肖雯雯，李 俊，梁婷婷，高思哲，胡艳萍，王 震

(1.中国石化西北油田分公司 新疆 乌鲁木齐 830011；2.中国石化江汉石油工程设计有限公司 湖北 武汉 430073)

0 引 言

塔河油田整体腐蚀介质复杂，具有高H2O、高CO2、高H2S、高Cl-、高矿化度、低pH的“五高一低”特点，极易造成管道腐蚀和穿孔。油气集输管道是油田生产的生命线，一旦管道发生腐蚀穿孔，将会导致原油、天然气漏失，不仅会造成巨大的经济损失和资源浪费，而且还会带来安全和环境污染等一系列安全环保问题。由于管道的风险评估指标具有不确定性和复杂性，在保障现有信息完整性的前提下[1-2]，必须对管道进行较为可靠、详细、全面的风险因素预测与识别。通过优化BP神经网络技术的风险分析智能预测方法识别出目前塔河油田管道腐蚀穿孔泄漏安全风险区域，建立一套适用于塔河油田的腐蚀风险分析智能预测方法，在理论研究的基础上结合实践应用，是对管道风险预测研究领域的一次创新。

1 管道腐蚀风险预测方法

1.1 腐蚀风险预测方法概述

管道腐蚀问题已成为油田的安全环保生产风险隐患，如何在油田管道腐蚀问题中引入风险预测技术是研究的主要目标[3-4]。目前风险预测或评价的方法很多[5]，如以腐蚀速率预测腐蚀风险的方法[6]、以剩余强度为基础的风险预测方法[7]、基于各影响因素和失效后果取权重半定量化的Kent评分法[8]、内腐蚀直接评估法以及考虑管道外腐蚀损伤程度的风险分级法等[9]，不同的方法有不同的理论模型和适用范围，可靠度与经济性也有差别。本节将对以上各种方法进行详尽的分析，以指导塔河油田管道腐蚀风险预测方法的确定。

1.1.1 腐蚀速率预测方法

通过腐蚀挂片检测技术方法获取管道腐蚀速率，根据NACE RP0775—2005对腐蚀速率程度的规定对风险进行分级，见表1[10]，确定不同管道的腐蚀风险，并采用不同的应对措施，对管道安全可靠地运行有重要的指导意义[11]。

表1 NACE标准RP0775—2005对腐蚀程度的规定

1.1.2 剩余强度评定方法

管道剩余强度评价通常采用美国石油协会《腐蚀缺陷管道剩余强度评价指南》，即API 579标准。API 579标准考虑了相邻缺陷的相互影响和附加载荷的影响，建立了含有缺陷管道的剩余承压能力、缺陷的尺寸及有关材料强度参数三者之间的关系，通过检测数据确定轴向腐蚀长度和环向腐蚀长度，应用公式计算确定管道所需最小壁厚，用剩余壁厚比计算出剩余强度系数，拟定出未来正常输送内压下管道是否可以安全运行的腐蚀裕量，将保证管道在正常输送内压下正常运行的临界值作为腐蚀后管道的极限承载能力，据此评定管道的安全风险的可接受性，从而制定管道的检测周期、修复、更换及运行等措施，降低管道运行期内的安全风险。SY/T 6477—2017《含缺陷油气管道剩余强度评价方法》建立了含体积型缺陷、裂纹型缺陷等缺陷的油气管道剩余强度评价方法。

1.1.3 Kent评分法

1992年美国W.Kent.Muhlbauer 撰写的《管道风险管理手册》，提出了管道风险评估模型和评价方法。计算分析过程如下：

相对风险分值=失效可能性指标总和÷泄漏影响系数；

失效可能性指标总和=第三方破坏指标+腐蚀指标+设计指标+误操作指标；

泄漏影响系数=产品危害性÷扩散系数；

产品危害 =急剧危害+长期危害；

扩散系数 = 泄漏分÷人口分。

1.1.4 内腐蚀直接评估法

针对无法或者不易开展内检测管道，可采用内腐蚀直接评估方法(ICDA)，针对干性天然气管道的内腐蚀直接评估(NACE SP0206 2006 DG-ICDA)，通过将流态模拟和管道倾角的分布相结合，确定管道中最有可能积液的位置为腐蚀最易发生的位置，进而判断管道腐蚀风险。针对湿气管道的内腐蚀直接评估(NACE SP0110 2010 WG-ICDA)，通过计算腐蚀速率、流动腐蚀(流型、流态、流速)和其他影响因素来确定管道发生腐蚀先后的次序，重点强调通过腐蚀速率来表征腐蚀分布，识别出最大腐蚀破坏的风险位置，将腐蚀速率模型用于预测未来腐蚀增长率，应用于整个风险评估过程。针对液体石油内腐蚀直接评估(NACE SP0208 2008 LP-ICDA)，认为液体石油管道中含有H2S、CO2、盐、沙子和蜡等，管道内腐蚀是多相流流动的腐蚀和冲蚀联合交互作用的过程，液态管道同其余管道相比，发生腐蚀的可能性最大，也是腐蚀最严重的管道。

1.1.5 外腐蚀程度评价法

外防腐层劣化后，土壤大气的腐蚀会引起管道腐蚀穿孔，管道的外腐蚀风险可用防腐层的劣化程度指标评价。外防腐层质量分级评价主要以绝缘电阻为性能参数对外防腐层的质量状况进行分级评价，《埋地钢质管道外防腐层修复技术规范》(SY/T 5918—2011)基于“电位-电流法”和“选频-变频法”2种检测方法，将防腐层质量等级分为5级，见表2。

表2 标准SY/T 5918—2011中防腐层质量分级标准

1.2 腐蚀风险预测方法比选

对比分析应用于管道腐蚀风险预测的5种方法，见表3。

表3 管道腐蚀风险预测方法对比

腐蚀速率预测方法综合考虑了各种腐蚀性介质含量、含水量、pH值、温度、压力、流速等对管道腐蚀影响因素[12-15]，采用BP神经网络算法对大量的数据(样本)编程反复运算，寻找复杂的影响因素与腐蚀速率之间的关系模型，属于定量评价法，该方法对腐蚀速率的预测较为准确，可靠性较高。

剩余强度评定方法是通过检测获取腐蚀缺陷形貌、运行压力、几何尺寸和材料特性等数据，依据API 579标准分别对均匀腐蚀、局部腐蚀以及点蚀情况进行评价，属于定量评价法。该方法应用成熟且广泛，可靠度高，但首先需对管道进行内检测，费用高。

Kent评分法针对管道的整体风险进行评价，根据打分结果对管道的风险进行分级，属于半定量评价法，该方法评分时对影响风险的各因素假定为独立并考虑到最坏状况，其得分值具有主观性和相对性，会导致结果有一定的误差。

内腐蚀直接评估法通过对管输天然气流动特性和管道几何形态的分析，确定管道最可能腐蚀的位置。该方法首先预测最可能严重腐蚀的区域后，然后开挖验证，属于定量评价法。该方法标准明确规定应用于含水率小于5%的满载石油管道，可借鉴应用在含水原油管道内腐蚀直接评估，费用较高。

外腐蚀程度评价法采用防腐层的劣化程度指标来对管道外腐蚀风险进行分级，属于定量评价法。外防腐层的劣化程度以防腐层的绝缘电阻率来评价，因此需要大量的现场检测数据支撑，费用较高。

综上所述，从适用范围看，腐蚀速率预测法和内腐蚀直接评估法适用于内腐蚀，外腐蚀程度评价法适用于外腐蚀，Kent评分法和剩余强度评定法对内外腐蚀均可适用；从可靠性看，腐蚀速率预测法、剩余强度评定法、内腐蚀直接评估法和外腐蚀程度评价法这4种方法的可靠性较高；从经济性看，腐蚀速率预测法、Kent评分法和内腐蚀直接评估法所需费用相对较低。

通过对5种腐蚀风险预测方法的分类对比，腐蚀速率预测方法较为适合塔河油田的实际情况，适应性、可靠性和经济性都较佳。腐蚀速率预测方法不仅考虑了腐蚀速率的大小(失效的可能性)，而且考虑了环境安全因素(失效后果的严重性)，对管道的腐蚀风险进行了完整的分析评价。目前多采用人工神经网络算法建立腐蚀速率预测模型，本文将对此方法应用于塔河油田的适应性和可靠性进行详尽的分析。

2 BP神经网络模型风险分析预测方法建立

BP神经网络通常是指基于误差反向传播算法的多层前向神经网络，是目前应用最广泛、基本思想最直观、最容易被理解的一种神经网络，它采用最小均方差学习方式进行训练，可用于识别、分类、预测语言综合和自适应控制等用途。包括输入层、隐含层和输出层，其隐含层可为单层或者多层。样本数据通过输入层神经元进入到前馈神经网络中，通过隐含层内部函数的训练，将其结果前馈到输出层，通过将输出层得到的结果与期望值进行对比，系统会自动将计算出的模拟值与期望值之间的误差进行比对，并将误差值从输出层开始反向传递，调节每层之间的连接权值和阈值，直至达输入层，此为BP算法的一个循环周期。整个系统在训练的过程中，系统会不断修正各层间的权值和阈值，以此来减小输出层的计算误差，直到输出的结果在误差允许范围内，则停止训练。

针对BP神经网络在实际应用中出现收敛速度慢、精度低，若加快收敛速度易产生振荡，存在局部极小和平台问题，泛化能力差，隐节点数和初始值的选取缺乏理论指导和未考虑样本选择对系统学习的影响等诸多问题，以自定义神经网络为手段，借助遗传算法对经典BP神经网络算法进行优化来有效提高BP神经网络的准确性和可靠性，从而实现对塔河油田不同区块管道腐蚀速率的科学、合理预测，算法流程如图1所示。

图1 改进BP神经网络算法流程示意图

采用遗传算法优化BP神经网络权值和阈值的学习过程如下：

1)初始化种群，包括交叉规模、交叉概率、突变概率以及对任一wih(输入层与隐含层之间的权值)和who(隐含层与输出层之间的权值)初始化，在编码中，采用实数进行编码，初始种群取n。

2)计算每一个个体评价函数，并将其排序，可按式(1)概率值选择网络个体：

(1)

式中：pi为选择概率，fi是个体i的适配值，可用误差平方和来衡量，即：

(2)

(3)

式中：i是染色体数，i=1, 2, 3, …,n；o是输出层节点数，o=1, 2, 3, …,q；k是学习样本数，k=1, 2, 3, …,m；yo是网络的实际输出；do是期望输出；E(i)是网络预测误差。

3)以交叉概率对个体Gi和进行交叉操作，产生新个体和Gi+1′，没有进行交叉操作的个体直接进行复制。

4)利用变异概率突变产生Gj的新个体Gj′。

5)将新个体插入到种群中，并计算新个体的评价函数。

6)判断算法是否结束，如果找到满意的个体，则结束，否则继续进行下一轮运算。待算法结束，如达到预先设定的性能指标后，将最终群体中的最优个体解码即可得到优化后的网络连接权值和阈值系数。

基于BP神经网络和遗传算法优化程序的研究与开发，具体结果见表4和图2。训练次数反映了管道腐蚀速率预测模型的收敛难度；预设目标代表收敛条件，这里均设置为1×10-5，即要求绝对误差不大于0.01‰；训练目标为最终计算结果，全部小于预设目标，成功收敛。由于各区块数据样本的质量有所不同，故导致其训练次数各不相同，训练次数越少，建模收敛难度越低，反之亦然。

表4 优化改进的BP神经网络算法建立管道腐蚀速率预测模型结果

图2 优化改进的BP神经网络算法建立管道腐蚀速率预测模型图

3 BP优化模型风险预测方法应用

3.1 管道腐蚀风险分级

管道腐蚀风险分级依据中石化安全环保局(2006)10号文件《中国石油化工集团公司水体环境风险防控要点》附录1环境风险评价准则中环境风险评价表(环境风险度R=严重性S×可能性L)，见表5、表6和图3。

表5 腐蚀速率法预测管道腐蚀风险分级(风险发生的可能性)

表6 风险发生的严重性

图3 风险度评价图

3.2 预测实践

按照上述的风险评价方法，分别选取7个区块中的部分典型管线开展腐蚀风险评价，评价结果见表7。可见，21条管道中有8条管道风险等级处于高风险，13条管道风险等级为中风险，均需重点关注。

表7 腐蚀风险评价结果

采用非开挖磁力层析组合检测技术对高风险12-4站原油外输管线进行了现场检测，检测结果管线存在6处高腐蚀穿孔风险点，如图4所示。对6处高腐蚀穿孔风险点开挖采用C扫描+超声波定点测厚技术，检测管线最小壁厚3.29 mm。按照《油气集输设计规范》要求，在运行压力1.64 MPa下最小壁厚为1.16 mm，计算被检测管段最大点蚀速率1.014 mm/a，计算被检测管段安全服役年限为2.1 a。通过现场检测进一步佐证了神经网络技术风险分析预测方法的准确性。

图4 12-4站原油外输管线高腐蚀穿孔风险点分部示意图

BP优化神经网络风险分析预测方法综合考虑了管道腐蚀穿孔的主控影响因素，采用遗传算法对BP神经网络进行优化，使腐蚀速率的预测结果更加可靠，并对腐蚀穿孔失效后产生的危害进行量化处理，最终根据腐蚀发生的可能性和严重性的乘积获得管道腐蚀风险的大小。根据管道腐蚀风险的大小识别油田高风险管道，并分析管道腐蚀风险较高的主要原因，合理科学地实施降低风险的应对手段，实时掌控高风险管道的运行状态，使管道发生腐蚀风险的概率降到最低。因此，基于腐蚀速率法预测管道腐蚀风险的方法合理解决了塔河油田管道腐蚀风险无法掌控的现状，对高风险管道的识别和重点关注更加有效和准确。

4 结 论

1)对常用的5种管道腐蚀风险预测方法进行了比选，根据塔河油田的实际情况，确定出适应性、可靠性和经济性都较佳的腐蚀速率预测方法应用于管道腐蚀风险预测。

2)借助遗传算法对经典BP神经网络算法进行了优化，有效提高了BP神经网络的准确性和可靠性，并建立了一套适用于塔河油田的基于BP优化神经网络的腐蚀风险智能预测方法，残差修正目标满足要求。

3)通过BP优化神经网络技术的风险分析智能预测方法识别出目前管道腐蚀穿孔泄漏安全风险在12区、环保风险在塔河油田TP区块，分别选取7个区块中的典型管线开展腐蚀风险评价，21条管道中有8条管道风险等级处于高风险，13条管道风险等级为中风险，通过现场检测，进一步验证了神经网络技术风险分析预测方法的准确性，为后续腐蚀防治工作提供技术支撑。