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：