CN114492232A - 一种海底管道内腐蚀敏感因素分析方法 - Google Patents
一种海底管道内腐蚀敏感因素分析方法 Download PDFInfo
- Publication number
- CN114492232A CN114492232A CN202210024903.8A CN202210024903A CN114492232A CN 114492232 A CN114492232 A CN 114492232A CN 202210024903 A CN202210024903 A CN 202210024903A CN 114492232 A CN114492232 A CN 114492232A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- adopting
- information
- analyzing
- correlation coefficient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007797 corrosion Effects 0.000 title claims abstract description 29
- 238000005260 corrosion Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims abstract description 5
- 239000012530 fluid Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000306 component Substances 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000012533 medium component Substances 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000000556 factor analysis Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明名称为:一种海底管道内腐蚀敏感因素分析方法，本发明属于管道内腐蚀评价领域,具体涉及一种海底管道内腐蚀敏感因素分析方法。本发明旨在提供一种海底管道内腐蚀敏感因素分析方法，基于OLGA模拟计算海底管道的流动数据和管道内检测数据,采用Pearson相关系数法、Spearman相关系数法、灰色关联度法和神经网络法将得到的四种分析结果进行平均化处理，将各方法的弊端保持在同一水平。在不考虑四种方法自身带来的误差的情况下，只需对平均化后的排名进行归类，总结出影响腐蚀速率的主要及次要影响因素。
Description
技术领域：
本发明属于管道内腐蚀评价领域,具体涉及一种海底管道内腐蚀敏感因素分析方法。
背景技术：
海底管道有着输量大、高安全度及适应性好等特点，但由于海底管道环境特殊，一旦发生腐蚀穿孔，会致使大量的石油与天然气泄漏，污染环境。
目前，常用的管道内腐蚀敏感因素分析方法为Pearson相关系数法，该方法确定敏感因素时有一个明显的缺陷，即对线性关系的敏感性。如果两者之间的关系是非线性的，则即使两个变量之间存在一一对应的关系，Pearson的相关系数也可能接近于零。
与本发明相关的现有技术一
资料收集,从管道运营方处收集管道基本信息包括但不限于:管道属性信息、管道内流体介质信息、沿程泵站信息、管道高程里程信息等。
沿线流动参数计算，采用OLGA软件计算沿程流动参数。
因素显著水平计算，采用SPSS软件分析，利用Pearson相关系数法整理得到影响腐蚀速率因素的显著水平，显著水平越大即该因素对腐蚀的影响越大。
结果分析，按照显著水平从大到小将影响因素进行排序，确定影响腐蚀的主要因素。
现有技术一的缺点
由于技术原理原因，Pearson相关系数法其自身有个弊端。即相关系数靠近1或-1的程度(也就是相关度)受到数据量n的影响，这说明对于同一参考序列，不同大小的样本量会对衡量两变量间的相关系数产生一定的误差影响。
Pearson相关系数有一个明显的缺陷就是，对线性关系的敏感性。如果关系是非线性的，则即使两个变量之间存在一一对应的关系，Pearson的相关系数也可能接近于零。
发明内容：
本发明旨在提供一种海底管道内腐蚀敏感因素分析方法，考虑基于OLGA模拟计算海底管道的流动数据和管道内检测数据,采用Pearson相关系数法、Spearman相关系数法、灰色关联度法和神经网络法将得到的四种分析结果进行平均化处理，这样即可将各方法的弊端保持在同一水平。在不考虑四种方法自身带来的误差的情况下，只需对平均化后的排名进行归类，总结出影响腐蚀速率的主要及次要影响因素。
附图说明：
为了更清楚的展示本发明的实施例和技术方案，下面将通过附图对实施例或现有技术做简单介绍，下面描述中的附图仅仅是本发明的一些实施例。
图1为海底管道内腐蚀敏感因素分析流程图
图2为神经网络算法流程图
具体实施方式(重点)：
步骤1：检测管道资料调研,收集关于检测段管道的信息,包括但不限于检测管段的起点位置和终点位置、长度、类别、周边描述信息、管道坐标信息和管道环焊缝信息等。
步骤2：管道介质流体包制作,采用PVTsim软件建立可用于OLGA软件计算的管道介质流体包,流体包内包括管道内介质组分、各组分占比和管道温度和压力上下限等信息。
步骤3：管道模型建立,根据收集到的管道高程里程信息、管道壁厚材质信息、保温层信息等，采用OLGA软件建立目标管道模型。
步骤4：管道流动模拟，采用OLGA软件，计算海底管道的压力、CO2分压、流型、气体壁面剪切力、液体壁面剪切力、水壁面剪切力、气体流速、液体流速、水流连续速度、持液率参数。
步骤5：Pearson相关系数法，采用SPSS软件分析，利用Pearson相关系数法计算各个因素的相关系数和显著水平，按照显著水平大小对各个因素进行排序。
步骤6：Spearman相关系数法，采用SPSS软件分析，利用Spearman相关系数法计算各个因素的相关系数和显著水平，按照显著水平大小对各个因素进行排序。
步骤7：灰色关联度法，采用SPSS软件分析，利用灰色关联度法计算各个因素的关联度，按照关联度大小对各个因素进行排序。
步骤8：BP神经网络法，利用SPSS软件分析，得到神经网络算法流程图及参数估算值。采用极差标准化进行初始化处理。根据每个数据集的大小和功能选择合适的启动方法。在完成神经网络的训练之后，在达到功能值(腐蚀速率值)之前，将生产值(腐蚀速率值)恢复为相同的启动方法。
一旦所有样本都经过训练并且满足网络精度要求，就将使用从输入层到隐藏层的V矩阵权重，以及从每个输入层节点到每个隐藏层层的权重的完整值。并且进行加总，获得各个因素重量指标。具体公式为：
其中，j＝1，2，...，m。
步骤9：综合评价，考虑将得到的四种分析结果，即对“腐蚀速率”的影响程度的排序结果，将排名的次序进行平均化处理，这样即可将各方法的弊端保持在同一水平，然而也牺牲了四种方法的优势。这样在不考虑四种方法自身带来的误差的情况下，只需对平均化后的排名进行归类，总结出影响腐蚀速率的主要及次要影响因素。
七、技术效果：
采用四种方法确定腐蚀敏感因素，降低了不同大小的样本量对衡量两变量间相关系数产生的影响。
采用四种方法确定腐蚀敏感因素，降低了对线性关系的敏感性。
Claims (1)
1.一种海底管道内腐蚀敏感因素分析方法，用于海底管道内腐蚀敏感因素确定，其特征在于，包括：
步骤1：收集关于检测段管道的信息,包括但不限于检测管段的起点位置和终点位置、长度、类别、周边描述信息、管道坐标信息和管道环焊缝信息等；
步骤2：采用PVTsim软件建立可用于OLGA软件计算的管道介质流体包,流体包内包括管道内介质组分、各组分占比和管道温度和压力上下限等信息；
步骤3：根据收集到的管道高程里程信息、管道壁厚材质信息、保温层信息等，采用OLGA软件建立目标管道模型；
步骤4：采用OLGA软件，计算海底管道的压力、CO2分压、流型、气体壁面剪切力、液体壁面剪切力、水壁面剪切力、气体流速、液体流速、水流连续速度、持液率参数；
步骤5：采用SPSS软件分析，利用Pearson相关系数法计算各个因素的相关系数和显著水平，按照显著水平大小对各个因素进行排序；
步骤6：采用SPSS软件分析，利用Spearman相关系数法计算各个因素的相关系数和显著水平，按照显著水平大小对各个因素进行排序；
步骤7：采用SPSS软件分析，利用灰色关联度法计算各个因素的关联度，按照关联度大小对各个因素进行排序；
步骤8：利用SPSS软件分析，得到神经网络算法流程图及参数估算值；采用极差标准化进行初始化处理；根据每个数据集的大小和功能选择合适的启动方法；在完成神经网络的训练之后，在达到功能值(腐蚀速率值)之前，将生产值(腐蚀速率值)恢复为相同的启动方法；
一旦所有样本都经过训练并且满足网络精度要求，就将使用从输入层到隐藏层的V矩阵权重，以及从每个输入层节点到每个隐藏层层的权重的完整值；并且进行加总，获得各个因素重量指标；具体公式为：
其中，j＝1，2，...，m；
步骤9：考虑将得到的四种分析结果，即对“腐蚀速率”的影响程度的排序结果，将排名的次序进行平均化处理，这样即可将各方法的弊端保持在同一水平，然而也牺牲了四种方法的优势，这样在不考虑四种方法自身带来的误差的情况下，只需对平均化后的排名进行归类，总结出影响腐蚀速率的主要及次要影响因素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024903.8A CN114492232B (zh) | 2022-01-08 | 2022-01-08 | 一种海底管道内腐蚀敏感因素分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024903.8A CN114492232B (zh) | 2022-01-08 | 2022-01-08 | 一种海底管道内腐蚀敏感因素分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114492232A true CN114492232A (zh) | 2022-05-13 |
| CN114492232B CN114492232B (zh) | 2024-04-05 |
Family
ID=81509896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210024903.8A Active CN114492232B (zh) | 2022-01-08 | 2022-01-08 | 一种海底管道内腐蚀敏感因素分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114492232B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 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 |
| CN109460631A (zh) * | 2018-12-18 | 2019-03-12 | 西安建筑科技大学 | 一种海底混输管道腐蚀速率预测方法 |
| CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
| CN112069688A (zh) * | 2020-09-09 | 2020-12-11 | 山东省天然气管道有限责任公司 | 一种天然气长输管道内腐蚀模拟分析方法 |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
| US20210333238A1 (en) * | 2020-04-27 | 2021-10-28 | Saudi Arabian Oil Company | Scale and corrosion monitoring system using ultrasonic guided waves |
| US11163927B1 (en) * | 2020-10-01 | 2021-11-02 | Cde Consultants Limited | Computer system for designing a process unit |
| CN113740243A (zh) * | 2021-08-31 | 2021-12-03 | 中国海洋石油集团有限公司 | 深水天然气管道在高气相流速工况下的缓蚀剂评价方法 |
-
2022
- 2022-01-08 CN CN202210024903.8A patent/CN114492232B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 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 |
| CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
| CN109460631A (zh) * | 2018-12-18 | 2019-03-12 | 西安建筑科技大学 | 一种海底混输管道腐蚀速率预测方法 |
| US20210333238A1 (en) * | 2020-04-27 | 2021-10-28 | Saudi Arabian Oil Company | Scale and corrosion monitoring system using ultrasonic guided waves |
| CN112069688A (zh) * | 2020-09-09 | 2020-12-11 | 山东省天然气管道有限责任公司 | 一种天然气长输管道内腐蚀模拟分析方法 |
| US11163927B1 (en) * | 2020-10-01 | 2021-11-02 | Cde Consultants Limited | Computer system for designing a process unit |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
| CN113740243A (zh) * | 2021-08-31 | 2021-12-03 | 中国海洋石油集团有限公司 | 深水天然气管道在高气相流速工况下的缓蚀剂评价方法 |
Non-Patent Citations (7)
| Title |
|---|
| GIULIA DE MASI 等: "A neural network predictive model of pipeline internal corrosion profile", 2014 FIRST INTERNATIONAL CONFERENCE ON SYSTEMS INFORMATICS, MODELING AND SIMULATION, 31 December 2014 (2014-12-31), pages 18 - 23 * |
| GUOXI HE 等: "Study on the distribution of submarine pipeline corrosion defects based on Internet inspection data and data mining method", 2020 12TH INTERNATIONAL PIPELINE CONFERENCE, vol. 2, 30 September 2020 (2020-09-30), pages 1 - 8 * |
| 乔贵民 等: "基于完整性技术的海底管道腐蚀失效评价", 中国海洋平台, vol. 35, no. 01, 28 February 2020 (2020-02-28), pages 89 - 94 * |
| 张新生;叶晓艳;: "最优加权组合模型在管道腐蚀预测中的应用", 中国安全生产科学技术, vol. 15, no. 05, 30 May 2019 (2019-05-30), pages 68 - 73 * |
| 杨婧 等: "多相流管道CO_2内腐蚀直接评价技术研究", 石油工程建设, vol. 46, no. 03, 17 June 2020 (2020-06-17), pages 67 - 71 * |
| 王盼锋 等: "基于PCA-PSO-SVM模型的海底多相流管道内腐蚀速率预测", 安全与环境工程, no. 02, 30 March 2020 (2020-03-30), pages 183 - 189 * |
| 郑度奎 等: "油气管道的CO_2腐蚀预测模型和预测方法", 腐蚀与防护, vol. 41, no. 03, 15 March 2020 (2020-03-15), pages 48 - 53 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114492232B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rui et al. | A new model to evaluate two leak points in a gas pipeline | |
| CN1316324C (zh) | 石油和天然气生产系统中检测和校正传感器故障的方法 | |
| CN106015951B (zh) | 一种适应多种状态变化的输气管道泄漏检测系统及方法 | |
| Aliev | Noise control of the Beginning and Development Dynamics of Accidents | |
| CN110197049B (zh) | 一种基于瞬变反问题的非金属管道泄漏定位方法 | |
| 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 | |
| CN109460631B (zh) | 一种海底混输管道腐蚀速率预测方法 | |
| CN206130547U (zh) | 一种多工况下的输气管道泄漏检测系统 | |
| Billmann et al. | Leak detection methods for pipelines | |
| CN112628613A (zh) | 一种管道泄漏监测、泄漏定位及泄漏量计算的方法及系统 | |
| US20220275610A1 (en) | Method and system to monitor pipeline condition | |
| CN105805559A (zh) | 液相管道泄漏不规则孔等效圆孔实验装置及实验方法 | |
| Caputo et al. | An inverse approach for piping networks monitoring | |
| CN110702796A (zh) | 获取在役管道腐蚀声发射信号的模拟装置及其获取方法 | |
| Roberge | Statistical interpretation of corrosion test results | |
| Ling et al. | A new method for leak detection in gas pipelines | |
| CN111365623B (zh) | 一种基于线性拟合的负压波拐点识别方法 | |
| CN114492232A (zh) | 一种海底管道内腐蚀敏感因素分析方法 | |
| CN111828845A (zh) | 基于人工智能的管道自动检漏方法 | |
| CN111222277A (zh) | 输气站增压泵进出口管道的振动评价方法 | |
| CN113063100A (zh) | 管道泄漏的检测方法及装置 | |
| Zhang et al. | An ANN-based soft-sensor to estimate the sand content of drilling fluid | |
| Obaseki | Diagnostic and prognostic analysis of oil and gas pipeline with allowable corrosion rate in Niger Delta Area, Nigeria | |
| CN114811448A (zh) | 一种流动条件下管道泄漏检测、泄露流速估计与泄露定位的方法 | |
| Igbojionu et al. | Hydrocarbon Spill Management Through Leak Localization in Natural 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |