APP下载

基于阴极保护的管道防腐蚀技术与应用研究

2022-04-19江永强

粘接 2022年3期
关键词:阴极保护精密度深度学习

江永强

摘 要:针对现有的管道防腐蚀技术涂层材料质量差、预测腐蚀速率精度低等问题,提出了一种外加电流阴极保护(Impressed Current Cathodic Protection,ICCP)系统结构。通过阴极保护(Cathodic Protection,CP)仪表监测管道表面电位,选用超疏水涂层作为管道的缓蚀剂。研究基于CenterNet构建深度学习预测模型,通过将正常电位和腐蚀电位视为袋子并将管道表面电位视为袋子中的样本,利用分类中性能指标特征曲线下面积(Area Under Curve,AUC)来预测管道腐蚀情况。结果表明:该预测模型精准度更高,在预测2021年管道的腐蚀速率误差为0%。

关键词:超疏水涂层;防腐材料;阴极保护;深度学习;特征曲线下面积;腐蚀速率;精密度

中图分类号:TE832

文献标识码:A文章编号:1001-5922(2022)03-0027-06

Research on pipeline anti-corrosion technology and

application based on cathodic protection

JIANG Yongqiang

(Chongqing Gas Transmission Natural Gas Sales Center,Sinopec Natural Gas Branch,Chongqing 400025,China)

Abstract:Aiming at the problems of poor quality of coating materials of existing pipeline anticorrosion technology and low accuracy of predicting corrosion rate, this paper proposes an impressed current cathodic protection (Impressed Current Cathodic Protection, ICCP) system structure. The surface potential of the pipeline is monitored by a cathodic protection (CP) instrument, and a super-hydrophobic coating is selected as the corrosion inhibitor for the pipeline. This study builds a deep learning prediction model based on CenterNet, which takes normal potential and corrosion potential as bags and pipe surface potential as samples in the bag, and uses the area under curve (AUC) of the performance indicators in the classification to predict corrosion of the pipeline. The experimental results show that the prediction model is more accurate, and the error in predicting the corrosion rate of the pipeline in 2021 is 0%.

Key words:superhydrophobic coating; anti-corrosion materials; cathodic protection; deep learning; area under characteristic curve; corrosion rate; precision

隨着科学技术的不断进步,主要城市的建设步伐加快,地面可用空间资源日益紧张,因此地下空间的利用已逐渐引起人们的关注[1]。腐蚀已被认为是导致管道故障的主要机制,并由此造成的经济损失和环境问题,聚合物涂层与阴极保护结合,是保护输送管道受腐蚀攻击的关键手段。虽然管道涂料已发展了60年,性能不断提高;但传统涂层存在以下缺点:施工或退化造成机械损伤。例如,在使用期间从基体钢中剥离,它们无法在腐蚀性环境中保护管道,这些腐蚀环境下的涂层脱落或涂层缺陷[2-3]。

为了解决这一难题[4],通过化学处理和内涂层应用,将阴极保护水平调整到-50 mV铜/硫酸铜电极以下,以及减少操作管道中的压力波动,并通过灰色模型预测管道的腐蚀速率。然而,该措施大多费用昂贵,预测模型精度低[5]。通过在水性环氧涂层中沉积聚电解质制备了含纳米胶囊的缓蚀剂,并期望应用于管道涂层。不过,该方法都是在实验室进行的,在实验室中,基质涂料并不是工业涂料。此外,将抑制剂封装在容器中的技术非常复杂,在工业规模上是不现实的。

1 ICCP远程控制系统

针对上述存在的问题,本研究采用一种外加电流阴极保护(ICCP)技术,其原理是通过向被腐蚀管道表面施加一个外加电流,管道就会成为阴极,从而使得管道腐蚀发生的电子迁移得到抑制,避免或减弱腐蚀的发生[6]。为此,本研究设计了新型ICCP远程控制系统对管道外表面的电位进行监测,允许远程控制系统以使管道的阴极保护(CP)状态保持在极限范围内。技术人员将使用便携式电压表进行智能测量;当保护条件未触发在极限范围内时,再进行手动调整CP表的参数。

1.1 CP仪表设计

ICCP控制系统的核心硬件为CP表,其硬件结构如图1所示。

在图1中,CP表是监测管道附近电位的重要装置,其包括两个主要功能:能够获取管道外表面电压和嵌入控制器算法。根据所采用的控制策略,CP表将控制数据发送给CP接收机,并需要在电源中添加一个合适的CP接收器,其能够根据接收到的控制数据修改电源的电流或电压,以确保关键测量点的保护条件,然后是整个管网的阴极保护条件。此外,需要至少1 MΩ的输入电阻,并且还建议使用在50 Hz时衰减至少为60 dB的滤波器,通过低通滤波器获取管道电压,并配备169 MHz的wM总线通信模块。微控制器配备12位ADC,其与3.3 V的参考电压一起使用,获得的0.8 mV的分辨率符合要求的规格。ADC范围为0~3.3 V。为此,CP表与管道和参考电压连接,以获得正电压。

1.2 通信网络体系结构设计

为了实现ICCP远程控制系统监测数据的实时性,本研究搭建适应的通信网络体系架构,其中数据集中器(Data Concentrator Unit,DCU)的核心模块,其往往与测量设备CP表交换数据[7]。与CP表相关的DCU将数据发送到CP接收机,CP接收机周期性地请求向相关DCU发送请求的新数据。如果控制数据准备好用于CP接收机,则发送指令,关于通信网络体系架构如图2所示。

如图2所示,来自CP接收机的数据请求,15 min的时间段被认为是合适的,对于放置在电源附近的CP接收机来说,这不是一个问题,其连接到电网并且没有任何与数据传输引起的功耗相关的问题。此外,请求命令只需要1字节的数据,即设备标识符。相反,只有当电源的电流或参考电压必须改变以保持系统处于保护状态时,CP表才能保存电池传输数据[8]。因此,DCU中必须包含相应的数据处理算法。

2 关键技术

2.1 基于CenterNet数据处理算法

根据上文得知,为了准确预测管道腐蚀规律并处理管道防护,本研究提出了一种基于CenterNet模型的管道附近电位检测算法,将CP表得到的数据特征合并到深度学习算法中,并制定了预测异常段高异常分数的算法模型。该方法通过将管道表面正常电位和腐蚀电位视为袋子中的实例,利用分类中性能指标AUC来预测管道表面腐蚀电位数据,具体过程包括如下两个步骤:

2.1.1 数据预处理

本研究基于CenterNet从CP表中提取管道的数据特征,在特征提取过程中,只需将输入一个完整的卷积网络即可生成热图。因此,热图中的峰对应着数据对象中心,每个峰的特征预测数据对象边界框的高度和质量。假设xk1、yk1、xk2、yk2表示数据对象k的边界框为ck,其相应的中心点为Pk=(x1k+x2k/2,y1k+y2k/2)。使用关键点估计器Y预测所有中心点并回归到每个数据对象k的数据对象大小sk=(x1k-x2k,yk1-yk2)[9-10]。为限制计算负担,利用单个大小预测S适用于所有物体类别,因此,中心点与目标物镜之间的相似性以回归损失函数L作为标准:

L=1N∑Nk=1|SPk-sk|(1)

此外,损失函数L表达式也可以写成:

L=Lk+λsizeLsize+λoffLoff(2)

式中:Lk是基于高斯核的具有焦点损失的逻辑回归;Loff是每个中心点的局部偏移。同时,Lsize、Loff是两个常数,通常取值为Lsize=0.1,Loff=1。之后,本研究根据单个网络预测关键点Y,偏移O和大小S,网络预测每个位置总共有C+4个输出,所有参数值输出得到一个完整的全卷积网络,即可生成管道表面电位监测数据热图。

基于以上方法,本研究首先针对每个类别分别提取热图中的峰,检测所有值大于或等于8相邻中心点的响应,并保留前100个峰值。假设Pc为c类的n个检测到的中心点P=(xi,yi)的集合,每个关键点位置均由整数坐标(xi,yi)给出,使用关键點值Yxiyic作为其检测置信度的度量,并在位置处生成一个边界框[11]:

xi+δxi-wi2 , yi+δyi-hi2

xi+δxi-wi2 , yi+δyi-hi2(3)

式中:(δxi,δyi)=O是偏移量预测;(wi,hi)=S是尺寸预测。所有输出数据点均直接从关键点预测中产生,而无需基于IoU的非最大抑制处理或其他处理。

2.1.2 AUC指标计算

AUC是分类中流行的性能指标,其计算随机采样的异常实例比随机采样的正常实例具有更高的异常分数的比率[12]。假设V表示管道表面电位为数据空间,va和vn表示腐蚀和正常电位实例,pa和pn是V中腐蚀和正常电位实例的概率分布,假设f(va)和f(vn)的概率分布分别代表相应的腐蚀电位评估函数和正常评估函数,范围从0到1。真阳性率(TPR)是评估函数f(va)正确将异常实例va归类为腐蚀电位的比率,其表达式为:

TPR(h)=Eva~pa[I(f(va)>h)](4)

式中:h是阈值;E是期望值;I表示条件为l的指标函数。同时,伪阳性率(FPR)是评估函数f(vn)将pn中的随机正常实例错误分类为腐蚀电位的比率,其表达式:

FPR(h)=Evn~pn[I(f(vn)>h)](5)

AUC是在所有阈值h∈[0,1]区间上绘制由(TPR(h),FPR(h))作为横轴坐标所形成的曲线下的面积。具体来说,AUC的积分形式可以写为:

AUC=∫10TPR(h)dFPR(h)(6)

通过公式(6)能够得到经验AUC表达式为:

AUCΛ=1|A||N|∑Va~pa∑vn~pnI(f(va)>f(vn))(7)

综上所述,通过AUC的取值,来进行评估管道表明电位的腐蚀情况,能够及早预防突发事件,有效提高了地下管道通道的管控效率[13]。

2.2 防腐材料的制备

除了监测管道的腐蚀情况,本研究选用超疏水涂層作为管道的缓蚀剂,通过显著减少水-固体接触面积来减少水腐蚀性物质与钢基体之间的反应。在某些情况下,超疏水涂层可以被视为一种廉价的管道腐蚀和污垢解决方案。除此之外,在地下与海洋环境中使用超疏水聚合物涂层还包括自清洁、防冰、油水分离和粘性减阻等优点[14]。

结合《A输气管道外腐蚀直接检测项目评价报告》外防腐层检测结果、CIPS管线通断电位检测分析报告、管线渗漏的历史资料以及前期现场防腐层修复工作反馈,对A管道b段5 km管线大开挖进行防腐层破损点的修复和管体金属腐蚀损失点的补强工作。对作业过程中发现的防腐层漏点利用粘弹体+冷缠带方式修复;对发现的管道金属腐蚀损失点利用焊板或超疏水涂层材料进行补强施工,补强原理如图3所示。

如图3所示,当管道表面正常时,管道内流体通过加压设备(泵、压缩机等)后将产生一定的压力,管道在压力作用下发生变形。在管体的径向膨胀过程中,沿着管道环向的拉应力也会在管道中产生,特别是在由腐蚀引起的管壁变薄(例如腐蚀坑)中。因此,在缺陷处有可能引起管道破裂等失效情况,导致管道内输送的介质泄漏。通过在管道缺陷处使用超疏水涂层进行补强,补强形成的防护层可以提高缺陷处管道承受载荷的能力,从而提高了管道承受运行载荷的能力[15]。

本研究采用电沉积法制备超疏水涂层,电沉积涉及使用电从电镀电解液中还原所需材料的金属离子,并将该材料以薄膜形式沉积在基底表面(阴极),如图4所示。

如图4所示,本研究在管道表面制备了一种具有坑状结构的仿生超疏水锌涂层,制备该涂层需要在管道表面电沉积锌涂层和在全氟辛酸乙醇溶液中进行化学反应,在制备方面具有可扩展、易于控制、制备成本低等优点[16],下文将进行实验验证。

3 实验与分析

为了验证本研究采用的管道防腐措施的适应性与可靠性,本研究对A管道b段5公里管线大开挖进行防腐层破损点的修复和管体金属腐蚀损失点的实例测试。测试的重点是ICCP系统中CP表的应用,CP表和电源之间的通信由个人计算机上的LabView VI实现,其通过串行接口从CP表接收字符串,并通过IEEE-488接口控制电源。电源根据通过IEEE-488接收的控制数据控制外加电流,测试设置框图如图5所示。

由图5可知,在实例测试中,这两条管道的长度和直径分别约为250 m和2 m,铺设在湿土中。为了模拟电源和CP表之间存在较长的管道,将管道等效电路连接到两条管道上。在250 m长的管道上设置6个监测点,其之间间隔为50 m,实验数据通过管道内检测获得,每个监测点最大腐蚀深度以及累积概率如表1所示。

由表1可知,CP表测量地面上的恒定电位差和交流电压,可使用已知的横向梯度法和Pearson法搜索管道绝缘的损坏。通过极化电位测量,控制了电化学保护的状态,检测了金属结构表面的腐蚀点。CP表可在管道电流6个测量点之间的长度Δln范围内,确定绝缘涂层的过渡比电阻Rin表达式为:

Rin=Uinin(8)

当阴极保护电流在长度n间隔内的恒分量密度in和横截面Sn:

in=ΔInSn=-ΔJnπD×Δln×kn(9)

式中:ΔIn是电流总量;ΔJn是管道末端可变电流分量测量的差值;D为管道直径;kn是研究实验的测量点数量。当管道绝缘层上的电位下降,表达式为:

Ui=UMG-UGG-Up=VMGkp-UGG(10)

式中:kP是在给定路段流入管道的交流谐波系数,由横向与道路横向的地面交流VGG和直流UGG电压之比确定;UMG和VMG分别是指管道表面金属和比较电极之间的电位值,分别在直流和交流下测量。如果选择电极之间的距离x,考虑到埋深h和管道直径D,其关系式为:

x=h4hD-2(11)

采用式(8)至式(11)对管道进行了综合检查,在管道运行1年后,通过式(10)确定了沿管道极化电位上升的分布,结果如图6所示。

在图6中,UP是指管道极化电位;水平直线(U=0.85 V)是指允许估计UMG并分离管道区域L0,因为该区域发生腐蚀性溶解,

其预测值通过数据集中器单元中的AUC曲线来得出。

为了验证数据处理单元中基于CenterNet的深度学习算法预测模型的可靠性,以文献[4]提出的灰色模型作为对比,采用这两种算法模型预测2021~2025年A管道b段5 km管线的腐蚀速率,其表达式为:

q(t)=L0Lt(12)

式中:q是指管道的腐蚀速率;t是指间隔时间,年。统计数据结果并通过MATLAB软件进行仿真如图7、表2所示。

从图7可以看出,相比于文献[4]所采用的灰色预测模型,本研究所采用基于深度学习预测模型精准度更高,在预测2021年管道的腐蚀速率误差为0%。

4 结语

针对地下管道腐蚀与防护问题,本文提出了一种适用于燃气管网外加电流阴极保护的控制系统,该系统基于一个能够监测管道附近电位的低成本仪表,放置在电位分布最差的网络部分,即接近阴极保护条件的极限。构建基于深度学习的管道腐蚀预测模型,利用分类中性能指标AUC来预测管道表面腐蚀速率。选用超疏水涂层作为管道的缓蚀剂,提高了管道承受运行载荷的能力。本研究仍存在不足之处;该技术为下一步技术研究奠定技术基础。

【参考文献】

[1]

何治安.基于大数据的配电网智能管廊体系设计[J].机电工程技术,2020,49(5):111-114.

[2] 刘桥喜,熊伟,孙光辉,等.面向多源数据集成的城市地下综合管廊安全运营与智慧管控研究[J].地理信息世界,2019,26(1):37-40.

[3] 张睿.综合管廊在某市政項目中的设计与应用探讨[J].黑龙江交通科技,2018,41(3):47-48.

[4] 李芊,段雯,许高强.基于DEMATEL的综合管廊运维管理风险因素研究[J].隧道建设,2019,39(1):31-39.

[5] 古彤,白锋,岳晨,等.高压直流接地极入地电流对埋地金属管道的腐蚀影响[J].腐蚀与防护,2019,40(12): 902-906.

[6] 孙长保.海底管道检测最新技术及发展方向[J].中国石油和化工标准与质量,2018,38(14):43-44.

[7] 王智晓.内检测技术在油田海底管道完整性管理上的应用[J].安全、健康和环境,2018,18(1):18-20.

[8] 杨林,朱嘉,李春娥,等.基于肯特法的城市综合管廊安全风险辨识分析[J].城市发展研究,2018,25(8):19-25.

[9] 杨秋侠,冯彦妮.综合管廊内各管线安全距离的理论研究[J].地下空间与工程学报,2018,14(2):293-298.

[10] 黄震,傅鹤林,尹光明,等.地铁隧道结构灾变模型及应用研究[J].灾害学,2018,3(3):216-221.

[11] 张晓,龚元龙,林晓,等.ROV在水下液飞线安装中的应用[J].中国水运(下半月),2018,18(10):225-226.

[12] SINGH R.Introduction to a new journal:corrosion and materialsdegradation[J]. Corrosion and Materials Degradation,2018,1(1):1.

[13] 白庶,蔡梦娜,钟雪,等.BIM技术在城市地下综合管廊中的应用价值分析[J].工程管理学报,2018,32(2):74-78.

[14] 韦海民,李轶豪.基于双层规划模型的地下综合管廊PPP项目入廊定价研究[J].隧道建设(中英文),2018,38(12):1 927-1 934.

[15] 张子钰.城市地下综合管廊定价模型及实证研究[J].地下空间与工程学报,2018,14(2):299-305.

[16] 苏炜,马诗文,李文祥,等.青州换流站高青接地极对周边油气管道影响研究[J].山东电力技术,2018,45(6):39-43.

猜你喜欢

阴极保护精密度深度学习
关于重复测量不确定度评定方法的商榷
城镇地下燃气钢制管路阴极保护分析
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望
深度学习算法应用于岩石图像处理的可行性研究
基于深度卷积网络的人脸年龄分析算法与实现
一种煤炭机械化采制样装置的设计
洋浦电厂海水循环系统阴极保护应用简议
阴极保护技术在直埋蒸汽管道中的应用