CN117688725A - 一种预测油气管道腐蚀破裂压力的方法及装置 - Google Patents

一种预测油气管道腐蚀破裂压力的方法及装置 Download PDF

Info

Publication number
CN117688725A
CN117688725A CN202311518455.8A CN202311518455A CN117688725A CN 117688725 A CN117688725 A CN 117688725A CN 202311518455 A CN202311518455 A CN 202311518455A CN 117688725 A CN117688725 A CN 117688725A
Authority
CN
China
Prior art keywords
pipe
corrosion
pipeline
corrosion defect
wall thickness
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
CN202311518455.8A
Other languages
English (en)
Inventor
田磊
熊道英
郑文跃
王垚
谢成
马浩楠
朱梦宇
王翰通
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 Oil and Gas Pipeline Network Corp
China Oil and Gas Pipeline Network Corp South China Branch
Original Assignee
China Oil and Gas Pipeline Network Corp
China Oil and Gas Pipeline Network Corp South China Branch
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 Oil and Gas Pipeline Network Corp, China Oil and Gas Pipeline Network Corp South China Branch filed Critical China Oil and Gas Pipeline Network Corp
Priority to CN202311518455.8A priority Critical patent/CN117688725A/zh
Publication of CN117688725A publication Critical patent/CN117688725A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明提供一种预测油气管道腐蚀破裂压力的方法及装置。该方法包括：获取腐蚀管道的第一特征空间，具体包括：腐蚀管道的特征参数和腐蚀缺陷的特征参数。对第一特征空间中的特征参数进行特征变换，得到第二特征空间，将该第二特征空间输入预测模型，以输出预测的破裂压力。该预测模型通过TPE算法优化的LightGBM构建得到。该方法能够根据腐蚀管道的原有特征参数构建具有物理意义的新特征参数，组成新的特征空间(即第二特征空间)，使预测模型能够充分挖掘隐藏在数据中的知识。并且，通过TPE优化的LightGBM来学习腐蚀管道参数、腐蚀缺陷特性和爆破压力之间的关系。这样，能够提高预测油气腐蚀管道的破裂压力的准确性。

Description

一种预测油气管道腐蚀破裂压力的方法及装置
技术领域
本发明涉及油气管道维护技术领域，具体涉及一种预测油气管道腐蚀破裂压力的方法及装置。
背景技术
在石油开采、输送及生产炼化过程中，通常需要借助油气管道(以下简称管道)完成石油、天然气、液化石油气等物质的转移、输送。管道的完整性和可靠性是保障输送过程稳定可靠运行的基础。但随着管道服役时间增长，管道内外表面会逐渐发生腐蚀，容易造成管道出现泄漏或破裂的情况。根据欧洲天然气管道事故数据组第11次报告，腐蚀是天然气管道事故的第二大原因，占所有失效原因的26.63％。天然气管道故障不仅会导致巨大的经济损失，而且会对人类安全和环境造成灾难性的影响。爆破压力能够反映在役管道的压力极限，是管道设计和维护的重要参数。因此，准确预测管道腐蚀爆破压力，对保证油气管道的运行安全和完整性管理至关重要。
管道腐蚀爆破压力预测是一个复杂的非线性力学问题。在现有的相关技术中，爆破压力预测模型存在较大的局限性。例如，经验公式相对保守，预测的爆破压力通常远低于实际爆破压力。另外，经验公式对不同强度的管线钢的适用性不同，有必要根据材料的具体牌号选择相应的型号。有限元分析要求实验者具有丰富的仿真环境和边界条件设置经验。机器学习建立的模型可解释性差，模型质量高度和预测结果的准确性依赖于数据集的质量和数量。可见，相关技术无法准确地预测油气管道的破裂压力。
发明内容
本发明所要解决的技术问题是预测油气管道腐蚀破裂压力的准确性低的问题。
为解决上述技术问题，本发明提供了一种预测油气管道腐蚀破裂压力的方法及装置。具体采用如下技术方案：
第一方面，本发明提供一种预测油气管道腐蚀破裂压力的方法，该方法包括：首先，获取腐蚀管道的第一特征空间，其中，第一特征空间包括：用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数。然后，对第一特征空间中的特征参数进行特征变换，得到第二特征空间，第二特征空间至少包括第一特征空间。最后，将第二特征空间输入预测模型，以输出腐蚀管道的预测破裂压力。其中，预测模型通过树结构贝叶斯优化(tree-structured parzen estimator，TPE)算法优化的轻量级梯度提升机(light gradientboosting machine，LightGBM)构建得到。
该方法中，能够根据腐蚀管道的原有特征参数(即上述第一特征空间)构建具有物理意义的新特征参数，与原有特征参数组成新的特征空间(即上述第二特征空间)，使预测模型能够充分挖掘隐藏在数据中的知识。并且，能够基于特雷斯卡(Tresca)屈服准则，通过TPE优化的LightGBM来学习管道参数、腐蚀特性和爆破压力之间的关系，以构建预测模型。并通过该预测模型，得到预测的破裂压力。这样，能够提高预测油气管道腐蚀破裂压力的准确性。
结合第一方面，在一种可选择的实现方式中，上述第一特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度以及管道强度等级。上述第二特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度、管道强度等级、管道壁厚与管道外径的比值、腐蚀缺陷深度与管道壁厚的比值、腐蚀缺陷宽度与管道外径的比值、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比。其中，无量纲腐蚀长度根据腐蚀缺陷长度、腐蚀缺陷深度、管道外径和管道壁厚确定得到的，腐蚀缺陷表面积根据腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度确定得到的，屈服比为管道极限强度与管道强度等级的比值。在本实现方式中，能够丰富特征空间，从而提高预测油气腐蚀管道的破裂压力的准确性。
结合第一方面，在一种可选择的实现方式中，上述预测模型的表达式为：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,x14)；
其中，
其中，Ppredict用于表示预测破裂压力，Pmax用于表示与腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力，Pmin用于表示与腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力，x1,x2,…,x14用于表示第二特征空间中的特征参数，f(x1,x2,…,x14)用于表示第二特征空间中与特征参数有关的函数，σu用于表示管道极限强度，t用于表示管道壁厚，D用于表示管道外径，d用于表示腐蚀缺陷深度。在本实现方式中，通过该预测模型能够准确地预测爆破压力，从而提高预测腐蚀管道爆破压力的准确性。
结合第一方面，在一种可选择的实现方式中，上述预测模型的构建方法包括：首先，获取爆破压力样本数据集，爆破压力样本数据集包括：管道外径样本参数、管道壁厚样本参数、腐蚀缺陷深度样本参数、腐蚀缺陷长度样本参数、腐蚀缺陷宽度样本参数、管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数以及爆破压力样本参数。然后，根据爆破压力样本数据集建立LightGBM模型。接下来，通过TPE算法优化LightGBM模型，得到优化后的LightGBM模型。最后，根据优化后的LightGBM模型，确定预测模型。这样，可以提高爆破压力样本数据集中数据的丰富性和多样性，从而提高LightGBM模型训练的精度，进而提高预测腐蚀管道爆破压力的准确性。
结合第一方面，在一种可选择的实现方式中，上述通过TPE算法优化LightGBM模型，得到优化后的LightGBM模型，包括：通过TPE算法对LightGBM模型的超参数进行优化，超参数包括：学习率，决策树数量，每棵树最大深度，训练实例的子样本比率以及叶中所需实例权重的最小和。根据优化后的超参数得到优化后的LightGBM模型。
结合第一方面，在一种可选择的实现方式中，上述通过TPE算法对LightGBM模型的超参数进行优化，包括：首先，确定超参数的每个参数组合对应的负均方根误差。通过五折交叉验证法确定超参数的每个参数组合对应的LightGBM模型的平均相对误差、平均绝对误差、平均绝对百分比误差和相关系数。将负均方根误差最小，并且，平均相对误差、平均绝对误差、平均绝对百分比误差最小，并且，相关系数与1的差值最小的参数组合确定为优化后的超参数。这样，可以提高LightGBM模型的预测精度。
第二方面，本发明提供一种预测油气管道腐蚀破裂压力的装置，装置包括：获取模块，特征变换模块和预测模块。其中，获取模块，用于获取腐蚀管道的第一特征空间，第一特征空间包括：用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数。特征变换模块，用于对第一特征空间中的特征参数进行特征变换，得到第二特征空间，第二特征空间至少包括第一特征空间。预测模块，用于将第二特征空间输入预测模型，以输出腐蚀管道的预测破裂压力，其中，预测模型通过TPE算法优化的LightGBM构建得到。
结合第二方面，在一种可选择的实现方式中，上述第一特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度以及管道强度等级。第二特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度、管道强度等级、管道壁厚与管道外径的比值、腐蚀缺陷深度与管道壁厚的比值、腐蚀缺陷宽度与管道外径的比值、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比；其中，无量纲腐蚀长度根据腐蚀缺陷长度、腐蚀缺陷深度、管道外径和管道壁厚确定得到的，腐蚀缺陷表面积根据腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度确定得到的，屈服比为管道极限强度与管道强度等级的比值。
结合第二方面，在一种可选择的实现方式中，上述预测模型的表达式为：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,x14)；
其中，
其中，Ppredict用于表示预测破裂压力，Pmax用于表示与腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力，Pmin用于表示与腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力，x1,x2,…,x14用于表示第二特征空间中的特征参数，f(x1,x2,…,x14)用于表示第二特征空间中与特征参数有关函数，σu用于表示管道极限强度，t用于表示管道壁厚，D用于表示管道外径，d用于表示腐蚀缺陷深度。
结合第二方面，在一种可选择的实现方式中，上述预测模块，还用于构建预测模型，具体用于：获取爆破压力样本数据集，爆破压力样本数据集包括：管道外径样本参数、管道壁厚样本参数、腐蚀缺陷深度样本参数、腐蚀缺陷长度样本参数、腐蚀缺陷宽度样本参数、管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数以及爆破压力样本参数。根据爆破压力样本数据集建立LightGBM模型。通过TPE算法优化LightGBM模型，得到优化后的LightGBM模型。根据优化后的LightGBM模型，确定预测模型。
可以理解地，上述第二方面的预测油气管道腐蚀破裂压力装置所能达到的有益效果，可参考第一方面及其任一种可能的设计方式中的有益效果，此处不再赘述。
附图说明
图1为本发明实施例提供的预测油气管道腐蚀破裂压力方法的框架图；
图2为本发明实施例提供的预测油气管道腐蚀破裂压力方法的流程示意图；
图3为本发明实施例提供的管道的剖面结构示意图；
图4为本发明实施例提供的预测模型构建方法的流程示意图；
图5为本发明实施例提供的预测结果的百分比误差分布示意图；
图6为本发明实施例提供的预测结果的示意图；
图7为本发明实施例提供的预测油气管道腐蚀破裂压力装置的结构示意图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
在石油开采、输送及生产炼化过程中，通常需要借助油气管道完成石油、天然气、液化石油气等物质的转移、输送。管道的完整性和可靠性是保障输送过程稳定可靠运行的基础。但随着管道服役时间增长，管道内外表面会逐渐发生腐蚀，容易造成管道出现泄漏或破裂的情况。根据欧洲天然气管道事故数据组第11次报告，腐蚀是天然气管道事故的第二大原因，占所有失效原因的26.63％。天然气管道故障不仅会导致巨大的经济损失，而且会对人类安全和环境造成灾难性的影响。爆破压力能够反映在役管道的压力极限，是管道设计和维护的重要参数。因此，准确预测管道腐蚀爆破压力，对保证油气管道的运行安全和完整性管理至关重要。
管道腐蚀爆破压力预测是一个复杂的非线性力学问题。在现有的相关技术中，爆破压力预测模型存在较大的局限性。例如，经验公式相对保守，预测的爆破压力通常远低于实际爆破压力。另外，经验公式对不同强度的管线钢的适用性不同，有必要根据材料的具体牌号选择相应的型号。有限元分析要求实验者具有丰富的仿真环境和边界条件设置经验。机器学习建立的模型可解释性差，模型质量高度和预测结果的准确性依赖于数据集的质量和数量。可见，相关技术无法准确地预测油气管道的破裂压力。
为了解决上述问题，本申请实施例提供一种预测油气管道腐蚀破裂压力的方法及装置。图1为本发明实施例提供的预测油气管道腐蚀破裂压力方法的框架图，如图1所示，该方法能够根据腐蚀管道的原有特征参数(即用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数，如图1中x1,x2,…,xk)构建具有物理意义的新特征参数(如图1中xk+1,xk+2,…,xn)，与原有特征参数组成新的特征空间，使预测模型能够充分挖掘隐藏在数据中的知识。并且，能够基于特雷斯卡(Tresca)屈服准则，通过TPE算法优化的LightGBM来学习管道参数、腐蚀特性和爆破压力之间的关系，以构建预测模型(如图1中P＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,xn))。通过将上述新的特征空间输入该预测模型，可以输出得到预测的破裂压力。这样，能够提高预测油气腐蚀管道的破裂压力的准确性。
下面结合附图，对本申请实施例提供的方案进行介绍。
具体的，参见图2，为本发明实施例提供的预测油气管道腐蚀破裂压力方法的流程示意图，如图2所示，该方法可以包括如下步骤S101-S103：
S101、获取腐蚀管道的第一特征空间，第一特征空间包括：用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数。
具体的，可以通过采集腐蚀管道中用于表征该腐蚀管道的特征参数，以及用于表征腐蚀缺陷的特征参数，以获得腐蚀管道的原始特征空间，即第一特征空间。
在一些实施例中，上述第一特征空间包括：管道外径D、管道壁厚t、腐蚀缺陷深度d、腐蚀缺陷长度l、腐蚀缺陷宽度w、管道屈服强度σy、管道极限强度σu以及管道强度等级grade。其中，管道屈服强度用于表征管道受到一定载荷作用下，开始发生塑性变形的最小应力值。管道极限强度用于表征管道受到一定载荷作用下，发生破坏时出现的最大应力，也可称为破坏强度或破坏应力。管道强度等级用于表征管道材料的强度程度，在一种实现方式中，管道强度等级可以根据管线钢牌号(或称为钢种、钢种类)确定得到。
示例性的，图3为本发明实施例提供的管道的剖面结构示意图，如图3所示，D为管道外径，即管道的外直径，t为管道壁厚，d为腐蚀缺陷深度。
S102、对第一特征空间中的特征参数进行特征变换，得到第二特征空间，第二特征空间至少包括第一特征空间。
在本申请实施例中，对S101中获取的腐蚀管道的第一特征空间可以进行特征变换，基于腐蚀管道的管道几何形状、腐蚀缺陷的大小和管道材料的机械性能，扩展出具有物理意义的新特征参数。扩展出的新特征参数与第一特征空间中的特征参数共同组成第二特征空间。这样，该方法能够根据用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数构建具有物理意义的新特征参数，与原有特征参数组成新的特征空间，使预测模型能够充分挖掘隐藏在数据中的知识，确定特征参数之间的关系，从而提高预测油气腐蚀管道的破裂压力的准确性。
在一些实施例中，在第一特征空间包括：管道外径D、管道壁厚t、腐蚀缺陷深度d、腐蚀缺陷长度l、腐蚀缺陷宽度w、管道屈服强度σy、管道极限强度σu以及管道强度等级grade的情况下。
第二特征空间包括：上述第一特征空间中的特征参数(即管道外径D、管道壁厚t、腐蚀缺陷深度d、腐蚀缺陷长度l、腐蚀缺陷宽度w、管道屈服强度σy、管道极限强度σu以及管道强度等级grade)、以及管道壁厚与管道外径的比值(即t/D)、腐蚀缺陷深度与管道壁厚的比值(即d/t)、腐蚀缺陷宽度与管道外径的比值(即w/D)、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比(即管道极限强度与管道强度等级的比值，σy/σu)；
其中，无量纲腐蚀长度根据腐蚀缺陷长度、腐蚀缺陷深度、管道外径和管道壁厚确定得到的。具体的，无量纲腐蚀长度的表达式为：
l2/(D(t-d))；
腐蚀缺陷表面积根据腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度确定得到的。具体的，腐蚀缺陷表面积的表达式为：
其中，管道壁厚与管道外径的比值、腐蚀缺陷深度与管道壁厚的比值、腐蚀缺陷宽度与管道外径的比值、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比为根据第一特征空间中的特征参数进行特征变换扩展得到的。这样，能够丰富特征空间，从而提高预测油气腐蚀管道的破裂压力的准确性。
S103、将第二特征空间输入预测模型，以输出腐蚀管道的预测破裂压力，其中，预测模型通过TPE算法优化的LightGBM构建得到。
在本申请实施例中，可以通过将第二特征空间中的特征参数输入预测模型，由该预测模型输出腐蚀管道的预测破裂压力。该预测模型为通过TPE算法优化的LightGBM构建得到的。这样，由于基于Tresca屈服准则，通过TPE优化的LightGBM来学习管道参数、腐蚀特性和爆破压力之间的关系，以构建预测模型。集成学习的强大性能可以有效地解决经验公式的低精度问题。同时，经验公式中的先验知识也增加了预测模型的可解释性，从而能够有效提高预测油气腐蚀管道的破裂压力的准确性。
在一些实施例中，上述预测模型的表达式为：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,x14)；
其中，
其中，Ppredict用于表示预测破裂压力，Pmax用于表示与腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力，Pmin用于表示与腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力，x1,x2,…,x14用于表示第二特征空间中的特征参数，f(x1,x2,…,x14)用于表示第二特征空间中与特征参数有关的函数，σu用于表示管道极限强度，t用于表示管道壁厚，D用于表示管道外径，d用于表示腐蚀缺陷深度。
具体的，对于腐蚀管道的爆破压力，假设爆破压力的上限为与腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力(即Pmax)，爆破压力的上限为与腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力(即Pmin)。则根据Tresca准则，完整管道的爆破压力Pmax和Pmin可以分别表示为：
因此，腐蚀管道的实际爆破压力(即预测爆破压力Ppredict)介于Pmax和Pmin之间，可表示为：
Ppredict＝Pmin+(Pmax-Pmin)×f(x1,x2,…,x14)；
即
其中，x1,x2,…,x14用于表示第二特征空间中的特征参数，f(x1,x2,…,x14)用于表示第二特征空间中与特征参数有关的函数，并且，f(x1,x2,…,x14)∈[0,1]。
在边界条件下，即当管道上没有缺陷时，腐蚀缺陷深度d为0，即：
然而，由于例如测量不确定性的影响，在完整管道的测量爆破压力和理论爆破压力之间存在一定的不确定误差，即：
Ppredict＝Pmeasure≠(Ptheory＝Pmax＝Pmin)。
并且，由于Pmax-Pmin＝0不能作为被除数。因此，f(x1,x2,…,x14)在边界条件下的值是不能被获取的。
因此，在本申请实施例中，对预测爆破压力Ppredict的表达式进行优化改进，即得到预测模型的表达式为：：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,x14)；
在这种情况下，
此时，改进后的f(x1,x2,…,x14)的值仍满足在0和1之间，即在Pmax＝Pmin的情况下：
对于上述f(x1,x2,…,x14)，本申请实施例可以采用TPE算法优化的LightGBM进行创建。
在一些实施例中，图4为本发明实施例提供的预测模型构建方法的流程示意图，如图4所示，上述预测模型的构建方法包括以下步骤S201-S204：
S201、获取爆破压力样本数据集。
首先，建立从低强度到高强度腐蚀的全尺寸油气管道的爆破压力数据集，即爆破压力样本数据集，以用于对模型的学习和训练。
具体的，爆破压力样本数据集包括：管道外径样本参数、管道壁厚样本参数、腐蚀缺陷深度样本参数、腐蚀缺陷长度样本参数、腐蚀缺陷宽度样本参数、管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数以及爆破压力样本参数。
在一种实现方式中，管道外径样本参数的数值范围为：42mm～2286mm，管道壁厚样本参数的数值范围为：2mm～25.4mm，腐蚀缺陷深度样本参数的数值范围为：0mm～15.4mm，腐蚀缺陷长度样本参数的数值范围为：0mm～2000mm，腐蚀缺陷宽度样本参数的数值范围为：0mm～679.8mm，管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数可以根据样本管道钢牌号确定，样本管道钢牌号包括：AISI 1020、X42、X46、X52、X55、X60、X65、X70、X80、X100。
在一种实现方式中，爆破压力样本参数可以通过ansys仿真以及爆裂实验获取得到。其中，爆裂实验包括自然腐蚀缺陷和匹配腐蚀缺陷，天然腐蚀缺陷形状不规则、复杂，而匹配腐蚀缺陷则简化了缺陷形状，多为矩形或半椭圆形。这样，可以提高爆破压力样本数据集中数据的丰富性和多样性，进而提高LightGBM模型训练的精度。
S202、根据爆破压力样本数据集建立LightGBM模型。
进一步的，根据S201获取的爆破压力样本数据集，可以通过LightGBM算法建立LightGBM模型以通过爆破压力样本数据集学习腐蚀管道(结构)参数、腐蚀缺陷特性和爆破压力之间的关系。其中，LightGBM算法具有以下特点：直方图算法、逐叶树生长、基于梯度的单边采样(GOSS)和排他特征捆绑(EFB)。与随机森林(RF)和分布式梯度增强库(XGBoost)算法相比，LightGBM算法在解决高特征维度和大数据量的问题时具有更高的预测精度、更少的内存消耗和更快的处理速度，从而可以提高预测油气腐蚀管道的破裂压力的准确性。
S203、通过TPE算法优化LightGBM模型，得到优化后的LightGBM模型。
具体的，本申请实施例采用TPE算法对LightGBM模型进行优化，以进一步提高LightGBM模型的预测精度。
在一些实施例中，上述S203具体可以包括S2031-S2032：
S2031、通过TPE算法对LightGBM模型的超参数进行优化，超参数包括：学习率，决策树数量，每棵树最大深度，训练实例的子样本比率以及叶中所需实例权重的最小和。
具体的，LightGBM模型的超参数定义了LightGBM模型的架构，超参数的取值对LightGBM模型的预测性能有很大的影响。在本申请实施例中，确实的LightGBM模型的超参数包括：学习率，决策树数量，每棵树最大深度，训练实例的子样本比率以及叶中所需实例权重的最小和。
然后，采用TPE算法对LightGBM模型的超参数进行优化，又称为对上述超参数进行调整，即通过基于特定性能指标确定超参数值的最佳组合来优化LightGBM模型。
在一些实施例中，通过TPE算法对LightGBM模型的超参数进行优化的过程具体可以包括：
首先，确定超参数的每个参数组合对应的负均方根误差，即将负均方根误差作为每个参数组合的性能指标。
并且，通过五折交叉验证法确定超参数的每个参数组合对应的LightGBM模型的平均相对误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和相关系数(R2)。即通过五折交叉验证法确定每个参数组合对应的LightGBM模型对应的性能。其中，LightGBM模型的性能指标可以包括：平均相对误差、平均绝对误差、平均绝对百分比误差和相关系数。
最后，将负均方根误差最小，并且，平均相对误差、平均绝对误差、平均绝对百分比误差最小，并且，相关系数与1的差值最小的参数组合确定为优化后的超参数。
其中，平均相对误差、平均绝对误差、平均绝对百分比误差越小，说明LightGBM模型的预测精度越高，相关系数与1的差值越小，即越接近1，则说明LightGBM模型的拟合性能越好。
S2032、根据优化后的超参数得到优化后的LightGBM模型。
具体的，根据S2031中优化后的超参数确定得到优化后的LightGBM模型，该优化后的LightGBM模型具有更高的预测精度。在一些实施例中，该优化后的LightGBM模型即为上述f(x1,x2,…,x14)。
S204、根据优化后的LightGBM模型，确定预测模型。
进一步的，根据优化后的LightGBM模型(例如上述f(x1,x2,…,x14))，可以确定预测模型(例如上述Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,x14))。这样，通过该预测模型预测腐蚀管道的爆破压力可以提高预测的准确性。
在一些实施例中，分别采用LightGBM基于第一特征(即包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度)建立的预测模型(以下简称为第一预测模型)、LightGBM基于第二特征(即包括上述实施例S102中第二特征区间中包括的特征参数)建立的预测模型(以下简称为第二预测模型)、以及基于本申请实施例中S101-S103中建立的预测模型(以下简称为第三预测模型)进行爆破压力的预测。
图5为本发明实施例提供的预测结果的百分比误差分布示意图，如图5所示，图5中图(a)、(b)和(c)分别对应为第一预测模型、第二预测模型和第三预测模型的预测结果的百分比误差分布。可见，第三预测模型的预测结果更加集中，该模型的稳定性更高。并且，第三预测模型的预测结果的准确性也得到了有效的提升。
在一些实施例中，分别采用支持向量机(SVM)算法、随机森林(RF)算法、分布式梯度增强库(XGBoost)算法和本申请实施例中采用的LightGBM算法进行爆破压力的预测。
图6为本发明实施例提供的预测结果的示意图，如图6所示，本申请实施例中采用的LightGBM算法的预测结果更集中在斜线周围，相对于SVM算法、RF算法和XGBoost算法预测爆破压力有更高的稳定性和准确性。
本申请实施例还提供一种预测油气管道腐蚀破裂压力的装置。具体的，图7为本发明实施例提供的预测油气管道腐蚀破裂压力装置的结构示意图。如图7所示，该装置700包括：获取模块701，特征变换模块702和预测模块703。
其中，获取模块701，用于获取腐蚀管道的第一特征空间，第一特征空间包括：用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数；
特征变换模块702，用于对第一特征空间中的特征参数进行特征变换，得到第二特征空间，第二特征空间至少包括第一特征空间；
预测模块703，用于将第二特征空间输入预测模型，以输出腐蚀管道的预测破裂压力，其中，预测模型通过TPE算法优化的LightGBM构建得到。
在一些实施例中，上述第一特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度以及管道强度等级。第二特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度、管道强度等级、管道壁厚与管道外径的比值、腐蚀缺陷深度与管道壁厚的比值、腐蚀缺陷宽度与管道外径的比值、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比。其中，无量纲腐蚀长度根据腐蚀缺陷长度、腐蚀缺陷深度、管道外径和管道壁厚确定得到的，腐蚀缺陷表面积根据腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度确定得到的，屈服比为管道极限强度与管道强度等级的比值。
在一些实施例中，上述预测模型的表达式为：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1,x2,…,x14)；
其中，
其中，Ppredict用于表示预测破裂压力，Pmax用于表示与腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力，Pmin用于表示与腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力，x1,x2,…,x14用于表示第二特征空间中的特征参数，f(x1,x2,…,x14)用于表示第二特征空间中与特征参数有关函数，σu用于表示管道极限强度，t用于表示管道壁厚，D用于表示管道外径，d用于表示腐蚀缺陷深度。
在一些实施例中，上述预测模块703，还用于构建预测模型，具体用于：获取爆破压力样本数据集，爆破压力样本数据集包括：管道外径样本参数、管道壁厚样本参数、腐蚀缺陷深度样本参数、腐蚀缺陷长度样本参数、腐蚀缺陷宽度样本参数、管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数以及爆破压力样本参数。根据爆破压力样本数据集建立LightGBM模型。通过TPE算法优化LightGBM模型，得到优化后的LightGBM模型。根据优化后的LightGBM模型，确定预测模型。
采用上述实施例提供的预测油气管道腐蚀破裂压力的装置，能够根据腐蚀管道的原有特征参数(即用于表征腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数)构建具有物理意义的新特征参数，与原有特征参数组成新的特征空间，使预测模型能够充分挖掘隐藏在数据中的知识。并且，能够基于Tresca屈服准则，通过TPE优化的LightGBM来学习管道参数、腐蚀特性和爆破压力之间的关系，以构建预测模型，从而能够提高预测油气腐蚀管道的破裂压力的准确性。
通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本发明的描述中，需要理解的是，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，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，可以是固定连接，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，除非另有明确的限定。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。
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。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种预测油气管道腐蚀破裂压力的方法，其特征在于，所述方法包括：
获取腐蚀管道的第一特征空间，所述第一特征空间包括：用于表征所述腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数；
对所述第一特征空间中的特征参数进行特征变换，得到第二特征空间，所述第二特征空间至少包括所述第一特征空间；
将所述第二特征空间输入预测模型，以输出所述腐蚀管道的预测破裂压力，其中，所述预测模型通过树结构贝叶斯优化TPE算法优化的轻量级梯度提升机LightGBM构建得到。
2.根据权利要求1所述的方法，其特征在于，所述第一特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度以及管道强度等级；
所述第二特征空间包括：所述管道外径、所述管道壁厚、所述腐蚀缺陷深度、所述腐蚀缺陷长度、所述腐蚀缺陷宽度、所述管道屈服强度、所述管道极限强度、所述管道强度等级、所述管道壁厚与所述管道外径的比值、所述腐蚀缺陷深度与所述管道壁厚的比值、所述腐蚀缺陷宽度与所述管道外径的比值、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比；
其中，所述无量纲腐蚀长度根据所述腐蚀缺陷长度、所述腐蚀缺陷深度、所述管道外径和所述管道壁厚确定得到的，所述腐蚀缺陷表面积根据所述腐蚀缺陷深度、所述腐蚀缺陷长度、所述腐蚀缺陷宽度确定得到的，所述屈服比为所述管道极限强度与所述管道强度等级的比值。
3.根据权利要求2所述的方法，其特征在于，所述预测模型的表达式为：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1，x2，…，x14)；
其中，
其中，Ppredict用于表示所述预测破裂压力，Pmax用于表示与所述腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力，Pmin用于表示与所述腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力，x1，x2，…，x14用于表示所述第二特征空间中的特征参数，f(x1，x2，…，x14)用于表示所述第二特征空间中与特征参数有关的函数，σu用于表示所述管道极限强度，t用于表示所述管道壁厚，D用于表示所述管道外径，d用于表示所述腐蚀缺陷深度。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述预测模型的构建方法包括：
获取爆破压力样本数据集，所述爆破压力样本数据集包括：管道外径样本参数、管道壁厚样本参数、腐蚀缺陷深度样本参数、腐蚀缺陷长度样本参数、腐蚀缺陷宽度样本参数、管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数以及爆破压力样本参数；
根据所述爆破压力样本数据集建立LightGBM模型；
通过所述TPE算法优化所述LightGBM模型，得到优化后的所述LightGBM模型；
根据优化后的所述LightGBM模型，确定所述预测模型。
5.根据权利要求4所述的方法，其特征在于，所述通过所述TPE算法优化所述LightGBM模型，得到优化后的所述LightGBM模型，包括：
通过所述TPE算法对所述LightGBM模型的超参数进行优化，所述超参数包括：学习率，决策树数量，每棵树最大深度，训练实例的子样本比率以及叶中所需实例权重的最小和；
根据优化后的所述超参数得到优化后的所述LightGBM模型。
6.根据权利要求5所述的方法，其特征在于，所述通过所述TPE算法对所述LightGBM模型的超参数进行优化，包括：
确定所述超参数的每个参数组合对应的负均方根误差；
通过五折交叉验证法确定所述超参数的每个参数组合对应的LightGBM模型的平均相对误差、平均绝对误差、平均绝对百分比误差和相关系数；
将所述负均方根误差最小，并且，所述平均相对误差、平均绝对误差、平均绝对百分比误差最小，并且，相关系数与1的差值最小的参数组合确定为优化后的所述超参数。
7.一种预测油气管道腐蚀破裂压力的装置，其特征在于，所述装置包括：获取模块，特征变换模块和预测模块，其中，
所述获取模块，用于获取腐蚀管道的第一特征空间，所述第一特征空间包括：用于表征所述腐蚀管道的特征参数和用于表征腐蚀缺陷的特征参数；
所述特征变换模块，用于对所述第一特征空间中的特征参数进行特征变换，得到第二特征空间，所述第二特征空间至少包括所述第一特征空间；
所述预测模块，用于将所述第二特征空间输入预测模型，以输出所述腐蚀管道的预测破裂压力，其中，所述预测模型通过TPE算法优化的LightGBM构建得到。
8.根据权利要求7所述的装置，其特征在于，所述第一特征空间包括：管道外径、管道壁厚、腐蚀缺陷深度、腐蚀缺陷长度、腐蚀缺陷宽度、管道屈服强度、管道极限强度以及管道强度等级；
所述第二特征空间包括：所述管道外径、所述管道壁厚、所述腐蚀缺陷深度、所述腐蚀缺陷长度、所述腐蚀缺陷宽度、所述管道屈服强度、所述管道极限强度、所述管道强度等级、所述管道壁厚与所述管道外径的比值、所述腐蚀缺陷深度与所述管道壁厚的比值、所述腐蚀缺陷宽度与所述管道外径的比值、无量纲腐蚀长度、腐蚀缺陷表面积以及屈服比；
其中，所述无量纲腐蚀长度根据所述腐蚀缺陷长度、所述腐蚀缺陷深度、所述管道外径和所述管道壁厚确定得到的，所述腐蚀缺陷表面积根据所述腐蚀缺陷深度、所述腐蚀缺陷长度、所述腐蚀缺陷宽度确定得到的，所述屈服比为所述管道极限强度与所述管道强度等级的比值。
9.根据权利要求8所述的装置，其特征在于，所述预测模型的表达式为：
Ppredict＝Pmin+(2×Pmax-Pmin)×f(x1，x2，...，x14)；
其中，
其中，Ppredict用于表示所述预测破裂压力，Pmax用于表示与所述腐蚀管道相同管道外径和相同管道壁厚的完整管道的爆破压力，Pmin用于表示与所述腐蚀管道相同管道外径和管道壁厚等于腐蚀管道剩余壁厚的完整管道的爆破压力，x1，x2，...，x14用于表示所述第二特征空间中的特征参数，f(x1，x2，...，x14)用于表示所述第二特征空间中与特征参数有关函数，σu用于表示所述管道极限强度，t用于表示管道壁厚，D用于表示所述管道外径，d用于表示所述腐蚀缺陷深度。
10.根据权利要求7-9任一项所述的装置，其特征在于，所述预测模块，还用于构建所述预测模型，具体用于：
获取爆破压力样本数据集，所述爆破压力样本数据集包括：管道外径样本参数、管道壁厚样本参数、腐蚀缺陷深度样本参数、腐蚀缺陷长度样本参数、腐蚀缺陷宽度样本参数、管道屈服强度样本参数、管道极限强度样本参数、管道强度等级样本参数以及爆破压力样本参数；
根据所述爆破压力样本数据集建立LightGBM模型；
通过所述TPE算法优化所述LightGBM模型，得到优化后的所述LightGBM模型；
根据优化后的所述LightGBM模型，确定所述预测模型。
CN202311518455.8A 2023-11-14 2023-11-14 一种预测油气管道腐蚀破裂压力的方法及装置 Pending CN117688725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311518455.8A CN117688725A (zh) 2023-11-14 2023-11-14 一种预测油气管道腐蚀破裂压力的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311518455.8A CN117688725A (zh) 2023-11-14 2023-11-14 一种预测油气管道腐蚀破裂压力的方法及装置

Publications (1)

Publication Number Publication Date
CN117688725A true CN117688725A (zh) 2024-03-12

Family

ID=90129113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311518455.8A Pending CN117688725A (zh) 2023-11-14 2023-11-14 一种预测油气管道腐蚀破裂压力的方法及装置

Country Status (1)

Country Link
CN (1) CN117688725A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117974117A (zh) * 2024-04-01 2024-05-03 中国电建集团江西省电力设计院有限公司 城市排水管网快速清检修管理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117974117A (zh) * 2024-04-01 2024-05-03 中国电建集团江西省电力设计院有限公司 城市排水管网快速清检修管理方法及系统
CN117974117B (zh) * 2024-04-01 2024-06-11 中国电建集团江西省电力设计院有限公司 城市排水管网快速清检修管理方法及系统

Similar Documents

Publication Publication Date Title
Su et al. Fast and accurate prediction of failure pressure of oil and gas defective pipelines using the deep learning model
Duan et al. A risk matrix analysis method based on potential risk influence: A case study on cryogenic liquid hydrogen filling system
CN117688725A (zh) 一种预测油气管道腐蚀破裂压力的方法及装置
Cai et al. Residual ultimate strength of offshore metallic pipelines with structural damage–a literature review
Ma et al. A new hybrid approach model for predicting burst pressure of corroded pipelines of gas and oil
Khalajestani et al. Investigation of pressurized elbows containing interacting corrosion defects
CN113627098A (zh) 一种cfd模型确认方法及产品设计方法
Ma et al. Deeppipe: Theory-guided neural network method for predicting burst pressure of corroded pipelines
CN109886506B (zh) 一种供水管网爆管风险分析方法
CN111666684B (zh) 输送管道的环焊缝风险预估方法、装置及可读存储介质
Lu et al. Analysis of FPSO dropped objects combining Monte Carlo simulation and neural network-genetic approach
Chavoshi et al. Data‐driven prediction of the probability of creep–fatigue crack initiation in 316H stainless steel
Chen et al. A novel dynamic parameter method (DPM) based on ANN for safety assessment of corroded pipelines
KR20230002856A (ko) 강관 압궤 강도 예측 모델의 생성 방법, 강관의 압궤 강도 예측 방법, 강관의 제조 특성 결정 방법 및, 강관의 제조 방법
Keprate et al. Experimental validation of the adaptive Gaussian process regression model used for prediction of stress intensity factor as an alternative to finite element method
CN116976174A (zh) 一种管道失效压力及腐蚀速率预测方法
Zhang et al. Reliability assessment of corroded pipeline considering multiple defects interaction based on an artificial neural network method
Lee et al. Probabilistic integrity assessment of corroded gas pipelines
Zhu et al. Progress of assessment model development for determining remaining strength of corroded pipelines
CN112131766A (zh) 一种油井管特殊螺纹过盈量优化设计方法
Bhardwaj et al. Calibration of burst strength models of corroded pipelines using the hierarchical Bayesian method
Bhardwaj et al. Reliability-based structural design of a vertical subsea separator for deep-water applications
Zangenehmadar et al. Application of FAHP and shannon entropy in evaluating criteria significance in pipeline deterioration
Lingyun et al. A novel procedure to evaluate the performance of failure assessment models
Wang et al. Study on topology-based identification of sources of vulnerability for natural gas pipeline networks

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