海洋工程壓力容器安全的神經網絡對比分析①

俞樹榮 林 驊

(蘭州理工大學石油化工學院)

海洋工程壓力容器安全的神經網絡對比分析①

俞樹榮 林 驊

(蘭州理工大學石油化工學院)

為了提升海洋工程壓力容器的安全性，結合海洋工程壓力容器服役的復雜工況，首次將不可控的環境因素列為評價指標，建立一套適用于海洋工程壓力容器的安全評價指標體系，根據德爾菲法得出下一輪的評價周期為3～6年，并建立神經網絡模型。通過BP神經網絡與GA-BP神經網絡的對比，GA-BP神經網絡收斂步長較少，體現后者在安全評價工作中的優越性，驗證其評價結果的準確性。

海洋工程壓力容器 安全評價 德爾菲法 GA-BP神經網絡 評價模型

海洋蘊藏著大量的石油資源，是各國發展和生存不可或缺的戰略資源。海洋平臺的安全不容忽視，壓力容器作為石油生產的重要環節，因儲存介質為易燃、易爆、易污染的石油，如若管理不善，將對人員、生產和環境造成嚴重的破壞。因此，建立一套完善的安全評價指標體系對提高海洋工程壓力容器的安全性是至關重要的。

由于海洋工程壓力容器缺少相關資料、法律法規等，而陸地壓力容器已經具備較完善的安全評價指標體系，在建立安全評價指標體系時可以借鑒陸地壓力容器的經驗。海洋壓力容器較陸地壓力容器而言，具有作業環境惡劣、遠離陸地及風險因素多等特點，在建立安全評價指標體系時需充分考慮環境因素。安全評價體系是由許多復雜因素構成的一系列非線性問題，大部分的安全評價體系常使用預先危險性分析、故障類型和影響分析及模糊綜合評價等方法[1]，雖簡便實用，但受評價人員主觀因素的影響。因此結合陸地壓力容器的安全評價方法和神經網絡在安全評價方面的大量成功案例已成為海洋壓力容器研究的熱點與新方向。

在安全評價理論中，如陳海宇建立模型預測油氣層的損害程度[2]，沈繼忱等通過神經網絡對管道泄漏進行診斷[3]，高丙坤等通過神經網絡對天然氣管道泄漏進行檢查[4]，賈瑩和高丙坤在原有的基礎上，利用遺傳算法優化了天然氣管道泄漏的檢測方法[5]，在技術成果應用實際工程中神經網絡還處于試驗階段，缺乏在實踐中的應用，有待與工廠的進一步合作開發。筆者基于以上案例并結合其他相關領域的理論和實踐經驗，首次提出環境因素，并建立屬于海洋工程壓力容器的安全評價模型，驗證模型的科學性和解決優化非線性問題的突出能力，將在很大程度上提高海洋工程壓力容器的安全性。

1 安全評價指標體系

陸地壓力容器所處環境相對穩定，因此評價過程中往往忽略環境因素。但海洋特殊的地理環境和復雜的風險因素，使得在建立安全評價指標體系時，應盡可能充分地考慮環境因素。筆者在文獻[6]的基礎上，首次在評價體系中增加了環境因素，建立一套海洋工程壓力容器安全評價指標體系，分別從人員素質、儲罐設施、安全管理和環境因素4個一級指標入手，再細分為17個二級指標，如圖1所示。

圖1 海洋工程壓力容器安全評價指標體系

在整個海洋油氣集輸系統中，人為因素首當其沖，不適當的操作有可能釀成重大事故，因此在建立評價體系時需考慮人員素質因素，必須加大安全意識教育和專業技能培訓。

為應對多變的海洋環境和惡劣的海況要求，確保系統正常運轉，海洋油氣集輸壓力容器需達到儲罐設施的安全標準。因此在評價過程中需進行詳細的檢測，確保萬無一失。

油氣集輸中壓力容器儲存的是易燃易爆、有毒有害、腐蝕性的液體，加之受限于平臺空間，各種設施、設備和人員住房高度集中，這對平臺的安全提出了很高的要求。為了保障系統安全、穩定地運行，需充分考慮安全管理因素。

安全評價指標體系分為可控因素和不可控因素兩大類，前述三因素屬于可控因素，而環境因素屬于不可控因素，它的出現有可能對壓力容器造成毀滅性的破壞，所以只能通過預測來降低風險[7，8]。由于風和波浪屬于可預測數據，將它們作為海洋工程壓力容器考慮的主要環境因素，加之風和波浪存在必然的聯系，因此將二者結合考慮。

2 神經網絡簡介

2.1 BP神經網絡

BP神經網絡是基于人類大腦神經網絡且能夠實現某種功能的神經網絡，并不是對人腦系統的簡單還原，而是一種模仿、抽象和簡化。它是由輸入層、隱含層、輸出層組成的多層前饋網絡(圖2)，以正向傳播與誤差反向傳播的方式，利用誤差不斷調整神經元層與層之間的權值和閾值，使計算結果與數據高度擬合。BP神經網絡能夠反映安全評價指標的非線性關系，它的算法又稱BP算法。

圖2 BP神經網絡結構

隱含層的輸入函數：

(1)

輸出層的輸出函數：

yi=g(neti)

(2)

誤差函數：

(3)

式中ai——實際輸出；

en——相對誤差；

neti——凈輸入；

xj——神經元的輸入；

yi——神經元的輸出；

θi——神經元的閾值；

ωij——神經元的權值。

但BP神經網絡也存在不足，如：收斂速度慢、學習效率低和容易陷入局部極小值，因此需要對其算法進行優化[9，10]。

2.2 GA-BP神經網絡

遺傳算法是一種基于自然選擇和基因遺傳學原理的全局優化搜索算法，通過一系列的遺傳操作，如選擇、交叉及變異等，將生物進化和遺傳機制引入到算法中，選擇適應度值高的個體，直到滿足一定的條件為止。由于其簡單的編碼技術和遺傳操作，優化不受條件約束，能解決組合優化問題和非線性問題[11～13]。

通過遺傳算法進行優化的BP神經網絡，稱為GA-BP神經網絡。GA(Genetic Algorithm)進行的是遍及整個解空間的搜索，但不能獲取高精度的最優解，而神經網絡在局部搜索時可以彌補這 樣的問題。因此，將二者相結合，可形成一種能 達到優化目的的訓練算法。

2.3 評價模型設計

2.3.1 確定網絡結構

分別確定輸入層(m)、隱含層(s)和輸出層(n)的節點數。海洋工程壓力容器安全評價指標體系二級指標共17個，以此作為輸入層節點數。以海洋工程壓力容器的安全評價結果作為輸出結果，因此輸出層設為1。最后根據經驗公式[14]可得：

(4)

確定隱含層節點數為8，由此得到17-8-1的網絡結構。神經網絡流程如圖3所示。

圖3 神經網絡流程

2.3.2 種群初始化

遺傳算法的染色體是通過串聯神經網絡的權值和閾值組成的數組，采用浮點數編碼，結合17-8-1型網絡結構，確定染色體長度為17×8+8×1+8+1=153，由此隨機產生初始種群。

2.3.3 適應度值計算

染色體的適應度值f(i)計算式如下：

(5)

式中E(i)——對應網絡誤差。

2.3.4 遺傳算法的選擇、交叉、變異操作

選擇操作采用輪盤賭方法，在種群當中選擇適應度值高的個體，起到了優勝劣汰的作用，并且避免早熟問題，利用公式可計算進化個體概率：

(6)

交叉操作是新個體產生的主要方法，遺傳算法的全局搜索能力主要依靠它來完成。采用實數編碼方式，并利用拉普拉斯系數改進其生成系數[15]：

(7)

(8)

β——拉普拉斯系數改進系數。

變異操作輔助于交叉操作，保證遺傳算法的局部搜索能力，避免上述兩種操作造成的信息流失，維持種群多樣性和有效性。

2.3.5 BP神經網絡初始權值和閾值的產生

將適應度值最高的染色體解碼為網絡的初始權值和閾值，并賦給BP網絡重新訓練。

3 案例分析

3.1 數據采集

取自渤海灣某海洋工程壓力容器，基本參數如下：

材料 Q345R

內壓 1.6MPa

腐蝕厚度 0.8mm

溫度 65℃

圓筒直徑 3 000mm

風速 8m/s

評價過程中發現壓力容器資料完善，上次定期檢查合格，宏觀檢查無明顯問題，但無損檢測發現一處長3mm、深0.5mm的裂紋，已打磨消除無影響。規定腐蝕裕量為1mm，如果超過腐蝕裕量必須重新進行強度校核，另設新的腐蝕裕量。渤海風速年平均6～7m/s，根據氣象局了解，近期風速都維持在7～10m/s，屬于合理范圍內，無巨浪出現。

筆者利用專家打分法作為輸入數據，因此請來17位該領域的專家對指標體系中的17個二級指標進行打分，(6～7)分為差，(7～8)分為中，(8～9)分為良，(9～10)分為優，評價結果見表1。經過權重計算，得到表1的17組數據，選取評價結果分數最低的第7組數據7.48(中)作為最終結果，得出下一個評價周期為3～6年，屬于合理范圍。根據專家的打分情況，將評價結果與評價周期相聯系，確定下次的評價時間(表2)。為了降低專家打分法存在的主觀性，采用層次分析法分別對一級指標和二級指標的權重進行評估，并歸一化處理[16]：

(9)

表1 部分訓練樣本和測試樣本

表2 評價周期

為了進一步驗證評價結果的準確性，將數據代入到模型中運算。選取前14組樣本數據作為訓練樣本，選取后3組樣本數據作為測試樣本，利用已經構造好的17-8-1型BP模型和GA-BP模型分別進行網絡訓練和測試，選取效果最好的模型作為長期使用的評價模型。

3.2 訓練過程

將輸入數據放入Matlab中已寫好的程序中模擬，設定目標誤差為0.001，其訓練過程如圖4所示。BP神經網絡的收斂步長為13次，而GA-BP神經網絡的收斂步長為7次，由此可以看出優化后的程序收斂性得到了有效提高。

圖4 神經網絡訓練過程

3.3 誤差分析

圖5 誤差分析

從圖5可以看出，GA-BP神經網絡的平均相對誤差比BP神經網絡的小，經優化后的網絡模型彌補了BP神經網絡容易陷入局部極小值的缺點，達到了全局尋優、收斂速度快、誤差小的效果。但因評價個體數量較少，加之BP神經網絡的局限性，難免存在一些誤差。

4 結論

4.1 結合海洋工程壓力容器所處的特殊環境，首次考慮環境因素中的風和波浪的影響，提出一套適合海洋工程壓力容器的安全評價指標體系，采用專家打分法并結合層次分析法，對海洋工程壓力容器進行評價，分析出下一個評價周期。通過BP神經網絡與GA-BP神經網絡的對比，將評價結果代入后者進行驗證，模型結果與評價結果相符，驗證結果良好。

4.2 神經網絡主要應用于校園安全、公路交通安全、實驗室管理等領域，但還缺乏相關的實際應用。將GA-BP神經網絡引入到海洋工程壓力容器的安全評價指標體系當中，是為了提高海洋工程壓力容器的安全性，其他海洋平臺的安全評價也可以結合自身的特點對本指標進行適當的修改，賦予不同的權重，完善該指標體系。

4.3 GA-BP神經網絡能解決局部最小值問題，還能加快運行速度，減小誤差，獲得較高精度的解，具有良好的應用前景。但由于案例中存在檢測失職、規章制度存在漏洞、缺少波浪數據，導致誤差的存在，今后還需對模型進行必要的改進，樹立正確的職業操守，加強規章制度的管理，完善監測數據，使之在評價中達到準確合理的目標，能夠更好地與實際相結合。

[1] 周波.安全評價技術[M].北京：國防工業出版社，2012：20～23.

[2] 陳海宇.改進的BP網絡在儲層速敏損害預測中的應用[J].化工自動化及儀表，2011，38(1)：75～78.

[3] 沈繼忱，王春雨，王慧麗，等.管道泄漏診斷方法研究[J].化工自動化及儀表，2012，39(3)：309～312.

[4] 高丙坤，嚴娓，岳茂興，等.基于神經網絡證據理論的天然氣管道泄漏檢測[J].化工自動化及儀表，2012，39(10)：1268～1271.

[5] 賈瑩，高丙坤.基于遺傳算法優化神經網絡的管道泄漏檢測方法研究[J].化工自動化及儀表，2014，41(2)：128～131.

[6] TSG R0004-2009，固定式壓力容器安全技術檢查規程[S].北京：新華出版社，2009.

[7] 吳軍，王丹，陳勝蘭，等.化工園區安全評價指標體系研究[J].電子科技大學學報(社會科學版)，2015，(4)：20～24.

[8] 陸琳睿，吳伊萍，陳祺，等.基于BP神經網絡的高校實驗室安全評價模型及應用[J].實驗室研究與探索，2013，32(2)：214～218.

[9] 馬朝陽，鄭運虎，姜峰，等.基于優化灰色神經網絡法的壓力容器裂紋擴展預測[J].化工機械，2015，42(3)：380～382.

[10] Wenjie H.Research on the Evaluation of City Road Traffic Safety Based on BP Artificial Network[J].Science Technology and Engineering，2009，18：5607～5609．

[11] 俞樹榮，王超.腐蝕海洋立管剩余強度預測[J].化工機械，2014，41(5)：552～556.

[12] Xue X， Li Y，Yang X，et al.Prediction of Slope Stability Based on GA-BP Hybrid Algorithm[J].Neural Network World，2015，25(2)：189.

[13] Huang J，Luo H，Wang H，et al.Prediction of Time Sequence Based on GA-BP Neural Net[J].Journal of University of Electronic Science and Technology of China，2009，5：29．

[14] 沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定[J].天津理工大學學報，2008，24(5)：13～15.

[15] Deep K，Thakur M.A New Crossover Operator for Real Coded Genetic Algorithms[J].Applied Mathematics and Computation，2007，188(1)：895～911.

[16] 柳小桐.BP神經網絡輸入層數據歸一化研究[J].機械工程與自動化，2010，(3)：122～123．

SafetyAnalysisofOceanEngineeringPressureVesselsBasedonNeuralNetwork

YU Shu-rong, LIN Hua

(CollegeofPetrochemicalEngineering,LanzhouUniversityofTechnology)

In order to improve the safety of the ocean engineering pressure vessels, having complex operating conditions considered and uncontrollable environmental factors adopted as evaluation index to establish a safety evaluation system for ocean engineering pressure vessels was implemented; Based on Delphi method, a 3 to 6 year evaluation period was obtained and a neural network model was built. Comparing BP neural network with GA-BP neural network shows that, the GA-BP neural network has less convergence step and it has superiority and high accuracy in the safety evaluation.

ocean engineering pressure vessel, safety evaluation, Delphi method, GA-BP neural network，evaluation model

國家質檢公益項目(201310152)。

俞樹榮(1962-)，教授，從事承壓類特種設備的失效分析和安全評價工作，yusrlut@126.com。

TQ051.3

A

0254-6094(2017)01-0059-06

2016-01-25，

2017-01-10)