一种管道腐蚀人工智能预警方法技术

本发明专利技术公开了一种管道腐蚀人工智能预警方法，属于管道安全技术领域。所述方法包括：首先收集管道的基础数据，进行管道继续服役的条件判定，然后利用长短时记忆神经网络预测腐蚀速率、超声波侧厚估算腐蚀速率，预测管道剩余寿命，判定管道安全服役状况，做出针对性警示。该方法以管道剩余寿命预测为基础，采取人工智能方法预测管道未来运行状况，对异常状况发出警示并及时采取应对办法，使油气田能够防患于未然，对症下药为智慧油气田的建设提供腐蚀预警层面的技术支撑。警层面的技术支撑。警层面的技术支撑。

【技术实现步骤摘要】
一种管道腐蚀人工智能预警方法


[0001]本专利技术属于管道安全
，具体涉及一种管道腐蚀人工智能预警的建立方法。

技术介绍

[0002]在油气田管道生产运行过程中，管道腐蚀会使管壁缺陷部位变薄，造成管道承压能力降低，导致管道腐蚀失效，致使管道泄漏，引发的事故往往具有突发性和隐蔽性，会造成巨大损失。所以在管道发生腐蚀事故之前，对于严重的腐蚀缺陷部位，应及时预警、检修、维护，采取相应的防护措施，科学地指导管道安全运行管理。
[0003]目前，现有的腐蚀预警方法还存在着一些有待解决的问题：腐蚀预警方法的建立往往依赖于严苛的网络基础设施，需要建立复杂的数据库作为依据，数据采集原则较模糊，增加了预警前期工作的难度，可操作性较低；腐蚀预警方法大多以无法继续服役的管道为基础，挖掘分析检测得到的管道泄露数据，对未来腐蚀情况进行概率判断，未能有效预防管道事故的发生，预警结果准确性较低，防护措施缺乏针对性。
[0004]因此，为降低管道腐蚀事故发生的风险，需建立算法预测管道剩余寿命，判定管道安全服役条件，明确腐蚀预警等级，主动提前采取应对措施，专利技术一种管道腐蚀人工智能预警方法显得尤为重要。

技术实现思路

[0005]本专利技术的目的在于提供一种管道腐蚀人工智能预警方法，以解决管道腐蚀后由于抗压能力降低所面临的风险预警问题。
[0006]一种管道腐蚀人工智能预警方法，其特征在于，包括如下步骤：
[0007]步骤1：收集管道的基础数据：
[0008]管道外径D
wr/>，mm；(2)管道内径D
n
，mm；(3)管道材料的屈服强度σ
s
，MPa；(4)管道壁厚d，mm；(5)管道设计压力P，MPa；(6)管道腐蚀裕量C，mm；(7)管道生产运行时间T
s
，a；(8)管道设计使用年限T
u
。
[0009]步骤2：划分管道腐蚀缺陷区域：
[0010]检测管道腐蚀缺陷按照轴向和环向对区域进行网格划分：轴向划分m份分别为C1、C2…
C
i
…
C
m
，环向划分n份分别为L1、L2…
L
j
…
L
n
，从而将腐蚀缺陷离散划分为m
×
n个壁厚测量点A
ij
(i＝1、2、3
…
m；j＝1、2、3
…
n)；
[0011]其中：m为轴向划定的区域个数，C1、C2…
C
m
为轴向划定区域的每一份对应一个缺陷的轴向测量点；n为环向划定的区域个数，L1、L2…
L
n
为轴向划定区域的每一份对应一个缺陷的环向测量点；A
ij
为腐蚀缺陷离散划分的m
×
n个壁厚测量点。
[0012]步骤3：管道继续服役条件的判定，具体步骤：
[0013](a)通过公式(1)求解轴向要求最小壁厚通过公式(2)求解环向要求最小壁厚将计算结果和带入公式(3)确定管道最小要求壁厚t
min
：
[0014][0015][0016][0017]式中：为轴向要求最小壁厚，mm；为环向要求最小壁厚，mm；t
min
为管道最小要求壁厚，mm；
[0018](b)统计管道腐蚀缺陷区域的m
×
n个壁厚测量点的壁厚值a
ij
，其中测量得到壁厚值最小的是a
min
，通过公式(4)求解所有被测点壁厚的平均值t
am
：
[0019][0020]式中：a
ij
为腐蚀缺陷离散划分的m
×
n个测量点的壁厚值，mm；t
am
为所有被测点壁厚的平均值，mm；
[0021](c)通过公式(5)求解管道的剩余壁厚比R
t
：
[0022][0023]式中：R
t
为管道的剩余壁厚比；
[0024](d)求解管道轴向最大允许腐蚀缺陷的长度L：
[0025]若R
t
≥0.793，则
[0026]若R
t
＜0.793，则
[0027]其中：L为轴向最大允许腐蚀缺陷的长度值，mm；
[0028](e)确定管道安全服役条件：
[0029]若La≤L，则管道可以继续服役；
[0030]若La>L且tam
‑
C≥0.9tmin时，则管道可以继续服役；
[0031]若La>L且tam
‑
C＜0.9tmin时，则管道不可以继续服役，判定为一级预警等级，预警标识显示为红色；
[0032]其中：L
a
为管道壁厚断面腐蚀缺陷的轴向长度，mm。
[0033]步骤4：预测管道剩余寿命：
[0034](a)基于在线监测预测管道剩余寿命：
[0035]1)预测管道腐蚀速率，具体步骤：
[0036]①
整理现场腐蚀监测数据集：某一时间段的监测时间数据集α(t1、t2、t3…
t
n
)；监测时间对应的腐蚀速率数据集β(V1、V2、V3…
V
n
)；
[0037]其中：t1、t2、t3…
t
n
为按照时间排序间隔一个步长的监测时间；V1、V2、V3…
V
n
为监测时间对应的腐蚀速率监测值，mm/a；
[0038]②
观察腐蚀监测数据集补充缺失数据：
[0039]任取腐蚀监测时间数据集α中的3个时间t
a
、t
b
、t
c
，取腐蚀速率数据集β中对应的腐蚀速率监测值V
a
、V
b
、V
c
，带入公式(6)得到缺失时间t
x
对应的腐蚀速率值V
x
：
[0040][0041]式中：t
a
、t
b
、t
c
为监测时间数据集α中的任意三个时间；V
a
、V
b
、V
c
为腐蚀速率数据集β中t
a
、t
b
、t
c
对应的腐蚀速率监测值，mm/a；t
x
为缺失的监测时间；V
x
为t
x
对应的腐蚀速率，mm/a；
[0042]③
构建长短时记忆神经网络：
[0043]I完整的腐蚀监测数据集：包含腐蚀数据缺失值的监测时间数据集α
’
(t1、t2、t3…
t
x
…
t
...

【技术保护点】

【技术特征摘要】
1.一种管道腐蚀人工智能预警方法，其特征在于，包括如下步骤：步骤1：收集管道的基础数据：管道外径D
w
，mm；(2)管道内径D
n
，mm；(3)管道材料的屈服强度σ
s
，MPa；(4)管道壁厚d，mm；(5)管道设计压力P，MPa；(6)管道腐蚀裕量C，mm；(7)管道生产运行时间T
s
，a；(8)管道设计使用年限T
u
。步骤2：划分管道腐蚀缺陷区域：检测管道腐蚀缺陷按照轴向和环向对区域进行网格划分：轴向划分m份分别为C1、C2…
C
i
…
C
m
，环向划分n份分别为L1、L2…
L
j
…
L
n
，从而将腐蚀缺陷离散划分为m
×
n个壁厚测量点A
ij
(i＝1、2、3
…
m；j＝1、2、3
…
n)；其中：m为轴向划定的区域个数，C1、C2…
C
m
为轴向划定区域的每一份对应一个缺陷的轴向测量点；n为环向划定的区域个数，L1、L2…
L
n
为轴向划定区域的每一份对应一个缺陷的环向测量点；A
ij
为腐蚀缺陷离散划分的m
×
n个壁厚测量点。步骤3：管道继续服役条件的判定，具体步骤：(a)通过公式(1)求解轴向要求最小壁厚通过公式(2)求解环向要求最小壁厚将计算结果和带入公式(3)确定管道最小要求壁厚t
min
：：：式中：为轴向要求最小壁厚，mm；为环向要求最小壁厚，mm；t
min
为管道最小要求壁厚，mm；(b)统计管道腐蚀缺陷区域的m
×
n个壁厚测量点的壁厚值a
ij
，其中测量得到壁厚值最小的是a
min
，通过公式(4)求解所有被测点壁厚的平均值t
am
：式中：a
ij
为腐蚀缺陷离散划分的m
×
n个测量点的壁厚值，mm；t
am
为所有被测点壁厚的平均值，mm；(c)通过公式(5)求解管道的剩余壁厚比R
t
：式中：R
t
为管道的剩余壁厚比；(d)求解管道轴向最大允许腐蚀缺陷的长度L：若R
t
≥0.793，则
若R
t
＜0.793，则其中：L为轴向最大允许腐蚀缺陷的长度值，mm；(e)确定管道安全服役条件：若La≤L，则管道可以继续服役；若La>L且tam
‑
C≥0.9tmin时，则管道可以继续服役；若La>L且tam
‑
C＜0.9tmin时，则管道不可以继续服役，判定为一级预警等级，预警标识显示为红色；其中：L
a
为管道壁厚断面腐蚀缺陷的轴向长度，mm。步骤4：预测管道剩余寿命：(a)基于在线监测预测管道剩余寿命：1)预测管道腐蚀速率，具体步骤：
①
整理现场腐蚀监测数据集：某一时间段的监测时间数据集α(t1、t2、t3…
t
n
)；监测时间对应的腐蚀速率数据集β(V1、V2、V3…
V
n
)；其中：t1、t2、t3…
t
n
为按照时间排序间隔一个步长的监测时间；V1、V2、V3…
V
n
为监测时间对应的腐蚀速率监测值，mm/a；
②
观察腐蚀监测数据集补充缺失数据：任取腐蚀监测时间数据集α中的3个时间t
a
、t
b
、t
c
，取腐蚀速率数据集β中对应的腐蚀速率监测值V
a
、V
b
、V
c
，带入公式(6)得到缺失时间t
x
对应的腐蚀速率值V
x
：式中：t
a
、t
b
、t
c
为监测时间数据集α中的任意三个时间；V
a
、V
b
、V
c
为腐蚀速率数据集β中t
a
、t
b
、t
c
对应的腐蚀速率监测值，mm/a；t
x
为缺失的监测时间；V
x
为t
x
对应的腐蚀速率，mm/a；
③
构建长短时记忆神经网络：I完整的腐蚀监测数据集：包含腐蚀数据缺失值的监测时间数据集α
’
(t1、t2、t3…
t
x
…
t
n
)和对应的腐蚀速率数据集β
’
(V1、V2、V3…
V
x
…
V
n
)，其中α
’
为输入值，β
’
为输出值；II长短时记忆神经网络模型内部结构包含遗忘门、输入门、输出门：i上一时间t
i
‑1的腐蚀速率监测V
i
‑1经过t
i
时间长短时神经网络的遗忘门f(t
i
)式(7)进行更...

【专利技术属性】
技术研发人员：曾德智，韩雪，金龙，张新，于晓雨，赵春兰，仝春玥，汪宙峰，董宝军，喻智明，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：