基于機器學習的原油管道損傷檢測

宋 丹

(國家管網集團北方管道有限責任公司長春輸油氣分公司,長春 130062)

0 引言

經過多年的探索開發,陸地上的原油資源日益匱乏,已經不能滿足人們生產生活的需要。而海底蘊含著豐富的資源,確保海底原油管道正常運行,關系著生態環境及原油運輸質量,故及時檢測出管道損傷是重中之重。目前,原油管道損傷檢測技術主要分為兩大類[1],即基于硬件的檢測方法和基于軟件的定位方法。基于硬件的檢測方法是由檢測設備實時監控管道外部環境狀態來實現對管道損傷的檢測,主要包括無人機檢測法、示蹤檢測法、分布式光線檢測法、漏磁檢測法等。基于軟件的檢測定位方法是由管道自動監測系統對管道內的流體力學參數進行實時監測與采集,進而對這些參數進行處理,從而實現對損傷管道的檢測,主要包括聲學檢測法、壓力梯度法、負壓法、機器學習法等。本研究基于TLENT軟件模擬管道損傷導致原油泄露事故,獲得管道損傷泄露數據。建立訓練集對相關機器學習模型進行訓練,選取最優的機器學習模型,研究不同損傷程度孔徑對預測平均誤差的影響。

1 原油管道損傷模擬

1.1 流體力學原理

管道內流體流動過程一般為穩態,管道發生損傷導致泄露事故發生后,流體不再為穩態狀態,其壓力、流量、溫度等發生突變。管道內流體遵循連續性方程、動量守恒方程與能量守恒方程[2]。

連續性方程用數學公式表示為:

(1)

動量方程用數學公式表示為:

(2)

能量守恒方程用數學公式表示為:

(3)

式中:H為管道中的壓頭,m;v為流速,m/s;x為管道位置變量,m;t為時間變量,s;θ為管道與水平面夾角,rad;f為管道水力摩阻系數;D為管道內徑,m;T為原油溫度,℃;Cv為原油比熱容,J/(kg℃);ρ為原油密度;p為管道內某處原油壓力,K為管道的總傳熱系數;T0為環境溫度;a為水擊波傳播速度,m/s。

當原油管道某處發生損傷導致原油泄露后,管道全線壓力下降。

1.2 模型建立

TLNET是一款液體管網仿真軟件,能夠對管道內液體進行瞬態及動態模擬,建立由A地向B地運輸原油的海底原油管道模型。假設入口原油溫度為40 ℃,管道內徑1219 mm,管道壁厚8 mm,粗糙度為0.03 mm,管道總長度為45 km。設置動態腳本,從0時刻開始,時長為2 h,間隔時間0.01 h。

圖1 原油管道模型Fig.1 Crude oil pipeline model

共模擬2250種損傷工況,工況組合如表1所示。所得數據用于后續模型訓練數據集與預測數據集。

表1 模擬工況Tab.1 Simulated condition

表2 輸入數據與預測目標Tab.2 Imported data and predicted targets

2 機器學習檢測管道損傷

機器學習是涉及統計學、概率論、最優化方法等多種理論交叉的學科。機器學習從大量已知數據中提取數據之間的關系,訓練得到一種概率模型,進而實現對未知數據的預測。機器學習流程如圖2所示。

圖2 機器學習流程Fig.2 Machine learning process

2.1 數據采集與處理

基于建立的模型,采集不同工況下原油管道損傷泄露數據。

損傷位置與損傷孔徑的預測對損傷前后數據變化敏感,因此將所有損傷前后的數據作差得到新的數據集,作為訓練數據集及預測數據集。

2.2 模型訓練

2.2.1 BP神經網絡算法

BP神經網絡是一種多層前向反饋的神經網絡,由輸入層、隱層及輸出層組成[3]。每層神經元的狀態參數僅直接影響下一層神經元權值,使神經網絡誤差趨于最小,過程如式(4)。

ek(n)=dk(n)-yk(n)

(4)

總體能量函數為:

(5)

網絡正向計算過程如下:

(6)

yj(n)=f[vj(n)]

(7)

(8)

yk(n)=f[vk(n)]

(9)

權值修正參量為:

Δwji(n)=ηδj(n)yi(n)

(10)

ωji(n+1)=ωji(n)+Δωji(n)=ωji(n)+

ηδj(n)yi(n)

(11)

BP神經網絡算法如圖3所示。

圖3 BP神經網絡模型Fig.3 BP neural network model

2.2.2 支持向量機算法

支持向量機是建立在概率論數理統計學基礎上的機器學習算法。其從最優分類面出發,定義問題空間優化問題,將原問題轉化為求解對偶空間中的凸二次規劃問題。當原有空間無法建立相對應的超平面時,需引入核函數概念,完成非線性到線性的轉換,分類函數可表示為[4]:

f(x)=wTφ(x)+b

(12)

未解決數據存在噪音污染的問題,可將條件適當放寬,允許數據點發生些許偏離,約束條件為:

yi(wTφ(xi)+b)≥1-ξi(i=1,2,…,n)

(13)

式中:ξi為松弛變量,需對ξi進行限制,目標函數為:

ξi≥0,(i=1,2,…,n)

(14)

通過拉格朗日定理求解得到最終的分類決策函數為:

(15)

2.2.3 預測結果

利用TLNET模型對不同工況進行模擬,獲得預測模型測試數據集,用訓練好的模型進行預測。BP神經網絡算法和支持向量機算法預測平均誤差如表3所示。

表3 預測平均誤差Tab.3 Mean prediction value

訓練結果說明BP神經網絡算法對損傷位置預測效果優于支持向量機算法,支持向量機算法對損傷孔徑預測平均誤差優于BP神經網絡算法。

為更準確地評定兩種算法對于不同規模損傷孔徑預測效果,以孔徑大小為基準,定義10～20 mm孔徑為小型損傷,30～40 mm為中型損傷,50 mm為大型損傷,比較不同損傷程度對算法模型預測準確度的影響。結果顯示,各算法模型對損傷位置與損傷程度孔徑的預測平均誤差都隨損傷程度的增大而減小,如表4、表5所示。

表4 不同損傷程度下各算法模型損傷位置預測平均誤差Tab.4 Average error of damage location prediction of each algorithm model under different damagedegrees

表5 不同損傷程度下各算法模型損傷程度孔徑預測平均誤差Tab.5 Average error of prediction of damage degree aperture of each algorithm model under different damage degrees

3 結論

基于FLNET對原油管道2250種損傷工況進行模擬,獲得損傷前后損傷位置處管道內流體壓力、流量等數據。對機器學習中的BP神經網絡算法與支持向量機算法原理進行概括,應用模擬得到的原油管道損傷數據作為機器學習訓練數據集與預測數據集。對兩種算法預測平均誤差進行對比可知:BP神經網絡算法對損傷位置預測效果優于支持向量機算法,支持向量機算法對損傷孔徑預測平均誤差優于BP神經網絡算法。比較不同損傷程度對算法模型預測準確度的影響可知:BP神經網絡算法和支持向量機算法模型對損傷位置與損傷程度孔徑的預測平均誤差均隨損傷程度的增大而減小。