基于EWM-GRA的腐蝕主控因素分析與腐蝕模型建立

陳迪，廖柯熹，何國璽，趙帥

?

基于EWM-GRA的腐蝕主控因素分析與腐蝕模型建立

陳迪，廖柯熹，何國璽，趙帥

（西南石油大學 石油與天然氣工程學院，成都 610500）

建立含硫管道腐蝕速率預測模型，為防腐工作的開展提供依據。基于熵權法（EWM）和灰色關聯分析（GRA）理論，對影響含硫天然氣集輸管道腐蝕的18個影響因素進行關聯度計算，確定腐蝕主要影響因素。針對主要影響因素，設計正交模擬實驗，基于腐蝕機理和模擬實驗結果，建立腐蝕速率預測模型。含硫管道腐蝕影響因素關聯度最大的4個因素為H2S分壓（0.7923）、CO2分壓（0.6471）、溫度（－0.6208）、液體流速（－0.6101），與腐蝕速率呈強相關。基于關聯度分析結果，考慮H2S分壓、CO2分壓、溫度、液體流速的影響，設計了4因素3水平共9組模擬實驗，根據失重法計算得到腐蝕速率。基于腐蝕機理和實驗數據，得到H2S/CO2共存條件下，考慮溫度和液體流速影響的腐蝕預測模型。與實驗結果對比，預測模型的相對誤差在5%以內。對于該含硫管道，腐蝕速率的主要影響因素為H2S分壓、CO2分壓、液體流速、介質溫度。基于腐蝕機理和模擬實驗結果建立的腐蝕速率預測模型能較好地預測腐蝕速率，為現場防腐工作的開展提供參考依據。

熵權法；灰色關聯分析；管道腐蝕；影響因素；權重計算；預測模型

我國含硫氣藏由于存在大量的氣田水，同時伴有較高的H2S和CO2，面臨著嚴重的腐蝕問題。目前含硫管道腐蝕速率預測模型較少，研究含硫集輸管道腐蝕的主要影響因素和腐蝕機理，建立考慮主要腐蝕影響因素的腐蝕速率預測模型，對于更有針對性地開展防腐工作具有重要意義[1]。

影響含硫管道內腐蝕的因素眾多，可分為管道材質和表面狀態、流體介質性質、管內運行參數等3個主要的方面[2]。各因素之間相互影響與制約，使得腐蝕速率與影響因素間的關系難以用簡單的多元函數表達[3]。找到影響含硫管道腐蝕的主要因素，忽略次要影響因素，建立只考慮主要腐蝕影響因素的腐蝕預測模型，既可以保證腐蝕預測模型具有較高的精確度，又能大幅度簡化模型的建立過程。目前針對腐蝕影響因素的研究，通常使用的方法有層次分析法和灰色關聯分析法。層次分析法非常依賴專家的主觀經驗評判，未充分利用客觀信息，導致結果的主觀性和偶然性太強。原始的灰色關聯分析法計算關聯度是采用平均處理或專家賦權，使權重計算結果最具有一定的主觀性。腐蝕速率預測模型的建立，目前主要從兩方面開展研究，即基于大量數據的智能預測算法以及基于少量實驗數據和腐蝕機理的經驗模型。文獻[4-6]介紹了使用BP神經網絡、遺傳算法、粒子群算法預測腐蝕速率的方法。智能算法精度較高，但是需要大量的樣本數據，進行復雜的訓練后才能進行預測，使用過程復雜，且難以搜集到足夠的樣本數據。在建立經驗模型時，目前主要是根據經驗確定腐蝕速率預測模型中的影響因素，而不是在客觀分析影響腐蝕速率的多種因素后，根據各因素對腐蝕速率影響程度的大小，確定預測模型中的影響因素，在影響因素的選擇上具有一定的主觀性。如李全安提出的CO2/H2S共存條件下，考慮溫度和pH值的腐蝕速率預測經驗模型[7]，只需要少量實驗數據就可確定公式中的待定系數，需要的樣本少，使用簡單。該模型并未論證只考慮H2S分壓、CO2分壓、溫度、pH對腐蝕速率的影響，而忽略其他影響因素的合理性。

文中首先運用熵權法-灰色關聯法對18個腐蝕影響因素進行關聯度計算，熵權法充分利用各影響因素所提供的信息來確定客觀權重，消除原始灰色關聯法具有的主觀性。根據關聯度大小，確定出4個腐蝕主控因素，作為腐蝕速率預測模型中的自變量，減少模型中的變量個數，降低預測模型建立的難度，并避免了在選擇腐蝕影響因素時具有的主觀性。然后在考慮主控因素的條件下，分析腐蝕機理以及每個主控因素對腐蝕的影響，建立H2S/CO2共存條件下，考慮溫度和液體流速影響的腐蝕速率預測模型。將模型預測結果與實驗結果進行對比，結果表明，建立的預測模型具有較高的準確性。

1 腐蝕主控板因素分析

1.1 熵權法

熵權法是一種根據各指標所含信息量的多少來確定指標權重的客觀賦權法。基于信息論基本原理，系統的有序程度可由信息來度量，無序程度可由熵來度量。某一評價指標的信息熵越小，該指標的有序程序越大，提供的信息量也越大，在綜合評價中所起的作用就越大，權重就應該越高。反之，則權重應該越小[8]。

令每個腐蝕速率與其對應腐蝕影響因素的值構成一組腐蝕速率數據，利用熵權法計算影響因素客觀權重的步驟如下所述。

構建初始指標矩陣：

式中：為腐蝕速率數據的組數；為影響因素的個數；x為第組腐蝕速率數據的第個影響因素的值（= 1, 2, …,;= 1, 2, …,）。

由于影響腐蝕速率的各個指標的量綱不同，數值差異較大。為了使數據具有可比性，需要對指標進行標準化（即無量綱化）處理：

式中：z為第組腐蝕速率數據的第個影響因素無量綱化后的值。

由此，可得到標準化處理后的指標矩陣：

根據信息熵的定義計算各影響因素差異度h：

第個影響因素的客觀權重為：

1.2 灰色關聯法

灰色關聯法是一種根據因素之間發展趨勢的相似或相異程度來衡量因素間關聯程度的方法。在系統發展過程中，兩因素變化的一致性越高，即同步變化程度越高，則二者的相關程度越高[9]。

設有組腐蝕速率數據，每組數據的影響因素為個，規范化后的影響因素數據為1,2, …,x。x=[x(1),x(2), …,x()]，=1, 2, …,。令0為每組數據對應的腐蝕速率，灰色關聯法計算0與x關于第個影響因素的公式為：

第個腐蝕影響因素與腐蝕速率之間的關聯度為：

式中：w為權重。在經典灰色關聯法關聯度計算中，一般取專家給定的權重，但這樣影響評價結果的客觀程度。文中采用熵權法賦予每個腐蝕影響因素客觀權重，去除計算結果的主觀性，保證關聯度計算結果的準確度。

通常情況下，根據關聯度數值的絕對值大小，將相關強度分為5個等級[10]，見表1。根據這一原理，計算各腐蝕影響因素與腐蝕速率之間的關聯度，選取關聯度大于0.6的因素為腐蝕主控因素。

表1 相關強度等級

Tab.1 Relation level

1.3 影響因素關聯度計算

由于天然氣集輸管道的流動過程為氣液兩相流動，其流動過程的傳熱、傳質、動量傳遞等過程非常復雜，且部分流動參數，如壁面剪切力、流型、持液率等，用現有技術手段無法直接測量[11]。為得到影響因素的沿線分布，采用世界領先的OLGA非穩態多相流模擬軟件，模擬得到因素沿線的分布情況。基于超聲導波檢測系統測量的壁厚與管道服役時間計算得到腐蝕速率。

通過對26組腐蝕速率的分析，計算得到每個因素的權重如圖1所示，關聯度如圖2所示。計算結果顯示，關聯度大于0.6的影響因素為：H2S分壓（0.7923）、CO2分壓（0.6471）、溫度（–0.6208）、液體流速 （–0.6101），相關強度為強相關。其余影響因素的關聯度小于0.6，與腐蝕速率的相關性較小。圖3為腐蝕速率與對應的H2S分壓、CO2分壓、溫度、液體流速的變化趨勢。可以看出，H2S與腐蝕速率的變化趨勢最為接近。從整體上看，腐蝕速率與H2S分壓與CO2分壓呈正相關，與溫度和液體流速呈負相關。根據EWM-GRA關聯度計算結果，選擇H2S分壓、CO2分壓、溫度、液體流速這四個因素作為腐蝕速率預測模型中的自變量。

圖1 各因素權重

圖2 各因素關聯度

圖3 腐蝕速率與四個因素的變化趨勢

2 實驗

2.1 實驗條件

采用高溫高壓動態反應釜來模擬輸送過程，采用失重法計算腐蝕速率，設計了4因素3水平共9組正交實驗，實驗材料為L360管線鋼。選擇實驗介質時，含硫氣藏采出水中主要含Mg2+、Ca2+、Na+、HCO3–、 Cl–等，文中是針對H2S、CO2、溫度和流速對鋼的腐蝕研究，HCO3–會影響CO2的溶解度，而存在的Mg2+、Ca2+，會與溶解后的CO2發生反應，產生垢（MgCO3、CaCO3），從而減緩腐蝕，影響實驗結果的精確度。因此在實驗過程中，只考慮Cl–的影響，常用的Cl–溶液為NaCl溶液。在Cl–為3.5%時，碳鋼腐蝕速率最大，腐蝕最為嚴重[12-13]，因此選擇3.5%的NaCl溶液作為實驗介質。腐蝕主要影響因素的取值范圍：H2S和CO2分壓范圍為0.1~0.3MPa，溫度范圍為30~70 ℃，流速范圍為3~7 m/s，每組實驗時長為72 h。

2.2 實驗結果與分析

表2 正交實驗結果

圖4 四種因素對腐蝕速率的影響

根據分析每個因素對腐蝕速率的影響，推斷腐蝕最嚴重的條件：H2S分壓為0.3 MPa，CO2分壓為0.3 MPa，溫度為30 ℃，流速為3 m/s。為驗證推論，設計該條件下的驗證實驗。實驗結果表明，其腐蝕速率最大，為1.244 mm/a，推斷得到驗證。

3 建立腐蝕預測模型

3.1 腐蝕機理分析

根據式（9），兩邊取對數，可得：

1）H2S/CO2的影響。對于H2S/CO2共存的腐蝕介質，兩者均會參與腐蝕。國內外有大量關于H2S/CO2共存下的腐蝕機理，其中廣為接受的是Mishra提出的腐蝕機理[14]。

陽極反應

陰極反應

對于CO2：

對于H2S：

當CO2是主導因素時，同時考慮H2S對腐蝕速率的影響，得到的腐蝕速率計算公式為：

2）流速的影響。流速較低時，管材主要發生電化學腐蝕。較高的介質流速則會抑制管材內表面腐蝕產物膜的形成，或者將已經形成的腐蝕產物膜沖刷掉。對于輸送介質為酸性氣體的天然氣集輸管道，為保證氣體具有一定的攜液能力，同時避免因氣體流速過高造成緩蝕劑不易粘附到管壁上，其流速一般為6~8 m/s。在此條件下，腐蝕速率的對數與速率呈近似線性關系[16-17]，即：

3）溫度的影響。對于集輸管道，氣體輸送溫度接近管道埋深處的地溫。當溫度低于100 ℃時，根據阿雷尼烏斯關系式，corr與的關系為[7]：

式中：為氣體常數；為化學反應活化能，J/mol。

4）腐蝕速率預測模型。基于上述分析，可得到H2S/CO2共存條件下，考慮溫度和流速影響的腐蝕速率預測模型為：

3.2 確定待定系數

根據正交實驗數據，通過多元回歸分析，求出待定系數，最終得到的腐蝕模型如式（24）。將驗證實驗的條件帶入該模型，得到的預測腐蝕速率值為1.198 mm/a，與實驗值相比相對誤差為–3.7%。

與9組正交實驗數據對比，模型預測結果誤差控制精度在5%以內，見表3。

表3 預測結果誤差

Tab.3 Prediction error

4 結語

文中基于熵權法-灰色關聯法，確定了某含硫管道影響腐蝕的主控因素為H2S分壓、CO2分壓、溫度、液體流速，確定了建立腐蝕預測模型時應該考慮的因素。基于腐蝕機理，建立了H2S/CO2共存條件下，考慮溫度和流速影響的腐蝕速率預測模型，基于正交實驗結果和多元回歸理論確定了預測模型中的待定系數值。建立的腐蝕預測模型在實驗參數范圍內，相對誤差在5%以內，具有較高的精度，能滿足工程應用的要求。

[1] 艾志久, 范鈺瑋, 趙乾坤. H2S對油氣管材的腐蝕及防護研究綜述[J]. 表面技術, 2015, 44(9): 108-115.AI Zhi-jiu, FAN Yu-wei, ZHAO Qian-kun. Review on H2S corrosion of oil gas tubing and its protection[J]. Surface technology, 2015, 44(9): 108-115.

[2] 姚權珂. 磨溪氣田集氣管道內腐蝕預測方法研究[D]. 成都: 西南石油大學, 2012.YAO Quan-ke. Study on internal corrosion prediction method in gas gathering pipeline of Moxi gas field[D]. Chengdu: Southwest Petoleum University, 2012.

[3] 譚才淵, 殷啟帥, 楊進, 等. 渤海某油田L80油管腐蝕機理研究[J]. 表面技術, 2017, 46(3): 236-245.TAN Cai-yuan, YIN Qi-shuai, YANG Jin, et al. Corrosion mechanisim of L80 tubing in a Bohai oilfield[J]. Surface technology, 2017, 46(3): 236-245.

[4] 許宏良, 殷蘇民. 基于改進BP神經網絡優化的管道腐蝕速率預測模型研究[J]. 表面技術, 2018, 47(2): 177-180.XU Hong-liang, YIN Su-min. Prediction model of pipeline corrosion rate based on improved BP neural network[J]. Surface technology, 2018, 47(2): 177-180.

[5] 胡松青, 石鑫, 胡建春, 等. 基于BP神經網絡的輸油管道內腐蝕速率預測模型[J]. 油氣儲運, 2010, 29(6): 448-450.HU Song-qing, SHI Xin, HU Jian-chun, et al. BP neural network-based prediction model for internal corrosion rate of oil pipelines[J]. Oil & gas storage and transportation, 2010, 29(6): 448-450.

[6] LIAO Ke-xi, YAO Quan-ke, WU Xia, et al. A numerical corrosion rate prediction method for direct assessment of wet gas gathering pipelines internal corrosion[J]. Energies, 2012(5): 3894-3907.

[7] LI Quan-an, BAI Zhen-quan, HUANG De-zhi, et al. Predictive model for corrosion rate of oil tubes in CO2/H2S coexistent environment part Ⅰ: Building of model[J]. Journal of Southwest Jiaotong University, 2004, 12(2): 141-147.

[8] GUAN B W, CHEN S F, XIONG R, et al. Grey correlation entropy method to analyze corrosion fatigue of concrete pavement[J]. Journal of Wuhan University of Technology, 2011, 33(10): 30-29.

[9] 舒潔, 吳冠霖, 齊昌超. 川渝地區天然氣管道腐蝕影響因素的灰關聯分析及應用[J]. 管道技術與設備, 2018, 26(2): 45-47.SHU Jie, WU Guan-lin, QI Chang-chao. Grey relatioal analysis and application of corrosion influence factors of natural gas pipeline in Sichuan and Chongqing region[J]. Pipeline technique and equipment, 2018, 26(2): 45-47.

[10] CHEN F L, OU T Y. Gray relation analysis and multilayer functional link network sales forecasting model for perishable food in convenience store[M]. [s. 1.]: Pergamon press, 2009(1): 7054-7063.

[11] 潘峰, 陳雙慶. 基于OLGA的起伏濕氣集輸管道水力特性研究[J]. 當代化工, 2017, 46(3): 511-513.PAN Feng, CHEN Shuang-qing. Research on hydraulic characteristics of undulating terrian wet gas gathering and transportation pipeline based on OLGA[J]. Contemporary chemical industry, 2017, 46(3): 511-513.

[12] 胡永碧, 谷壇. 高含硫氣田腐蝕特征及腐蝕控制技術[J]. 天然氣工業, 2012, 32(12): 92-96. HU Yong-bi, GU Tan. Corrosion features and corrosion control technologies in high-sulfur gas fields[J]. Natural gas industry, 2012, 32(12): 92-96.

[13] 吳明, 宗月, 謝飛, 等. 模擬海水中Cl-濃度對Q235和X70管線鋼腐蝕行為的影響[J]. 金屬熱處理, 2017, 42(2): 62-66. WU Ming, ZONG Yue, XIE Fei, et al. Effect of chloridion concentration on corrosion behavior of Q235 and X70 pipeline steel in simulated seawater[J]. Heat treatment of metals, 2017, 42(2): 62-66.

[14] MISHRA B, HASSAAN S A, OLSON D L, et al. Development of a predictive model for activation-controlled corrosion of steel in solutions containing carbon dioxide[J]. Corrosion, 1997, 53(11): 852-859.

[15] 劉智勇. 典型材料油氣田腐蝕實驗評價方法[M]. 北京: 科學出版社, 2016. LIU Zhi-yong. Evaluation method for corrosion test of typical materials in oil and gas fields[M]. Beijing: Science Press, 2016.

[16] 王霞, 唐佳, 陳玉祥, 等. 流速對L360管線鋼在H2S/CO2環境中腐蝕行為的影響[J]. 表面技術, 2018, 47(2): 158-163.WANG Xia, TANG Jia, CHEN Yu-xiang, et al. Effect of flow velocity on corrosion behavior of L360 pipeline steel in H2S/CO2enviroment[J]. Surface technology, 2018, 47(2): 158-163.

[17] HARA T, ASAHI H, SUEHIRO Y, et al. Effect of flow velocity on carbon dioxide corrosion behavior in oil and gas environments [J]. Corrosion engineering, 2000, 56(8): 860-866.

Analysis of Corrosion Main Influencing Factors Based on EWM-GRA and Corrosion Model Establishment

,,,

(College of Proleum Engineering, Southwest Petroleum University, Chengdu 610500, China)

To establish a corrosion rate prediction model for sulfur-containing pipelines and provide a basis for anti-corrosion work. Based on the Entropy Weight Method (EWM) and Grey Relational Analysis (GRA) theory, the correlation factors of 18 influencing factors affecting the corrosion of sulfur-containing natural gas gathering pipelines were calculated to determine the main influencing factors of corrosion. According to the main influencing factors, orthogonal simulation experiments were designed, and the corrosion rate prediction model was established based on the corrosion mechanism and simulation results. The four factors with the greatest correlation between the corrosion factors of sulfur-containing pipelines were: H2S partial pressure (0.7923), CO2partial pressure (0.6471), temperature (–0.6208), and liquid flow rate (–0.6101), which were strongly correlated with corrosion rate. Based on the results of correlation analysis, considering the influence of H2S partial pressure, CO2partial pressure, temperature and liquid flow rate, a total of 9 simulation experiments were carried out with 4 factors and 3 levels, and the corrosion rate was calculated according to the weight loss method. Based on the corrosion mechanism and experimental data, a corrosion prediction model considering the influence of temperature and liquid flow rate under the condition of H2S/CO2coexistence is obtained. Compared with the experimental results, the relative error of the prediction model is within 5%. For the sulfur-containing pipeline, the main influencing factors of corrosion rate are H2S partial pressure, CO2partial pressure, liquid flow rate, and medium temperature. The corrosion rate prediction model based on the corrosion mechanism and simulation results can predict the corrosion rate well and provide a reference for the on-site anti-corrosion work.

entropy weight method; gray relative analysis method; pipe corrosion; influence factor; weight calculate; prediction model

2018-12-10；

2019-01-02

CHEN Di (1995—), Male, Master, Research Focus: oil & gas storage and transportation safety engineering.

廖柯熹（1970—），男，博士，教授，主要研究方向為油氣管道完整性管理。郵箱：liaokxswpi@163.com

TG172.3

A

1001-3660(2019)06-0268-06

10.16490/j.cnki.issn.1001-3660.2019.06.032

2018-12-10；

2019-01-02

國家自然科學基金（51674212）

Supported by the National Science Foundation of China(51674212)

陳迪（1995—），男，碩士，主要研究方向為油氣儲運安全工程。

LIAO Ke-xi(1970—), Male, Doctor, Professor, Research focus: oil and gas pipeline integrity management. E-mail: liaokxswpi@163.com