陳占鋒 李緒堯

杭州電子科技大學(xué)機(jī)械工程學(xué)院

摘要：基于人工智能的腐蝕管道剩余強(qiáng)度預(yù)測(cè)方法，因?qū)嶒?yàn)數(shù)據(jù)較少，且分布不均勻，難以準(zhǔn)確預(yù)測(cè)腐蝕管道的剩余強(qiáng)度。對(duì)此提出一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法，通過(guò)調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置，初步實(shí)現(xiàn)了小樣本腐蝕管道剩余強(qiáng)度的準(zhǔn)確預(yù)測(cè)，為小樣本腐蝕管道剩余強(qiáng)度的準(zhǔn)確預(yù)測(cè)提供了新思路。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；小樣本；腐蝕管道；剩余強(qiáng)度；粒子群算法

油氣管道的外腐蝕通常與服役環(huán)境密切相關(guān)。以海底管道為例，盡管采用了外涂層和防腐包覆層一次保護(hù)和電化學(xué)二次保護(hù)等外防腐措施，但隨著服役時(shí)間的延長(zhǎng)，這些防腐措施依然容易失效，引起管道的外腐蝕。另外，在管道設(shè)計(jì)時(shí)，為保證油氣高效輸送，管內(nèi)通常保持高壓。當(dāng)管道受到外腐蝕后，剩余強(qiáng)度降低，隨著腐蝕程度加劇，管道最終難以承受工作壓力而破壞，引起油氣泄漏事故，威脅人身、財(cái)產(chǎn)和環(huán)境的安全。因此，學(xué)者們需要對(duì)在役管道特別是處于腐蝕環(huán)境中的管道進(jìn)行安全評(píng)估，當(dāng)腐蝕管道的剩余強(qiáng)度不足時(shí)，需要及時(shí)維修或更換。

提出一個(gè)準(zhǔn)確的安全評(píng)估方法對(duì)指導(dǎo)管道設(shè)計(jì)、保障管道安全至關(guān)重要。基于實(shí)驗(yàn)和數(shù)值模擬，國(guó)內(nèi)外的學(xué)者們開展了一系列研究，提出了多個(gè)腐蝕管道剩余強(qiáng)度預(yù)測(cè)方法。美國(guó)機(jī)械工程師協(xié)會(huì)（ASME）根據(jù)爆破試驗(yàn)，提出了腐蝕管道極限內(nèi)壓荷載規(guī)范——B31G系列，這是目前使用較廣泛的規(guī)范。然而，B31G系列是根據(jù)低強(qiáng)度鋼爆破試驗(yàn)得到的，預(yù)測(cè)中高強(qiáng)度鋼剩余強(qiáng)度時(shí)，結(jié)果偏保守[1]。

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個(gè)分支，它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的算法。神經(jīng)網(wǎng)絡(luò)是由大量的處理單元互聯(lián)組成的非線性、自適應(yīng)性信息處理系統(tǒng)。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜性，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，達(dá)到處理信息的目的（圖 1）。考慮到神經(jīng)網(wǎng)絡(luò)的計(jì)算效率和預(yù)測(cè)精度，有學(xué)者基于神經(jīng)網(wǎng)絡(luò)提出腐蝕管道剩余強(qiáng)度的預(yù)測(cè)方法。

圖 1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 

1  神經(jīng)網(wǎng)絡(luò)方法的主要瓶頸與解決思路

實(shí)驗(yàn)數(shù)據(jù)的數(shù)量和分布對(duì)神經(jīng)網(wǎng)絡(luò)方法的準(zhǔn)確性至關(guān)重要。面對(duì)多維度并且聯(lián)系不明顯的數(shù)據(jù)集，簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度較低。由于腐蝕管道剩余強(qiáng)度實(shí)驗(yàn)數(shù)據(jù)較少，且分布不均勻，難以捕捉數(shù)據(jù)之間的聯(lián)系，并且輸入量維度偏多，人工神經(jīng)網(wǎng)絡(luò)（ANN）方法無(wú)法準(zhǔn)確預(yù)測(cè)小樣本腐蝕管道的剩余強(qiáng)度。

為了解決實(shí)驗(yàn)數(shù)據(jù)稀缺導(dǎo)致預(yù)測(cè)精度低的問題，調(diào)研現(xiàn)有文獻(xiàn)中的實(shí)驗(yàn)數(shù)據(jù)，根據(jù)小樣本實(shí)驗(yàn)數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)數(shù)據(jù)集，采用前饋神經(jīng)網(wǎng)絡(luò)（FFNN）提出腐蝕管道剩余強(qiáng)度預(yù)測(cè)方法。首先對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，然后將其劃分為訓(xùn)練集和測(cè)試集。為了提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，提出兩種優(yōu)化策略：一是增加神經(jīng)網(wǎng)絡(luò)的復(fù)雜性；二是優(yōu)化神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)。最后將兩種優(yōu)化策略與ANN方法進(jìn)行對(duì)比，提出適合小樣本的腐蝕管道剩余強(qiáng)度預(yù)測(cè)方法，兩種優(yōu)化策略如下。

優(yōu)化策略一。為提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性，采用增加每層神經(jīng)元數(shù)目以及隱藏層層數(shù)的方法（Multilayer perceptron，MLP）來(lái)增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型求解非線性問題的能力（圖 2），提高神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)高維度復(fù)雜數(shù)據(jù)集的準(zhǔn)確性。

圖 2 模型復(fù)雜度優(yōu)化策略 

優(yōu)化策略二。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是根據(jù)訓(xùn)練集數(shù)據(jù)，以損失函數(shù)作為參考，確定網(wǎng)絡(luò)中的權(quán)重和偏置，通過(guò)計(jì)算機(jī)大量運(yùn)算，推測(cè)訓(xùn)練集數(shù)據(jù)間的映射關(guān)系，最后用訓(xùn)練時(shí)得出的映射關(guān)系來(lái)預(yù)測(cè)驗(yàn)證集數(shù)據(jù)。由此可見，神經(jīng)網(wǎng)絡(luò)中的目標(biāo)參數(shù)權(quán)重和偏置，對(duì)模型預(yù)測(cè)結(jié)果的影響至關(guān)重要。因此，本文通過(guò)粒子群算法（PSO）優(yōu)化目標(biāo)參數(shù)，提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性（圖 3）。

圖 3 粒子群算法流程 

2  預(yù)測(cè)結(jié)果分析

文中采用的數(shù)據(jù)來(lái)自文獻(xiàn)[2]中的實(shí)驗(yàn)數(shù)據(jù)，預(yù)測(cè)值越靠近中間的紅色虛線，預(yù)測(cè)結(jié)果越接近實(shí)驗(yàn)值。虛線兩側(cè)的紅色實(shí)線表示預(yù)測(cè)值與實(shí)驗(yàn)值誤差為±10%。在三種預(yù)測(cè)模型訓(xùn)練結(jié)果中，MLP模型的訓(xùn)練結(jié)果最好，所有預(yù)測(cè)結(jié)果的誤差均在±10%以內(nèi)，而ANN和PSO-FFNN的訓(xùn)練結(jié)果都有部分樣本預(yù)測(cè)誤差超過(guò)了±10%（圖 4）。

圖 4 三種預(yù)測(cè)模型訓(xùn)練結(jié)果 

結(jié)合三種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果（圖 5），柱狀圖顯示的是三種模型的預(yù)測(cè)值，折線圖顯示的是每個(gè)預(yù)測(cè)樣本點(diǎn)的相對(duì)誤差。可以看出，ANN模型最大相對(duì)誤差接近30%，三個(gè)樣本點(diǎn)相對(duì)誤差大于10%。MLP模型的最大相對(duì)誤差接近20%，三個(gè)樣本點(diǎn)相對(duì)誤差大于10%。而PSO-FFNN模型最大相對(duì)誤差接近15%，其余樣本點(diǎn)相對(duì)誤差均小于10%。從預(yù)測(cè)結(jié)果看，PSO-FFNN模型的預(yù)測(cè)結(jié)果最為穩(wěn)定。

圖 5 三種預(yù)測(cè)模型預(yù)測(cè)結(jié)果 

3  結(jié)論與展望

由于管道實(shí)際工作環(huán)境較為復(fù)雜，傳統(tǒng)的預(yù)測(cè)方法很難同時(shí)兼顧各種影響因素，對(duì)腐蝕管道的剩余強(qiáng)度進(jìn)行預(yù)測(cè)。而神經(jīng)網(wǎng)絡(luò)能夠綜合學(xué)習(xí)各種復(fù)雜情況，并根據(jù)學(xué)習(xí)結(jié)果預(yù)測(cè)目標(biāo)參數(shù)。對(duì)于小樣本問題，常規(guī)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果存在局部誤差過(guò)大的問題，這是由于過(guò)擬合導(dǎo)致的。本文通過(guò)改進(jìn)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重及偏置，提出了一種小樣本下腐蝕管道剩余強(qiáng)度準(zhǔn)確預(yù)測(cè)的新思路。

對(duì)于MLP模型，預(yù)測(cè)結(jié)果的整體誤差較小，但個(gè)別誤差過(guò)大，這主要是由于過(guò)擬合。如果能進(jìn)一步降低過(guò)擬合的影響，如采用dropout處理等，有望得到預(yù)測(cè)結(jié)果更加準(zhǔn)確的預(yù)測(cè)方法。對(duì)于PSO-FFNN模型，預(yù)測(cè)結(jié)果較為穩(wěn)定，建議在對(duì)預(yù)測(cè)結(jié)果穩(wěn)定性要求較高的場(chǎng)合使用。

（轉(zhuǎn)自《Reliability Engineering & System Safety》2023年3月刊，轉(zhuǎn)載時(shí)作者對(duì)部分內(nèi)容進(jìn)行了補(bǔ)充和刪節(jié)。）

參考文獻(xiàn)：

[1]陳嚴(yán)飛.海底腐蝕管道破壞機(jī)理和極限承載力研究[D].大連：大連理工大學(xué)，2009.

[2]Ma,B.,Shuai,J.,Liu,D.,&Xu,K. (2013). Assessment on failure pressure of high strength pipeline with corrosion defects. Engineering Failure Analysis, 32, 209-219.

作者簡(jiǎn)介：陳占鋒，1984年生，博士，杭州電子科技大學(xué)特聘副教授，主要從事管道完整性、人工智能等方面的工作。聯(lián)系方式：17367078584，czf@hdu.edu.cn。