隨著國家經(jīng)濟的高速發(fā)展,對油氣資源的需求越來越大,油氣田開采力度不斷擴大,油氣井數(shù)量不斷增加,集輸管道里程持續(xù)增加,管道內(nèi)部輸送介質(zhì)的腐蝕性加劇,使得與此相關的管道腐蝕問題越來越嚴重。腐蝕帶來的管道爆裂、原油泄漏等問題嚴重影響了國家和企業(yè)的發(fā)展。原油和天然氣為易燃、易爆物質(zhì),有時還含有硫化氫等有毒氣體,石油與天然氣管道始終是能源行業(yè)安全監(jiān)管的重點領域之一。油氣集輸管道輸送工藝和介質(zhì)復雜、內(nèi)腐蝕影響因素眾多,腐蝕發(fā)生發(fā)展機制類型多樣,例如塔河油田管道所處工況環(huán)境復雜,具有“五高一低”特點（高H2O、高CO2、高H2S、高Cl-、高礦化度、低pH）,極易造成管道腐蝕與穿孔[1]。在管道軸向里程位置、管道環(huán)向時鐘位置上,腐蝕的發(fā)生各具特點,多數(shù)情況下局部腐蝕的出現(xiàn)由多個因素或機制協(xié)同作用引起,這使得內(nèi)腐蝕風險預測更為困難。
近年來,隨著機器學習、人工智能等大數(shù)據(jù)技術(shù)的發(fā)展,機器學習技術(shù)逐漸進入工業(yè)領域,并在油氣管道缺陷智能識別[2]、管道漏磁內(nèi)檢測、管道剩余壽命預測[3]等方面發(fā)揮著重要作用。MICHAEL等[4]基于油氣田集輸管道在線內(nèi)檢測數(shù)據(jù)訓練貝葉斯網(wǎng)絡,使用訓練好的模型對沒有在線檢測數(shù)據(jù)的管道進行預測,結(jié)果表明,該貝葉斯網(wǎng)絡模型可以對管道的內(nèi)部腐蝕進行準確的預測。凌曉等[5]充分利用某輸油管道檢測數(shù)據(jù)集,針對反向傳播神經(jīng)網(wǎng)絡（BPNN）模型的起始權(quán)值和閾值的優(yōu)化問題,采用遺傳算法（GA）進行參數(shù)尋優(yōu),有效克服了單一BPNN模型易陷入局部極值的問題,大幅提升預測精度,為管道完整性管理提供可靠的理論依據(jù)和決策支持。
作者以塔河油田歷史失效數(shù)據(jù)為基礎,利用皮爾遜（Pearson）相關系數(shù)和灰色關聯(lián)度分析的方法明確管道內(nèi)腐蝕主控因素,通過粒子群（PSO）算法對隨機森林（RF）算法進行超參數(shù)優(yōu)化,基于優(yōu)化后的算法建立塔河油田管道內(nèi)腐蝕風險預測模型,為油氣田管道的腐蝕預警與防護提供幫助。
1. 管道內(nèi)腐蝕影響因素
油氣集輸管道腐蝕的影響因素主要包括溫度、CO2/H2S含量、水化學、流速、鋼的成分和表面狀態(tài)等,鋼表面腐蝕產(chǎn)物性質(zhì)會隨著影響因素的變化而改變,從而對腐蝕速率產(chǎn)生顯著影響[6]。
1.1 H2S、CO2含量的影響
當H2S和CO2同時存在時,H2S腐蝕和CO2腐蝕之間存在協(xié)同和競爭關系,腐蝕過程比較復雜[7]。SKILBRED等[8]認為,當系統(tǒng)中同時存在H2S和CO2時,可以根據(jù)其分壓比p（CO2）/p（H2S）大致判斷腐蝕主導因素是H2S還是CO2。當腐蝕過程以H2S的腐蝕反應為主時,主要產(chǎn)生各種類型的鐵硫化物；當腐蝕反應由CO2腐蝕反應控制時,主要產(chǎn)生FeCO3；當腐蝕反應是兩種氣體腐蝕共同控制時,會同時生成各種鐵硫化物和FeCO3。
1.2 溫度的影響
溫度對腐蝕的影響主要通過影響腐蝕產(chǎn)物的形成來實現(xiàn)。在不同環(huán)境條件下,隨著溫度升高,鋼表面生成的腐蝕產(chǎn)物膜可能對腐蝕有促進作用,也可能有抑制作用。ABD等[9]使用HYSYS軟件模擬了濕氣管道的CO2腐蝕。當溫度低于40 ℃時,由于碳酸鐵層的高溶解度,管道表面沒有形成保護膜,腐蝕速率隨溫度的升高而增大；當溫度超過40 ℃時,管壁上形成致密的腐蝕產(chǎn)物膜,對基體起到保護作用,腐蝕速率降低。
1.3 pH的影響
SUN等[10]研究發(fā)現(xiàn),pH可以通過影響電化學機制和表面保護性FeCO3膜的形成來影響碳鋼的CO2腐蝕。在多相流工況下,當pH高于6.2時,鋼表面能夠形成保護性的腐蝕產(chǎn)物膜,因此pH升高能夠明顯降低腐蝕速率。MORAES等[11]的研究表明,pH升高會抑制H+的陰極反應,使Fe的陽極溶解減緩,因此腐蝕速率降低。此外,鋼表面形成的碳酸鹽腐蝕產(chǎn)物膜能夠?qū)︿摶w起到保護作用,而溶液pH升高會抑制碳酸鹽的溶解,進而降低腐蝕速率。
2. 基本原理
2.1 粒子群算法
作者采用粒子群優(yōu)化算法對隨機森林模型的超參數(shù)進行優(yōu)化,該算法受鳥類捕食行為的啟發(fā),依靠群體智能隨機搜索,通過粒子之間相互合作共享位置和適應度信息逐漸收斂到全局最優(yōu)解[12]。如果將參數(shù)的最優(yōu)解假設為其值域空間中一個兼具位置和速度屬性的粒子,且尋優(yōu)過程中的最優(yōu)解由適應值（Fitness value）決定[13],具體迭代公式如下：
|
|
(1) |
|
|
(2) |
式中：
和
分別為粒子i在第j次迭代過程中第n維的速度和位置；
是粒子i在第n維中自身最優(yōu)解的位置,
是群體在第n維中全局最優(yōu)解的位置,每個粒子通過不斷追蹤這兩個最優(yōu)解進行更新；c1和c2為學習因子；rand（0,1）為由計算過程隨機生成的（0,1）區(qū)間的隨機數(shù)；w為慣性權(quán)重。
2.2 隨機森林算法
隨機森林算法是一種高效且用戶友好的集成機器學習技術(shù),可用于開發(fā)預測模型,通常用于回歸、分類以及特征選擇問題。隨機森林的概念最早在1995年由HO[14]提出,隨后BREIMAN[15]在2001年提出隨機森林算法并對該算法進行了系統(tǒng)闡述。隨機森林模型在回歸問題上應用廣泛,可有效解決傳統(tǒng)機器學習模型在訓練和預測過程中容易出現(xiàn)的過擬合問題,與其他機器學習模型相比,其訓練速度更快、魯棒性更強、預測效果更好[16]。圖1為隨機森林算法的模型。
3. 建模流程
基于PSO-RF算法的管道內(nèi)腐蝕風險預測模型（以下簡稱PSO-RF模型）的建模流程如圖2所示。建模主要步驟包括：確定模型的輸入輸出變量；劃分數(shù)據(jù)集為訓練集和測試集；模型參數(shù)的優(yōu)選和優(yōu)化；模型訓練和評估。
3.1 確定模型的輸入輸出變量
在建立的PSO-RF模型中,選擇管道腐蝕速率作為模型輸出變量,管道腐蝕影響因素作為輸入變量。值得注意的是,樣本數(shù)據(jù)在使用之前需經(jīng)過歸一化處理,以消除管道腐蝕因素數(shù)據(jù)集單位和維度的影響,提高獲得最優(yōu)解的速度,防止數(shù)據(jù)爆炸[17]。另外,考慮到某些特征如腐蝕影響因素與腐蝕速率的相關性較弱,即對腐蝕速率的貢獻率較小,這些弱相關特征的存在會對模型的訓練產(chǎn)生一定的干擾,導致模型泛化能力差,預測精度變低。故利用Pearson相關性分析和灰色關聯(lián)度分析來確定影響腐蝕速率的主控因素,進而確定模型的輸入變量。
3.2 劃分數(shù)據(jù)集為訓練集和測試集
數(shù)據(jù)集的劃分對模型的訓練和測試至關重要。在訓練模型之前,首先使用sklearn庫中的數(shù)據(jù)集劃分函數(shù)train_test_split()對數(shù)據(jù)樣本進行隨機劃分,訓練集和測試集樣本分別占總樣本數(shù)的80%和20%,其中訓練集用于訓練和構(gòu)建模型,測試集用于模型的預測和評估檢驗。
3.3 模型參數(shù)的優(yōu)選和優(yōu)化
對于隨機森林算法而言,其超參數(shù)的選擇將直接影響模型預測的準確性,而一般的網(wǎng)格搜索方法有一定的局限性,尋優(yōu)次數(shù)較多且容易陷入局部最優(yōu)解。為了盡可能縮小預測誤差,找到全局最優(yōu)解,作者選擇粒子群算法對參數(shù)進行優(yōu)選和優(yōu)化,然后再使用隨機森林算法對相關數(shù)據(jù)進行訓練和預測。
3.4 模型訓練和評估
最后使用訓練集對PSO-RF模型進行訓練,并使用測試數(shù)據(jù)集來評估模型的準確性。作者選擇決定系數(shù)（R2）、平均絕對誤差（σMAE）和均方根誤差（σRMSE）來評估模型的預測精度[18],計算公式分別見式（3）~（5）。決定系數(shù)R2的值介于0~1,其值越接近于1,表示模型的擬合度越好,模型預測結(jié)果越準確[19]。
|
|
(3) |
|
|
(4) |
|
|
(5) |
式中：n表示樣本總量；
和yi分別表示測試樣本的預測值和實際值。
4. 實例應用
4.1 建立數(shù)據(jù)集
作者以Python編程語言為基礎,使用Spyder.8軟件進行編程。從塔河油田歷年失效分析報告中的失效數(shù)據(jù)中共收集了603組數(shù)據(jù)作為預測模型的數(shù)據(jù)集。預測模型的輸入變量為影響管道腐蝕的因素,包括以下六個方面：總壓力、溫度、H2S分壓、CO2分壓、Cl-含量和含水率。輸出變量為管道在服役期間的平均腐蝕速率,利用首次穿孔刺漏時間、管線投產(chǎn)時間以及管線壁厚計算得到。表1為所有數(shù)據(jù)的范圍及統(tǒng)計特性,使用最大值、最小值和平均值來描述。
