CN117037923A - 基于bp神经网络的管道腐蚀速率的预测方法 - Google Patents

基于bp神经网络的管道腐蚀速率的预测方法 Download PDF

Info

Publication number
CN117037923A
CN117037923A CN202210459990.XA CN202210459990A CN117037923A CN 117037923 A CN117037923 A CN 117037923A CN 202210459990 A CN202210459990 A CN 202210459990A CN 117037923 A CN117037923 A CN 117037923A
Authority
CN
China
Prior art keywords
corrosion
pipeline
neural network
environment
corrosion rate
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
CN202210459990.XA
Other languages
English (en)
Inventor
孙兆岩
代清
刘志尧
卢秀德
石孝志
尹丛彬
黄伟
李嘉
房伟
刘佳林
宋丹
李源源
李雪飞
袁龙
许桂莉
陈斯瑜
金沁
李莹
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.)
China National Petroleum Corp
CNPC Chuanqing Drilling Engineering Co Ltd
Original Assignee
China National Petroleum Corp
CNPC Chuanqing Drilling Engineering 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 China National Petroleum Corp, CNPC Chuanqing Drilling Engineering Co Ltd filed Critical China National Petroleum Corp
Priority to CN202210459990.XA priority Critical patent/CN117037923A/zh
Publication of CN117037923A publication Critical patent/CN117037923A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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"
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明提供了一种基于BP神经网络的管道腐蚀速率的预测方法。确定影响管道腐蚀的主要环境影响因素；根据所述主要环境影响因素建立管道在H2S+CO2环境中的腐蚀数学模型；利用遗传算法优化BP神经网络对所述管道在H2S+CO2环境中的腐蚀数学模型进行优化；利用优化后的管道H2S+CO2环境中的腐蚀数学模型预测管道的腐蚀速率。本发明的有益效果包括：本发明以温度、腐蚀介质流速以及H2S和CO2分压比条件作为的主要环境影响因素进行腐蚀失重实验；建立腐蚀数学模型；并通过遗传算法优化BP神经网络对获得的腐蚀模型进行优化。操作简单，预测方法推广性强，便于工程应用。

Description

基于BP神经网络的管道腐蚀速率的预测方法
技术领域
本发明属于油气田腐蚀防护技术领域，具体地，涉及一种基于BP神经网络的管道腐蚀速率的预测方法。
背景技术
连续油管的腐蚀发生在运输、保存和作业等全过程，根据统计资料显示，大约51％的连续油管失效与腐蚀有关，它降低了管柱的强度，增加了管柱疲劳损坏的敏感性，减弱了压力控制设备的密封效果，同时影响了测量、检测装置准确度，严重影响连续油管的正常作业。
随着我国高酸性油气田的不断开发，目前关于连续油管在H2S+CO2环境中的腐蚀研究已经成为了腐蚀领域中的热点之一。但是基于室内模拟 H2S+CO2共存环境腐蚀速率测试风险高、测试结果差异大；现有的腐蚀速率预测方法主要是针对CO2腐蚀环境，且鲜有针对连续油管的腐蚀预测。
公开号为“CN111798930A”、名称为“一种考虑腐蚀产物膜影响的CO2腐蚀速率预测方法”公开了一种考虑腐蚀产物膜影响的CO2腐蚀速率预测方法，所述方法包括：首先对CO2溶液体系进行化学平衡计算，确定腐蚀过程中主要的电化学反应，利用Butler-Volmer方程建立电化学模型；利用柯尔本 j因数类似法和拟定的腐蚀产物膜因子建立传质模型，其中腐蚀产物膜因子可由实验所测腐蚀速率通过腐蚀机理模型反算得到；最后结合混合电位理论得到腐蚀电位，进一步计算得到腐蚀速率。该方法考虑多场耦合作用，基于腐蚀反应机理和数学推导，建立了油气管道CO2腐蚀预测机理模型，并考虑腐蚀产物膜存在下理论预测值偏高的情况，通过拟定腐蚀产物膜因子对预测结果进行校正，提高了腐蚀预测的准确性，且具有良好的外推性和灵活性。
公开号为“CN106442291A”、名称为“一种基于BP神经网络腐蚀疲劳寿命预测方法及应用”公开了基于BP神经网络腐蚀疲劳寿命预测方法及应用，包括以下步骤：选择最大应力、应力比、加载频率、溶液pH值为影响腐蚀疲劳寿命的主要因素；设计加工一套腐蚀疲劳试验的配套腐蚀溶液循环装置，针对高强度抽油杆试样进行特定生产环境下的腐蚀疲劳循环失效系列实验，收集整理实验数据并分成训练样本与预测样本；设置人工神经网络参数，建立影响因素与腐蚀疲劳寿命之间的非线性映射；神经系统训练及测试；新样本腐蚀疲劳寿命预测；该方法将BP神经网络模型的高度非线性逼近能力，实现了高强度抽油杆腐蚀疲劳寿命的预测，操作简单；预测方法推广性强，便于工程应用。
然而，以上两项技术均不能用于连续油管在H2S+CO2共存环境下腐蚀速率的预测。因此有必要进行连续油管在H2S+CO2环境中的腐蚀速率预测研究，为指导油气田进行连续油管作业的腐蚀预防措施提供理论支撑。
发明内容
针对现有技术中存在的不足，本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如，本发明的目的之一在于提供一种操作简单；预测方法推广性强，便于工程应用的基于BP神经网络的管道腐蚀速率的预测方法。
为了实现上述目的，本发明提供了一种基于BP神经网络的管道腐蚀速率的预测方法，所述预测方法包括步骤：
确定影响管道腐蚀的主要环境影响因素；
根据所述主要环境影响因素建立管道在H2S+CO2环境中的腐蚀数学模型；
利用遗传算法优化BP神经网络对所述管道在H2S+CO2环境中的腐蚀数学模型进行优化；
利用优化后的管道在H2S+CO2环境中的腐蚀数学模型预测管道的腐蚀速率。
在本发明的一个示例性实施中，所述确定影响管道腐蚀的主要环境影响因素可包括：
将管道试样置于H2S+CO2环境中，采用单因素实验法进行腐蚀失重实验，确定影响管道腐蚀的主要环境影响因素以及腐蚀数据。
在本发明的一个示例性实施中，所述主要环境影响因素可包括温度、腐蚀介质流速、H2S和CO2分压比中至少一种。
在本发明的一个示例性实施中，所述H2S+CO2环境的压力可为1.51～2.40Mpa、温度可为40～140℃，CO2和H2S的分压比可为15:1～5:3。
在本发明的一个示例性实施中，所述管道在H2S+CO2环境中的腐蚀数学模型为式1，式1为：
其中，VCorr为腐蚀速率，mm/a；为CO2分压，MPa；/>为H2S分压，MPa。
在本发明的一个示例性实施中，所述根据所述主要环境影响因素建立管道在H2S+CO2环境中的腐蚀数学模型可包括步骤：
在H2S单独存在时，管道在H2S中的腐蚀速率随着H2S分压的增加而增加，则管道在H2S环境中的腐蚀数学模型可为式2，式2为：
在CO2和H2S共存且时，管道在H2S+CO2环境中的腐蚀速率呈现抛物线型变化，即管道在H2S+CO2环境中的腐蚀数学模型可为式3，式3为：
式中，VCorr为腐蚀速率，mm/a；为CO2分压，MPa；/>为H2S分压，MPa；C1、C2、C3、C4和C5为待定的常数；
将管道试样放入H2S+CO2环境中进行腐蚀失重实验，得到不同条件下的管道的腐蚀数据，拟合得到C1、C2、C3、C4和C5的值即得到式1。
在本发明的一个示例性实施中，所述腐蚀失重实验可包括：分别测试不同温度下管道的液相腐蚀速率、不同腐蚀介质流速下管道的腐蚀速率、以及不同H2S分压下管道的腐蚀速率。
在本发明的一个示例性实施中，所述拟合可包括：利用Matlab软件对式 3中的相关系数进行多元拟合处理。
在本发明的一个示例性实施中，所述利用遗传算法优化BP神经网络对腐蚀数学模型进行优化可包括：
(1)随机初始化种群，设定BP神经网络隐含层节点数和每层节点数的范围，对输入层节点数、隐含层节点数和输出层节点数分别进行编码，随机产生N个这样编码的染色体，并对其进行解码；
(2)将不同的初始权值和阀值分别赋予给网络，开始进行网络学习训练；
(3)计算每个编码对应的BP神经网络的误差，基于特定适应值的选择策略确定每个染色体的适应度；
(4)选择一定数量适应度最好的染色体组建成种群；
(5)对当前一代种群进行交叉操作和变异操作，产生新优良种群；
(6)不断重复步骤(2)～(5)，直到种群中某个染色体作为优化问题的最优解体(对应一个网络结构)能满足BP神经网络误差要求为止。
在本发明的一个示例性实施中，所述网络中输入层到隐含层的传递函数可采用S型的logsig函数，隐含层到输出层的传递函数可采用purelin函数，网络学习训练可采用trainlm函数，确定网络学习速率可为0.03～0.07，目标误差可为0.002～0.005，动量系数取值可为0.7～0.9，最大训练次数可为400～600 次。
与现有技术相比，本发明的有益效果可包括以下内容：
本发明选择不同温度、不同腐蚀介质流速以及不同H2S和CO2分压比条件作为的主要环境影响因素；设计实施腐蚀失重实验；分析其腐蚀机理、规律，收集整理实验数据并作为训练样本；建立管道的腐蚀数学模型对管道在 H2S+CO2环境中的腐蚀速率进行预测；并通过遗传算法优化BP神经网调整神经网络参数，建立影响因素与腐蚀寿命之间的非线性映射，进行神经系统训练及测试，对管道在H2S+CO2环境中的腐蚀数学模型进行优化，提高预测精确度；此外，本发明的预测方法新样本腐蚀寿命预测，操作简单；预测方法推广性强，便于工程应用。
附图说明
通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：
图1a示出了本发明的具体示例中CT110连续油管试样腐蚀失重实验的气相腐蚀产物膜SEM形貌图；
图1b示出了本发明的具体示例中CT110连续油管试样腐蚀失重实验的液相腐蚀产物膜SEM形貌图；
图2a示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的气相腐蚀产物膜EDS能谱图；
图2b示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的液相腐蚀产物膜EDS能谱图；
图3a示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的气相腐蚀产物膜XRD图；
图3b示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的液相腐蚀产物膜XRD图；
图4示出了本发明的具体示例中CO2分压为1.5MPa时不同H2S分压条件下腐蚀速率预测值与实测值对比图；
图5示出了本发明的具体示例中CO2分压为1.2MPa时不同H2S分压条件下腐蚀速率预测值与实测值对比图。
具体实施方式
在下文中，将结合附图和示例性实施例详细地描述本发明的基于BP神经网络的管道腐蚀速率的预测方法，本发明中出现的第一和第二不表示先后顺序，仅用于相互区别。
在本发明的第一示例性实施例中，基于BP神经网络的管道腐蚀速率的预测方法包括步骤：
确定影响管道腐蚀的主要环境影响因素。这里，可以通过管道试样在 H2S+CO2环境中的失重实验来确定影响管道腐蚀的主要环境因素。然而，本发明不限于此，其它方式也可以。
根据所述主要环境影响因素建立管道在H2S+CO2环境中的腐蚀数学模型。
利用遗传算法优化BP神经网络对所述管道在H2S+CO2环境中的腐蚀数学模型进行优化。
利用优化后的管道在H2S+CO2环境中的腐蚀数学模型预测管道的腐蚀速率。
在本示例性实施中，所述确定影响管道腐蚀的主要环境影响因素可包括：
将管道试样置于H2S+CO2环境中，采用单因素实验法进行腐蚀失重实验，确定影响管道腐蚀的主要环境影响因素以及腐蚀数据。
在本示例性实施中，所述主要环境影响因素可包括温度、腐蚀介质流速、 H2S和CO2分压比中至少一种。
在本示例性实施中，所述H2S+CO2环境的压力可为1.51～2.40Mpa、温度可为40～140℃，CO2和H2S的分压比可为15:1～5:3。
在本示例性实施中，所述管道在H2S+CO2环境中的腐蚀数学模型为式1，式1为：
其中，VCorr为腐蚀速率，mm/a；为CO2分压，MPa；/>为H2S分压，MPa。
在本示例性实施中，所述根据所述主要环境影响因素建立管道在 H2S+CO2环境中的腐蚀数学模型可包括步骤：
在H2S单独存在时，管道在H2S中的腐蚀速率随着H2S分压的增加而增加，呈幂函数的形式改变，则管道在H2S环境中的腐蚀数学模型可为式2，式2为：
在CO2和H2S共存且时，管道在H2S+CO2环境中的腐蚀速率呈现抛物线型变化，即管道在H2S+CO2环境中的腐蚀数学模型可为式3，式3为：
式中，VCorr为腐蚀速率，mm/a；为CO2分压，MPa；/>为H2S分压，MPa；C1、C2、C3、C4和C5为待定的常数；
将管道试样放入H2S+CO2环境中进行腐蚀失重实验，得到不同条件下的管道的腐蚀数据，拟合得到C1、C2、C3、C4和C5的值即得到式1。
在本示例性实施中，所述腐蚀失重实验可包括：分别测试不同温度下管道的液相腐蚀速率、不同腐蚀介质流速下管道的腐蚀速率、不同H2S分压下管道的腐蚀速率、以及气相和液相腐蚀速率的对比中的一种或多种。
在本示例性实施中，所述拟合可包括：利用Matlab软件对式3中的相关系数进行多元拟合处理。这里，除了Matlab还可以利用还可以用VB或者 python等软件进行拟合。
在本示例性实施中，所述利用遗传算法优化BP神经网络对腐蚀数学模型进行优化可包括：
(1)随机初始化种群，设定BP神经网络隐含层节点数和每层节点数的范围，对输入层节点数、隐含层节点数和输出层节点数分别进行编码，随机产生N个这样编码的染色体，并对其进行解码；
(2)将不同的初始权值和阀值分别赋予给网络，开始进行网络学习训练；
(3)计算每个编码对应的BP神经网络的误差，基于特定适应值的选择策略确定每个染色体的适应度；
(4)选择一定数量适应度最好的染色体组建成种群；
(5)对当前一代种群进行交叉操作和变异操作，产生新优良种群；
(6)不断重复步骤(2)～(5)，直到种群中某个染色体作为优化问题的最优解体(对应一个网络结构)能满足BP神经网络误差要求为止。
在本示例性实施中，所述网络中输入层到隐含层的传递函数可采用S型的logsig函数，隐含层到输出层的传递函数可采用purelin函数，网络学习训练可采用trainlm函数。这里，在神经网络中确定网络学习速率可为0.03～0.07，例如，0.05；目标误差可为0.002～0.005，例如，取0.005；动量系数取值可为 0.7～0.9，例如，取0.9；最大训练次数可为400～600次，例如，取500次。
图1a示出了本发明的具体示例中CT110连续油管试样腐蚀失重实验的气相腐蚀产物膜SEM形貌图；图1b示出了本发明的具体示例中CT110连续油管试样腐蚀失重实验的液相腐蚀产物膜SEM形貌图；图2a示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的气相腐蚀产物膜EDS能谱图；图2b示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的液相腐蚀产物膜EDS能谱图；图3a示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的气相腐蚀产物膜XRD图；图3b示出了本发明的具体示例中CT110级连续管试样腐蚀失重实验的液相腐蚀产物膜XRD图；图4示出了本发明的具体示例中CO2分压为1.5MPa时不同H2S分压条件下腐蚀速率预测值与实测值对比图；图5示出了本发明的具体示例中CO2分压为 1.2MPa时不同H2S分压条件下腐蚀速率预测值与实测值对比图。
为了更好地理解本发明的上述示例性实施例，下面结合具体示例对其进行进一步说明。
以CT110连续油管试样为例，采用上述第一示例性实施例的基于BP神经网络的管道腐蚀速率的预测方法步骤如下：
步骤一：针对连续油管进行H2S+CO2环境中的腐蚀失重实验
1.温度对腐蚀速率的影响
CT110连续油管试样的转速为256r/min，CO2的分压为1.5MPa，H2S的分压为0.6MPa，考察不同温度条件下CT110连续油管试样的液相腐蚀速率变化规律，实验结果见表1。
表1温度对腐蚀速率的影响
2.腐蚀介质流速对腐蚀速率的影响
设定CO2的分压为1.5MPa，H2S的分压为0.6MPa，温度为100℃时，考察腐蚀介质在不同流速条件下对CT110连续油管试样的液相腐蚀速率变化规律，实验结果见表2。
表2腐蚀介质流速对腐蚀速率的影响
3.H2S分压对腐蚀速率的影响
设定腐蚀介质流速为1m/s，CO2的分压为1.5MPa，温度为100℃，考察不同H2S分压条件下CT110连续油管试样的液相腐蚀速率变化规律，实验结果见表3。
表3不同H2S分压对腐蚀速率的影响
4.气相、液相腐蚀速率的对比
设定腐蚀介质流速为1m/s，CO2的分压1.5MPa，H2S的分压为0.6MPa，温度为100℃，考察分析相同实验条件下CT110连续油管试样在气相和液相中腐蚀速率的差异，实验结果见表4。
表4气相/液相腐蚀速率的对比
5.腐蚀产物膜SEM形貌、EDS分析和XRD分析
对CT110连续油管试样在气相和液相中腐蚀得到的产物进行SEM形貌观察、EDS分析以及XRD分析，其结果如图1、图2和图3中所示。
由图1a和图1b可知，CT110连续油管试样在液相介质中以均匀腐蚀为主，其腐蚀速率相对较低；而在气相介质中CT110连续油管试样的非均匀腐蚀比液相中的要严重。
表5CT110级连续管试样的气相/液相腐蚀产物膜EDS能谱分析结果
由图2a和图2b可知，CT110连续油管试样在气相和液相中腐蚀产物的主要元素均是Fe、S、C和O，无论是气相还是液相中的腐蚀产物中元素S的含量均比较高，表明了CT110连续油管在此分压比条件下的腐蚀产物中主要含有铁的硫化物，而是否含有CO2的腐蚀产物还有待进一步分析。
由图3a和图3b中可知，XRD分析结果显示，CT110连续油管试样在气相和液相腐蚀产物的膜成分均为H2S的腐蚀产物，并未出现CO2的腐蚀产物，说明在此分压比条件下CT110连续油管表面出现H2S和CO2竞争关系，由于两者分压比PCO2/PH2S较小，腐蚀体系中CO2未能直接参与腐蚀过程，而以 H2S腐蚀为主导。
步骤二：建立相应的腐蚀数学模型
结合步骤一中对连续油管在H2S+CO2环境中的腐蚀机理、规律、实验分析以及实验数据，根据需求，建立相应的腐蚀数学模型。
一般认为单独存在H2S腐蚀时，连续油管的腐蚀速率随着H2S分压的增加而增加，呈幂函数的形式改变，因此单独H2S腐蚀时数学模型可以表示如下：
在CO2和H2S共存环境中，当体系中时，H2S控制腐蚀过程，随着H2S分压的升高，分压比/>降低，连续油管的腐蚀速率也变大。另一方面，在这个分压比范围内腐蚀体系中随着CO2分压的升高，连续油管的腐蚀速率也出现增大现象，此时虽然CO2在与H2S腐蚀竞争中失利而未能直接参与腐蚀，但是CO2的加入降低了腐蚀介质的pH值，促进了H2S 的腐蚀。然而，当H2S分压逐渐增大时，形成的FeS腐蚀产物膜增多，又抑制了腐蚀的持续进行，综合这些因素最终导致了腐蚀速率呈现抛物线型变化。
综上所述，建立腐蚀体系中H2S为主导时的腐蚀数学模型如下：
式中C1、C2、C3、C4和C5为待定的常数。
结合步骤一得到的实验数据，利用Matlab软件对上式中的相关系数进行多元拟合处理，得到的数学模型如下：
式中：VCorr为腐蚀速率；为CO2分压，/>为H2S分压；
步骤三：结合遗传算法优化BP神经网络构建模型
网络中输入层到隐含层的传递函数采用S型的logsig函数，隐含层到输出层的传递函数采用purelin函数，网络学习训练采用trainlm函数，确定网络学习速率为0.05，目标误差为0.005，动量系数取值为0.9，最大训练次数为500次。优化后，将预测值与实测值进行比较，结果见表6。
表6遗传算法优化BP人工神经网络预测值与实测值比较
步骤四：预测H2S分压对腐蚀速率的影响
设定温度为100℃，图4和图5分别示出了CO2分压为1.5MPa和1.2MPa 条件下利用建立的遗传算法优化BP神经网络模型预测不同H2S条件下的腐蚀速率变化，预测值与实测值的对比结果。
从图4和图5中可以看出预测值与实测值吻合的较好，即使在变化曲线中出现了腐蚀速率突变，但是网络通过学习训练后仍然能够辨别出其变化规律。
采用本申请中设计的方法预测出连续油管在H2S+CO2环境作业过程中的腐蚀速率，为后续是否采取防腐措施，以及采取何种防腐措施提供依据。
基于BP神经网络的管道腐蚀速率的预测方法解决的关键性技术难题：是否能且准确预测连续油管在H2S+CO2环境中的腐蚀速率，以判断油管的使用更换情况，避免造成油田安全事故。
目前对于油套管的腐蚀预测主要有实验室法+三轴力学实验法，电化学预测等方法，此类方法对在长期使用中总结得到其预测的腐蚀速率偏大，且实验法尤其是腐蚀实验的操作过程中，H2S属于剧毒气体，如有泄露将会造成严重的人员伤亡，不符合安全、环保的社会理念。本申请中的方法除了减少实验部分的设置、保障实验人员的安全外，计算模型的建立是根据连续油管在井下作业，考虑到连续油管与其它套钢管的不同之处，更适合且精准的预测出连续油管在H2S+CO2环境中的腐蚀情况。
综上所述，本发明的有益效果可包括以下至少一项：
本发明选择不同温度、不同腐蚀介质流速以及不同H2S和CO2分压比条件作为的主要环境影响因素；设计实施腐蚀失重实验；分析其腐蚀机理、规律，收集整理实验数据并作为训练样本；建立管道的腐蚀数学模型对管道在 H2S+CO2环境中的腐蚀速率进行预测；并通过遗传算法优化BP神经网调整神经网络参数，建立影响因素与腐蚀寿命之间的非线性映射，进行神经系统训练及测试，对管道在H2S+CO2环境中的腐蚀数学模型进行优化，提高预测精确度；此外，本发明的预测方法新样本腐蚀寿命预测，操作简单；预测方法推广性强，便于工程应用。
尽管上面已经通过结合示例性实施例描述了本发明，但是本领域技术人员应该清楚，在不脱离权利要求所限定的精神和范围的情况下，可对本发明的示例性实施例进行各种修改和改变。

Claims (10)

1.一种基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述预测方法包括步骤：
确定影响管道腐蚀的主要环境影响因素；
根据所述主要环境影响因素建立管道在H2S+CO2环境中的腐蚀数学模型；
利用遗传算法优化BP神经网络对所述管道在H2S+CO2环境中的腐蚀数学模型进行优化；
利用优化后的管道在H2S+CO2环境中的腐蚀数学模型预测管道的腐蚀速率。
2.根据权利要求1所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述确定影响管道腐蚀的主要环境影响因素包括：
将管道试样置于H2S+CO2环境中，采用单因素实验法进行腐蚀失重实验，确定影响管道腐蚀的主要环境影响因素以及腐蚀数据。
3.根据权利要求1或2所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述主要环境影响因素包括温度、腐蚀介质流速、H2S和CO2分压比中至少一种。
4.根据权利要求1所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述H2S+CO2环境的压力为1.51～2.40Mpa、温度为40～140℃，CO2和H2S的分压比为15:1～5:3。
5.根据权利要求1所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述管道在H2S+CO2环境中的腐蚀数学模型为式1，式1为：
其中，VCorr为腐蚀速率，mm/a；为CO2分压，MPa；/>为H2S分压，MPa。
6.根据权利要求5所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述根据所述主要环境影响因素建立管道在H2S+CO2环境中的腐蚀数学模型包括步骤：
在H2S单独存在时，管道在H2S中的腐蚀速率随着H2S分压的增加而增加，则管道在H2S环境中的腐蚀数学模型为式2，式2为：
在CO2和H2S共存且时，管道在H2S+CO2环境中的腐蚀速率呈现抛物线型变化，即管道在H2S+CO2环境中的腐蚀数学模型为式3，式3为：
式中，VCorr为腐蚀速率，mm/a；为CO2分压，MPa；/>为H2S分压，MPa；C1、C2、C3、C4和C5为待定的常数；
将管道试样放入H2S+CO2环境中进行腐蚀失重实验，得到不同条件下的管道的腐蚀数据，拟合得到C1、C2、C3、C4和C5的值即得到式1。
7.根据权利要求6所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述腐蚀失重实验包括：分别测试不同温度下管道的液相腐蚀速率、不同腐蚀介质流速下管道的腐蚀速率、以及不同H2S分压下管道的腐蚀速率。
8.根据权利要求6所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述拟合包括：利用Matlab软件对式3中的相关系数进行多元拟合处理。
9.根据权利要求1所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述利用遗传算法优化BP神经网络对腐蚀数学模型进行优化包括：
(1)随机初始化种群，设定BP神经网络隐含层节点数和每层节点数的范围，对输入层节点数、隐含层节点数和输出层节点数分别进行编码，随机产生N个这样编码的染色体，并对其进行解码；
(2)将不同的初始权值和阀值分别赋予给网络，开始进行网络学习训练；
(3)计算每个编码对应的BP神经网络的误差，基于特定适应值的选择策略确定每个染色体的适应度；
(4)选择一定数量适应度最好的染色体组建成种群；
(5)对当前一代种群进行交叉操作和变异操作，产生新优良种群；
(6)不断重复步骤(2)～(5)，直到种群中某个染色体作为优化问题的最优解体(对应一个网络结构)能满足BP神经网络误差要求为止。
10.根据权利要求6所述的基于BP神经网络的管道腐蚀速率的预测方法，其特征在于，所述网络中输入层到隐含层的传递函数采用S型的logsig函数，隐含层到输出层的传递函数采用purelin函数，网络学习训练采用trainlm函数，确定网络学习速率为0.03～0.07，目标误差为0.002～0.005，动量系数取值为0.7～0.9，最大训练次数为400～600次。
CN202210459990.XA 2022-04-28 2022-04-28 基于bp神经网络的管道腐蚀速率的预测方法 Pending CN117037923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210459990.XA CN117037923A (zh) 2022-04-28 2022-04-28 基于bp神经网络的管道腐蚀速率的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210459990.XA CN117037923A (zh) 2022-04-28 2022-04-28 基于bp神经网络的管道腐蚀速率的预测方法

Publications (1)

Publication Number Publication Date
CN117037923A true CN117037923A (zh) 2023-11-10

Family

ID=88635930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210459990.XA Pending CN117037923A (zh) 2022-04-28 2022-04-28 基于bp神经网络的管道腐蚀速率的预测方法

Country Status (1)

Country Link
CN (1) CN117037923A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744926A (zh) * 2023-12-20 2024-03-22 广东腾安机电安装工程有限公司 一种制冷机房装配式管道的施工管理方法及系统
CN118114465A (zh) * 2024-02-07 2024-05-31 海南大学 基于bp神经网络的柔性管疲劳海况预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744926A (zh) * 2023-12-20 2024-03-22 广东腾安机电安装工程有限公司 一种制冷机房装配式管道的施工管理方法及系统
CN118114465A (zh) * 2024-02-07 2024-05-31 海南大学 基于bp神经网络的柔性管疲劳海况预测方法及系统

Similar Documents

Publication Publication Date Title
CN117037923A (zh) 基于bp神经网络的管道腐蚀速率的预测方法
Sanni et al. Prediction of inhibition performance of agro-waste extract in simulated acidizing media via machine learning
Li et al. A KPCA-BRANN based data-driven approach to model corrosion degradation of subsea oil pipelines
CN104063588B (zh) 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法
CN107063991B (zh) 一种输送管道内部腐蚀缺陷动态安全评定方法和装置
CN105886680B (zh) 一种高炉炼铁过程铁水硅含量动态软测量系统及方法
CN110807540A (zh) 天然气管道内腐蚀速率的预测方法
CN110298540B (zh) 一种油气田地面管道内腐蚀风险评价方法
Akhlaghi et al. Predictive deep learning for pitting corrosion modeling in buried transmission pipelines
CN103886369A (zh) 一种基于模糊神经网络的出水总磷tp预测方法
CN111798930B (zh) 一种考虑腐蚀产物膜影响的co2腐蚀速率预测方法
CN108536926A (zh) 基于改进自适应gev分布的腐蚀油气管道剩余寿命分析方法
Li et al. Modeling the corrosion rate of carbon steel in carbonated mixtures of MDEA-based solutions using artificial neural network
Tesfamariam et al. General corrosion vulnerability assessment using a Bayesian belief network model incorporating experimental corrosion data for X60 pipe steel
CN115640744A (zh) 一种油田集输管道外腐蚀速率预测方法
Zhi et al. Long-term prediction on atmospheric corrosion data series of carbon steel in China based on NGBM (1, 1) model and genetic algorithm
Ji et al. Hazard prediction of coal and gas outburst based on the Hamming distance artificial intelligence algorithm (HDAIA)
CN114638164A (zh) 一种预测电站压力管道高温蠕变寿命的方法
Miao et al. Corroded submarine pipeline degradation prediction based on theory-guided IMOSOA-EL model
CN107844679B (zh) 一种分段式高炉铁水硅含量预测方法及装置
CN112668749B (zh) 一种基于类标加权极限学习机的煤矿瓦斯预警方法
Kuang et al. Prediction model for corrosion rate of low-alloy steels under atmospheric conditions using machine learning algorithms
Li et al. A hybrid algorithm for inspection planning of subsea pipelines subject to corrosion-fatigue degradation
CN114781250A (zh) 一种基于机器学习的多因素影响环境疲劳寿命预测方法
Kaneko et al. Development of high predictive soft sensor method and the application to industrial polymer processes

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