人工神經網絡預測管道沖蝕速率研究進展

王雨墨，李彥博，李曉平*，艾迪輝，昝林峰，王維嘉，王孟欣，宮敬

1 中國石油大學(北京)油氣管道輸送安全國家工程實驗室/城市油氣輸配技術北京市重點實驗室，北京 102249 2 中國石油工程建設有限公司西南分公司，成都 610017*通信作者, lxpmpf@cup.edu.cn

0 引言

沖蝕是指高速流動中的流體所含的固體顆粒沖擊壁面，造成壁面損傷的現象。油氣田生產過程中，經常存在高壓力、高流速的含固流體，這類流體流經集輸管線時容易發生沖蝕，給管道壁面造成嚴重損害，尤其對于彎管等流向改變的部件，沖蝕現象容易造成其壁面減薄，甚至擊穿，給油氣田集輸生產安全帶來很大挑戰。特別是在頁巖氣集輸管道中[1]，沖蝕現象比較普遍。為了防止管道泄露，生產現場需要根據沖擊減薄的速率，考慮管道剩余的承壓能力，及時更換部件，這會造成經濟上的損失與生產效率的下降。更嚴重的是，沖蝕現象給管道與集輸系統的完整性管理帶來潛在威脅。彎頭等受到沖蝕，容易擊穿泄露，造成安全事故。因此，對于沖蝕現象的規律及沖蝕速率的預測，近年來受到了國內外學者的持續關注與廣泛研究。

目前國內外對管道沖蝕現象的研究主要采取三種研究方法：一是模型研究，二是實驗研究，三是數值模擬。

模型研究是指，基于流體和顆粒的運動方程，推導沖蝕速率受各個因素影響的機理。結合理論模型與經驗模型，得到沖蝕速率的預測結果，以及臨界流速與生產實際因素之間的關系。模型研究方法針對沖蝕現象的本質規律進行探索，得出了一系列的經典的預測手段。然而，由于管道中的沖蝕是在復雜流體環境中多相運動產生的，同時受流動介質、被撞擊壁面、顆粒相的性質影響，因此描述這一現象需要考慮的因素很多。例如顆粒沖擊速度、角度、材料性質，被撞擊表面的物理特性，管道內的流動狀態，等等。隨著研究情境逐漸復雜，需要引用的參數增多，每增加一個考慮因素就需要修正或者補充已有的模型，先前提出的模型也逐漸失去精度，因此導致模型愈發復雜。據初步總結，文獻中明確報道的沖蝕現象影響因素多于20種(總結于表1中)。因此，僅通過模型研究確定實際管道的沖蝕速率不現實。美國石油協會(API)在1975年發布的API RP 14E規范中，給出了臨界沖蝕流速的簡明計算公式，但僅僅針對無砂及非腐蝕工況，公式適用性較為有限[2]。

實驗研究一般針對特定的幾何結構，如彎頭、閥門、小型環道等，搭建能夠產生攜砂流體的實驗平臺，控制流速與含固率，通過失重法、表面輪廓法等方法確定壁面損失的速率，結合SEM等觀察方法確定沖蝕導致的金屬表面微觀形變，分析與驗證機理研究得到的觀點。實驗研究一般能夠得到一定條件下較為可靠的沖蝕速率，然而由于一般采用控制單一變量或幾個變量的方法，不能滿足工程中復雜多變的環境參數要求。在不能確定環境條件時多采用理想化方法控制參數。實驗得到的結果普適性往往受到限制，一般不易推廣到其它系統。為了給其他研究者提供足夠參考，一般將實驗方法與其它研究方法相結合，得到適用范圍較廣的規律[3]。

表1 管道沖蝕磨損影響因素Table 1 The factors influencing pipeline erosion

數值模擬研究指采用計算流體動力學(CFD)或者離散元(DEM)等方法，采用湍流模型描述流體，對離散相顆粒軌跡進行追蹤，進而對離散相和流體的作用進行耦合，將顆粒沖擊強度與沖蝕損傷聯系起來，以計算沖蝕損傷分布與速率。管道沖蝕的數值模擬研究一般采用Fluent、CFX、SPPS等商業軟件進行，經過多年的研究得到了一系列可用的分布與規律。但是數值模擬研究的預測準確性參差不齊，主要是因為要調整的設置過多，不同設置之間難以對比。且商業軟件算法中的“黑箱”部分含有部分過于簡單的假設，其環境設置大多理想化，較難匹配現場生產中的實際情況。曾有文獻總結了采用SPPS軟件計算的600余個實例，將模擬結果與實驗結果進行對比，發現誤差普遍在1～2個數量級左右[4]。

鑒于目前研究方法存在的不足之處，為了更準確預測沖蝕速率與最大允許流速，近年來出現了采用數據驅動手段對管道沖蝕速率進行研究的新的嘗試，為精確預測管道減薄程度，保障生產安全提供了新的思路。隨著計算機硬件系統和計算能力的不斷進步，這一方向目前發展十分迅速，尤其是2017年以后進入快速發展階段(圖2)。未來隨著人工神經網絡技術的進一步推廣，預期該研究方向將快速發展，并且占據更加重要的地位。目前，國內尚缺乏關于采用人工神經網絡方法進行油氣管道沖蝕研究的系統介紹與總結。本文從幾個方面對該方向目前的研究進展進行綜述，以供有興趣的研究人員、工程技術人員參考。

圖1 采用SPPS軟件模擬計算所得沖蝕速率(y軸)與實驗所得沖蝕速率(x軸)對比總結，每個數據點代表一個實驗與預測值的對比[4]Fig. 1 SPPS simulated results (y-axis) vs. experimental results (x-axis). Each data point represents a pair of experimental and simulation comparison[4]

圖2 近年來國際SCI期刊發表的采用人工智能方法研究沖蝕速率的論文數量Fig. 2 Number of SCI indexed journal articles studying erosive wear with AI methods

1 理論回顧

1.1 管道沖蝕預測機理研究簡要回顧

目前普遍認為，材料沖蝕分為塑性沖蝕和脆性沖蝕兩種情況。研究塑性材料沖蝕的主要理論有切削理論、鍛造擠壓理論和變形理論。切削理論是指，在沖蝕過程中，顆粒不斷與材料表面進行摩擦，從而造成材料表面的磨損[5]。切削理論非常適用于塑性材料小沖角、多角形磨粒的沖蝕磨損。鍛造擠壓理論指沖蝕過程中靶材表面會在顆粒不斷地沖擊下產生凹坑和突起的唇片，在反復的沖擊和變形作用下，這些唇片從材料表面脫落，產生磨損[6]。變形理論[7-8]認為材料失效包括切削磨損和變形磨損，在材料被切削磨損的基礎上，由于顆粒反復沖擊同一位置，導致該位置材料變形，形成“擠壓唇”，從而失效。對于脆性材料的沖蝕，如陶瓷、玻璃等，顆粒的撞擊會造成材料表面的局部開裂，隨著不斷地撞擊，最終產生材料破壞、脫落等問題[9]。

實驗研究方法指基于現場實際工況在實驗室搭建模擬裝置進行實驗，可以有效地獲得材料沖蝕磨損的性能參數。應用較多的實驗裝置主要有旋轉電極式試驗機、射流式沖刷腐蝕試驗機、管流式沖刷腐蝕試驗機、Coriolis 沖蝕試驗機等[10]。目前沖蝕磨損的研究多是討論單一因素或基于控制變量法的多參數作用對沖蝕磨損結果的影響。Ronald E. Vieira等[11]對氣—液—砂流動條件下彎管沖蝕進行了研究，并使用雙元件超聲波傳感器測量彎管上不同位置的壁厚損失。結果表明，水平彎管的沖蝕行為隨流型的變化而變化，垂直水平彎管沖蝕比水平水平彎管嚴重的多，不同參數對沖蝕速率有不同影響。趙彥琳等[12]研究了含沙射流對316不銹鋼的沖蝕行為。結果表明，沖擊角度為90°時沖蝕掉的質量最大，60°時沖蝕的質量最小；沖擊角較大時，顆粒對材料的破壞以正碰為主，沖擊角較小時，顆粒對材料的破壞是犁削作用。胡瑾秋等[13]基于正交試驗設計方法研究了多種因素與管線沖蝕磨損之間的關系，得出了各因素的影響力排序。Quamrul H.Mazumder等[14]提出了一種預測多相流中彎管沖蝕的機械模型，并將此模型預測得到的沖蝕率與文獻中的實驗數據進行對比。結果表明，此機械模型預測得到的沖蝕率與文獻中不同流態和不同流速范圍下的實驗數據相吻合。Mazdak Parsi等[4]系統綜述了不同參數對固體顆粒沖蝕的影響，全面回顧了沖蝕預測模型，并將模型與實驗和現場數據的對比評估進行總結，是目前比較全面的總結沖蝕理論的綜述性成果。

1.2 人工神經網絡方法簡介

人工神經網絡(ANN)是對生物的神經元網絡進行模擬，根據已知的一系列訓練集，利用黑箱式學習方法的一種高效的數據處理和預測方法，具有效率高、聯想記憶、預測效果好等優點。隨著機器學習理論的發展，人工神經網絡成為了一種熱門的機器學習方法。該網絡可以找出變量間不便用公式表達的、非線性的問題的關系，基于訓練集中得出的關系，來預測其他條件下可能出現的結果。人工神經網絡由三層，即輸入層、隱藏層、輸出層組成。輸入層用于接受大量非線性的輸入數據。輸入的數據稱為輸入向量。輸出層用于將隱藏層的數據在神經元之間傳輸、分析、權衡、比較，經過比較計算后得到輸出結果。這個結果稱為輸出向量，可以用來對模型的趨勢進行預測。隱藏層由眾多的神經元組成，連接輸入層與輸出層，具有復雜的結構。每個神經元連接都有一個權重因子，它決定了連接的強度，從而決定了該連接對后續網絡和輸出結果的貢獻。隱藏層的節點或神經元的個數可以自由確定，一般神經元數目越多會使整個網絡的非線性程度越高，神經網絡的強健性越顯著，同時也增加了整個網絡的復雜度。

為了達到精準預測和聯想記憶的作用，通常使用一部分數據，對神經網絡進行訓練，此數據集稱為訓練集。訓練的目的是使神經網絡掌握目標模型規律，一般通過輸入信息，或是自身響應調節神經元之間權重因子的值來實現。除此之外，經過訓練后的神經網絡需要使用一定量的目標數據對預測數據進行比對，對兩者之間的誤差進行修正，此集合稱為校準集。最后利用已知數據與實驗數據進行誤差分析。

人工神經網絡等人工智能方法已大量應用于集輸系統優化等方面，并取得了一定的效果[15]，其在管道沖蝕預測上亦有很大的應用空間。因為人工神經網絡可以集合各個經驗公式的優勢，探索因素之間的非線性關系與隱藏關系，適合沖蝕影響因素之間非線性耦合、規律不明顯的特點。人工神經網絡方法可以在一定程度上排除輸入數據中的噪聲與不同變量的影響，而更加專注于挖掘規律。因為沖蝕的實驗中的控制因素很多，條件千差萬別，因此實驗研究的推廣性不強，得到的實驗誤差及不確定度一般偏大，人工神經網絡方法針對這一缺陷具有獨特的優勢。

2 人工神經網絡方法預測沖蝕速率研究現狀

人工神經網絡的預測結果是由訓練后獲得的網絡結構與權重因子取值決定的，預測結果的準確性取決于訓練集數據的準確性，網絡本身不能提高數據的質量。因此，以不準確數據訓練得到的網絡其預測精度也無從談起，高質量數據的來源是應用人工智能方法預測管道沖蝕的核心問題。近年來，國內外學者主要從兩種來源獲得訓練數據：一是以實驗數據為基礎，二是以CFD模擬結果為基礎。

一部分學者以自己獲得的實驗結果，或者文獻、資料中可用的實驗數據為訓練集，以人工智能方法對實驗方法進行拓展，達到提升可知范圍、廣泛預測的目的。這些研究主要集中在摩擦學領域，多是研究表面材料、結構等對摩擦系數及摩擦速率的影響。首個比較成熟的此類研究是S.P. Jones等[16]采用的計算機神經網絡模型，研究的對象是不同材料/機械系統在理想情況下的摩擦速率，采用傳統的遞歸神經網絡方法，研究了黏度、壓力、摩擦因數、溫度對摩擦速率的影響。該論文也同時論證了利用神經網絡預測工件使用壽命數據的可行性。三年后，K. Velten等[17]參考Jones的結果，采用人工神經網絡技術預測PA46復合材料在微動摩擦實驗中的腐蝕體積。他們以72組數據作為訓練集，10組數據作為測試集，將預測結果與實驗數據對比，預測的誤差大約在30%以內，并且可以通過進一步優化網絡結構以及增加訓練集數據來改進結果。K. Genel等[18]建立了短氧化鋁纖維增強鋅鋁復合材料摩擦學性能的多層前饋人工神經網絡模型, 利用摩擦試驗得到數據，建立了含有34組數據的神經網絡訓練集。其預測結果中摩擦速率的誤差大致在5%左右，摩擦系數的誤差大致在1%左右。他們的結果進一步證明了采用人工神經網絡預測實驗結果的合理性。Z.Zhang等[19]將人工神經網絡方法應用于三種高分子材料的腐蝕磨損預測，利用三組獨立的腐蝕磨損測量數據和這些材料的特性數據對神經網絡進行訓練和測試，并且應用神經網絡將規律拓展到更加廣泛的參數組合，給出了沖蝕速率對沖擊角度和環氧樹脂含量的等值線圖。其結果展示了如何利用經過充分訓練的神經網絡對目標規律進行拓展與深化。Ming-Der Jean等[20]將人工神經網絡應用于田口正交試驗，通過特定的微焊接表面硬化工藝，開發出一種穩定有效的形成良好表面形貌的合金沉積方法。結果表明，將神經網絡模型與田口實驗等成熟的質量工程方法相結合，能夠開發出魯棒性更好、高效、高質量的生產工藝。

易燦等[21]基于實驗數據，將人工神經網絡方法拓展到高壓水射流領域，進行了混凝土塊受射流沖蝕的破碎預測，得到結果與試驗結果非常吻合，證明了基于人工神經網絡建立的射流參數與沖蝕體積映射模型的可靠性。Cetinel等[22]采用BP神經網絡方法，設計了雙隱藏層結構，對球墨鑄鐵基體上沉積鉬涂層的磨損量進行了模擬，并將神經網絡模擬結果與實驗結果進行了比較，結果表明神經網絡數值預測的顯微硬度值誤差在3%以內。此后，針對不同種類的復合材料，先后有M. Hayajneh等[23]和A.P. Harsha等[24-25]，分別利用神經網絡研究了鋁—銅復合材料、纖維增強聚苯硫醚、PEK復合材料的磨損行為，并且研究了各種學習算法對神經網絡訓練性能的影響[24]。L.A. Gyurova等[26]利用神經網絡對聚苯硫醚復合材料的磨損和摩擦性能進行了預測，并使用OBS算法對人工神經網絡結構進行了優化。結果表明，用優化后的人工神經網絡對未經測試的新材料組合的摩擦學性能的預測值與實際測試值吻合較好。

陳思維等[27]基于灰色關聯分析方法，研究兩相流動對管道內壁的沖刷作用。根據集輸管道在線腐蝕監測數據，建立了普光氣田集輸管道動態腐蝕預測模型，利用預測模型預測該處腐蝕相對誤差為9.8%，相對誤差在10%之內，說明了所建立的動態腐蝕預測模型的合理性，可以有效指導普光高含硫氣田生產實踐。R.E. Vieira等[11-28]討論了使用電阻探針法測量了含顆粒環形流條件下，大型多相流回路中實驗沖蝕速率的方法，證明了ER探針測量金屬損失的有效性，為管道沖蝕提供了在線的數據來源。Wei Dai等[29-30]介紹了一種基于高斯過程(GP)的用于估算沖蝕率模型的預測不確定性的計算框架，提出了雙目標優化方法。結果表明，該方法的均方誤差和預測方差值比傳統方法(最大似然估計)的預測方差值要低。

回顧近年來國內外學者采用實驗研究方法結合人工智能手段對摩擦沖蝕問題的研究可以發現，經過二十余年的發展，已經證明了人工神經網絡預測實驗結果具有一定的準確性，且準確性隨著計算能力、數據預處理方法、算法的改進而有所進步。由于實驗條件限制， 一般訓練集的數據量普遍不大，通常在幾十組數據左右。

計算流體力學(CFD)是研究管道流動與壁面作用的經典研究方法，被國內外學者廣泛采用[31]。近年來，隨著軟件模擬能力的不斷提高，一些學者開始用CFD對沖蝕作用進行數值模擬。比較典型的有：Yun Ji等[32]采用歐拉—拉格朗日四元耦合方法，研究了彎管上升角、氣流速度和固體質量流量對上升彎管內顆粒流態的影響。結果表明，隨著氣流速度和固體質量流量的增加，壓力降逐漸增大，但存在一個最小的最佳上升角，使得壓力降最小。對于90°彎管，彎管內壁上顆粒的最大碰撞區域僅取決于彎徑比，與氣流速度和顆粒濃度無關。A. Gnanavelu等[33]以標準實驗和CFD模擬相結合的方法，開發了一種預測腐蝕損傷的方法，并對此方法進行了驗證。C.B. Solnordal等[34]使用傳統的歐拉—拉格朗日方法進行沖蝕預測的數值模擬。結果表明，如果要預測沖蝕分布，則必須準確地將顆?！诘呐鲎惨约巴瑴貙釉賶嚎s流動行為納入設計公式中。Kai Wang等[35]建立了石油管道彎頭中固體顆粒沖蝕預測數學模型，研究了彎曲方向和顆粒特性對沖蝕過程的影響。結果表明，沖蝕主要發生在彎管出口附近，尤其是下游直管段的側壁和彎管段的外拱處。Avi Uzi等[36]為氣動輸送系統提出、驗證和實施了一維沖蝕模型(ODEM)，并將ODEM和CFD-DEM進行比較。結果表明，ODEM作為預測輸送管線(包括彎管和直線段)腐蝕速率的工具，其速度比CFD-DEM模擬快得多，并且ODEM和DEM的整個預測結果相一致。

與傳統的實驗方法相比，CFD模擬具有節約時間、成本低和能模擬較復雜過程的優勢，以CFD模擬結果作為訓練集，可以大大拓展數據量，提高預測精度。此研究思路下比較典型的成果是Anh Tran等[37]基于高斯過程算法，以機器學習(ML)方法為內核開發的“WearGP”方法。其使用穩態CFD模擬的數值磨損預測作為訓練和測試數據集，通過兩個CFD案例，比較了WearGP框架和CFD磨損模型之間的數值精度、計算效率和有效性。結果表明，用機器學習(ML)方法進行的磨損預測可以很好地逼近計算流體力學(CFD)磨損解，以近似預測表面的局部磨損，同時計算時間大大降低。D.A. Pandya等[38]采用人工神經網絡方法，結合CFD結果，研究90°彎頭的顆粒沖蝕問題。他們建立了穩健的沖蝕模型，同時采用貝葉斯正則化方法減輕過擬合問題，顯著提高預測準確性。其結果與基于切應力、湍流動能的沖蝕模型及貝克休斯結果相比，預測誤差降低20%以上。潘學亮[39]采用CFD模擬出管道運行狀態數據，利用BP神經網絡建立多因素影響下的氣固管流沖蝕預測模型，并且采用遺傳算法對模型進行優化。所得到的模型預測決定系數為0.97，精度較高。

除了人工神經網絡之外，還有其他的機器學習方法在沖蝕預測中取得了應用，比如支持向量機、隨機森林等算法。如Jian Qu等[40]提出了一種基于支持向量機和隨機子抽樣驗證的數據清洗算法，對實驗數據進行預處理、分類、特征選擇。根據所提出的數據清洗算法提供的分數值來選擇候選離群值，并根據其對分類性能的去除影響來確定最終離群值。實驗結果表明，該數據清洗算法能夠很好地識別所有數據集的異常值，同時在解決故障模式分類問題中，順序使用數據清理和特征選擇方法具有良好的效果。何蕾等[41]將智能算法與神經網絡算法相結合建立模型，對腐蝕天然氣管道可靠性進行評估。結果表明，該模型的評價結果與蒙特卡羅模擬結果高度近似，耗時更短。P. Zafedi等[42]根據不同流型的實驗數據，提出了一種預測最大沖蝕量的隨機森林算法。該方法可以擴展到一個非常大的數據庫，數據庫將由計算流體力學CFD生成，從而將該方法的應用范圍擴展到實驗數據不易獲得的情況。結果表明，該方法預測結果與實驗結果吻合較好，為預測固體顆粒沖蝕提供了一種新的方法框架，與現有預測模型相比，該方法更加簡單、準確。

3 總結與展望

本文以數據來源分類，系統回顧了近年來國內外學者采用人工智能方法對固體壁面的沖蝕摩擦現象進行研究的主要進展?？梢钥闯?，經過逐漸發展，目前已經基本證明了人工神經網絡方法在預測沖蝕行為方向的適用性。然而，目前研究尚存在一些不完美之處。因人工神經網絡等方法本身不能提升數據的質量，預測的準確性一定程度上取決于訓練數據的準確性。如果以實驗數據為訓練集，由于時間、成本等限制，數據量一般在幾十組左右，數量明顯不足。而以CFD計算結果為訓練集，仿真結果受邊界條件、物性參數、軟件算法的影響，數據準確性往往需要進行進一步的驗證。此外，目前研究對于網絡結構，包括隱藏層結構，神經元個數等缺乏固定的篩選手段，一般需要基于計算效果進行人工選擇。神經網絡的學習速度與收斂性有待進一步提高。如何綜合利用現有知識和專家經驗來完善網絡設計，是提高學習速率與預測精度的關鍵因素。

現有的人工智能沖蝕預測研究結果一般是基于離線化的實驗室數據，或者穩態的CFD模擬結果進行，與生產現場的數據接口缺乏鏈接，在應用層面上尚未有成熟的技術得以應用。未來，隨著管道安全管理評價要求的不斷提高，管道智能化與數字孿生的理念在設計、施工、運營過程中不斷推行，管道運行數據的可用性必將大大增強，結合算法與計算能力的進步，未來人工智能手段必將在管道運行安全保障領域發揮更加重要的作用。如能夠應用人工智能方法，緊密結合生產現場數據，促進相關研究向管道沖蝕在線監測與智能預警的方向發展，將對保障生產安全，提高管道系統的完整性管理水平起到深遠的影響。