隨著國(guó)家經(jīng)濟(jì)的高速發(fā)展,對(duì)油氣資源的需求越來(lái)越大,油氣田開采力度不斷擴(kuò)大,油氣井?dāng)?shù)量不斷增加,集輸管道里程持續(xù)增加,管道內(nèi)部輸送介質(zhì)的腐蝕性加劇,使得與此相關(guān)的管道腐蝕問(wèn)題越來(lái)越嚴(yán)重。腐蝕帶來(lái)的管道爆裂、原油泄漏等問(wèn)題嚴(yán)重影響了國(guó)家和企業(yè)的發(fā)展。原油和天然氣為易燃、易爆物質(zhì),有時(shí)還含有硫化氫等有毒氣體,石油與天然氣管道始終是能源行業(yè)安全監(jiān)管的重點(diǎn)領(lǐng)域之一。油氣集輸管道輸送工藝和介質(zhì)復(fù)雜、內(nèi)腐蝕影響因素眾多,腐蝕發(fā)生發(fā)展機(jī)制類型多樣,例如塔河油田管道所處工況環(huán)境復(fù)雜,具有“五高一低”特點(diǎn)（高H2O、高CO2、高H2S、高Cl-、高礦化度、低pH）,極易造成管道腐蝕與穿孔[1]。在管道軸向里程位置、管道環(huán)向時(shí)鐘位置上,腐蝕的發(fā)生各具特點(diǎn),多數(shù)情況下局部腐蝕的出現(xiàn)由多個(gè)因素或機(jī)制協(xié)同作用引起,這使得內(nèi)腐蝕風(fēng)險(xiǎn)預(yù)測(cè)更為困難。

近年來(lái),隨著機(jī)器學(xué)習(xí)、人工智能等大數(shù)據(jù)技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)技術(shù)逐漸進(jìn)入工業(yè)領(lǐng)域,并在油氣管道缺陷智能識(shí)別[2]、管道漏磁內(nèi)檢測(cè)、管道剩余壽命預(yù)測(cè)[3]等方面發(fā)揮著重要作用。MICHAEL等[4]基于油氣田集輸管道在線內(nèi)檢測(cè)數(shù)據(jù)訓(xùn)練貝葉斯網(wǎng)絡(luò),使用訓(xùn)練好的模型對(duì)沒(méi)有在線檢測(cè)數(shù)據(jù)的管道進(jìn)行預(yù)測(cè),結(jié)果表明,該貝葉斯網(wǎng)絡(luò)模型可以對(duì)管道的內(nèi)部腐蝕進(jìn)行準(zhǔn)確的預(yù)測(cè)。凌曉等[5]充分利用某輸油管道檢測(cè)數(shù)據(jù)集,針對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）模型的起始權(quán)值和閾值的優(yōu)化問(wèn)題,采用遺傳算法（GA）進(jìn)行參數(shù)尋優(yōu),有效克服了單一BPNN模型易陷入局部極值的問(wèn)題,大幅提升預(yù)測(cè)精度,為管道完整性管理提供可靠的理論依據(jù)和決策支持。

作者以塔河油田歷史失效數(shù)據(jù)為基礎(chǔ),利用皮爾遜（Pearson）相關(guān)系數(shù)和灰色關(guān)聯(lián)度分析的方法明確管道內(nèi)腐蝕主控因素,通過(guò)粒子群（PSO）算法對(duì)隨機(jī)森林（RF）算法進(jìn)行超參數(shù)優(yōu)化,基于優(yōu)化后的算法建立塔河油田管道內(nèi)腐蝕風(fēng)險(xiǎn)預(yù)測(cè)模型,為油氣田管道的腐蝕預(yù)警與防護(hù)提供幫助。

1. 管道內(nèi)腐蝕影響因素

油氣集輸管道腐蝕的影響因素主要包括溫度、CO2/H2S含量、水化學(xué)、流速、鋼的成分和表面狀態(tài)等,鋼表面腐蝕產(chǎn)物性質(zhì)會(huì)隨著影響因素的變化而改變,從而對(duì)腐蝕速率產(chǎn)生顯著影響[6]。

1.1 H2S、CO2含量的影響

當(dāng)H2S和CO2同時(shí)存在時(shí),H2S腐蝕和CO2腐蝕之間存在協(xié)同和競(jìng)爭(zhēng)關(guān)系,腐蝕過(guò)程比較復(fù)雜[7]。SKILBRED等[8]認(rèn)為,當(dāng)系統(tǒng)中同時(shí)存在H2S和CO2時(shí),可以根據(jù)其分壓比p（CO2）/p（H2S）大致判斷腐蝕主導(dǎo)因素是H2S還是CO2。當(dāng)腐蝕過(guò)程以H2S的腐蝕反應(yīng)為主時(shí),主要產(chǎn)生各種類型的鐵硫化物；當(dāng)腐蝕反應(yīng)由CO2腐蝕反應(yīng)控制時(shí),主要產(chǎn)生FeCO3；當(dāng)腐蝕反應(yīng)是兩種氣體腐蝕共同控制時(shí),會(huì)同時(shí)生成各種鐵硫化物和FeCO3。

1.2 溫度的影響

溫度對(duì)腐蝕的影響主要通過(guò)影響腐蝕產(chǎn)物的形成來(lái)實(shí)現(xiàn)。在不同環(huán)境條件下,隨著溫度升高,鋼表面生成的腐蝕產(chǎn)物膜可能對(duì)腐蝕有促進(jìn)作用,也可能有抑制作用。ABD等[9]使用HYSYS軟件模擬了濕氣管道的CO2腐蝕。當(dāng)溫度低于40 ℃時(shí),由于碳酸鐵層的高溶解度,管道表面沒(méi)有形成保護(hù)膜,腐蝕速率隨溫度的升高而增大；當(dāng)溫度超過(guò)40 ℃時(shí),管壁上形成致密的腐蝕產(chǎn)物膜,對(duì)基體起到保護(hù)作用,腐蝕速率降低。

1.3 pH的影響

SUN等[10]研究發(fā)現(xiàn),pH可以通過(guò)影響電化學(xué)機(jī)制和表面保護(hù)性FeCO3膜的形成來(lái)影響碳鋼的CO2腐蝕。在多相流工況下,當(dāng)pH高于6.2時(shí),鋼表面能夠形成保護(hù)性的腐蝕產(chǎn)物膜,因此pH升高能夠明顯降低腐蝕速率。MORAES等[11]的研究表明,pH升高會(huì)抑制H+的陰極反應(yīng),使Fe的陽(yáng)極溶解減緩,因此腐蝕速率降低。此外,鋼表面形成的碳酸鹽腐蝕產(chǎn)物膜能夠?qū)︿摶w起到保護(hù)作用,而溶液pH升高會(huì)抑制碳酸鹽的溶解,進(jìn)而降低腐蝕速率。

2. 基本原理

2.1 粒子群算法

作者采用粒子群優(yōu)化算法對(duì)隨機(jī)森林模型的超參數(shù)進(jìn)行優(yōu)化,該算法受鳥類捕食行為的啟發(fā),依靠群體智能隨機(jī)搜索,通過(guò)粒子之間相互合作共享位置和適應(yīng)度信息逐漸收斂到全局最優(yōu)解[12]。如果將參數(shù)的最優(yōu)解假設(shè)為其值域空間中一個(gè)兼具位置和速度屬性的粒子,且尋優(yōu)過(guò)程中的最優(yōu)解由適應(yīng)值（Fitness value）決定[13],具體迭代公式如下：

式中：和分別為粒子i在第j次迭代過(guò)程中第n維的速度和位置；是粒子i在第n維中自身最優(yōu)解的位置,是群體在第n維中全局最優(yōu)解的位置,每個(gè)粒子通過(guò)不斷追蹤這兩個(gè)最優(yōu)解進(jìn)行更新；c1和c2為學(xué)習(xí)因子；rand（0,1）為由計(jì)算過(guò)程隨機(jī)生成的（0,1）區(qū)間的隨機(jī)數(shù)；w為慣性權(quán)重。

2.2 隨機(jī)森林算法

隨機(jī)森林算法是一種高效且用戶友好的集成機(jī)器學(xué)習(xí)技術(shù),可用于開發(fā)預(yù)測(cè)模型,通常用于回歸、分類以及特征選擇問(wèn)題。隨機(jī)森林的概念最早在1995年由HO[14]提出,隨后BREIMAN[15]在2001年提出隨機(jī)森林算法并對(duì)該算法進(jìn)行了系統(tǒng)闡述。隨機(jī)森林模型在回歸問(wèn)題上應(yīng)用廣泛,可有效解決傳統(tǒng)機(jī)器學(xué)習(xí)模型在訓(xùn)練和預(yù)測(cè)過(guò)程中容易出現(xiàn)的過(guò)擬合問(wèn)題,與其他機(jī)器學(xué)習(xí)模型相比,其訓(xùn)練速度更快、魯棒性更強(qiáng)、預(yù)測(cè)效果更好[16]。圖1為隨機(jī)森林算法的模型。

圖 1 隨機(jī)森林算法的模型

Figure 1. Model of random forest algorithm

3. 建模流程

基于PSO-RF算法的管道內(nèi)腐蝕風(fēng)險(xiǎn)預(yù)測(cè)模型（以下簡(jiǎn)稱PSO-RF模型）的建模流程如圖2所示。建模主要步驟包括：確定模型的輸入輸出變量；劃分?jǐn)?shù)據(jù)集為訓(xùn)練集和測(cè)試集；模型參數(shù)的優(yōu)選和優(yōu)化；模型訓(xùn)練和評(píng)估。

圖 2 基于PSO-RF算法的管道內(nèi)腐蝕風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建流程

Figure 2. Construction process of pipeline internal corrosion risk prediction model based on PSO-RF algorithm

3.1 確定模型的輸入輸出變量

在建立的PSO-RF模型中,選擇管道腐蝕速率作為模型輸出變量,管道腐蝕影響因素作為輸入變量。值得注意的是,樣本數(shù)據(jù)在使用之前需經(jīng)過(guò)歸一化處理,以消除管道腐蝕因素?cái)?shù)據(jù)集單位和維度的影響,提高獲得最優(yōu)解的速度,防止數(shù)據(jù)爆炸[17]。另外,考慮到某些特征如腐蝕影響因素與腐蝕速率的相關(guān)性較弱,即對(duì)腐蝕速率的貢獻(xiàn)率較小,這些弱相關(guān)特征的存在會(huì)對(duì)模型的訓(xùn)練產(chǎn)生一定的干擾,導(dǎo)致模型泛化能力差,預(yù)測(cè)精度變低。故利用Pearson相關(guān)性分析和灰色關(guān)聯(lián)度分析來(lái)確定影響腐蝕速率的主控因素,進(jìn)而確定模型的輸入變量。

3.2 劃分?jǐn)?shù)據(jù)集為訓(xùn)練集和測(cè)試集

數(shù)據(jù)集的劃分對(duì)模型的訓(xùn)練和測(cè)試至關(guān)重要。在訓(xùn)練模型之前,首先使用sklearn庫(kù)中的數(shù)據(jù)集劃分函數(shù)train_test_split()對(duì)數(shù)據(jù)樣本進(jìn)行隨機(jī)劃分,訓(xùn)練集和測(cè)試集樣本分別占總樣本數(shù)的80%和20%,其中訓(xùn)練集用于訓(xùn)練和構(gòu)建模型,測(cè)試集用于模型的預(yù)測(cè)和評(píng)估檢驗(yàn)。

3.3 模型參數(shù)的優(yōu)選和優(yōu)化

對(duì)于隨機(jī)森林算法而言,其超參數(shù)的選擇將直接影響模型預(yù)測(cè)的準(zhǔn)確性,而一般的網(wǎng)格搜索方法有一定的局限性,尋優(yōu)次數(shù)較多且容易陷入局部最優(yōu)解。為了盡可能縮小預(yù)測(cè)誤差,找到全局最優(yōu)解,作者選擇粒子群算法對(duì)參數(shù)進(jìn)行優(yōu)選和優(yōu)化,然后再使用隨機(jī)森林算法對(duì)相關(guān)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)。

3.4 模型訓(xùn)練和評(píng)估

最后使用訓(xùn)練集對(duì)PSO-RF模型進(jìn)行訓(xùn)練,并使用測(cè)試數(shù)據(jù)集來(lái)評(píng)估模型的準(zhǔn)確性。作者選擇決定系數(shù)（R2）、平均絕對(duì)誤差（σMAE）和均方根誤差（σRMSE）來(lái)評(píng)估模型的預(yù)測(cè)精度[18],計(jì)算公式分別見(jiàn)式（3）~（5）。決定系數(shù)R2的值介于0~1,其值越接近于1,表示模型的擬合度越好,模型預(yù)測(cè)結(jié)果越準(zhǔn)確[19]。

式中：n表示樣本總量；和yi分別表示測(cè)試樣本的預(yù)測(cè)值和實(shí)際值。

4. 實(shí)例應(yīng)用

4.1 建立數(shù)據(jù)集

作者以Python編程語(yǔ)言為基礎(chǔ),使用Spyder.8軟件進(jìn)行編程。從塔河油田歷年失效分析報(bào)告中的失效數(shù)據(jù)中共收集了603組數(shù)據(jù)作為預(yù)測(cè)模型的數(shù)據(jù)集。預(yù)測(cè)模型的輸入變量為影響管道腐蝕的因素,包括以下六個(gè)方面：總壓力、溫度、H2S分壓、CO2分壓、Cl-含量和含水率。輸出變量為管道在服役期間的平均腐蝕速率,利用首次穿孔刺漏時(shí)間、管線投產(chǎn)時(shí)間以及管線壁厚計(jì)算得到。表1為所有數(shù)據(jù)的范圍及統(tǒng)計(jì)特性,使用最大值、最小值和平均值來(lái)描述。