【技术实现步骤摘要】
本专利技术专利属于油气管道，特别是一种含硫天然气集输管道内腐蚀缺陷预测方法。
技术介绍
1、在天然气集输系统中，管道是至关重要的组成部分，它是连接系统中各种工艺设施的纽带，是绝对不可缺少的。当输送介质中含硫等酸性物质，采用干/湿气输送方式，在电化学腐蚀与氢腐蚀等腐蚀机理作用下，会产生较强的腐蚀性，管道一旦发生腐蚀，会出现腐蚀缺陷，甚至产生裂纹穿孔，最终导致管道局部或全部壁厚破损，承压强度下降，最终导致管道失效。
2、对含硫天然气集输管道内腐蚀预测是控制管道内腐蚀风险的技术手段之一。因此，国内外研究学者提出了含硫天然气集输管道内腐蚀预测模型，主要有传统经验、半经验和结合腐蚀机理的预测模型，也有基于神经网络、支持向量机等基于数据驱动机器学习的预测模型。然而大部分学者提出的腐蚀预测模型，只能预测沿管道长度方向的腐蚀缺陷腐蚀速率或管道剩余寿命等，而影响管道腐蚀缺陷产生与发展的影响因素众多、作用机理复杂，很难通过现有方法预测腐蚀缺陷位置与形貌(时钟方位、深度、长度和宽度)。
3、在现有公开专利cn 115879267 a《一种管道腐蚀缺陷预测方法和系统》中，采用将腐蚀预测模型与超声波探伤结合的方式对管道的剩余寿命进行预测。在授权专利cn113239504 b《一种基于优化神经网络的管道腐蚀缺陷预测方法》中，通过建立一种优化好的神经网络预测模型，预测腐蚀缺陷的深度百分比、时钟方位和长度。然而该专利并未考虑管道流动参数对腐蚀的影响，并未实现对腐蚀缺陷位置及宽度的预测。
4、基于以上分析，通过文献调研，本专利
技术实现思路
1、因此，本专利技术提供了一种基于含硫天然气集输管道设计参数、管道流动参数和腐蚀缺陷特征参数，结合信息理论改进皮尔逊相关系数算法和深度学习的腐蚀缺陷预测方法。该方法能方便快捷地预测含硫天然气集输管道内腐蚀缺陷的位置、深度百分比、时钟方位、长度和宽度，有助于控制管道内腐蚀风险，保障管道运行安全。该方法特征在于，首先，收集不同含硫天然气集输管道的特性参数、流动参数和腐蚀缺陷特征参数；其次，建立数据库，参数类型共21种，有16种影响腐蚀缺陷的因素，包含：管道沿线的高程倾角、沿线压力、液体流速、沿线温度、气体流速、持液率、硫沉积量，还有管道特性参数管长、壁厚、运行输量、h2s含量、服役时间、设计压力、设计输量、管径、管材，5种腐蚀缺陷特征包含缺陷位置、深度百分比、时钟方位、长度和宽度；再次，基于信息理论改进皮尔逊相关系数算法，计算排序16种影响腐蚀缺陷的因素与腐蚀缺陷的影响度，挖掘出其中的主控因素，完成数据集整合；接着，建立预测含硫天然气集输管道内腐蚀缺陷的深度学习模型，将主控因素与腐蚀缺陷特征数据作为模型输入，待预测的腐蚀缺陷特征作为模型输出，完成模型训练测试；最后，基于训练好的深度学习预测模型，输入待预测管道内腐蚀缺陷的相关参数，预测得到管道沿线缺陷位置、深度百分比、时钟方位、长度和宽度。
2、一种含硫天然气集输管道内腐蚀缺陷预测方法主要包括以下内容：
3、(1)收集含硫天然气集输管道特性参数、流动参数与内腐蚀缺陷特征参数。特性参数包括管长、壁厚、运行输量、h2s含量、服役时间、设计压力、设计输量、管径、管材，流动参数包括管道沿线的高程倾角、沿线压力、液体流速、沿线温度、气体流速、持液率、硫沉积量，腐蚀缺陷特征包含缺陷位置、深度百分比、时钟方位、长度和宽度。
4、(2)数据预处理。对收集得到的数据，进行数据预处理，包含数据整合、字符型数据转换为数值型数据、异常数据剔除、缺失数据补充。
5、(3)建立数据库。数据库中参数类型包括：管长、壁厚、运行输量、h2s含量、服役时间、设计压力、设计输量、管径、管材、高程倾角、沿线压力、液体流速、沿线温度、气体流速、持液率、硫沉积量、缺陷位置、深度百分比、时钟方位、长度和宽度，共21种类型，每一组数据对应一行，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腐蚀缺陷特征数据，如表1所示：其中，管长：km；壁厚：mm；设计/运行输量：×104m3/d；h2s含量：g/m3；服役时间：年；设计压力/沿线压力：mpa；管径：mm；高程倾角：°；液体流速/气体流速：m/s；沿线温度：℃；持液率：％；硫沉积量：g/d；缺陷位置：m；缺陷深度百分比：％；缺陷长度：mm；缺陷宽度：mm。
6、(4)挖掘主控因素。通过数据挖掘提取影响腐蚀缺陷生长和发展的主控因素，降低冗余因素对预测模型的负面影响，减少预测模型输入维度与复杂度，提高模型预测精度，提高预测模型的可解释性。采用信息理论改进皮尔逊相关系数算法，计算排序影响因素与腐蚀缺陷特征数据之间的影响度数值，该算法主要计算公式如下：其中，x和y分别代表数据库中某种参数类型；n和m分别代表x和y的样本数量，x和y分别代表x和y的样本值。
7、
8、计算得出的各影响因素的影响度数值介于0和1之间，从0到1，其影响重要度越大，通过排序比较可挖掘得出主控因素。
9、表1管道内腐蚀缺陷数据库
10、
11、(5)建立预测含硫天然气集输管道内腐蚀缺陷的深度学习模型。借鉴时间序列的数据处理方式，此处将管道沿线假象为时间轴，并将腐蚀缺陷特征纳入输入数据集，缺陷处之前的流体运动状态与管道参数视为过去时刻，将要预测的缺陷位置及形貌视为未来时刻。
12、构建腐蚀缺陷位置预测模型时，(4)中得到的主控因素个数为z，则将表1中的主控因素数据集与缺陷位置特征数据共z+1个维度参数作为预测模型的输入，待预测的当前管段的腐蚀缺陷位置为模型输出。采用cnn-lstm-attention组合模型作为预测模型，参数设置如表2所示，训练预测模型。
13、表2cnn-lstm-attention预测模型参数设置
14、
15、
16、构建腐蚀缺陷深度百分比、时钟方位、长度或宽度预测模型时，(4)中得到的主控因素个数为z，则将表1中的主控因素数据集与缺陷深度百分比、时钟方位、长度或宽度特征数据共z+1个维度参数作为预测模型输入，待预测的当前管段腐蚀缺陷特征为模型输出。采用ceemdan-cnn-transformer组合模型为预测模型，参数设置如表3所示，训练预测模型。
17、表3ceemdan-cnn-transformer预测模型参数设置
18、
19、
20、(6)预测含本文档来自技高网...
【技术保护点】
1.一种含硫天然气集输管道内腐蚀缺陷预测方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种含硫天然气集输管道内腐蚀缺陷预测方法，其特征是，所述步骤5中建立深度学习模型包括如下步骤：
【技术特征摘要】
1.一种含硫天然气集输管道内腐蚀缺陷预测方法，其特征是，包括以下步骤：
2.如权利要求1...
【专利技术属性】
技术研发人员：贾文龙，黄巧竞，牟磊，吴瑕，陈超，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。