404 Not Found

nginx

機器學習算法在混輸管道內腐蝕預測的應用

2023-06-02 09:33:28張少洋

全面腐蝕控制 2023年4期

關鍵詞：工藝分析檢測

胡軍郝林張少洋

（中海油安全技術服務有限公司，天津 300457）

0 引言

內腐蝕是引起海洋石油生產中海底管道失效的主要因素[1]，內腐蝕可造成管道結構強度降低，導致泄漏，而且內腐蝕引起的事故往往具有突發性和隱蔽性，因此后果一般比較嚴重。輸送油氣等介質的管道中若含有水、二氧化碳（CO2）和硫化氫（H2S）等腐蝕性介質，則發生內腐蝕的風險較大。國際上EGIG、PARLOC、PHMSA均對管道的失效頻率進行了統計[2,3]。

針對油水混輸海底管道的內腐蝕風險，從設計建造階段、運營階段均采取了管控措施，主要包括：

（1）設計建造階段：設計公司對擬輸送的介質組分進行分析，結合管道的運行溫度、壓力、流速計算腐蝕速率，同時提出緩蝕劑等化學藥劑的應用要求（通常緩蝕劑效率80～90%），最終確定腐蝕余量；

（2）運營階段：管道運營方對其監測管道介質組分、運行壓力、溫度、腐蝕掛片/電阻探針腐蝕速率，定期進行清管通球作業以避免管道內壁積累污垢，同時定期進行緩蝕劑效用評價[4,5]。

但由于運行階段管道運行參數的變化，如運行壓力溫度的變化、含水量的變化，特別是緩釋劑沿管道全線的應用效果、固體顆粒沉積、腐蝕垢片等多方面的影響，管道內腐蝕的發展趨勢與設計階段的預估存在一定的差異。內腐蝕風險仍是管道運營單位重點關注的內容。

管道運營單位采用管道內檢測以及內腐蝕直接評估的方式分析管道腐蝕狀況[6]。對于海底管道目前具備內檢測條件的通常都進行檢測，對于暫時不具備條件的采用內腐蝕直接評估的方式進行分析。管道內檢測是獲取管道本體狀況的最直接手段，通過管道內檢測可獲取管道全線的缺陷數據，獲取的缺陷數據反映了管道歷年運行工況的綜合影響結果，且內檢測只能給出缺陷的情況，對于如何控制缺陷，降低腐蝕速率仍需進行更多的分析評估。內腐蝕直接評價是按照相關標準要求，基于腐蝕理論對腐蝕的機理及腐蝕速率進行分析，找出關鍵影響因素，提出后續管控措施。考慮到內檢測費用較高，采用內檢測與內腐蝕直接評估相結合的方式能夠優化管理成本。

對于腐蝕機理與腐蝕控制的研究，目前主要基于實驗室高壓釜動態試驗以及相關的經驗公式或數值模擬[7]。但分析的結果由于假定條件與管道運行實際工況仍有所區別，因此腐蝕速率的預測仍有所偏差。

本文從腐蝕主導因素出發，結合管道的實際檢測數據，采用機器學習算法對腐蝕缺陷進行分析，通過數據的分析找出不同運行參數的影響權重，同時可以根據管道未來運行工況條件能夠更有效預測管道腐蝕趨勢[8]。本文提出的分析思路能夠作為其他管道的管理手段，可以優化檢測周期，實現降本增效。

1 基于內腐蝕直接評價（ICDA）理論的管道內腐蝕影響因素

1.1 ICDA腐蝕關注要點

內腐蝕直接評價方法是一種無需進入管道內部，又可有效識別管道內部腐蝕風險的完整性評價方法，其在國外已應用于工程實際，并形成相關規范，圖1內腐蝕直接評價技術中給出了不同規范的適用范圍。

圖1 內腐蝕直接評價技術

內腐蝕直接評價根據輸送介質不同，評估算法有所不同，但基本理念一致，即易積砂、積液的位置最易發生腐蝕。同時內腐蝕直接評價技術還給出了腐蝕的其它相關影響因素，如油水交界面、細菌影響等。腐蝕的影響因素如下圖所示。

給予ICDA的方法計算出腐蝕高風險區后，即可根據腐蝕速率模型計算腐蝕風險，如Pots Model、Nesic Model、Srinivasan Model、De Waard and Milliams Model、Norsok M506。以Norsok M506為例，該腐蝕模型考慮了CO2分壓、溫度、流速等因素的影響。不同腐蝕速率模型計算的腐蝕速率存在一定的差異。

1.2 管道運行期腐蝕影響因素分析

結合管道運行階段的可獲取參數，對腐蝕影響情況進行分析，進一步構建基于機器學習算法的數據邏輯模型。

（1）溫度、壓力、流量、含水率

管道出入口的溫度壓力可進行監測，對于管道沿線任意位置的溫度壓力可根據熱力、水力相關公式進行計算。溫度對于腐蝕的影響較為顯著，根據國內外相關試驗數據以及經驗公式，60～80℃時CO2腐蝕速率最高，在30～50℃時最適宜SRB的生長，易出現細菌腐蝕，因此管道沿線不同位置區間對應的腐蝕機理有所不同。管道的輸送壓力決定了CO2的溶解度，通常壓力越高腐蝕速率越高。

管道輸送量決定了介質流速，流速越低越容易造成固體顆粒沉積，在易于沉積的位置將發生氧濃差腐蝕，同時阻斷了緩蝕劑對管道的保護。基于NACE SP0208中的“三層”模型，針對20余條海底管道計算了避免形成固定砂層的臨界速率，選取10條管道計算結果進行統計展示，如圖2所示。針對其中部分已開展內檢測管道的檢測數據發現，實際流速與臨界流速的比值越低，腐蝕風險越高。

圖2 基于三層模型計算臨界流速與實際流速對比

介質含水率決定了油水界面，通常對于部分高含水率的海底管道，水相與管道內壁充分接觸；

（2）水質檢測

根據水質檢測結果，依據SY/T 0600-2009油田水結垢預測標準，對海管入口、出口的水樣進行結垢趨勢計算。對于結垢趨勢嚴重的介質更易發生垢下腐蝕；另一方面，水中的氯離子含量也是腐蝕的重要影響因素。氯離子因其較高的極性和穿透性，破壞金屬表面的鈍化膜，腐蝕形態以點蝕為主；

（3）管道高程

管道低洼位置容易積液/積砂，在“三層”模型中，計算的臨界流速隨著管道傾角增大而升高；

（4）二氧化碳、硫化氫含量

二氧化碳、硫化氫含量越高腐蝕約嚴重。管道運營方能夠定期對二氧化碳、硫化氫含量進行檢測。實際運行中還應考慮硫化氫的產生是由于介質自帶還是由于細菌產生的，通常管道入口未檢測出硫化氫，但管道出口出現硫化氫，說明管道內部存在細菌腐蝕；

（5）腐蝕掛片/電阻探針腐蝕速率監測

腐蝕掛片/電阻探針能夠一定程度上反映管道腐蝕情況，對于二氧化碳腐蝕參考性較強，圖3給出了腐蝕刮片清洗前的狀態。但根據管道運行案例，存在實際腐蝕速率遠高于腐蝕掛片的監測速率；另一方面對于掛片的附著物檢測也是對判斷管道內部腐蝕情況的一項依據；

圖3 腐蝕掛片含油泥含砂（清洗前）

（6）清管通球清除物

清管通球能夠清除管道內雜質，通常清除物為泥沙雜質、垢片，存在此類清除物時，說明管道存在固體顆粒沉積造成垢下腐蝕的風險；

（7）緩蝕劑緩釋效率

隨著運行工況的改變，如混輸管道含水率的升高、水質變化等，緩蝕劑防腐效果將發生變化。緩蝕劑緩釋效率能夠有效減緩腐蝕速率，對管道的安全運行起到了至關重要的作用。管道運營公司定期對采用的緩蝕劑進行評價，驗證應用效果，緩蝕劑試驗掛片情況如圖4所示。

圖4 緩蝕劑試驗

2 機器學習算法

通過管道內檢測可獲取管道全線的缺陷數據，每一缺陷將給出對應里程位置及缺陷的深度、長度、寬度、鐘點位置，結合內腐蝕直接評價方法對腐蝕高風險區域的判斷方法以及Norsok-M506等腐蝕預測模型，可以找出管道運行工藝參數與缺陷的對應關系，進而對管道缺陷數據進行預測分析。

從管道現場管理角度，目前可獲取的工藝數據包括管道每天的工藝參數，如管道出入口的溫度、壓力，定期的腐蝕檢測數據，如CO2分壓、腐蝕掛片檢測數據；另一方面，管道沿線由于溫降以及壓降，不同管段的溫度、壓力、CO2分壓均不同。而腐蝕內檢測數據體現的是一定時期內的綜合情況。

機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準。目前應用較多的算法如SVM（Support Vector Machine）支持向量機、Logistic Regression邏輯回歸、Linear regression線性回歸、多層神經網絡。考慮到腐蝕數據分析并非分類問題，因此線性回歸以及多層神經網絡算法較為合適[9-14]。

線性回歸，是利用數理統計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法，運用十分廣泛。

BP神經網絡算法，其模型拓撲結構包括輸入層、隱層和輸出層。

對于兩種方法的輸入值為運行溫度與壓力，輸出值為實際檢測的腐蝕缺陷。