陳占鋒 李緒堯

杭州電子科技大學(xué)機械工程學(xué)院

摘要：基于人工智能的腐蝕管道剩余強度預測方法，因實(shí)驗數據較少，且分布不均勻，難以準確預測腐蝕管道的剩余強度。對此提出一種改進(jìn)的神經(jīng)網(wǎng)絡(luò )方法，通過(guò)調整神經(jīng)網(wǎng)絡(luò )結構、優(yōu)化神經(jīng)網(wǎng)絡(luò )權重和偏置，初步實(shí)現了小樣本腐蝕管道剩余強度的準確預測，為小樣本腐蝕管道剩余強度的準確預測提供了新思路。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò )；小樣本；腐蝕管道；剩余強度；粒子群算法

油氣管道的外腐蝕通常與服役環(huán)境密切相關(guān)。以海底管道為例，盡管采用了外涂層和防腐包覆層一次保護和電化學(xué)二次保護等外防腐措施，但隨著(zhù)服役時(shí)間的延長(cháng)，這些防腐措施依然容易失效，引起管道的外腐蝕。另外，在管道設計時(shí)，為保證油氣高效輸送，管內通常保持高壓。當管道受到外腐蝕后，剩余強度降低，隨著(zhù)腐蝕程度加劇，管道最終難以承受工作壓力而破壞，引起油氣泄漏事故，威脅人身、財產(chǎn)和環(huán)境的安全。因此，學(xué)者們需要對在役管道特別是處于腐蝕環(huán)境中的管道進(jìn)行安全評估，當腐蝕管道的剩余強度不足時(shí)，需要及時(shí)維修或更換。

提出一個(gè)準確的安全評估方法對指導管道設計、保障管道安全至關(guān)重要�；�于實(shí)驗和數值模擬，國內外的學(xué)者們開(kāi)展了一系列研究，提出了多個(gè)腐蝕管道剩余強度預測方法。美國機械工程師協(xié)會(huì )（ASME）根據爆破試驗，提出了腐蝕管道極限內壓荷載規范——B31G系列，這是目前使用較廣泛的規范。然而，B31G系列是根據低強度鋼爆破試驗得到的，預測中高強度鋼剩余強度時(shí)，結果偏保守[1]。

神經(jīng)網(wǎng)絡(luò )是機器學(xué)習的一個(gè)分支，它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò )行為特征進(jìn)行分布式并行信息處理的算法。神經(jīng)網(wǎng)絡(luò )是由大量的處理單元互聯(lián)組成的非線(xiàn)性、自適應性信息處理系統。這種網(wǎng)絡(luò )依靠系統的復雜性，通過(guò)調整內部大量節點(diǎn)之間相互連接的關(guān)系，達到處理信息的目的（圖 1）�？紤]到神經(jīng)網(wǎng)絡(luò )的計算效率和預測精度，有學(xué)者基于神經(jīng)網(wǎng)絡(luò )提出腐蝕管道剩余強度的預測方法。

圖 1 神經(jīng)網(wǎng)絡(luò )結構 

1  神經(jīng)網(wǎng)絡(luò )方法的主要瓶頸與解決思路

實(shí)驗數據的數量和分布對神經(jīng)網(wǎng)絡(luò )方法的準確性至關(guān)重要。面對多維度并且聯(lián)系不明顯的數據集，簡(jiǎn)單神經(jīng)網(wǎng)絡(luò )的預測精度較低。由于腐蝕管道剩余強度實(shí)驗數據較少，且分布不均勻，難以捕捉數據之間的聯(lián)系，并且輸入量維度偏多，人工神經(jīng)網(wǎng)絡(luò )（ANN）方法無(wú)法準確預測小樣本腐蝕管道的剩余強度。

為了解決實(shí)驗數據稀缺導致預測精度低的問(wèn)題，調研現有文獻中的實(shí)驗數據，根據小樣本實(shí)驗數據建立神經(jīng)網(wǎng)絡(luò )的訓練和預測數據集，采用前饋神經(jīng)網(wǎng)絡(luò )（FFNN）提出腐蝕管道剩余強度預測方法。首先對原始數據進(jìn)行預處理，然后將其劃分為訓練集和測試集。為了提高神經(jīng)網(wǎng)絡(luò )的預測精度，提出兩種優(yōu)化策略：一是增加神經(jīng)網(wǎng)絡(luò )的復雜性；二是優(yōu)化神經(jīng)網(wǎng)絡(luò )的關(guān)鍵參數。最后將兩種優(yōu)化策略與ANN方法進(jìn)行對比，提出適合小樣本的腐蝕管道剩余強度預測方法，兩種優(yōu)化策略如下。

優(yōu)化策略一。為提高神經(jīng)網(wǎng)絡(luò )預測的準確性，采用增加每層神經(jīng)元數目以及隱藏層層數的方法（Multilayer perceptron，MLP）來(lái)增強神經(jīng)網(wǎng)絡(luò )模型求解非線(xiàn)性問(wèn)題的能力（圖 2），提高神經(jīng)網(wǎng)絡(luò )模型預測高維度復雜數據集的準確性。

圖 2 模型復雜度優(yōu)化策略 

優(yōu)化策略二。神經(jīng)網(wǎng)絡(luò )的訓練目標是根據訓練集數據，以損失函數作為參考，確定網(wǎng)絡(luò )中的權重和偏置，通過(guò)計算機大量運算，推測訓練集數據間的映射關(guān)系，最后用訓練時(shí)得出的映射關(guān)系來(lái)預測驗證集數據。由此可見(jiàn)，神經(jīng)網(wǎng)絡(luò )中的目標參數權重和偏置，對模型預測結果的影響至關(guān)重要。因此，本文通過(guò)粒子群算法（PSO）優(yōu)化目標參數，提高神經(jīng)網(wǎng)絡(luò )預測的準確性（圖 3）。

圖 3 粒子群算法流程 

2  預測結果分析

文中采用的數據來(lái)自文獻[2]中的實(shí)驗數據，預測值越靠近中間的紅色虛線(xiàn)，預測結果越接近實(shí)驗值。虛線(xiàn)兩側的紅色實(shí)線(xiàn)表示預測值與實(shí)驗值誤差為±10%。在三種預測模型訓練結果中，MLP模型的訓練結果最好，所有預測結果的誤差均在±10%以?xún)�，而ANN和PSO-FFNN的訓練結果都有部分樣本預測誤差超過(guò)了±10%（圖 4）。

圖 4 三種預測模型訓練結果 

結合三種預測模型的預測結果（圖 5），柱狀圖顯示的是三種模型的預測值，折線(xiàn)圖顯示的是每個(gè)預測樣本點(diǎn)的相對誤差�？梢钥闯�，ANN模型最大相對誤差接近30%，三個(gè)樣本點(diǎn)相對誤差大于10%。MLP模型的最大相對誤差接近20%，三個(gè)樣本點(diǎn)相對誤差大于10%。而PSO-FFNN模型最大相對誤差接近15%，其余樣本點(diǎn)相對誤差均小于10%。從預測結果看，PSO-FFNN模型的預測結果最為穩定。

圖 5 三種預測模型預測結果 

3  結論與展望

由于管道實(shí)際工作環(huán)境較為復雜，傳統的預測方法很難同時(shí)兼顧各種影響因素，對腐蝕管道的剩余強度進(jìn)行預測。而神經(jīng)網(wǎng)絡(luò )能夠綜合學(xué)習各種復雜情況，并根據學(xué)習結果預測目標參數。對于小樣本問(wèn)題，常規神經(jīng)網(wǎng)絡(luò )的預測結果存在局部誤差過(guò)大的問(wèn)題，這是由于過(guò)擬合導致的。本文通過(guò)改進(jìn)神經(jīng)網(wǎng)絡(luò )的結構、優(yōu)化神經(jīng)網(wǎng)絡(luò )權重及偏置，提出了一種小樣本下腐蝕管道剩余強度準確預測的新思路。

對于MLP模型，預測結果的整體誤差較小，但個(gè)別誤差過(guò)大，這主要是由于過(guò)擬合。如果能進(jìn)一步降低過(guò)擬合的影響，如采用dropout處理等，有望得到預測結果更加準確的預測方法。對于PSO-FFNN模型，預測結果較為穩定，建議在對預測結果穩定性要求較高的場(chǎng)合使用。

（轉自《Reliability Engineering & System Safety》2023年3月刊，轉載時(shí)作者對部分內容進(jìn)行了補充和刪節。）

參考文獻：

[1]陳嚴飛.海底腐蝕管道破壞機理和極限承載力研究[D].大連：大連理工大學(xué)，2009.

[2]Ma,B.,Shuai,J.,Liu,D.,&Xu,K. (2013). Assessment on failure pressure of high strength pipeline with corrosion defects. Engineering Failure Analysis, 32, 209-219.

作者簡(jiǎn)介：陳占鋒，1984年生，博士，杭州電子科技大學(xué)特聘副教授，主要從事管道完整性、人工智能等方面的工作。聯(lián)系方式：17367078584，czf@hdu.edu.cn。