中国腐蚀与防护学报 2015 , 35 (6): 571-576 https://doi.org/10.11902/1005.4537.2014.221

研究报告

基于模糊神经网络的海洋管线腐蚀速率预测新方法

邓志安, 李姝仪, 李晓坤, 王珊, 王晓军

西安石油大学石油工程学院西安 710065

A Prediction Method Based on Fuzzy Neural Network for Corrosion Rate of Marine Pipelines

DENG Zhian, LI Shuyi, LI Xiaokun, WANG Shan, WANG Xiaojun

College of Petroleum Engineering, Xi'an Shiyou University, Xi'an 710065, China

中图分类号: TE988,TP183

文献标识码: A

文章编号: 1005-4537(2015)06-0571-06

通讯作者: 通讯作者:邓志安,E-mail:1064514507@qq.com,研究方向为油田地面工程设备研究、设计

基金资助: 国家自然科学基金项目 (51274166) 资助

作者简介:

作者简介：邓志安,男,1962年生,教授

展开

摘要

针对海洋环境中油气管线腐蚀速率预测的复杂问题,提出了灰色关联分析与模糊神经网络结合的新方法对管线腐蚀速率进行预测。首先使用灰色关联分析对管线腐蚀速率与环境因素进行关联度计算,优选关联度较高的若干参数,然后应用模糊神经网络寻找管线腐蚀速率与优选环境因素之间的映射关系,使得影响管线腐蚀的主要因素数量明显减少,降低了预测难度。还根据管线已有腐蚀速率统计数据对该方法进行了测试,结果表明,管线腐蚀速率预测的平均相对误差为5.96%,方法在减少环境因素数量的情况下仍具有良好的预测精度。因此,基于灰色关联分析与模糊神经网络的新方法能够根据环境因素快速准确地预测管线的腐蚀速率,对保障管线的安全运营具有指导意义。

关键词： 模糊神经网络 ; 管线腐蚀 ; 预测 ; 灰色关联分析

Abstract

An intelligent method based on fuzzy neural network and grey correlation analysis was proposed to predict the corrosion rate of oil and gas pipelines in marine environment. Through correlation analysis, the correlation between the corrosion rate of pipelines and environmental factors was built, and from which then the appropriate factors with high correlation could be picked out. Finally, the mapping relationship between the corrosion rate of pipelines and environmental factors could be figured out through fuzzy neural network. The validity and reliability of the results predicted by the proposed method were tested with statistic data which involved different environmental factors, it follows that the average relative error of the predicted corrosion rate was 5.96%, in other words, the present method exhibited a good accuracy in prediction even that less environmental factors were involved during the analysis process. Therefore, the method based on fuzzy neural network and grey correlation analysis, can predict the corrosion rate of pipelines rapidly and accurately with the known environmental factors.

Keywords： fuzzy neural network ; pipeline corrosion ; prediction ; grey correlation analysis

PDF (669KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

邓志安, 李姝仪, 李晓坤, 王珊, 王晓军. 基于模糊神经网络的海洋管线腐蚀速率预测新方法[J]. , 2015, 35(6): 571-576 https://doi.org/10.11902/1005.4537.2014.221

DENG Zhian, LI Shuyi, LI Xiaokun, WANG Shan, WANG Xiaojun. A Prediction Method Based on Fuzzy Neural Network for Corrosion Rate of Marine Pipelines[J]. 中国腐蚀与防护学报, 2015, 35(6): 571-576 https://doi.org/10.11902/1005.4537.2014.221

1 前言

各类材质的管线设施在腐蚀性极强的海洋环境中容易发生腐蚀与破坏,用于传输油气的金属管线在海洋环境下腐蚀情况会更为严重。物理、化学和生物因素均会对管线造成腐蚀与破坏,因此及时获取管线的腐蚀程度,对油气管线的运行维护具有重要意义。

国内外诸多学者对管线腐蚀预测开展了大量工作。研究人员应用BP人工神经网络分别进行金属管线在海水环境中腐蚀速率预测模型建立、管线的内腐蚀速率预测以及高含硫气田钢腐蚀速率预测工作^[1-4]。研究人员^[5-7]采用失重实验方法测量不同原油对金属管线的腐蚀速率,建立BP,GA和GA-BP算法等人工神经网络模型。汪川等^[8,9]分别建立了腐蚀研究预测模型和实际海水环境中腐蚀速率的灰色神经网络预测模型。Haque等^[10]应用人工神经网络研究DP钢的腐蚀疲劳性能,Kamrunnahar等^[11]将神经网络作为数据挖掘工具进行腐蚀行为预测。人工神经网络依然存在一些缺点,如缺乏逻辑推理能力,这限制了人工神经网络处理信息的能力。而模糊控制和人工神经网络同属于人工智能技术,各自具有对方不具备的优点。模糊控制的特点是逻辑推理能力强,能够模仿人类判别和决策的能力,但其不具备学习功能。结合模糊理论和人工神经网络的模糊神经网络 (FNN) 可以较好地改善神经网络的缺陷^[12]。因此,本文基于FNN方法对海洋管线腐蚀速率进行预测研究。

2 管线腐蚀因素

影响管线腐蚀的主要海洋环境因素如下：(1) 海水温度：海水温度升高,O₂的扩散速率加快,促进了腐蚀过程的进行。(2) 溶解氧：海水中溶解氧含量增加,会加速阴极去极化过程,使金属的腐蚀速率增大。(3) 盐度：水中盐量的增加使得水的电导性增加,同时溶解氧含量降低。当含盐量达到某一数值时,腐蚀速率最大。(4) pH值：钙质水垢沉积受到海水pH值的影响,从而使海水的腐蚀性也发生变化。(5) 氧化还原电位：氧化还原电位可以反映海水的氧化还原性能。

3 分析预测方法及建立步骤

FNN的一个特点是为输入参数设置隶属度函数,通常每个输入参数会设定3~5个隶属度函数。随着输入矢量的增长,FNN的节点数会成倍增加,导致在多变量、复杂控制系统中,难以确定网络的结构以及遇到规则点的组合爆炸问题。灰色关联分析 (GRA) 可从多元事物中解析出与目标因素关联程度高的影响因素,在计算中对高维数据进行有效降维。通过GRA技术,可以减少FNN的输入参数数量,降低网络的复杂度,提高计算效率。因此,本文综合两种方法的优点,将其有效结合用于海洋管线腐蚀速率预测。下面分述这两种方法的原理。

3.1 FNN

FNN是结合模糊理论和神经网络的优点而产生的,其理论基础是模糊数学与神经网络的学习机制。隶属度是指元素u属于模糊子集f的隶属程度,模糊隶属度函数是用于定量计算元素隶属度的函数^[13]。T-S模糊系统可以连续修改模糊子集包含的隶属度函数。T-S模糊系统可用如下的if-then形式加以定义,所以规则为Rⁱ的模糊推理表达如下：

$\begin{matrix} R^{i} : if x_{1} is A_{1}^{i}, x_{2} is A_{2}^{i}, \dots, x_{k} is A_{k}^{i}, \end{matrix} \begin{matrix} then y_{i} = p_{0}^{i} + p_{1}^{i} x_{1} + \dots + p_{k}^{i} x_{k} \end{matrix}$ (1)

其中,A_jⁱ为模糊系统的模糊集;p_jⁱ为模糊系统的参数,即神经网络系数;y_i是以模糊规则为依据所得的输出。输入部分 (即if部分) 是模糊的,输出部分 (即then部分) 被确定,该模糊推理是输出为输入线性组合的表示。

T-S模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层4层 (图1)。输入层连接输入向量x_i;节点数与输入向量的维数相同。模糊隶属度值由模糊化层使用隶属度函数对输入值进行模糊化获得^[12]。模糊连乘可对隶属度进行模糊计算,输出层用于得到模糊神经网络的输出值。FNN的算法如下：

(1) 误差计算

$\begin{matrix} e = \frac{1}{2} (y_{d} - y_{c})^{2} \end{matrix}$ (2)

式中,y_d是网络期望输出;y_c是网络实际输出;e为期望输出和实际输出的误差。

(2) 系数修正

$\begin{matrix} p_{j}^{i} (k) = p_{j}^{i} (k - 1) - α \frac{\partial e}{\partial p_{j}^{i}} \end{matrix}$ (3)

$\begin{matrix} \frac{\partial e}{\partial p_{j}^{i}} = (y_{d} - y_{c}) \frac{ω^{i}}{\overset{m}{\sum_{i = 1}} ω^{i} \cdot x_{j}} \end{matrix}$ (4)

式中,p_jⁱ为神经网络系数;α为网络学习率;x_j为网络输入参数;ωⁱ为输入参数隶属度连乘积。

(3) 参数修正

$\begin{matrix} c_{j}^{i} (k) = c_{j}^{i} (k - 1) - β \frac{\partial e}{\partial c_{j}^{i}} \end{matrix}$ (5)

$\begin{matrix} b_{j}^{i} (k) = b_{j}^{i} (k - 1) - β \frac{\partial e}{\partial b_{j}^{i}} \end{matrix}$ (6)

式中,c_jⁱ和b_jⁱ分别为隶属度函数中心和宽度^[12];β为修正步长。

显示原图| 下载原图ZIP| 生成PPT

图1 T-S模糊神经网络的拓扑结构

Fig.1 Topology of T-S FNN

3.2 灰色关联分析

GRA方法是根据因素之间发展趋势的相似或相异程度来衡量因素间关联程度的一种方法。其计算步骤如下：

(1) 确定参考数列和比较数列的初值像。

(2) 对各数列进行无量纲化处理。

(3) 求灰色关联系数ξ (x_i)。

对于一个参考数列x₀有若干个比较数列x₁,x₂,…,x_n,比较数列与参考数列在各点的关联系数ξ(x_i) 通过下式得出：

$\begin{matrix} ξ_{0 i} = \frac{Δ (\min) + ρΔ (\max)}{Δ_{0 i} (k) + ρΔ (\max)} \end{matrix}$ (7)

其中,ρ是分辨系数,通常取0.5^[8];Δ(min) 和Δ(max)分别是两级最小差和最大差;Δ₀_i (k) 是各比较数列x_i曲线上的每一个点与参考数列x₀曲线上的每一个点的绝对差值。

(4) 求关联度r_i

求取关联系数的平均值。关联度r_i计算公式如下,当r_i值越接近1,说明相关性越好。

$\begin{matrix} r_{i} = \frac{1}{N} \overset{N}{\sum_{k = 1}} ξ_{i} (k) \end{matrix}$ (8)

(5) 关联度排序,用关联度的大小描述因素间的关联程度^[8]。

4 实验

通过以上步骤,分析预测方法完成了建立过程。为了检验预测方法的正确性,还需要利用海洋管线腐蚀速率统计数据对方法进行实验测试。

图2为实验步骤,首先使用GRA选出与腐蚀速率关联度高的若干环境因素,再应用模糊神经网络对降维后的数据进行训练以及预测研究,以便与已有结果进行对比。由于实际腐蚀速率的数据较少,所以本文采用了文献^[1]中的数据进行实验测试。

显示原图| 下载原图ZIP| 生成PPT

图2 实验步骤

Fig.2 Experimental procedure

4.1 数据准备

文献^[1]中实海挂片实验获得的不同海水环境参数下的腐蚀速率数据见表1,其中样本编号1~26号为3C钢材料,27~50号为Q235钢材料,每组样本数据中均有腐蚀速率和相应的5个环境因素。首先使用GRA方法对样本数据的5个环境因素与腐蚀速率进行关联度分析,分别使用3种不同的无量纲方法 (初值法、均值法和区间相对值法),求取这3种方法的平均关联度值来表示各个环境参数与腐蚀速率关联程度 (图3)。图3中1~5号环境因素分别为海水温度、溶解氧、盐度、pH值和氧化还原电位,各环境因素与腐蚀速率关联程度的大小排序为：溶解氧>氧化还原电位>盐度>海水温度>pH值。本文分别选取与腐蚀速率关联程度最高的前2个、前3个、前4个以及全部5个环境因素,作为模糊神经网络的输入参数进行腐蚀速率预测研究。

表1 实海挂片腐蚀实验数据^[1]

Table 1 Test data of marine corrosion^[1]

Serial number	Oceantemperature / ℃	Dissolved oxygen / mg·L^-1	Salinity10³ mg·L^-1	pH	Redox potential / mV	Corrosion rateμA·cm^-2
1	25.90	6.71	30.10	5.10	378	16.40
2	29.35	6.09	29.00	6.30	400	16.90
3	27.90	6.18	31.50	7.00	363	15.57
4	24.00	7.95	30.20	8.10	324	13.65
5	28.00	5.05	31.40	9.20	240	13.24
6	27.32	3.21	29.31	8.20	281	12.91
7	27.87	6.55	31.68	7.20	356	14.06
8	28.27	6.98	28.20	6.60	384	15.47
9	30.70	7.15	31.74	6.50	401	16.28
10	29.37	6.82	30.12	6.20	414	17.11
11	24.27	0.80	32.56	8.10	717	3.61
12	27.45	2.60	35.37	7.96	287	7.94
13	27.23	4.20	31.94	7.89	289	9.63
14	27.48	5.90	32.39	7.83	331	10.58
15	28.75	6.80	32.22	8.00	340	11.43
16	28.52	8.40	32.10	8.01	345	12.52
17	28.45	9.90	31.95	7.93	309	22.64
18	23.95	7.61	9.17	8.04	231	10.94
19	24.73	6.06	17.33	7.88	321	11.45
20	24.60	7.52	24.42	7.57	210	11.83
21	24.51	7.02	32.00	8.16	308	12.55
22	23.65	6.51	41.34	7.67	245	8.40
23	16.74	7.11	33.55	8.25	178	10.85
24	21.11	6.03	33.44	8.03	295	11.45
25	25.57	6.70	32.19	8.09	325	11.87
26	31.16	4.38	33.21	7.94	242	8.92
27	24.27	0.80	32.56	8.10	171	2.55
28	27.45	2.60	35.37	7.96	287	10.96
29	27.23	4.20	31.94	7.89	289	12.00
30	28.72	6.80	32.21	8.00	325	13.33
31	28.52	8.40	32.10	8.01	345	17.31
32	28.45	9.90	31.95	7.93	309	22.48
33	23.95	7.61	9.17	8.04	231	8.13
34	24.95	6.80	16.29	7.82	341	9.07
35	24.60	7.52	24.42	7.57	210	10.74
36	27.32	3.12	29.31	8.20	281	13.59
37	24.00	7.95	30.20	8.10	324	12.89
38	27.78	6.35	31.38	7.20	356	13.61
39	27.97	6.05	31.94	6.60	384	14.60
40	30.70	7.15	31.74	6.50	401	15.00
41	29.37	6.82	30.12	6.20	414	15.39
42	29.35	6.09	29.00	6.30	400	16.45
43	27.00	6.70	30.70	7.00	350	12.60
44	27.90	5.15	31.50	9.20	264	9.08
45	25.55	6.67	31.00	8.09	320	12.49
46	24.31	6.42	40.67	7.88	250	8.75
47	24.11	6.38	41.00	7.98	228	8.99
48	17.45	7.48	34.08	8.10	135	17.05
49	21.95	8.28	34.64	7.95	113	17.34
50	27.19	4.91	33.50	7.99	275	15.48

新窗口打开

显示原图| 下载原图ZIP| 生成PPT

图3 各影响因素的关联度

Fig.3 Correlation of influencing factors

4.2 实验结果

为每个输入参数设定4个隶属度函数,即输入参数为两个时,建立的GRA-FNN模型结构为2-8-2-1。50组数据样本分为训练集和测试集两部分,从两种钢材类型的样本分别选取4组数据作为测试集,其它42组数据样本作为神经网络训练集。在MATLAB中编程实现基于GRA-FNN的管线腐蚀速率预测,不同维数的网络经过80次训练后均已趋于稳定,将训练好的网络用于测试集进行测试 (表2)。

表2 FNN预测结果与文献[1]中BP人工神经网络预测结果的对比

Table 2 Comparisons of the results predicted by FNN in this work and BP network in Ref.[1]

Serial number	Real corrosion rateμAcm^-2	Two input parameters		Three input parameters		BP artificial neural network
Serial number	Real corrosion rateμAcm^-2	Predicted results μAcm^-2	Relative error / %	Predicted results / μAcm^-2	Relative error / %	Predicted results μAcm^-2	Relative error / %
7	14.06	13.56	3.56	14.03	0.23	13.12	6.69
10	17.11	14.82	13.38	14.93	12.74	16.68	2.51
19	11.45	12.48	9.00	11.27	1.54	11.85	3.49
21	12.55	13.00	3.59	14.00	11.53	11.98	4.54
30	13.33	13.15	1.35	13.98	4.89	12.90	3.22
38	13.61	13.40	1.54	13.75	1.04	14.50	6.54
40	15.00	14.92	0.53	15.35	2.32	14.45	3.67
42	16.45	14.03	14.71	13.74	16.49	15.28	7.11

新窗口打开

降维之后,管线腐蚀速率的预测结果为：选取与腐蚀速率关联程度高的前两个环境因素作为输入参数时,网络平均绝对误差为0.90 μA/cm²,相对误差最小为0.53%,平均相对误差为5.96%,8组预测结果的误差均在15%以内;选取与腐蚀速率关联程度高的前3个环境因素作为输入参数时,预测的平均绝对误差为0.96 μA/cm²,相对误差最小为0.23%,平均相对误差为6.35%,8组预测结果的误差均在17%以内。综上所述,应用灰色关联分析与FNN方法进行海洋管线腐蚀速率预测的效果良好。

根据FNN腐蚀速率预测结果与实验数据的对比曲线 (图4),FNN预测法与实验腐蚀速率数据在整体上符合较好,体现出灰色关联分析与FNN方法较强的学习能力与预测能力,表明该方法进行管线腐蚀预测研究是可行的。通过GRA方法优选环境因素后,FNN的预测精度仍保持在较高水平。预测结果与实验数据存在一定误差,这可能是由于缺乏样本数量所导致。

显示原图| 下载原图ZIP| 生成PPT

图4 腐蚀速率预测结果与实验数据的对比

Fig.4 Comparisons of the results obtained by FNN andpractical testing

4.3 方法对比

为了检验灰色关联分析与FNN方法的应用效果,根据各环境因素与腐蚀速率关联程度的大小排序,分别选取与腐蚀速率关联程度最高的前4个 (溶解氧、氧化还原电位、盐度和海水温度) 以及没有降维的全部5个环境因素,作为FNN的输入参数,进行管线腐蚀速率的预测,并与上述降维之后的前2个参数和前3个参数的结果进行对比 (表3)。BP神经网络是一种多层前馈神经网络,其特点是信号前向传递,误差反向传播,但存在学习速率慢,容易陷入局部最优解的缺点。这里同时使用文献^[1]中的BP神经网络测试结果与灰色关联分析和FNN混合预测结果 (两个参数) 进行误差对比 (图5)。

表3 不同参数的测试对比

Table 3 Comparisons of various parameters in prediction testing

Neural network	FNN
Neural network	Two parameters	Three parameters	Four parameters	Five parameters
Input vector dimensions	2	3	4	5
Number of hidden layer nodes	8	12	16	20
Convergence cycles	80	75	120	50
Training error / μAcm^-2	2.25	2.43	1.98	2.23
Average prediction relative error / %	5.96	6.35	7.05	6.54

新窗口打开

显示原图| 下载原图ZIP| 生成PPT

图5 测试结果的误差对比

Fig.5 Comparisons of the relative error of test results

根据表3可知,GRA方法有效地减少了输入矢量数和网络结点数,简化了FNN结构,提高网络模型的建立速度。随着输入参数维数的减少,FNN的预测误差呈现出先升高再降低的趋势,预测精度整体保持在较高水平。根据图5可知,FNN通过灰色关联分析减少腐蚀速率的影响因素后,由于实验样本数偏少,因此影响因素数值的相对大小变化可能引起实验测试结果的误差产生较大波动。但是FNN的8组预测样本中有5组测试结果的相对误差优于文献[1]中BP神经网络的测试结果,说明该方法在腐蚀速率预测方面具有较好的优越性和较高的精度。

5 结论

(1) 根据不同海水环境参数下实测挂片实验的腐蚀速率数据进行测试,结果表明基于灰色关联分析与FNN相结合的混合预测方法用于管线腐蚀速率预测是可行的。

(2) 混合预测方法在减少环境因素数量的情况下仍具有良好的预测精度。

(3) 未来可以根据大量海洋管线腐蚀速率的数据进行后续测试和训练,以提高混合预测方法的泛化能力。

The authors have declared that no competing interests exist.

〈

〉