基于WOA-BP算法的海底管道腐蝕速率預測

肖榮鴿, 靳帥帥

基于WOA-BP算法的海底管道腐蝕速率預測

肖榮鴿, 靳帥帥

(西安石油大學 石油工程學院 陜西省油氣田特種增產技術重點實驗室, 陜西 西安 710065)

管道腐蝕速率的影響因素眾多, 構成了異常復雜的腐蝕體系, 很難對其進行準確預測。針對單一BP模型初始權值和閾值的選取不當容易陷入局部最優等問題, 引入WOA算法優化BP神經網絡對海底管道腐蝕速率進行預測, 并與GA和PSO算法優化BP預測模型進行對比, 驗證WOA-BP模型的預測效果和可行性。結果表明: WOA-BP模型的平均絕對百分誤差和均方根誤差分別為3.689% 和0.1537, 遠低于單一BP、PSO-BP、GA-BP模型, 具有較高的預測精度和穩定性, 可以為海底管道內腐蝕防護和油氣管道流動保障提供決策支持。

腐蝕速率; WOA算法; BP模型; GA算法; PSO算法

石油與天然氣在我國能源戰略中占據重要的地位, 關乎國家發展命脈。管道運輸作為油氣輸送最為普遍的方式之一, 已發展成為我國的第五大運輸行業。但在管道運行時, 受環境和管輸介質影響, 不可避免的會出現管道腐蝕, 進而發生各種安全事故。據統計, 除人為破壞外, 管道的失效形式以腐蝕失效為主, 腐蝕是影響管道可靠運行的主要影響因素, 一般用腐蝕速率作為管道腐蝕的評價指標[1]。影響管道腐蝕的因素有很多, 如管輸介質的溫度、流速、pH、溶解氧和CO2含量等, 構成了異常復雜的腐蝕體系, 并且很難找到腐蝕速率與各影響變量之間的函數關系[2]。因此, 在管道的腐蝕速率預測方面, 經典的預測方法變得不再適用。

隨著計算機科學的興起, 智能算法逐漸應用于管道腐蝕速率預測方面。范崢等[3]基于多相流動態實驗, 利用小波神經網絡建立油氣集輸管道的腐蝕速率預測模型; 章玉婷等[4]使用單一的BP神經網絡(BP neural network, BPNN)對管道腐蝕速率進行分析預測, 由于未經優化的BP易陷入局部最優, 因此預測值相對真實數據誤差較大。為了解決單一神經網絡算法精度不高的問題, 研究者提出將優化算法與神經網絡結合用于腐蝕速率預測。周慧等[5]提出了將灰色模型、多項式回歸模型與人工神經網絡組合的用于預測輸氣管道腐蝕速率的組合模型, 提高了預測精度和增強了預測模型的自適應性; 萬里平等[6]提出了基于GA-BP的輸油管道內腐蝕速率預測模型, 運用遺傳算法優化BP神經網絡的權值和閾值, 有效避免了單一BP容易陷入局部最優的缺陷; 凌曉等[7]為了解決初始模型參數對BP神經網絡預測精度的影響, 提出了粒子群算法優化BP神經網絡的腐蝕速率預測模型, 提高了模型的預測精度和穩定性。

鯨魚算法(whale optimization algorithm, WOA)是Mirjalili等[8]受鯨魚獨特的氣泡網捕食機制啟發, 提出的一類群體智能算法, 該算法具有操作簡單, 調整的參數少以及尋優能力強等優點。采用WOA算法優化BP神經網絡, 不僅可以有效避免單一BP容易陷入局部最優和預測不穩定等問題的發生, 還可以提升自身搜索到全局最優的能力[9]。因此, 本文引入WOA算法優化BP神經網絡進行海底管道腐蝕速率仿真, 并與遺傳算法(genetic algorithms, GA)和粒子群算法(particle swarm optimization, PSO)優化BP預測模型進行對比, 驗證WOA-BP模型的預測效果和可行性。

1 BP神經網絡及各優化算法原理

1.1 BP神經網絡

BP神經網絡[10-11]是一類多層的前饋神經網絡, 其原理是: 通過大量的網絡訓練, 利用誤差的反向傳播, 不斷調整網絡的權值和閾值, 減小誤差, 實現復雜變量的非線性映射和數據聯想功能。BP神經網絡一般采用三層網絡拓撲結構即輸入層、隱含層和輸出層, 如圖1所示。輸入層和輸出層的節點數由輸入數據和輸出數據的類型確定, 隱含層的節點數由式(1)確定。當樣本數據輸入之后, 神經元被激活, 沿輸入層→隱含層→輸出層路徑傳播計算, 而輸出誤差沿相反路徑反饋到輸入層, 此時變量正傳播與誤差逆傳播交替進行。如果預測不合理, 通過對隱含層的權值和閾值進行修正, 不斷迭代, 直至預測結果滿足要求。

圖1 BP神經網絡結構

式中,為隱含層節點數,為輸入層節點數,為輸出層節點數, α為1～10之間的常數。

1.2 WOA算法

WOA算法通過模擬座頭鯨的覓食行為, 構建出隨機搜索捕食、包圍捕食和氣泡網捕食等理論模型, 以實現對目標問題的優化求解, 具有穩定性強、調節參數少等優點[12-13]。

該算法提出的主要數學方程如下:

其中,′=|*()–()|,=|*()–()|,=2–,=2,是[0, 1]之間的一個隨機數;()和*()分別表示當前鯨魚位置和每次迭代的最優解,′表示第條鯨魚的最佳捕食位置,是定義螺旋形狀的常數,為[–1, 1]的隨機數,表示迭代次數,是在迭代過程中線性地從2減小到0的常數。

方程(2)的第一部分模擬了包圍機制, 而第二部分模擬了氣泡網捕獵技術。變量以相等的概率在這2個部分之間切換。

在鯨魚算法中, 參與捕獵行為的每頭鯨魚都代表一個可行解。在每一代的游動中, 鯨魚們會隨機選擇3種覓食行為向著最優位置的獵物捕獵或者通過包圍收縮進行位置的更新, 不斷逼近目標獵物, 直至找到最優解[14]。

1.3 GA算法

遺傳算法是Holland[15]受達爾文進化理論啟發于1962年提出的隨機搜索優化算法。它把自然界中的“物競天擇, 適者生存”的生物進化原理引入算法中, 通過設置的適應度函數對種群采取選擇、交叉和變異操作, 進行個體篩選, 淘汰適應度差的個體, 保留適應度好的個體, 實現種群的信息更新。這樣反復循環, 直到滿足終止條件。

遺傳算法具有智能性和并行性兩種優點。該算法在演化過程中將獲得的信息自行組織搜索, 將適應值大的個體保留下來, 是具有“潛在學習能力”的自適應技術, 容易直接移植到實際問題中。遺傳算法在本質上是并行的, 包括內在并行性和內含并行性, 非常適于求解復雜問題, 以及搜索復雜的解空間, 能夠以較少的計算獲得較大的收益[16-17]。

1.4 PSO算法

粒子群優化算法是Kennedy和Eberhart[18]受鳥群捕食行為啟發提出的一類隨機搜索算法, 通過模擬鳥群的遷徙和群聚行為, 在計算機上建立群體模型仿真, 實現對目標問題的優化求解[19]。

粒子群算法的基本思想是: 將鳥群中的每個個體當做優化問題的潛在解即粒子, 每個粒子通過跟蹤個體極值和全局極值來更新自己, 然后通過適應度函數決定下一步的飛翔方向和距離, 不斷迭代直至找到最優解。該算法具有調節參數少、簡單易實現等優點, 被廣泛應用于復雜問題尋優等應用領域[20-21]。

2 管道腐蝕速率預測模型構建

2.1 模型搭建

結合第一節建立的理論模型, 分別使用PSO、GA、WOA算法依次對BP神經網絡模型的權值和閾值進行優化, 構建海底管道的腐蝕速率預測模型即PSO-BP、GA-BP、WOA-BP, 流程圖如圖2所示。

圖2 各預測模型流程圖

2.2 模型評價指標

為綜合評價腐蝕速率預測模型的預測精度, 選取平均絕對百分誤差(MAPE)、均方根誤差(RMSE)[22]作為模型評價指標:

3 實例計算

3.1 樣本數據的收集與處理

本文選用文獻[23]的50組海底管道腐蝕數據作為樣本數據, 因篇幅有限, 文內僅展示10組, 如表1所示。隨機選取40組數據作為訓練樣本, 利用剩余的10組進行精度驗證。

3.2 灰色關聯分析

每個影響因素對管道腐蝕的影響程度不同, 若將影響小的因素作為預測模型的輸入, 則會影響預測模型的準確性和計算復雜度, 因此對各影響因素進行影響程度分析具有重要意義。

灰色理論[24]是鄧聚龍于1982年提出的用于判別不同因素間關聯程度的一種方法。該方法無需要求各影響因素之間具有明顯的函數關系, 只需要通過數學變換就能進行影響因素分析。本文通過灰色理論分析, 建立各影響因素與腐蝕速率之間的關聯度。關聯度越大, 影響程度越大。通過灰色關聯分析, 得到各影響因素的關聯度, 如表2所示。

由表2可知, 各影響因素對腐蝕速率的影響程度從大到小依次為: 溫度>HCO3–>CO2分壓>系統壓力> CO2濃度>含水率>介質流速>pH>Cl–濃度, 均在0.6以上。結果表明各影響因素與腐蝕速率的相關性都很大, 可以作為預測模型的輸入參數。

表1 部分海底管道腐蝕速率數據[23]

注:0為腐蝕速率(mm·a–1),1為溫度(℃),2為系統壓力(MPa),3為CO2分壓(MPa),4為pH值,5為介質流速(m·s–1),6為Cl–濃度(mg·L–1),7為CO2濃度(mg·L–1),8為含水率(%),9為HCO3–濃度(mg·L–1)。

表2 各影響因素灰色關聯分析

3.3 模型參數設置

3.3.1 BP神經網絡設置

設定BP神經網絡學習的訓練次數為1 000, 學習速率為0.01, 訓練目標最小誤差為0.000 01。BP神經網絡采用3層網絡結構, 由于管道腐蝕速率的影響變量為9, 目標變量為腐蝕速率, 所以輸入層節點數取9, 輸出層節點數取1。一般來說, 隱含層的節點數不是唯一的, 而是在一個區間范圍內。根據經驗公式(1)確定隱含層節點數區間, 通過試值的方式確立最優節點數。經計算,的取值為4～13, 代入模型進行計算可得圖3。

由圖3可知, 最佳的隱含層節點數為4, 相應的均方誤差為0.175 6。因此, 本模型隱含層節點數取4。

3.3.2 模型初始化設置

通過以上分析, 設置PSO-BP、GA-BP、WOA-BP模型的網絡拓撲結構為9-4-1。各優化算法的初始參數設定如表3、表4、表5所示。

WOA除了設置表5中參數, 還需要對位置向量和領導者得分進行初始化操作。

圖3 m取不同值的訓練均方誤差

表3 GA參數設置

表4 PSO參數設置

3.4 預測結果與誤差檢驗

各模型進行訓練后的預測結果如表6、圖4、圖5所示。由圖4可知, WOA-BP腐蝕速率預測模型的預測值與實驗值最接近, 預測效果最好, 相較于單一BP模型, 預測精度有了較大提升, 并且優于PSO-BP與GA-BP預測模型。

由表6、圖5可知, 單一BP模型的預測效果最差, 最大相對誤差和最小相對誤差分別為20.29%和0.14%, 預測結果極其不穩定。WOA-BP模型的預測效果最好, 其相對誤差基本穩定在3%以內, 誤差曲線也最為平緩。對各模型的平均相對誤差進行計算, 其中WOA-BP模型的平均相對誤差最小, 為3.689%; PSO-BP和GA-BP模型的平均相對誤差分別為5.868%和6.14%, 分別位于第2位和第3位; 單一BP模型的平均相對誤差最大, 為8.142%。

表6 模型預測誤差統計表

圖4 各模型預測結果對比圖

圖5 各模型相對誤差對比

利用式(3)和式(4)計算各模型的MAPE和RMSE, 對模型精度進行更深層次的驗證, 計算結果如圖6所示。

圖6 各模型MAPE與RMSE

由圖6可知, WOA-BP模型的平均絕對百分誤差和均方根誤差分別為3.689%和0.153 7, 遠低于單一BP模型、PSO-BP模型和GA-BP模型, 預測結果理想。

以上結果表明, 4種模型中預測精度最高、預測結果最穩定的是WOA-BP模型, 該模型能很好地應用于海底管道腐蝕速率預測。

3.5 WOA-BP模型的適用范圍

由于WOA-BP模型建立時選取的數據遵循相互獨立、數據范圍廣、隨機選取的原則, 為后面預測提供精準的訓練數據。因此, 本模型適用于任意環境下的管道腐蝕速率預測。

4 結論

1) 基于灰色理論, 對影響海底管道腐蝕速率的9個影響變量進行灰色關聯分析, 得到各影響變量對腐蝕速率的關聯度從大到小依次為: 溫度>HCO3–> CO2分壓>系統壓力>CO2濃度>含水率>介質流速> pH>Cl–濃度。結果表明: 各影響因素與腐蝕速率的相關性都很大, 可以作為預測模型的輸入參數。

2) 分別采用單一BP模型、PSO-BP模型、GA-BP模型以及WOA-BP模型對海底管道腐蝕速率進行訓練和仿真。WOA-BP模型的平均絕對百分誤差和均方根誤差分別為3.689%和0.153 7, 遠低于單一BP、PSO-BP、GA-BP模型, 驗證了WOA-BP模型的預測精度和穩定性。說明WOA-BP模型可為海底管道內腐蝕防護和油氣管道流動保障提供決策支持。

3) 由于影響管道腐蝕的因素眾多且相互作用, 工程上很難得到完整的實驗數據, 后續研究可在數據中添加隨機變量進行深入研究。

[1] 崔銘偉. 多相流海管CO2內腐蝕及剩余強度研究[D]. 青島: 中國石油大學(華東), 2014.

Cui Mingwei. Study on CO2internal corrosion and residual strength of multiphase offshore pipeline[D]. Qingdao: China University of Petroleum, 2014.

[2] 喻西崇, 趙金洲, 鄔亞玲, 等. 利用灰色理論預測注水管道腐蝕速率的變化趨勢[J]. 腐蝕與防護, 2003, 24(2): 51-54, 69.

Yu Xichong, Zhao Jinzhou, Wu Yaling et al. Using gray model to predict corrosion rate variation with time in injecting pipeline[J]. Corrosion & Protection, 2003, 24(2): 51-54, 69.

[3] 范崢, 付文耀, 趙笑男, 等. 基于小波神經網絡預測多相動態管道腐蝕速率[J]. 化工進展, 2018, 37(8): 2904-2911.

Fan Zheng, Fu Wenyao, Zhao Xiaonan, et al. Prediction of tubular corrosion rate under multiphase dynamics condition based on wavelet neural network[J]. Chemical Industry and Engineering Progress, 2018, 37(8): 2904-2911.

[4] 章玉婷, 楊劍鋒. 基于BP神經網絡的管道腐蝕速率預測[J]. 全面腐蝕控制, 2013, 27(9): 67-71.

Zhang Yuting, Yang Jianfeng. Corrosion rate prediction of based on artificial neural network[J]. Total Corrosion Control, 2013, 27(9): 67-71.

[5] 周慧, 王曉光, 張有君. 輸氣管道腐蝕速率的BP神經網絡組合預測方法[J]. 腐蝕科學與防護技術, 2010, 22(3): 162-165.

Zhou Hui, Wang Xiaoguang, Zhang Youjun. BP neural networks combinatorial forecasting method for gas pipeline’s corrosion rate[J]. Corrosion Science and Protection Technology, 2010, 22(3): 162-165.

[6] 萬里平, 徐友紅, 馮兆陽, 等. 基于遺傳算法優化BP神經網絡預測CO2/H2S環境中套管鋼的腐蝕速率[J]. 腐蝕與防護, 2017, 38(9): 727-731, 736.

Wan Liping, Xu Youhong, Feng Zhaoyang, et al. Application of genetic algorithms BP neural networks to predicting corrosion rate of carbon steel in CO2/H2S environment[J]. Corrosion & Protection, 2017, 38(9): 727-731, 736.

[7] 凌曉, 徐魯帥, 梁瑞, 等. 基于改進PSO-BPNN的輸油管道內腐蝕速率研究[J]. 中國安全生產科學技術, 2019, 15(10): 63-68.

Ling Xiao, Xu Lushuai, Liang Rui, et al. Study on internal corrosion rate of oil pipeline based on impro-ved PSO-BPNN[J]. Journal of Safety Science and Tech-no-logy, 2019, 15(10): 63-68.

[8] Mirjalili s, Lewis A, et al. The whale opti-mization algorithm[J]. Advances in Engineering Software, 2016, 95: 51-67.

[9] 王鐿嬴. 基于改進鯨魚算法的神經網絡預測模型的研究[D]. 鞍山: 遼寧科技大學, 2020.

Wang Yiying. Research of neural network orediction model based on modified whale optimization algori-thm[D]. Anshan: University of Science and Technology Liaoning, 2020.

[10] 李海濤, 袁森. 基于遺傳算法和BP神經網絡的海洋工程材料腐蝕預測研究[J]. 海洋科學, 2020, 44(10): 33-38.

Li Haitao, Yuan Sen. Corrosion prediction of marine engineering materials based on genetic algorithm and BP neural network[J]. Marine Sciences, 2020, 44(10): 33-38.

[11] 凌曉, 徐魯帥, 余建平, 等. 基于改進的BP神經網絡的輸油管道內腐蝕速率預測[J]. 傳感器與微系統, 2021, 40(2): 124-127.

Ling Xiao, Xu Lushuai, Yu Jianping, et al. Prediction of corrosion rate in oil pipeline based on improved BP neural network[J]. Transducer and Microsystem Techno-logies, 2021, 40(2): 124-127.

[12] 駱正山, 秦越, 張新生, 等. 基于LASSO-WOA- LSSVM的海洋管線外腐蝕速率預測[J]. 表面技術, 2021, 50(5): 245-252.

Luo Zhengshan, Qin Yue, Zhang Xinsheng, et al. Prediction of external corrosion rate of marine pipelines based on LASSO-WOA-LSSVM[J]. Surface Tech-nology, 2021, 50(5): 245-252.

[13] 鞏世兵, 沈海斌. 仿生策略優化的鯨魚算法研究[J]. 傳感器與微系統, 2017, 36(12): 10-12.

Gong Shibing, Shen Haibin. Study of whale algorithm for biomimetic strategy optimization[J]. Transdu-cer and Microsystem Technologies, 2017, 36(12): 10-12.

[14] 李志鵬, 陳堂賢. 基于變分模態分解和改進鯨魚算法優化的神經網絡風速預測模型[J]. 電器與能效管理技術, 2019(11): 24-31.

Li Zhipeng, Chen Tangxian. Optimized fuzzy neural network wind speed prediction model based on VMD and improved whale algorithm[J]. Electrical & Energy Management Technology, 2019(11): 24-31.

[15] Holland J H. Genetic algorithms[J]. Scientific ame-rican, 1992, 267(1): 66-73.

[16] 向乃瑞, 閆海, 王煒, 等. GA-BP神經網絡預測金屬腐蝕速率[J]. 電力學報, 2018, 33(1): 48-54.

Xiang Nairui, Yan Hai, Wang Wei, et al. Prediction of metal corrosion rate based on GA-BP neural network[J]. Journal of Electric Power, 2018, 33(1): 48-54.

[17] 商杰, 朱戰立. 基于遺傳算法的神經網絡在預測油管鋼腐蝕速率中的應用[J]. 腐蝕科學與防護技術, 2007, 19(3): 225-228.

Shang Jie, Zhu Zhanli. Application of genetic algorithms neural networks in prediction corrosion rate of carbon steel[J]. Corrosion Science and Protection Te-ch-nology, 2007, 19(3): 225-228.

[18] Kennedy J, Eberhart R. Particle swarm optimization[C]// Icnn95-international Conference on Neural Networks. IEEE, 2002.

[19] 張新生, 張玥. 基于Lasso-PSO-BP神經網絡的腐蝕管道失效壓力的預測[J]. 材料保護, 2020, 53(4): 46- 52.

Zhang Xinsheng, Zhang Yue. Prediction of failure pressure of corroded pipeline based on Lasso-PSO-BP neural network[J]. Materials Protection, 2020, 53(4): 46-52.

[20] 黃寶洲, 楊俊華, 盧思靈, 等. 基于改進粒子群優化神經網絡算法的波浪捕獲功率預測[J]. 太陽能學報, 2021, 42(2): 302-308.

Huang Baozhou, Yang Junhua, Lu Siling, et al. Wave capture power forecasting based on improved particle swarm optimization neural network algori-thm[J]. Acta Energiae Solaris Sinica, 2021, 42(2): 302-308.

[21] 張玥. 基于有限元和PSO-BP的多點腐蝕缺陷管道剩余強度研究[D]. 西安: 西安建筑科技大學, 2020.

Zhang Yue. Residual strength of multi-point corroded pipeline based on finite element and PSO-BP[D]. Xi’an: Xi’an University of Architecture and Technology, 2020.

[22] 紀廣月. 基于因子分析和WOA-Elman的肇慶API預測研究[J]. 數學的實踐與認識, 2021, 51(11): 265-276.

Ji Guangyue. Prediction of Zhaoqing API based on factor analysis and WOA Elman neural network[J]. Ma-thematics in Practice and Theory, 2021, 51(11): 265- 276.

[23] 宋瑩瑩. 在役海底油氣管道內腐蝕速率預測研究[D]. 西安: 西安建筑科技大學, 2020.

Song Yingying. Research for internal corrosion rate prediction of submarine oil and gas pipelines in service[D]. Xi’an: Xi’an University of Architecture and Technology, 2020.

[24] 鄧聚龍. 灰色系統論文集[M]. 武漢: 華中理工大學出版社, 1989.

Deng Julong. Collection of grey system essays[M]. Wuhan: Huazhong University of Science and Technolo-gy Press, 1989.

Prediction of the submarine pipeline corrosion rate based on the whale optimization algorithm and back propagation (WOA-BP) algorithm

XIAO Rong-ge, JIN Shuai-shuai

(Shaanxi Key Laboratory of Advanced Stimulation Technology for Oil & Gas Reservoirs, College of Petroleum Engineering, Xi’an Shiyou University, Xi’an 710065, China)

Many factors affect the pipeline corrosion rate, constituting a highly complex corrosion system; thus, accurately predicting the pipeline corrosion rate is difficult. A single back propagation (BP) model can easily fall into the local optimum due to an improper selection of the initial weight and threshold value. To address this problem, the whale optimization algorithm (WOA) algorithm is introduced for BP neural network optimization to predict the corrosion rate of a submarine pipeline. Then, it is compared with the GA and PSO algorithms to optimize the BP prediction model to verify the prediction effect and feasibility of the WOA-BP model. The results show that the average absolute percentage and root mean square errors of the WOA-BP model are 3.689% and 0.1537, respectively, considerably lower than those of the single BP, PSO-BP, and GA-BP models. It has high prediction accuracy and stability and can provide decision support for corrosion protection in the submarine pipeline and flow guarantee of the oil and gas pipeline.

corrosion rate; WOA algorithm; BP model; GA algorithm; PSO algorithm

Aug. 23, 2021

[2019 Local Service Special Plan Project of Shaanxi Provincial Department of Education, No. 19JC034]

TG174

A

1000-3096(2022)06-0116-08

10.11759/hykx20210823003

2021-08-23;

2021-10-14

陜西省教育廳2019年度服務地方專項計劃項目(19JC034)

肖榮鴿(1978—), 女, 陜西省興平人, 教授, 博士, 主要從事天然氣處理與加工、油氣水多相流理論與應用研究, E-mail: xiaorongge@163.com

(本文編輯: 趙衛紅)