CN115879267A - 一种管道腐蚀缺陷预测方法和系统 - Google Patents
一种管道腐蚀缺陷预测方法和系统 Download PDFInfo
- Publication number
- CN115879267A CN115879267A CN202211255310.9A CN202211255310A CN115879267A CN 115879267 A CN115879267 A CN 115879267A CN 202211255310 A CN202211255310 A CN 202211255310A CN 115879267 A CN115879267 A CN 115879267A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- model
- thickness
- pipeline
- predicting
- 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
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 197
- 238000005260 corrosion Methods 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 239000000463 material Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000002253 acid Substances 0.000 claims description 3
- 229910052804 chromium Inorganic materials 0.000 claims description 3
- 239000011651 chromium Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Landscapes
- Pipeline Systems (AREA)
Abstract
本发明公开了一种管道腐蚀缺陷预测方法和系统，根据油田的地质参数，获取部件中的参数，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；本发明通过模型优化操作，克服了模型通用性不足的问题，同时通过腐蚀模型的预测提高了管道剩余寿命的预测，提高了CO2管道输送过程的可靠性。
Description
技术领域：
本发明属于缺陷预测领域，尤其涉及管道腐蚀缺陷预测方法和系统。
背景技术：
目前，CO2的管道运输中，通常存在管道腐蚀问题，对于C02腐蚀问题的预测研究较多，并提出了一些腐蚀数学模型，考虑的因素包括：pH、油润湿、有机酸、H2S、腐蚀产物膜等影响。C02腐蚀预测模型包括有:经验模型，半经验模型和机理模型三类。经验模型是选用油气田现场和实验数据作为样本所建立的模型，与现场的数据可以更好地吻合；半经验模型是在油气田现场和实验数据的基础上，考虑了热力学、电化学、腐蚀介质传输过程等机理因素，综合以上因素确定的腐蚀预测模型；机理模型是纯粹考虑CO2腐蚀机理，包括：热力学、电化学、腐蚀介质传输动力学等因素建立相应的动力学模型，从而确定的预测模型。
然而，在实际研究和应用过程中发现不同的预测模型建立的基础存在差异，考虑的腐蚀影响因素及其相应的侧重点也有所不同，导致建立的预测模型通用性较差。如何在提高CO2在管道中腐蚀缺陷模型通用性，预测运输管道的缺陷位置，进而提升整体管道系统的寿命，成为了亟待解决的技术问题。
发明内容
针对目前现有的预测模型建立的基础存在差异，考虑的腐蚀影响因素及其相应的侧重点也有所不同，导致建立的预测模型通用性较差的问题。本发明采用了：根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，设定部件的类型，材质；根据油田的地质参数，获取部件中的温度， CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；本发明通过模型优化操作，克服了模型通用性不足的问题，简化了数据填写操作，同时通过腐蚀模型的预测提高了管道剩余寿命的预测，提高了 CO2管道输送过程的可靠性。
本发明为解决以上技术问题所采取的技术方案是：
管道腐蚀缺陷预测方法，该方法包括以下步骤：
S1、根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，
S2、根据油田的地质参数，设定部件的类型，材质；
S3、根据油田的地质参数，获取部件中的温度，CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；
S4、当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；
若第一腐蚀厚度与第二腐蚀厚度差值小于第二阈值，则对所述腐蚀模型进行修正，若第一腐蚀厚度与第二腐蚀厚度差值大于等于第二阈值，，则更换腐蚀模型。
进一步地，部件的类型包括L型管，T型管，Y型管，竖直管道。
进一步地，所述腐蚀模型包括：第一模型为：
Vcor＝aρLVcVcL+bVc+d
VCL＝1559B-0.592Fv1.732km
其中，VC为腐蚀速率，mm/a；Vr是当传质为有限快时的最大腐蚀反应速率mm/a；Vm为腐蚀组分最快的传质速率，mm/a；
为水中CO2的扩散系数，μ为水的动力黏性，Pa·s；U为流体介质速度，m/s；d为管线直径，mm；H为CO2溶解的亨利常数，/>
为CO2分压，kPa；VCL为界面磨损率，kg/(m2s)；B为布氏硬度， HB；F为颗粒形状系数；k为湍流动能，m2s2；Vcor为预测腐蚀速率，mm/a，ρL为流体密度kg/m3；公式中，a，b，d，m为常数。
进一步地，所述材质包括钢材中含铬百分比以及多层结构排布。
进一步地，在使用时间预测腐蚀厚度前，可以利用所述腐蚀模型，根据设定腐蚀厚度计算确定使用寿命，获得运输管道网络模型使用寿命分布图，若分布数量使用寿命小于设计寿命超过第三阈值，发出第一预警。
进一步地，运输管道网络模型由多部件构成，可以单独设置一部件的腐蚀模型。
进一步地，所述腐蚀模型还包括：含有酸性气体的第二模型为：
子模型1：
子模型2：
子模型3：
所述第二模型根据CO2、H2S的分压比确定子模型。
包含溶液的第三模型为：
其中
表示H2S的分压，/>
表示CO2的分压，Ea表示腐蚀反应的激活能， A、B、C、D、E、F均为常数，lnVx表示腐蚀速率，R为气体常数，T为热力学温度，Q表示溶液流量，S表示管道内壁横截面积，Re为雷诺系数，l为管道长度， v为管道内流速，d为管道直径，g为重力加速度；
管道腐蚀缺陷预测系统，该系统包括：
管道模型框架模块，用于根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，
管道模型完善模块，用于根据油田的地质参数，设定部件的类型，材质；
腐蚀模型预测模块，用于根据油田的地质参数，获取部件中的温度，CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；
报警模块，用于当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；
其中，若第一腐蚀厚度与第二腐蚀厚度差值小于第二阈值，则对所述腐蚀模型进行修正，迭代优化修正腐蚀模型，直到差值小于0.1％；若第一腐蚀厚度与第二腐蚀厚度差值大于等于第二阈值，则更换腐蚀模型；
模型数据库，用于存储多种腐蚀模型，
部件数据库，用于存储多种部件的关联特征参数，所述参数包括，部件的型号，结构，材质，厚度，内径，温度，流速，溶液类型等。
调节控件，用于按照不同粒度调节选定部件的腐蚀模型内参数的步长以及数值选择，所述控件为带有刻度旋转钮，通过按压操作选择步长，，通过旋转操作选择指针对应的数值，
操作界面，用于选择和设定腐蚀模型的参数。
计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，处理器执行所述计算机程序实施如上管道腐蚀缺陷预测方法。
一种终端设备，包括存储器、处理器以及存储在所述所述存储器中并可在所述处理上运行的计算机程序，所述处理器执行所述计算机程序实施如上管道腐蚀缺陷预测方法。
本发明的有益效果如下：
1、本发明通过构造腐蚀模型，比较腐蚀模型的第一腐蚀厚度、超声波探伤结果的第二腐蚀厚度后，发出风险评估结果；本发明通过模型优化操作，克服了模型通用性不足的问题。
2、通过模型的选择以及控件选择数值简化了数据填写操作，
3、通过构造多种腐蚀模型，选择部件的对应的腐蚀模型预测提高了管道剩余寿命的预测，提高了CO2管道输送过程的可靠性。
4、通过拟合构造第三模型，可有效模拟出入口口径不同L型部件的腐蚀速率，提高了连接处部件的剩余寿命预测，提高了网络关键件节点的评估效果。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为管道腐蚀缺陷预测方法的流程图
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
管道腐蚀缺陷预测方法，该方法包括以下步骤：
S1、根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，
S2、根据油田的地质参数，设定部件的类型，材质；
S3、根据油田的地质参数，获取部件中的温度，CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；
S4、当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；
若第一腐蚀厚度与第二腐蚀厚度差值小于第二阈值，则对所述腐蚀模型进行修正，若第一腐蚀厚度与第二腐蚀厚度差值大于等于第二阈值，，则更换腐蚀模型。
进一步地，部件的类型包括L型管，T型管，Y型管，竖直管道。
进一步地，所述腐蚀模型包括：第一模型为：
Vcor＝aρLVcVCL+bVc+d
VCL＝1559B-0.592Fv1.732km
其中，VC为腐蚀速率，mm/a；Vr是当传质为有限快时的最大腐蚀反应速率mm/a；Vm为腐蚀组分最快的传质速率，mm/a；
为水中CO2的扩散系数，μ为水的动力黏性，Pa·s；U为流体介质速度，m/s；d为管线直径，mm；H为CO2溶解的亨利常数，/>
为CO2分压，kPa；VCL为界面磨损率，kg/(m2s)；B为布氏硬度， HB；F为颗粒形状系数；k为湍流动能，m2s2；Vcor为预测腐蚀速率，mm/a，ρL为流体密度kg/m3；公式中，a，b，d，m为常数。
进一步地，所述材质包括钢材中含铬百分比以及多层结构排布。
进一步地，在使用时间预测腐蚀厚度前，可以利用所述腐蚀模型，根据设定腐蚀厚度计算确定使用寿命，获得运输管道网络模型使用寿命分布图，若分布数量使用寿命小于设计寿命超过第三阈值，发出第一预警。
进一步地，运输管道网络模型由多部件构成，可以单独设置一部件的腐蚀模型。
进一步地，所述腐蚀模型还包括：含有酸性气体的第二模型为：
子模型1：
子模型2：
子模型3：
所述第二模型根据CO2、H2S的分压比确定子模型。
包含溶液的第三模型为：
其中
表示H2S的分压，/>
表示CO2的分压，Ea表示腐蚀反应的激活能， A、B、C、D、E、F均为常数，lnVx表示腐蚀速率，R为气体常数，T为热力学温度，Q表示溶液流量，S表示管道内壁横截面积，Re为雷诺系数，l为管道长度， v为管道内流速，d为管道直径，g为重力加速度。
实施例2
管道腐蚀缺陷预测系统，该系统包括：
管道模型框架模块，用于根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，
管道模型完善模块，用于根据油田的地质参数，设定部件的类型，材质；
腐蚀模型预测模块，用于根据油田的地质参数，获取部件中的温度，CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；
报警模块，用于当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；
其中，若第一腐蚀厚度与第二腐蚀厚度差值小于第二阈值，则对所述腐蚀模型进行修正，迭代优化修正腐蚀模型，直到差值小于0.1％；若第一腐蚀厚度与第二腐蚀厚度差值大于等于第二阈值，则更换腐蚀模型；
模型数据库，用于存储多种腐蚀模型，
部件数据库，用于存储多种部件的关联特征参数，
调节控件，用于按照不同粒度调节选定部件的腐蚀模型内参数的步长
操作界面，用于选择和设定腐蚀模型的参数。
本发明的优点在于：
1、本发明通过构造腐蚀模型，比较腐蚀模型的第一腐蚀厚度、超声波探伤结果的第二腐蚀厚度后，发出风险评估结果；本发明通过模型优化操作，克服了模型通用性不足的问题。
2、通过模型的选择以及控件选择数值简化了数据填写操作，
3、通过构造多种腐蚀模型，选择部件的对应的腐蚀模型预测提高了管道剩余寿命的预测，提高了CO2管道输送过程的可靠性。
4、通过拟合构造第三模型，可有效模拟出入口口径不同L型部件的腐蚀速率，提高了连接处部件的剩余寿命预测，提高了网络关键件节点的评估效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种管道腐蚀缺陷预测方法，其特征在于：该方法包括以下步骤：
S1、根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，
S2、根据油田的地质参数，设定部件的类型，材质；
S3、根据油田的地质参数，获取部件中的温度，CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；
S4、当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；
若第一腐蚀厚度与第二腐蚀厚度差值小于第二阈值，则对所述腐蚀模型进行修正，若第一腐蚀厚度与第二腐蚀厚度差值大于等于第二阈值，，则更换腐蚀模型。
2.根据权利要求1所述管道腐蚀缺陷预测方法，其特征在于：：所述部件的类型包括L型管，T型管，Y型管，竖直管道。
3.根据权利要求1所述管道腐蚀缺陷预测方法，其特征在于：：所述腐蚀模型包括：第一模型为：
Vcor＝aρLVcVCL+bVc+d
VCL＝1559B-0.592Fv 1.732km
其中，VC为腐蚀速率，mm/a；Vr是当传质为有限快时的最大腐蚀反应速率mm/a；Vm为腐蚀组分最快的传质速率，mm/a；
为水中CO2的扩散系数，μ为水的动力黏性，Pa·s；U为流体介质速度，m/s；d为管线直径，mm；H为CO2溶解的亨利常数，/>
为CO2分压，kPa；VCL为界面磨损率，kg/(m2s)；B为布氏硬度，HB；F为颗粒形状系数；k为湍流动能，m2s2；Vcor为预测腐蚀速率，mm/a，ρL为流体密度kg/m3；公式中，a，b，d，m为常数。
4.根据权利要求1所述管道腐蚀缺陷预测方法，其特征在于：所述材质包括钢材中含铬百分比以及多层结构排布。
5.根据权利要求1所述管道腐蚀缺陷预测方法，其特征在于：在使用时间预测腐蚀厚度前，可以利用所述腐蚀模型，根据设定腐蚀厚度计算确定使用寿命，获得运输管道网络模型使用寿命分布图，若分布数量使用寿命小于设计寿命超过第三阈值，发出第一预警。
6.根据权利要求1所述管道腐蚀缺陷预测方法，其特征在于：运输管道网络模型由多部件构成，可以单独设置一部件的腐蚀模型。
7.根据权利要求1所述管道腐蚀缺陷预测方法，其特征在于：所述腐蚀模型包括：含有酸性气体的第二模型以及包含溶液的第三模型。
8.一种管道腐蚀缺陷预测系统，其特征在于，该系统包括：
管道模型框架模块，用于根据运输管道规划图，选择运输管道网络模型库中的部件构建运输管道网络模型，
管道模型完善模块，用于根据油田的地质参数，设定部件的类型，材质；
腐蚀模型预测模块，用于根据油田的地质参数，获取部件中的温度，CO2压力值，介质流速，离子浓度，含水量，PH值，选择腐蚀模型根据设定时间进行计算确定第一腐蚀厚度，获得运输管道网络模型腐蚀风险点位置；
报警模块，用于当第一腐蚀厚度超过第一阈值时，根据所述腐蚀风险点进行超声波探伤，根据超声波探伤结果获得第二腐蚀厚度，比较第一腐蚀厚度、第二腐蚀厚度后，发出风险评估结果；
其中，若第一腐蚀厚度与第二腐蚀厚度差值小于第二阈值，则对所述腐蚀模型进行修正，迭代优化修正腐蚀模型，直到差值小于0.1％；若第一腐蚀厚度与第二腐蚀厚度差值大于等于第二阈值，则更换腐蚀模型；
模型数据库，用于存储多种腐蚀模型，
部件数据库，用于存储多种部件的关联特征参数，
调节控件，用于按照不同粒度调节选定部件的腐蚀模型内参数的步长
操作界面，用于选择和设定腐蚀模型的参数。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1-7所述管道腐蚀缺陷预测方法。
10.一种终端设备，包括存储器、处理器以及存储在所述所述存储器中并可在所述处理上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1-7所述管道腐蚀缺陷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211255310.9A CN115879267A (zh) | 2022-10-13 | 2022-10-13 | 一种管道腐蚀缺陷预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211255310.9A CN115879267A (zh) | 2022-10-13 | 2022-10-13 | 一种管道腐蚀缺陷预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115879267A true CN115879267A (zh) | 2023-03-31 |
Family
ID=85770371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211255310.9A Pending CN115879267A (zh) | 2022-10-13 | 2022-10-13 | 一种管道腐蚀缺陷预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879267A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113268883A (zh) * | 2021-06-03 | 2021-08-17 | 西安建筑科技大学 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
| CN113358582A (zh) * | 2021-06-04 | 2021-09-07 | 山东国瑞新能源有限公司 | 一种混凝土结构缺陷的检测方法、设备及介质 |
| CN113761476A (zh) * | 2020-06-01 | 2021-12-07 | 中国石油化工股份有限公司 | 基于局部检测的炼化管道腐蚀综合预测方法及装置 |
| CN114062236A (zh) * | 2021-11-12 | 2022-02-18 | 西南石油大学 | 一种含二氧化碳和硫化氢六因素局部腐蚀速率预测模型 |
| US20220307970A1 (en) * | 2021-03-25 | 2022-09-29 | Saudi Arabian Oil Company | Integrated corrosion monitoring ultrasound probe and probing location determination method and device |
-
2022
- 2022-10-13 CN CN202211255310.9A patent/CN115879267A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113761476A (zh) * | 2020-06-01 | 2021-12-07 | 中国石油化工股份有限公司 | 基于局部检测的炼化管道腐蚀综合预测方法及装置 |
| US20220307970A1 (en) * | 2021-03-25 | 2022-09-29 | Saudi Arabian Oil Company | Integrated corrosion monitoring ultrasound probe and probing location determination method and device |
| CN113268883A (zh) * | 2021-06-03 | 2021-08-17 | 西安建筑科技大学 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
| CN113358582A (zh) * | 2021-06-04 | 2021-09-07 | 山东国瑞新能源有限公司 | 一种混凝土结构缺陷的检测方法、设备及介质 |
| 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 |
| CN114062236A (zh) * | 2021-11-12 | 2022-02-18 | 西南石油大学 | 一种含二氧化碳和硫化氢六因素局部腐蚀速率预测模型 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104063588B (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 | |
| Singh et al. | A methodology for risk-based inspection planning of oil and gas pipes based on fuzzy logic framework | |
| CN111339701B (zh) | 基于Brunone动态摩阻的管道泄漏特性Godunov模拟方法 | |
| CN112214940A (zh) | 一种湿天然气管道内腐蚀高风险段识别方法 | |
| CN111798930A (zh) | 一种考虑腐蚀产物膜影响的co2腐蚀速率预测方法 | |
| Witek et al. | Influence of gas transmission network failure on security of supply | |
| CN115879267A (zh) | 一种管道腐蚀缺陷预测方法和系统 | |
| CN101929604B (zh) | 高压输气管线减压波分析预测方法 | |
| Gu et al. | Predictive study of flow-accelerated corrosion characteristic parameters based on the neural network | |
| Zhu et al. | Physics-informed machine learning and its structural integrity applications: state of the art | |
| CN117688725A (zh) | 一种预测油气管道腐蚀破裂压力的方法及装置 | |
| CN109816133A (zh) | 一种管道内腐蚀预测方法 | |
| CN116050955B (zh) | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 | |
| CN109299553B (zh) | 一种水下连接器密封性能退化随机模型建模方法 | |
| Straub et al. | Temporal variability in corrosion modeling and reliability updating | |
| WO2009022148A1 (en) | Method and apparatus for operating a pipeline | |
| JPH09318586A (ja) | ステンレス鋼油井管の寿命予測方法 | |
| KR102545240B1 (ko) | 배관 감육 예측 장치 및 방법 | |
| Johar et al. | Experimental and CFD erosion modelling of large radius pipe elbows in liquid | |
| Nordhagen et al. | Main properties governing the ductile fracture velocity in pipelines: a numerical study using an (artificial fluid)-structure interaction model | |
| US20240117736A1 (en) | System for providing real-time predictive carbon dioxide corrosion rate modelling | |
| CN112749469A (zh) | 原油管道监控方法和装置、计算机可读存储介质 | |
| CN116401829A (zh) | 一种注水海底管道腐蚀速率预测方法 | |
| US20230220957A1 (en) | Digitalization and automation of corrosion coupon analysis with a predictive element | |
| Poirier et al. | Retained Hydrogen Literature Study for DWPF |
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 |