一种基于深度学习识别管道内挂片腐蚀速率异常值的方法技术

本发明专利技术公开了一种基于深度学习识别管道内挂片腐蚀速率异常值的方法，属于油气管道技术领域。其包括以下步骤：步骤一，收集天然气管道特性参数；步骤二，收集天然气管道服役期间的运行参数；步骤三，收集天然气管道内壁挂片腐蚀数据；步骤四，数据筛选；步骤五，建立数据库；步骤六，建立预测挂片质量损失的深度神经网络模型；步骤七，计算管道内壁挂片腐蚀速率；步骤八，管道内壁挂片腐蚀速率异常值识别；该方法的步骤流程如摘要附图所示。本发明专利技术考虑了天然气管道规格、设计、运行参数、内置挂片材质等多维度的海量数据对管道内壁挂片腐蚀速率的影响，并结合深度神经网络，有效提高识别天然气管道内壁挂片腐蚀速率异常值的准确率。然气管道内壁挂片腐蚀速率异常值的准确率。然气管道内壁挂片腐蚀速率异常值的准确率。

【技术实现步骤摘要】
一种基于深度学习识别管道内挂片腐蚀速率异常值的方法


[0001]本专利技术专利属于油气管道
，特别是一种基于深度学习识别管道内挂片腐蚀速率异常值的方法。

技术介绍

[0002]天然气作为一种清洁、高效的能源，其最主要的运输方式是管道运输。近年来，随着我国对天然气需求量的增大，天然气管网的规模也开始不断扩大。截至2017年底，我国长输油气管道总里程位居世界第三。根据《中国天然气发展报告(2022)》：2021年，全国主干天然气管道总里程达到11.6万千米；同时预计到2025年总里程将达到16.3万公里。天然气工业体系正蓬勃发展，在天然气管道系统中，管道的安全问题也日益受到越来越多的关注。已有调查发现，天然气管道事故的30％
‑
40％由管道内腐蚀造成，而通常用管道内腐蚀速率来表示风险大小，是控制管道内腐蚀的重要手段。
[0003]在天然气生产输配作业中，随着记录数据的传感器使用，该行业已成为一个海量数据密集型行业。天然气管道则在设计、运行和维护等阶段产生了大量的数据，在维护阶段，一般可通过在天然气管道内壁放置挂片，由挂片质量损失计算得到挂片腐蚀速率，其中挂片腐蚀速率数据表示为管道内腐蚀速率数据。腐蚀数据为分析管道状态、进行腐蚀风险评估等提供了数据支撑。
[0004]然而，在实际生产作业中，在管道内壁放置挂片测量得到的管道内腐蚀速率数据存在异常值，主要由主观疏忽大意记错、虚报等人为因素和客观上传感器损坏等机械因素造成。腐蚀速率异常值的存在会增大统计分析误差，会对天然气管道内腐蚀情况评估产生重要影响，为保证腐蚀速率数据的可靠性，需要对初始管道内腐蚀速率数据进行异常值识别。目前常用的异常值识别算法主要有拉依达准则、箱线图、DBSCAN聚类、格拉布斯准则、KNN异常检测算法等。
[0005]然而，上述方法都是检查单一维度的腐蚀速率数据是否有异常值，并未考虑管道规格参数、设计参数、运行参数、输送介质、含硫量、干湿气、挂片密度、挂片放置时间等多维度的海量数据对管道内壁挂片腐蚀速率的影响，从而降低异常值识别正确率。
[0006]基于以上分析，通过文献调研，本专利技术提出一种新型基于深度神经网络的识别天然气管道内壁挂片腐蚀速率异常值的方法，考虑了管道规格参数、设计参数、运行参数、输送介质、含硫量、干湿气、挂片密度、挂片放置时间等多维度的海量数据对管道内壁挂片腐蚀速率的影响，并结合深度神经网络，深度挖掘上述多维数据对腐蚀速率的影响，最终准确识别得到天然气管道内壁挂片腐蚀速率异常值。对天然气管道内腐蚀情况评估和内腐蚀风险控制具有重要的意义。

技术实现思路

[0007]因此，本专利技术提供了一种基于天然气管道内壁挂片腐蚀速率数据、深度神经网络、挂片腐蚀速率计算的异常值识别方法。该方法可从多维度海量数据出发，准确地识别天然
气管道内壁挂片腐蚀速率异常值，保证腐蚀速率数据的可靠性。该方法特征在于，首先收集不同管道的特性参数、运行参数与其对应的管道内壁挂片腐蚀数据(包括：挂片材质、挂片监测时间、挂片密度、挂片面积与挂片质量损失)。并对数据进行缺失值筛选剔除；其次，建立数据库，包含参数类型有管径、壁厚、长度、管材、设计压力、设计温度、设计输量、介质流速、含水率、运行压力、运行温度、运行输量、输送介质、pH值、含硫量、干湿气、挂片材质、挂片监测时间、挂片密度、挂片面积与挂片质量损失共21种；再次，建立预测挂片质量损失的深度神经网络模型，将管道特性参数、运行参数和腐蚀挂片数据作为模型输入，挂片质量损失作为模型输出，完成深度神经网络模型训练；最后，根据预测得到的挂片质量损失计算得到无异常值的腐蚀速率数据，与待异常值识别的腐蚀速率数据进行相对误差分析，相对误差>5％则存在异常值。
[0008]一种基于深度学习识别管道内挂片腐蚀速率异常值的方法主要包括以下内容：
[0009](1)收集天然气管道特性参数。管道特性参数包括管道材质、管径、壁厚、设计压力、温度、输量等参数，对管道腐蚀有重要的影响，这类参数在设计之初已经决定，不会随意发生改变。
[0010](2)收集天然气管道服役期间的运行参数。管道运行参数包括运行压力、温度、输量、输送介质、是否含硫、含硫量、干湿气等参数，是影响管道内腐蚀的重要因素，在服役期间可能发生改变，是保障管道安全运行的可调因素。
[0011](3)收集天然气管道内壁挂片腐蚀数据。管道内腐蚀数据可包括管道内壁挂片质量损失、监测时间、挂片密度、挂片面积和挂片材质等参数。
[0012](4)数据筛选。收集到的数据中，往往存在缺失值，会影响挂片质量损失数据预测。因此，在完成管道特性、运行参数和腐蚀数据收集后，需要对数据缺失值进行筛选，删除存在缺失值的同行数据。
[0013](5)建立数据库。参数类型可包括：管径、壁厚、长度、管材、设计压力、设计温度、设计输量、介质流速、含水率、运行压力、运行温度、运行输量、输送介质、pH值、含硫量、干湿气、挂片材质、挂片监测时间、挂片密度、挂片面积与挂片质量损失共21列，每一组数据对应一行，数据量至少达到10万组，数据库中应包含多条不同规格、运行条件的管道与其对应的管道内壁挂片腐蚀数据，如表1所示：其中管径：mm；壁厚：mm；长度：km；设计/运行压力：MPa；设计/运行温度：K；设计/运行输量：
×
104m3/d；介质流速：m/s；含水率：％；含硫量：g/m3；挂片监测时间：h；挂片密度：g/cm3；挂片面积：cm2；挂片质量损失：g。
[0014]表1管道内腐蚀数据库
[0015][0016](6)建立预测挂片质量损失的深度神经网络模型。将表1中的管径、壁厚、长度、管材、设计压力、设计温度、设计输量、介质流速、含水率、运行压力、运行温度、运行输量、输送介质、pH值、含硫量、干湿气、挂片材质、挂片监测时间、挂片密度、挂片面积共20个参数作为深度神经网络的输入，挂片质量损失为模型输出。由于深度神经网络只能处理数值型数据，在建立深度神经网络模型时，需要对非数值型数据进行处理，这些数据包括管材、输送介质、干湿气和挂片材质为文本形式。具体转换规则如表2、3、4、5所示：
[0017]表2管材转换规则
[0018]文本形式L360/L360NR/L360MBL245/L245NCS20#16MnL415L485
……
转换形式123456
……
[0019]表3输送介质转换规则
[0020][0021]表4干湿气转换规则
[0022][0023][0024]表5挂片材质转换规则
[0025]文本形式20GL245L360QSQ245R
……
转换形式1234
……
[0026]导入数据库数据，训练和测试深度神经网络。其中深度神经网络模型输入层有20个节点，包含管道特性参数、运行参数与腐蚀挂片数据；中间为隐含层；输出层有1个节点，输出挂片质量损失。
[0027](7)计算管道内壁挂片本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习识别管道内挂片腐蚀速率异常值的方法，其特征是，包括以下步骤：步骤1，收集天然气管道特性参数，包括管道材质、管径、壁厚、设计压力、温度、输量等参数；步骤2，收集天然气管道服役期间的运行参数，包括运行压力、温度、输量、输送介质、是否含硫、含硫量、干湿气等参数；步骤3，收集天然气管道内壁挂片腐蚀数据，可包括管道内壁挂片质量损失、监测时间、挂片密度、挂片面积和挂片材质等参数；步骤4，在完成管道特性、运行参数和腐蚀数据收集后，需要对数据缺失值进行筛选，删除存在缺失值的同行数据；步骤5，建立数据库，参数类型可包括：管径、壁厚、长度、管材、设计压力、设计温度、设计输量、介质流速、含水率、运行压力、运行温度、运行输量、输送介质、pH值、含硫量、干湿气、挂片材质、挂片监测时间、挂片密度、挂片面积与挂片质量损失共21列，每一组数据对应一行，数据量至少达到10万组，数据库中应包含多条不同规格、运行条件的管道与其对应的管道内壁挂片腐蚀数据；步骤6，将非数值型数据转换为数值型数据，建立预测挂片质量损失的深度神经网络模型，管道特性与运行参数和管道内壁挂片腐蚀数据作为模型输入，挂片质量损失为模型输出；步骤7，基于完成训练与测试并达到精度要求的深度神经网络模型，通过输入某管道特性参数、运行参数和腐蚀挂片数据20种参数，最终拟合预测得到该条件下的挂片质量损失，并计算得到管道内壁挂片腐蚀速率V1；步骤8，将管道内壁挂片腐蚀速率V1视为无异常值数据，计算其与实际待异常识别的挂片腐蚀速率V2的相对误差E，当误差E>5％时，表明该腐蚀速率V2为异常值。2.如权利要求1所述的一种基于深度学习识别管道内挂片腐蚀速率异常值的方法，其特征是，所...

【专利技术属性】
技术研发人员：贾文龙，牟磊，吴瑕，陈超，蒋敏，沈定金，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：