基于KPCA-ICS-SVM模型的膠粘復合材料涂層管道外腐蝕速率預測研究

吳 艷

(中海油東方石化有限責任公司，海南 東方 572600)

在使用金屬管道對石油、天然氣以及成品油等能源進行輸送的過程中，金屬管道一般會采用埋地敷設的方式，僅有部分場站內的管道會采用架空敷設方式。埋地敷設占地面積相對較少，不會影響管道沿線的環境，該種敷設方式的安全系數也相對較高。但是，由于土壤中含有一定量的腐蝕性物質，因此，會引起管道外腐蝕問題。事實上，土壤腐蝕是威脅管道安全的重要因素，對金屬管道的外腐蝕速率進行預測，有助于相關企業制定合理的措施保障管道安全運行。

由于管道安全運行十分關鍵，因此，國內外學者針對金屬管道的外腐蝕問題開展了多方面的研究。據報道，針對腐蝕管道的可靠性問題，引入了貝葉斯方法，建立了管道可靠性與外腐蝕數據之間的關系模型，并從外腐蝕的角度出發，對管道進行了安全評估研究；針對管道外腐蝕的影響因素問題，引入了動態貝葉斯的方法，對管道外腐蝕的因素進行了系統研究。在此基礎上，根據管道外腐蝕的評價結果，對管道的剩余壽命進行了評估，針對管道的外腐蝕速率問題，引入了BPNN(誤差反向傳播神經網絡)的預測方法，并使用IFA(改進螢火蟲)算法，對BPNN算法中的參數進行了優選，最終使用BPNN算法對外腐蝕速率問題進行了預測研究，但是在使用BPNN算法的過程中非常容易出現局部最優的問題，因此，預測誤差相對較大；引入了RBF(徑向基神經網絡)算法，對影響管道外腐蝕的因素進行了系統分析，并對管道外腐蝕速率進行了預測研究，但是在使用RBF算法的過程中，隨著數據量的增加，網絡結構將更加的復雜，數據預測的準確度將會降低。

事實上，盡管國內外學者對管道的外腐蝕問題進行了多方面的研究，也取得了眾多的成果；但是，例如預測精度相對較低、預測過程相對較為復雜等。針對這些問題，本研究提出了一種基于KPCA-ICS-SVM組合模型，以實例驗證的方式，對該種方法用于管道外腐蝕預測的可行性以及可靠性分別進行研究，為管道外腐蝕的預測問題提供一種新的思路，為保障管道安全運行奠定基礎。

1 基礎數據及設定

為了對管道外腐蝕速率進行準確的預測研究，本文將以我國某天然氣管道為例，對其進行研究。該天然氣管道的輸量達到了8×10m/a，其設計壓力達到了8 MPa，管道運行的最大壓力為5.5 MPa，管道的材料為API X80管線鋼；在管道建設的過程中，為了降低腐蝕速率，采用了外防腐層+外加電流陰極保護的防護措施。受到管道建設以及第3方入侵的影響，外防腐層的破壞較為嚴重；同時，陰保參數的設置不合理，管道沿線需要穿越酸性土壤地區，最終導致管道的外腐蝕問題較為嚴重。

為了獲取外腐蝕速率信息，在距離管道1 m的位置處敷設實地埋片。實地埋片的材料與管道材料相同，在實地埋片的表面沒有增設防腐層，使用電連接的方式，將實地埋片與管道相互連接，使得二者的電位保持一致，根據實地埋片的質量變化情況，對其均勻腐蝕速率進行計算。為了了解土壤的理化性質，在實地埋片的周圍取土，并根據國家標準GB/T 19285─2014《埋地鋼質管道腐蝕防護工程檢驗》要求，對其各種理化性質進行化驗。

事實上，土壤體系相對較為復雜，分別由氣、液、固3相體系所構成。同時，土壤也屬于一種電解質膠體，由于土壤中存在大量的雜散電流，這使得管道在遭受化學腐蝕的同時，也將會遭受一定的電化學腐蝕。對于金屬材料而言，在埋地敷設的前提下，其化學腐蝕主要由土壤中的理化性質所決定，在土壤成分存在差異的前提下，其腐蝕速率必然會存在一定的差異。由于管道在敷設之前都已經增設防腐層，其可以將腐蝕性物質與金屬材料相互隔離，與陰極保護方法產生協同作用，最終降低管道的腐蝕速率。在進行管道腐蝕速率研究的過程中，需要對影響因素進行合理的選擇。選擇的影響因素需要具有一定的代表性，可以充分反映金屬腐蝕的嚴重性，同時，所選擇的影響因素還需要做到容易測量的原則。本研究最終選擇土壤含水量、土壤含鹽量、土壤的pH值、土壤的氧化-還原電位、土壤的自然腐蝕電位、土壤的電位梯度、土壤的電阻率、土壤中氯離子的含量、管道防腐層破損點的密度以及陰極保護的有效率等10項因素作為影響管道外腐蝕的初始影響因素。

2 算法理論基礎

2.1 KPCA算法

核主成分分析(KPCA)算法是在主成分分析(PCA)算法基礎上發展起來的一種影響因素分析算法，其可以利用非線性的方法，對影響某一事物的主成分進行提取。事實上，在使用PCA算法的過程中，其主要是基于數據樣本，但是對于KPCA算法而言，其使用的過程中主要是基于輸入數據的維度。對于管道的外腐蝕問題，其影響因素相對較多，且影響因素之間的非線性特征十分明顯，因此，KPCA算法適用于管道外腐蝕速率影響因素的降維處理問題。在使用KPCA算法的過程中，假設樣本數據集為(=0,1,2,…,；影響外腐蝕速率的因素有m個)，∈；通過引入非線性的函數()，進而使得數據樣本可以轉換進入高維空間，并可以得到協方差矩陣：

(1)

對該矩陣的特征值以及特征值對應的特征向量進行求解，通過使用函數()，可以得到：

()-()=0

(2)

式中：可以使用函數()來表示，即

(3)

式中：為數學中的拉格朗日乘子。把式(2)和式(3)相互結合，并加入核函數以后，可以得到：

-=0

(4)

(5)

2.2 ICS算法

(6)

(7)

2.3 SVM算法

支持向量機(SVM)算法屬于一種相對較為先進的數據分類以及預測算法，在使用該種算法的過程中，對學習數據集進行非線性的映射:∈→，進而可以將其輸入到高維空間中，并在高維空間中對數據進一步的處理。首先，假設所有的學習數據集可以表示為{(,),(,),…,(,)}，其中∈為輸入數據矢量；∈為目標的數值；為樣本的個數。對數據進行處理：

(8)

(9)

式中：為模型的懲罰函數；為模型的損失參數，這2項參數的設定對于整個SVM算法的使用十分關鍵。但是，在確定這2項參數的過程中，目前并沒有很好的方法，一般都是依靠研究人員自身的經驗進行確定，這導致參數確定的精度相對較低，且容易受到主觀因素的影響。

3 基于KPCA-ICS-SVM模型的埋地管道外腐蝕速率預測模型構建

3.1 組合模型構建

在使用SVM模型對管道外腐蝕速率進行預測的過程中，其預測的精度與參數和具有很強的聯系，因此，本研究將會使用ICS模型對這兩項參數進行優選，最終建立用于埋地管道外腐蝕速率預測的組合模型；模型的組合方法如圖1所示。使用該模型的流程為：

圖1 組合模型流程圖Fig.1 Combined model flow chart

(1)對數據進行處理。假設樣本的數量為個，(,)，=1,2,3,…,表示各個樣本，將所有的樣本數據分為2個組，分別是學習數據集以及預測數據集。其中，對于外腐蝕速率的影響因素而言，其屬于輸入數據集：=[1,2,…,]；參數為

外腐蝕速率影響因素的數量，對于外腐蝕速率而言，使用表示。使用以下公式對數據進行歸一化處理：

(10)

(2)降維處理。使用KPCA算法，對外腐蝕速率的影響因素進行降維處理，優選出影響埋地管道外腐蝕的主要影響因素；

(11)

(4)模型訓練。將學習數據集輸入到組合模型中，將適應度函數最小值作為模型訓練的目標，使用ICS算法對SVM算法中的參數進行優選，最終得到最佳的KPCA-ICS-SVM組合模型；

(5)結果預測。將預測數據集輸入到最佳KPCA-ICS-SVM組合模型中，對埋地管道外腐蝕速率進行預測，并將預測結果與實際外腐蝕速率進行對比，驗證模型的準確性。

3.2 模型評估方法

為對本研究所提出的組合模型進行合理的驗證，引入均方根誤差(RMSE)和希爾不等系數(Theil IC)2種類型的評估方法，對組合模型的預測準確性進行評價。2種類型評估方法的計算公式：

(12)

(13)

對于本研究采用的2種評估方法而言，其計算結果越小，則證明預測精度越高。如果RMSE的計算結果超過了10%，則證明模型的預測結果較差。

4 實例應用

4.1 樣本數據整理及分類

根據上面介紹的數據采集方法，共采集數據55組，將55組數據分為2部分。其中，45組數據用于模型訓練；在模型的相關參數達到最佳以后，將剩余10組數據輸入到組合模型中。對本研究所提組合模型的可行性進行驗證，本次研究所考慮的管道外腐蝕速率影響因素和采集的部分數據如表1所示。

表1 本次研究采集的部分數據Tab.1 Some data collected in this study

4.2 KPCA算法處理結果分析

使用MATLAB軟件對KPCA算法進行編程，對影響埋地管道外腐蝕速率的相關因素進行綜合性分析。對于不同類型的影響因素而言，其量綱的差距相對較大，因此，在進行KPCA處理之前，需要使用式(10)對其進行歸一化處理。在歸一化處理后，才能對其進行KPCA分析，分析結果如表2所示。

表2 埋地管道外腐蝕影響因素KPCA算法分析結果Tab.2 Results of KPCA Algorithm analysis

由表2可知，由于前4項影響因素的累計貢獻率已經超過了85%；因此，可以將前4項影響因素作為影響管道外腐蝕速率的主要因素。進一步分析發現，對于電化學腐蝕行為而言，其與土壤的表觀電導有關，土壤的表觀電導主要由2部分構成，分別是土壤中液相的電導以及土壤的表觀電導。2種類型的電導存在本質區別，前者主要依靠液相離子進行導電，后者主要依靠固相的離子進行導電，這2種類型的電導與土壤自身的電阻率、含鹽量、含水量有關；同時，土壤的pH值會直接影響管道金屬的化學腐蝕行為。另一方面，表2中后三者對于管道外腐蝕的影響相對較小，這主要是因為該條管道沿線的電氣化設施相對較少，因此，雜散電流也相對較弱；對于破損點而言，其密度均值為0.1處/(100 m)左右，根據防腐層的評級標準，其處于1級和2級之間，且偏向于1級，因此，防腐層的質量相對較好。通過對陰極保護電流進行分析發現，該條管道大多數位置處的保護電位滿足要求，僅有部分位置處的保護電位低于-0.85 V。綜合而言，土壤表面電位梯度、破損點密度以及陰極保護率對于管道外腐蝕速率的影響相對較小。

4.3 參數優選結果分析

為了對ICS算法的應用優勢進行驗證，將使用CS算法與其進行對比。CS算法使用過程中的參數設置與ICS算法相同，2種類型算法的迭代過程如圖2所示。

圖2 ICS算法和CS算法的迭代過程Fig.2 Iterative process of ICS Algorithm and CS Algorithm

由圖2可知，對于ICS算法而言，其迭代速度相對較快，在迭代次數達到75次以后，誤差的變化基本穩定；對于CS算法而言，其迭代速度相對較慢，在迭代次數達到114次以后，誤差的變化才能達到穩定。由此可見，與傳統的CS算法相比，ICS算法的性能更加優越，使用ICS算法對SVM算法中的參數進行優選，進而得到=12.83和=4.56。

4.4 腐蝕速率預測及結果對比

為了對本次研究所提模型的先進性進行驗證，本研究將使用同樣的訓練數據，對常見的4種智能學習算法進行訓練；并使用同樣的驗證數據集，對智能算法的性能進行驗證。不同類型智能算法預測結果與實際腐蝕速率的對比情況如圖3所示。

圖3 不同類型智能算法預測結果與實際腐蝕速率對比圖Fig.3 Comparison of different types of intelligent algorithm predictive results and actual corrosion rate

由圖3可知，不同類型智能預測算法在對管道外腐蝕速率進行預測的過程中，預測結果的變化趨勢與實際腐蝕速率的變化趨勢都十分接近，僅依靠對比預測結果與實際腐蝕速率，無法對本次研究所提出的KPCA-CS-SVM組合模型的先進性進行驗證。因此，本研究對驗證數據集中不同算法預測結果的相對誤差進行了計算，不同類型智能算法預測結果的相對誤差如圖4所示。

圖4 不同類型智能算法預測結果的相對誤差Fig.4 Relative error of different types of intelligent algorithm prediction results

由圖4可知，KPCA-ICS-SVM組合模型在使用的過程中，10組樣本的預測結果相對誤差均小于BP神經網絡等3種類型的智能模型，僅在少量數據位置處，預測結果的相對誤差高于KPCA-CS-SVM模型。為了對本研究所提組合模型的性能進一步的驗證，使用上文中提出的性能驗證方法，對評估指標進行計算；不同模型評估指標的計算結果如圖5所示。

圖5 不同類型智能算法的性能評估Fig.5 Performance assessment of different types of intelligent algorithms

由圖5可知，本研究所提出的KPCA-ICS-SVM模型在對管道外腐蝕速率進行預測的過程中，與BP神經網絡模型相比，其RMSE數值降低了4.52%，Theil IC數值降低了3.89%；與RBF神經網絡模型相比，其RMSE數值降低了2.54%，Theil IC數值降低了2.17%；與KPCA-PSO-SVM模型相比，其RMSE數值降低了1.66%；Theil IC數值降低了1.44%；與KPCA-CS-SVM模型相比，其RMSE數值降低了0.35%，Theil IC數值降低了0.31%。

綜合分析可以發現，使用KPCA-ICS-SVM模型進行管道外腐蝕速率預測的性能相對較好。因此，未來在對管道腐蝕速率進行評估的過程中，可以引入該種類型的智能算法。

5 結語

對于埋地管道而言，受到土壤環境的影響，出現外腐蝕問題的概率相對較大，通過對管道外腐蝕速率進行評估，可以為管道防護方案的制定提供數據支持。本研究主要提出了一種基于KPCA-ICS-SVM組合模型的管道外腐蝕速率預測方法，并對該種方法的先進性以及可行性進行了驗證。

(1)通過使用KPCA算法對影響管道外腐蝕的因素進行綜合分析發現，土壤的電阻率、含水量、含鹽量以及pH值為影響管道外腐蝕速率的主要因素。其中，對于前3項影響因素而言，其會對電化學腐蝕行為產生重要影響；同時，土壤的pH值會直接影響管道金屬的化學腐蝕行為；

(2)盡管SVM算法屬于一種相對較為先進的數據分類及預測算法，但在使用該種算法的過程中，需要進行合理的參數優選，通過使用ICS算法進行參數優選發現，ICS算法的收斂速度相對較快，且使用效果相對較好；

(3)通過將本研究所提出的KPCA-ICS-SVM模型與其他模型進行對比發現，在進行管道外腐蝕速率預測的過程中，預測結果的變化趨勢與管道實際腐蝕速率相同，且多種類型評估指標均小于其他常見模型。

由此可見，在使用KPCA-ICS-SVM模型進行管道外腐蝕速率預測，其具有很強的先進性以及可行性，未來可以推廣使用該種類型的算法。