小樣本預測埋地管道外腐蝕速率

趙陽

摘要：為解決現有線性回歸模型、單一支持向量機和遺傳算法優化支持向量機（GA-SVM） 等管道腐蝕速率預測準確率低的難題，選取總含鹽量、氧化還原電位、pH 值、氯離子濃度、硝酸根濃度、硫酸根濃度、溶解氧含量、自然腐蝕電位等埋地管道外腐蝕速率的主要影響因素作為輸入變量，采用麻雀搜索算法優化支持向量機算法，建立了麻雀搜索優化的支持向量機（SSA-SVM） 腐蝕速率預測模型。測試集驗證結果表明，SSA-SVM 模型的決定系數R2 為0.991 9，高于線性回歸模型（0.718 9）、單一支持向量機（0.844 2） 和GA-SVM（0.913 7）；均方根誤差為0.068 6 mm/a，低于其他3 種模型的0.116 6、1.774 5、0.118 3 mm/a；平均絕對誤差為0.090 2 mm/a，低于其他3 種模型的0.147 4、1.705 6、0.097 7 mm/a；平均相對誤差為3.94%，低于其他3 種模型的25.59%、32.29% 和6.42%。采用此模型隨機選擇B 管道8 組檢測數據預測埋地管線外腐蝕速率，與現場實際年腐蝕速率對比預測精度為0.964 2，高于GA-SVM 的預測精度0.669 0，表明該模型可應用于埋地管道的外腐蝕量和腐蝕速率預測，為埋地管道的安全運行提供數據支持。

關鍵詞：石油天然氣；油氣儲運；集輸管道；管道腐蝕；預測模型；影響因素；麻雀搜索算法；支持向量機

中圖分類號：TE988.2；TP183 文獻標識碼： A

0 引言

原油是油田企業的重要產品，因此，做好原油的輸送非常重要［1］。埋地油氣集輸管道受土壤環境影響導致腐蝕，降低管道使用壽命，增加維護成本，降低運行安全性［2］。預測腐蝕速率為管道建設、運維提供選址、維護等作業的關鍵參數，是油氣集輸管道腐蝕防護領域的關鍵環節［3］。現階段，埋地管道腐蝕速率預測模型有很多，如線性回歸預測模型、灰色預測模型和機器學習預測模型等。

線性回歸預測模型是一種統計學模型，該模型通過建立線性方程預測管道的腐蝕速率，但無法對埋地管道的腐蝕速率進行精準預測［4］。張華禮等結合某油田油井歷史工況數據，建立自變量與因變量的數據庫，利用線性回歸的方法建立了腐蝕預測模型［5］，該模型具有一定的應用價值，但由于各種環境因素相互作用，不能有效處理非線性關系，因此其預測精度一般。

灰色預測模型將不確定性系統作為研究對象，適用于小樣本數據，應用較為廣泛［6］。何天隆等基于傳統GM （1，N） 模型（Grey Model （1，N）） 構建了灰色預測模型，改進原模型存在的預測機理缺陷，驗證了模型的可靠性［7］，但該模型存在預測波動性較大的問題。

近年來，人工智能中的機器學習算法已被廣泛應用于管道的腐蝕速率預測，并且能夠對影響因素的非線性關系進行處理［8］。Xiang 等針對BP 神經網絡模型（Backpropagation Neural Network， BP） 在計算中存在不穩定的問題，利用灰色關聯度篩選出主要影響因素，并通過遺傳算法（Genetic Algorithm，GA） 優化BP 網絡，提高了模型預測的穩定性［9］，但需要大量數據才能維持模型的穩定性，仍具有一定的局限。凌曉等針對螢火蟲算法（FireflyAlgorithm，FA） 易出現陷入局部最優的問題，提出FA 的改進方案，提升FA 全局尋優能力，并將改進的FA 算法與BP 結合在一起，使得BP 的預測精度得到大幅提升［10］，但BP 的收斂速度較慢且不容易跳出局部最優限制，對大規模問題處理能力較差。

畢傲睿等采用粒子群算法（Particle Swarm Optimization，PSO） 對支持向量機（Support Vector Machine，SVM） 進行優化，解決了SVM 的參數選取問題，建立的預測模型相對誤差僅2.82%［11］，但PSO 易陷入局部最優解的狀態，會導致誤差增大。夏俏健等應用主成分分析法（Principal Component Analysis，PCA） 降維處理，選取貢獻率較大的影響因素，建立的SVM 預測模型較好地處理了管道腐蝕的非線性問題［12］，由于沒有優化算法對SVM 進行優化，導致模型訓練時間較長。李響等為解決BP 神經網絡需要大量數據的問題，利用GA 優化SVM 的關鍵參數，有效降低管道腐蝕的預測誤差，為管道腐蝕失效風險提供參考［13］，但運用GA 優化時需要選擇適當的參數取值范圍。

綜上所述，目前的研究主要存在兩個方面的問題：一是傳統的預測模型如線性回歸預測模型無法有效處理非線性問題，其處理復雜數據的能力較差，導致其預測精度低；二是一些基于機器學習建立的預測模型需要大量數據才能保證模型的準確性，對小樣本問題的處理能力較差，且容易過擬合，也需要進一步改進。

針對以往預測模型存在的問題，提出麻雀搜索算法（Sparrow Search Algorithm，SSA） 優化SVM 的埋地油氣集輸管道外腐蝕速率預測模型， 利用SSA 對SVM 的懲罰因子C 和核參數g 進行尋優，從而得到預測精度更高、誤差更小的模型，并與線性回歸模型、單一SVM 模型和GA-SVM 模型的預測結果進行了對比。結果表明，SSA-SVM 預測模型相比其他模型具有更高的預測精度，能夠為管道的檢測和防護提供可靠的理論依據。

1 SSA-SVM 模型構建與評估

1.1 模型構建

SSA 是一種較為新穎的群智能優化算法，這是一種基于鳥類行為的啟發式算法［14］，模擬了麻雀尋找食物和遷徙的行為，該算法通過個體搜索和群體搜索的策略，以尋找最優解或接近最優解的解決方案，從而提高預測模型的預測精度［15］。SSA 算法的學習能力較弱，不易產生過于復雜的模型形態，可以防止過擬合問題的發生［16］。