr q+i validation,…,vcorr p validation}和测试结果{vcorr p+1 train,vcorr p+2 train,vcorr p+3 train,…,vcorr p+i train,…,vcorr n train}计算平均训练精度Atrain、平均验证精度Avalidation、和平均测试精度Atest;
若平均训练精度Atrain、平均验证精度Avalidation和平均测试精度Atest三者之间相差小于5%,则认为步骤5中所建立的基于脉冲神经网络预测模型满足精度要求,即可使用该模型预测埋地金属管道8的杂散电流腐蚀速率。
6.根据权利要求5所述的预测方法,其特征在于:在容器中设置一整条的金属管道8,然后使用多个绝缘挡板7,套在金属管道8上并将容器内空间分割成n个子空间,同时将金属管道8划分为n个金属管道8段,在每个子空间内的金属管道8段上设置一个测点,并将测点通过电化学工作站3与工业计算机1连接,之后布置与可控直流电源2连接的正极电极4和负极电极9;然后在各个子空间内倒入细沙,之后向每个子空间里倒入不同氯离子浓度、不同离子组成、不同pH值的溶液,从而使每个子空间模拟出n个不同的地铁现场的腐蚀环境,利用电化学工作站测量各个金属管道8段的极化电位变化曲线,对测得的极化电位变化曲线进行等效放大获得动态模拟杂散电流信号,进而通过向可控直流电源2加载动态模拟杂散电流信号,获得金属管道8不同位置上的腐蚀时长:tcorr 1,tcorr 2,tcorr 3,…tcorr n和与不同参数的细沙腐蚀环境,并测量各个阳极区域的电化学阻抗谱信号;
7.根据权利要求5所述的预测方法,其特征在于:根据金属管道8在不同氯离子浓度、不同离子组成、不同pH值的腐蚀环境下所检测得到的电化学阻抗谱信号,使用电化学阻抗谱中的奈奎斯特图和伯德图分别拟合测得的电化学阻抗谱信号的等效电路,根据等效电路参数获得交换电荷电阻Rct={Rct 1,Rct 2,Rct 3,…,Rct i,…,Rct n};交换电荷电容Cdl={Cdl 1,Cdl 2,Cdl 3,…,Cdl i,…,Cdl n};电解质环境电阻Re={Re 1,Re 2,Re 3,…,Re i,…,Re n};腐蚀产物层电阻Rpore={Rpore 1,Rpore 2,Rpore 3,…,Rpipe i,…,Rpore n};腐蚀产物层电容Cpore={Cpore 1,Cpore 2,Cpore 3,…,Cpore i,…,Cpore n}。
8.根据权利要求5所述的预测方法,其特征在于:平均训练精度Atrain、平均验证精度Avalidation和平均测试精度Atest的计算方法如下:
8.根据权利要求5所述的预测方法,其特征在于:每次埋地管线电化学阻抗谱测试的交换电荷电阻Rct i、电解质环境电阻Re i和腐蚀产物层电阻Rpore i通过以下方法进行计算:
交换电荷电阻:Rct i=(Rct i(1)+Rct i(2)+Rct i(3)+…+Rct i(m))/m;
电解质环境电阻Re i=(Re i(1)+Re i(2)+Re i(3)+…+Re i(m))/m;
腐蚀产物层电阻:Rpore i=(Rpore i(1)+Rpore i(2)+Rpore i(3)+…+Rpore i(m))/m;
交换电荷电容:Cdl i=(Cdl i(1)+Cdl i(2)+Cdl i(3)+…+Cdl i(m))/m;
腐蚀产物层电容:Cpore i=(Cpore i(1)+Cpore i(2)+Cpore i(3)+…+Cpore i(m))/m;
式中,m为实验系统中埋地管线上所设置三电极测点的数目。
金属管道(8)纵向电阻通过以下方法进行计算:
Rpipe=s×Rpipe’
式中,s为金属管道8的长度,单位m;Rpipe’为单位距离的金属管道8纵向电阻,单位kΩ/m,根据金属管道8的工程技术资料获得。
Claims (9)
1.一种埋地金属管道杂散电流腐蚀速率预测装置,其特征在于:它包括用以模拟地铁附近地层环境的容器,容器内设有一根金属管道(8),容器内通过间隔设置绝缘挡板(7)将金属管道(8)分隔为多段空间,容器内被绝缘挡板(7)分隔的每段空间内包裹的金属管道(8)上均设有模拟地铁附近不同腐蚀成分的腐蚀介质,用以模拟不同的腐蚀环境,每段空间内的金属管道(8)上均设有测点,测点包括辅助电极(5)和参比电极(6),参比电极(6)垂直于金属管道(8)布置,参比电极(6)末端与金属管道(8)相距20mm,辅助电极(5)与参比电极(6)在同一平面内并与参比电极(6)呈45°夹角,辅助电极(5)末端与金属管道(8)相距20mm,在整条金属管道(8)的一侧端部设有与可控直流电源(2)的正极电极(4),正极电极(4)与金属管道(8)一侧端部相距50mm,负极电极(9)均布于金属管线上且与参比电极呈45°夹角,与管道相距50mm,每个负极电极(9)末端投影在管线钢表面的区域即为该负极电极(9)所对应的管线阳极区域,辅助电极(5)、参比电极(6)沿金属管道(8)纵向均布,并分别与电化学工作站(3)相连,电化学工作站(3)和可控直流电源(2)均与工业计算机(1)相连。
2.根据权利要求1所述一种埋地金属管道杂散电流腐蚀速率预测装置,其特征在于:负极电极(9)沿管线均布于金属管道(8)上方并与金属管道(8)之间距离50mm,且与金属管道(8)表面不直接接触;在金属管道(8)的负极电极(9)附近布置多组辅助电极(5)和参比电极(6),用以完成电化学阻抗谱测试的多组三电极系统,腐蚀介质为含电解质溶液的细沙。
3.根据权利要求1所述的一种埋地金属管道杂散电流腐蚀速率预测装置,其特征在于:利用可控直流电源(2)加载动态模拟杂散电流信号,通过工业计算机(1)控制可控直流电源的电压信号,模拟在地铁运行时极化电位的剧烈波动而在地铁夜间较为平稳的周期变化特性。
4.根据权利要求1所述的一种埋地金属管道杂散电流腐蚀速率预测装置,其特征在于:所述的绝缘挡板(7)将相邻测点隔离开,保证在多个测点同时测量电化学阻抗谱信号时不会受到相邻测点的信号干扰。
5.一种使用上述任一权利要求所述的埋地金属管道杂散电流腐蚀速率预测装置的预测方法,其特征在于步骤如下:
步骤1、设置不同的地铁现场的腐蚀环境,并将在每个环境下设置金属管道(8)段,检测各个金属管道(8)段的极化电位变化曲线,从极化电位变化曲线中获得动态模拟杂散电流信号,然后通过向可控直流电源(2)加载动态模拟杂散电流信号,获得各金属管道(8)段的腐蚀时长:tcorr 1,tcorr 2,tcorr 3,…tcorr n和与不同参数的细沙腐蚀环境,并测量金属管道(8)各个阳极区域的电化学阻抗谱信号;
步骤2、取出金属管道(8)并称量重量,之后与埋设前的初始重量进行对比,从而获得金属管道(8)段在不同腐蚀环境下的杂散电流腐蚀速率vcorr={vcorr 1,vcorr 2,vcorr 3,…,vcorr i,…,vcorr n};
步骤3、根据金不同腐蚀环境下所检测得到的电化学阻抗谱信号,利用电化学阻抗谱信号的等效电路,根据等效电路参数获得交换电荷电阻;交换电荷电容;电解质环境电阻;腐蚀产物层电阻;腐蚀产物层电容;
步骤4、建立等效电路电阻与腐蚀速率的预测数据集{V},预测数据集{V}的输入端包含:交换电荷电阻Rct、电解质环境电阻Re、腐蚀产物层电阻Rpore和交换电荷电容Cdl、腐蚀产物层电容Cpore和管线纵向电阻Rpipe;数据集输出端变量为杂散电流腐蚀速率vcorr;
步骤5、在预测数据集{V}神经网络基础上,设置脉冲神经网络参数,建立脉冲神经网络预测模型,脉冲神经网络以交换电荷电阻Rct、电解质环境电阻Re、腐蚀产物层电阻Rpore和交换电荷电容Cdl、腐蚀产物层电容Cpore和管线纵向电阻Rpipe为输入变量,以腐蚀速率vcorr为输出变量,8个隐含层神经元,将预测数据集{V}进行网络训练;
步骤6、将预测数据集{V}中的数据根据比例70%:15%:15%分别划分为训练集{Vtrain}、验证集{Vvalidation}和测试集{Vtest};
基于训练集{Vtrain}进行神经网络训练过程,直至满足所设定的迭代条件:达到最大的迭代次数Nmax,进一步利用验证集{Vvalidation}和测试集{Vtest}对脉冲神经网络进行验证和测试,分别根据腐蚀速率的训练结果{vcorr 1 test,vcorr 2 test,vcorr 3 test,…,vcorr i test,…,vcorr q test}、验证结果{vcorr q+1 validation,vcorr q+2 validation,vcorr q+3 validation,…,vcorr q+i validation,…,vcorr p validation}和测试结果{vcorr p+1 train,vcorr p+2 train,vcorr p+3 train,…,vcorr p+i train,…,vcorr n train}计算平均训练精度Atrain、平均验证精度Avalidation、和平均测试精度Atest;
若平均训练精度Atrain、平均验证精度Avalidation和平均测试精度Atest三者之间相差小于5%,则认为步骤5中所建立的基于脉冲神经网络预测模型满足精度要求,即可使用该模型预测埋地金属管道(8)的杂散电流腐蚀速率。
6.根据权利要求5所述的预测方法,其特征在于:在容器中设置一整条的金属管道(8),然后使用多个绝缘挡板(7),套在金属管道(8)上并将容器内空间分割成n个子空间,同时将金属管道(8)划分为n个金属管道(8)段,在每个子空间内的金属管道(8)段上设置一个测点,并将测点通过电化学工作站(3)与工业计算机(1)连接,之后布置与可控直流电源(2)连接的正极电极(4)和负极电极(9);然后在各个子空间内倒入细沙,之后向每个子空间里倒入不同氯离子浓度、不同离子组成、不同pH值的溶液,从而使每个子空间模拟出n个不同的地铁现场的腐蚀环境,利用电化学工作站测量各个金属管道(8)段的极化电位变化曲线,对测得的极化电位变化曲线进行等效放大获得动态模拟杂散电流信号,进而通过向可控直流电源(2)加载动态模拟杂散电流信号,获得金属管道(8)不同位置上的腐蚀时长:tcorr 1,tcorr 2,tcorr 3,…tcorr n和与不同参数的细沙腐蚀环境,并测量各个阳极区域的电化学阻抗谱信号。
7.根据权利要求5所述的预测方法,其特征在于:根据金属管道(8)在不同氯离子浓度、不同离子组成、不同pH值的腐蚀环境下所检测得到的电化学阻抗谱信号,使用电化学阻抗谱中的奈奎斯特图和伯德图分别拟合测得的电化学阻抗谱信号的等效电路,根据等效电路参数获得交换电荷电阻Rct={Rct 1,Rct 2,Rct 3,…,Rct i,…,Rct n};交换电荷电容Cdl={Cdl 1,Cdl 2,Cdl 3,…,Cdl i,…,Cdl n};电解质环境电阻Re={Re 1,Re 2,Re 3,…,Re i,…,Re n};腐蚀产物层电阻Rpore={Rpore 1,Rpore 2,Rpore 3,…,Rpipe i,…,Rpore n};腐蚀产物层电容Cpore={Cpore 1,Cpore 2,Cpore 3,…,Cpore i,…,Cpore n}。
9.根据权利要求5所述的预测方法,其特征在于:每次埋地管线电化学阻抗谱测试的交换电荷电阻Rct i、电解质环境电阻Re i、腐蚀产物层电阻Rpore i、交换电荷电容Cdl i、腐蚀产物层电容:Cpore i通过以下方法进行计算:
交换电荷电阻:Rct i=(Rct i(1)+Rct i(2)+Rct i(3)+…+Rct i(m))/m;
电解质环境电阻Re i=(Re i(1)+Re i(2)+Re i(3)+…+Re i(m))/m;
腐蚀产物层电阻:Rpore i=(Rpore i(1)+Rpore i(2)+Rpore i(3)+…+Rpore i(m))/m;
交换电荷电容:Cdl i=(Cdl i(1)+Cdl i(2)+Cdl i(3)+…+Cdl i(m))/m;
腐蚀产物层电容:Cpore i=(Cpore i(1)+Cpore i(2)+Cpore i(3)+…+Cpore i(m))/m;
式中,m为实验系统中埋地管线上所设置三电极测点的数目;
金属管道(8)纵向电阻通过以下方法进行计算:
Rpipe=s×Rpipe ’
式中,s为金属管道(8)的长度,单位m;Rpipe ’为单位距离的金属管道(8)纵向电阻,单位kΩ/m)根据金属管道(8)的工程技术资料获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613789.8A CN113433057B (zh) | 2021-06-02 | 2021-06-02 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613789.8A CN113433057B (zh) | 2021-06-02 | 2021-06-02 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113433057A CN113433057A (zh) | 2021-09-24 |
CN113433057B true CN113433057B (zh) | 2022-08-19 |
Family
ID=77803656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613789.8A Active CN113433057B (zh) | 2021-06-02 | 2021-06-02 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113433057B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778984B (zh) * | 2022-04-28 | 2023-05-30 | 西南交通大学 | 基于地表电位变化的变电站杂散电流检测方法 |
CN114993928B (zh) * | 2022-05-26 | 2024-04-19 | 徐州中矿传动轨道科技有限公司 | 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 |
CN115096806B (zh) * | 2022-06-21 | 2024-04-12 | 徐州中矿传动轨道科技有限公司 | 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 |
CN115096805B (zh) * | 2022-06-21 | 2024-04-12 | 徐州中矿传动轨道科技有限公司 | 一种埋地燃气管线环焊缝杂散电流腐蚀深度高通量检测方法 |
CN115308118B (zh) * | 2022-07-13 | 2023-06-13 | 北京市燃气集团有限责任公司 | 一种界面双电层电容金属腐蚀抑制效能的评估方法及装置 |
CN115614678B (zh) | 2022-12-16 | 2023-03-10 | 成都秦川物联网科技股份有限公司 | 智慧燃气管道电化学腐蚀评估方法和物联网系统、介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411878B (zh) * | 2013-07-13 | 2015-07-01 | 北京工业大学 | 一种拉伸应力作用下埋地钢质管道杂散电流腐蚀试验方法 |
CN204495697U (zh) * | 2015-04-09 | 2015-07-22 | 中国民航大学 | 一种研究杂散电流对防腐层性能影响的实验装置 |
CN105043971A (zh) * | 2015-07-02 | 2015-11-11 | 中国民航大学 | 一种用于研究剥离涂层下金属基体腐蚀行为的实验装置 |
CN107144613B (zh) * | 2017-05-09 | 2019-01-18 | 中国石油大学(华东) | 三电极阵列局部电化学信息测试系统及测试方法 |
CN111398151A (zh) * | 2019-01-02 | 2020-07-10 | 中国石油化工股份有限公司 | 交流杂散电流对管道的干扰腐蚀试验装置 |
-
2021
- 2021-06-02 CN CN202110613789.8A patent/CN113433057B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113433057A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113433057B (zh) | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 | |
CN108562782B (zh) | 一种杂散电流的获取方法及杂散电流的检测系统 | |
CN104674228B (zh) | 一种定向钻穿越管道阴极保护的检测方法 | |
CN106676541A (zh) | 一种金属管道杂散电流腐蚀防护方法 | |
CN108827867A (zh) | 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法 | |
CN103412242B (zh) | 一种基于快速独立分量分析和互信息的谐波源定位方法 | |
CN101350521A (zh) | 一种针对非均匀零序互感同杆架空多回线路的故障测距方法 | |
CN104914312A (zh) | 一种计算交流阻抗谱弛豫时间分布的方法 | |
CN110749541B (zh) | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 | |
CN105445615A (zh) | 一种变电站接地网腐蚀诊断方法 | |
CN104897995A (zh) | 基于地表电位的变电站接地网腐蚀检测系统及方法 | |
CN111381130A (zh) | 一种计及行波波速的t接线路故障定位方法及系统 | |
CN105823932A (zh) | 一种用于冻土与覆雪环境的接地电阻测试方法 | |
CN103163064A (zh) | 一种变电站接地网腐蚀速率的模糊预测方法 | |
CN104237770A (zh) | 一种模拟电路故障诊断方法 | |
CN105021663B (zh) | 一种盐度测量方法 | |
CN114660158B (zh) | 一种中低压燃气管网腐蚀风险综合检测与评判方法及装置 | |
CN211013961U (zh) | 地铁杂散电流腐蚀动态模拟实验系统 | |
CN108562616A (zh) | 一种天然气管道外检测方法 | |
CN107341336A (zh) | 一种贮箱产品几何精度一致性评价方法 | |
CN108627768A (zh) | 一种全钒液流电池系统soc在线检测方法 | |
Bortels et al. | Three-dimensional boundary element method and finite element method simulations applied to stray current interference problems. A unique coupling mechanism that takes the best of both methods | |
CN111638396B (zh) | 一种基于Boost的土壤杂散电流电位监测方法 | |
Xu et al. | Frumkin correction of corrosion electric field generated by 921A-B10 galvanic couple | |
CN112213564B (zh) | 一种铁路土壤电阻率测量方法 |
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 |