基于Kriging插值水下連接器密封性能預測模型

薛羽馨 曾威 任濤 吳為

摘要：水下連接器是整個生產系統的關鍵節點，其密封一旦失效后果不堪設想，因此有必要對連接器進行可靠性評價，為水下生產系統工作穩定、安全可靠提供依據。水下連接器工作環境較為復雜，影響其密封性能退化因素較多，故以密封件接觸應力強度作為水下連接器密封性能評價指標，通過敏感度分析方法，找到影響密封件接觸應力強度的主要因素是工作內壓、工作時間和位移栽荷這3個隨機變量。為了進一步確定這3個隨機變量與接觸應力強度之間的關系，開展連接器密封性能預測模型的研究。使用試驗設計方法隨機抽取工作內壓、工作時間、位移栽荷這3個隨機變量數據，將這些數據代入Abaqus軟件中進行有限元分析，得出相對應的密封接觸應力強度值，然后使用Kriging模型將這3個變量與接觸應力強度之間的關系進行擬合，得到密封性能與影響因素間的響應關系，實現對水下連接器性能退化的預測。

關鍵詞：水下連接器;敏感度分析;試驗設計;Kriging模型;響應關系

中圖分類號：TE953

文獻標志碼：A

文章編號：1009-9492f 2022）02-0042-04

0 引言

水下連接器在海底工作期間，不僅受到外部海水的腐蝕，還受到內部油氣介質中H2S、CO2、O2等對管道的腐蝕[1]，使得水下連接器密封性能發生退化直至失效，一旦失效，將造成嚴重的環境污染和巨大的經濟損失[2]。因此，有必要構建水下連接器密封性能預測模型，計算在不同工作條件下水下連接器的密封性能，為水下連接器設備維護提供參考依據。曾威等[3]考慮到腐蝕作用下水下連接器工作時間對密封性能的影響，采用Camma退化模型對連接器密封性能退化過程進行分析，為連接器維修提供依據。但是在實際問題中，影響水下連接器密封性能退化失效的因素有很多，若只取工作時間作為變量，其他因子為定值進行性能退化分析，會影響分析結果的準確性。影響水下連接器性能退化的因素較多，可采用近似模型對影響因素與性能退化之間的關系進行擬合。常用的近似模型方法有響應面法、SVM法、神經網絡法等，但這些方法均有一定局限性，存在精度低，誤差性大等問題[4]。Kriging模型是無偏最優估計方法，是把已知的各變量數據作為樣本點，考慮變量之間關系從而建立的近似模型[5]。羅正東等[6]考慮到影響邊坡穩定因素有多種，采用Kriging模型對邊坡穩定可靠性進行分析。曾威等[7]采用Kriging方法建立鋼軌打磨溫度關于打磨參數的預測模型，為鋼軌打磨過程中優化打磨參數提供依據。以上研究表明，使用Kriging模型對非線性數據進行擬合，擬合的結果能夠滿足工程需求。本文采用Kriging插值方法，構建水下連接器密封性能Kriging預測模型。通過預測模型計算在任意時刻工作內壓和位移載荷隨機變化情況下水下連接器密封接觸應力強度值的大小，為水下連接器設備維護提供依據。

1 密封性能敏感性分析

水下連接器工作環境惡劣復雜，影響水下連接器密封性能退化失效的因素較多，包括：內外載荷、工作時間、海底溫度等。若以上述多種影響因素作為自變量，對水下連接器進行可靠性分析，不僅費時費力計算量大、還會出現較大誤差，因此需要找到影響連接器密封性能的主要設計參數。敏感度分析方法是研究自變量變化對因變量影響程度的大小[8]。使用敏感度分析方法篩選出影響水下連接器密封性能退化失效的主要因素，從而為后面分析水下連接器可靠性奠定基礎。

修正后的Morris方法是敏感度分析方法的一種，是用來確定在其他因素不變的情況下，單獨改變某一因素，計算改變該因素對響應量影響程度的大小[9]。已知y是模型輸出響應量，x1，x2，…，xn是影響響應量y的變量因子，兩者之間關系表達式為：

將敏感度判別因子S按敏感度等級進行區分，以此篩選出主要的敏感度參數，如表1所示[11]。

本文以水下連接器密封性能退化為研究對象，密封接觸應力強度為響應量，工作溫度、工作內壓、位移載荷為自變量，采用修正后的Morris方法計算得出：工作內壓、工作時間、位移載荷的敏感度判別因子S值，計算結果如表2所示。

由表2可知：工作內壓、工作時間、位移載荷5值均在[0.2，1.0）范圍內，為敏感程度因子，故工作內壓、工作時間、位移載荷是影響水下連接器密封性能退化失效的主要因素，在后期進行水下連接器可靠性分析時，可以只考慮這3個因素對可靠性的影響。

2 基于Kriging模型水下連接器密封性能建模

2.1 水下連接器密封性能建模基本流程

為了得到密封性能與影響因素間的響應關系，實現對水下連接器性能退化的預測研究，基于連接器密封性能敏感性分析結果，建立如圖1所示的基于Kriging模型水下連接器密封性能建模流程，共包括2個步驟：（1）對主要的影響因素進行抽取采樣;（2）利用Abaqus軟件對抽取的樣本數進行多次建模和有限元分析，得出相對應的水下連接器密封接觸應力強度值，基于上述訓練樣本采用Kriging模型構建水下連接器密封性能預測模型。

2.2 自變量試驗設計

Kriging預測模型能否可以精確擬合因變量與自變量之間的關系，樣本數量的抽取尤為重要。在樣本抽樣過程中，試驗設計（DOE）方法可快速抽取多組數據，具有合理性、有效性、準確性，故使用DOE方法對自變量數據進行隨機抽取。

拉丁超立方設計是DOE方法中常用的一種方法，是將n個變量因子放置于n個不同的空間維度中，將每個維度按其取值范圍均勻等分m個區間，在每個區間中隨機抽取一個樣本點，將每個變量因子抽取的m個點進行隨機組合，在所得到的組合中隨機抽取樣本[12]。使用拉丁超立方設計方法抽取樣本的試驗次數不需太多，但由于其試驗點分布不均勻，會導致自變量與因變量之間的擬合度不精準，存在較大偏差，故引入最優拉丁超立方設計方法采樣。最優拉丁超立方設計方法是在拉丁超立方設計基礎上進行優化改進，可以使所有試驗點均勻分布在設計空間上，使自變量和因變量的擬合度更加精準[13]。

為了確保Kriging模型可以精準表達和預測自變量與響應量之間的關系，試驗樣本數通常選取小樣本進行分析計算。以水下連接器為例，通過敏感度分析方法，得出影響水下連接器密封性能的主要影響因素有3個：工作內壓、工作時間、位移載荷，選取這三者為自變量，采用最優拉丁超立方設計方法對這3個隨機變量均勻抽取16組樣本數據。

2.3 Kriging模型

Kriging模型是無偏估計模型，是對已知的輸入、輸出變量數據進行相關特性分析，擬合兩者之間關系，通過擬合結果去預測某一插值點的響應值[14]。Kriging模型由回歸部分和非參數部分組成，一般表達式為[15-16]：

3 實例分析

通過敏感度分析方法找出影響水下連接器密封性能的主要因素是工作內壓、工作時間、位移載荷，對上述3個隨機變量采用最優拉丁超立方設計方法進行抽取16組數據，利用Abaqus軟件對抽取的樣本數進行有限元分析，得出相對應的水下連接器密封接觸應力強度值，進而構建水下連接器密封性能Kriging預測模型，得到四者之間關系的擬合面。通過預測模型可計算在任意時刻時，工作內壓和位移載荷隨機變化情況下水下連接器密封接觸應力強度值的大小。

將工作內壓、工作時間、位移載荷與水下連接器密封接觸應力值四者關系通過Kriging預測模型的四維圖形表示出來，如圖2所示。其中X1為工作內壓、X2為工作時間、X3為位移載荷。從圖中可以看出，水下連接器工作時間為0-24年，工作內壓為29-41 MPa，位移載荷為-0.120 6 -0.126 6 mm，深水管匯連接器密封接觸應力最大值為405.08 MPa，最小值為210.98 MPa。

4 結束語

（1）使用敏感度分析方法得出工作內壓、工作時間及位移載荷是影響水下連接器密封性能的主要因素，在進行水下連接器密封性能可靠性分析時應將這3個因素作為主要因素;

（2）使用最優拉丁超立方設計方法對工作內壓、工作時間、位移載荷進行樣本抽樣，抽取的樣本點均勻分布于整個空間，具有合理、準確性，為后期進行密封性能的擬合提供準確數據;

（3）根據構建的水下連接器密封性能Kriging預測模型，可以簡單、快速地計算出在任意時刻，工作內壓和位移載荷隨機變化情況下水下連接器密封接觸應力強度值的大小，為水下連接器設備維護提供參考依據。

參考文獻：

[1]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）： 177-181.

[2]運飛宏，王立權，劉軍，等.深水卡爪式連接器密封優化分析及試驗研究[J].華中科技大學學報（自然科學版），2017（4）： 23-28.

[3]曾威，宋紅，任濤，等.基于Gamma過程的水下連接器密封性能退化隨機模型[J].科學技術與工程，2019，19（4）： 110-114.

[4] GOMES H M.AWRUCH A M.Comparison of response surfaceand neural network with other methods for structural reliabilityanalysis[J]. Structural Safety. 2004. 26（1）： 49-57.

[5] KAYMAZ I. Application of Kriging method to structural reliabili—ty problems[J].Structural Safety，2005，27（2）：133—151.

[6]羅正東，董輝，陳鋮，等.基于克里金模型的邊坡穩定可靠度分析方法[J].巖土力學，2015，36（S1）.439—444.

[7]曾威，丘文生，宋紅，等.基于Kriging插值的鋼軌打磨溫度預測 [J].鐵道科學與工程學報，2018，15（6）：1559—1566.

[8]Baroni G，Tarantola S.A general probabilistic framew叫k fonln—certainty and global sensitivity analysis of deterministic models：ahydrological case study[J].Environmental Modelling&Software，2014f5 11：26—34.

[9]陳衛平，涂宏志，彭馳，等.環境模型中敏感性分析方法評述[J].環境科學，2017，38（1 1）：4889—4896.

[10]黃金良，杜鵬飛，何萬謙，等.城市降雨徑流模型的參數局部靈敏度分析[J].中國環境科學，2007（4）：549—553.

[11]Lenhart L.Eckhardt K，Fohrer N，et al.Comparison of two di^ferent appmaches of sensitivity analysis [J].Physics&Chemis—try of the Eanh，2002，27（9）：645—654.

[12]辛欣，基于拉丁超立方采樣方法的抽水試驗方案設計研究[J].科技傳播。2014（6）：131—132.

[13]辛俊勝，商躍進，王紅，等.基于最優拉丁超立方抽樣的動車組軸箱彈簧穩健設計[J].鐵道機車車輛，2020，40（5）：60—64.

[14]王剛成，馬寧，顧解忡.基于Kriging代理模型的船舶水動力性能多目標快速協同優化[J].上海交通大學學報，2018，52（6）：666—673.

[15]Kleijnen JPC.Kriging metamodeling in simulation：A review[J].European Journal of operational Research，2009，192（3）：707— 716.

[16]Kleijnen JPC.Regression and Kriging metamodels with theirex—perimental designs in simulation：A review[J].EuropeanJoumal of operational Research，2017，256（1）：1—16.