吴泽民，周临风，冷建成

(东北石油大学，黑龙江大庆 163318)

0 引言

管道是油气资源的主要运输方式，在长期服役过程中由于受到环境载荷以及材料本身性能退化等因素影响，会产生结构损伤、变形甚至断裂失效[1]，因此，非常有必要对这些高后果区管段以及超期服役管道实施在线监测，并利用监测数据预测管道的发展趋势以实现异常预警，确保在役管道的安全。

国内外学者在油气管道安全监测方面开展了大量研究，胡瑾秋等[2]通过引入数据自组织挖掘思想对设备退化状态进行预警，采用隐马尔科夫模型对设备状态进行评估，再进一步通过建立自组织预测模型进行退化过程预测；El-ABBASY等[3]采用人工神经网络(ANN)模型对管道状态进行预测，给出了油气管道的衰退曲线；谢丽婉[4]基于埋地聚乙烯管道，建立了模糊综合评价数学模型，通过将安全预警理论与风险矩阵相结合来确定管道的安全预警等级；温江涛等[5]引入深度迁移学习，实现了复杂环境下油气管道周边入侵事件的准确识别。

综上所述，目前应用传统预测方法对管道进行安全评价的研究较多，笔者基于地基沉降下的室内管道模型试验，曾提出利用BP神经网络和GM(1,1)组合模型进行管道监测部位的应力预测，但预测结果偏保守[6]。本文将深度学习中的长短期记忆网络(LSTM)引入到管道应力发展的趋势预测，为后续的在线安全预警提供指导。

1 长短期记忆网络模型

循环神经网络(Recycle Neural Network,RNN)是ANN的一种改进，与传统的BP神经网络相比[7-8]，RNN网络具有记忆功能，即考虑时间相关性的影响，通过收集数据序列的历史信息来计算当前输出，能够更深地挖掘数据的潜在规律，从而实现更准确的预测；……