英语原文共 6 页
海底管道腐蚀评估的机器学习方法
Giulia De Masi，Manuela Gentile，Roberta Vichi，Roberto Bruschi
ADVEN部门
Saipem Spa
法诺，意大利
Giovanna Gabetta
SIAV部门ENI
Spa
米兰，意大利
摘要–因为全国范围内设备和组件的寿命的不断增加，长距离输送碳氢化合物的管道的完整性对于石油和天然气公司而言是一个日益严重且具有挑战性的问题。内部腐蚀是管道中最危险的破坏机制之一。由于它是由于不同机制的相互作用，因此尝试量化对未来损害演变的预测存在很大的不确定性。现有模型很少预测真实情况数据。鉴于腐蚀过程的高度非线性，一种机器学习方法的研究，关注于人工神经网络（ANN）。特别是生成了ANN的集合。该策略不仅通过通常在文献中考虑的确定性模型而且通过单个ANN模型大大改善了所获得的结果。鉴于实际内部腐蚀问题固有的高度不确定性，机器学习方法的结果很有希望。
关键词-管道腐蚀;人工神经网络;合奏平均;机器学习
1 导言
因为全国范围内设备和组件的寿命的不断增加，长期运输碳氢化合物的管道的完整性对于石油公司来说是一个日益严重且具有挑战性的问题。此外，海洋工程的新领域是超深水域，对其浮动处理单元进行远程处理：在这种情况下，还必须评估出水管和立管的完整性。所以为了增加环境保护，必须防止所有这些部件的故障。
内部腐蚀是管道中最危险的破坏机制之一。这是由于不同机制的相互作用。影响最大的是水和电化学，保护尺度，流速，钢成分和局部细菌攻击。虽然使用失败的分析方法“回溯”理解腐蚀事件是相当容易的，但是大量的不确定性与量化对未来损伤演变的预测的尝试相关联。
尽管过去文献中提出了大量模型，但因为腐蚀过程非常复杂，很少能通过现有模型再现数据[1] [2] [3]。 对于本研究，可以通过智能清管检查两条内线得到现场测量结果。数据来自建于1997年的长达20公里的管道，管道腐蚀是由于二氧化碳和可能的细菌活动。腐蚀模式非常复杂，在管道的某些部分显示出高度损坏，而在附近位置没有检测到活性腐蚀。所以此腐蚀现象可能是由于不同的机理，确定性方法不能再现在清管活动期间观察到的腐蚀速率和缺陷分布。
因此，采用了机器学习数据驱动方法。这类方法对于模拟高度复杂的非线性系统非常有用。特别是一种研究了基于人工神经网络（ANN）的模型[4]，旨在提高沿管道的金属损失和腐蚀速率的可预测性。实际上，在过去有文献已经提出应用人工神经网络（ANN）来估算管道中的平均内部腐蚀[5] [6] [7] [8]。在本研究中，该模型的重点是预测沿管道的腐蚀剖面，以确定哪些管道部分更容易受到损坏的风险。
这里提出的神经网络模型集成了管道的几何特征（考虑应用案例），腐蚀确定性模型和多相流速度和传输的模拟，如图1所示[10]。
图1 人工智能模型方案
该方案代表了腐蚀分析的综合过程，对管道设计和完整性管理都很有用。
初步研究表明，真实管道的几何剖面、流动模拟和最重要的确定性腐蚀模型这三个部分的的整合产生了相当好的预测结果[10]。通过灵敏度分析，已经证明所有这三个部分在网络训练和模拟中起着重要作用。该策略极大地改善了通常在文献中考虑的确定性模型所获得的结果。
在本文中，通过进一步改进三种策略的方法以获得更好的预测。第一个涉及腐蚀特征定义的积分长度：在目前的工作中，所有腐蚀测量（损失量，损失面积，缺陷数量和CR）都集成在100米长的扇区上。第二个是添加新的输入变量。第三种策略是最重要的，包括定义由平均值和误差条组成的预测值的方法。为此，生成了人工神经网络的集合。在机器学习中，特别是在人工神经网络中，整体平均是创建多个模型并将它们组合以产生所需输出的过程，而不是仅创建一个模型[11]。通常，模型集合比任何单个模型都表现更好，因为模型错误“平均”。在本案例研究中，最终预测仅仅是所有单一网络的平均结果。该方法改善了预测性能，并允许为预测值定义平均值和标准误差。
2 方法
2.1几何特征
管道几何特征被分成了以下几个方面：高度，倾斜度和凹度。 倾斜被证明在腐蚀过程中起重要作用，因为在某些临界角度上，水滞留并因此增加了腐蚀的风险。预计凹度很重要，因为决定了水的积累。
倾斜度I与该点的管道高程e有关用表示为：
（1）
而凹度C定义为：
（2）
在图2中，表示出了仰角，倾斜度和凹度。
图2 高程（黑线），倾斜度（红线，上表）和凹面（红线，下表）
凹陷和倾斜之间的比率也用作网络输入。该比率更准确地识别可能的积水部分。
在几何量中，还添加了一个新变量：距离最近的管道故障的距离。该量可用于检测来自海水的细菌产生的腐蚀。
2.2 多相流参数
多相流建模基于OLGA软件[9]。该程序提供有关管道温度分布，压力分布，每相速度分布，相位滞留和流动状态，给定边界压力，温度值和流量组成的信息。
水在腐蚀中起着至关重要的作用，根据其滞留和速度，气体流速，压力和温度以及管道倾斜度来提高腐蚀速率。在本文所定情况中，水可以被认为是在管道底部与气体不同的阶段。
多相流模拟器可以帮助识别流动状态，流速和水积聚的变化可能增加腐蚀损坏风险的位置。流体状态的离散数描述如下：
- 分层流
- 环形流
- 段塞流
- 气泡流
如图3所示，在当前情况下，流态通常是分层或段塞。图4和图5报告了OLGA模拟器提供的沿管道的气体速度和水流速度。
图3 流体状态和管道海拔
图4气体速度和管道海拔
图5水流速度和管道海拔
2.3 确定性模型
在这里提出的人工智能模型中集成了两个确定性模型。 第一个是de Waard模型[3]，它通过以下关系将腐蚀速率（Vcor）与温度（t）和CO2分压（pCO2）相关联：
（3）
第二个模型由NORSOK [2]提出：CR是温度t，CO2，pH，壁面剪切应力的经验函数。 对于20°C至120°C的温度：
（4）
对于t=15℃
（5）
在温度5℃时
（6）
D.人工神经网络集成
在本研究中，使用拟合神经网络的集合[4]。
1）拟合神经网络：拟合网络（FNN）是用于拟合输入-输出关系的前馈神经网络[4]，如图6所示。两个（或更多）层拟合网络可以任意适合任何有限输入输出 非线性关系，给予足够的隐藏神经元
图6拟合神经网络（FNN）框图
FNN将所有上述数量集成为输入值。因此，输入变量有三种类型：
- 几何管道特征（高程，倾角，凹度，凹度/倾斜度）
- 流体动态多相变量（流态，压力，气流，总流量，液体速度，气体速度）
- 确定性模型（de Waard和NORSOK）
每个网络只有一个输出。考虑四种不同的输出变量：
- 腐蚀速率（CR）
- 金属损失
- 缺陷面积
- 缺陷数量
网络结构在图7中显示。
通过训练算法获得权重和偏差的最佳配置，最小化观察和预测系列之间的误差函数。在测试了几种训练算法之后，最终选择Levenberg-Marquardt反向传播算法作为产生最佳预测的算法。通过敏感性研究，先前已经证明20个隐藏的神经元产生最佳的网络性能[10]。
图7包含所有输入的FNN架构和可能的输出（未显示中间箭头）
2）神经网络的集合：
鉴于连接权重在评估自变量的相对贡献方面的明显重要性，必须确定最佳连接权重配置。在优化过程期间，网络必须收敛到拟合标准的全局最小值（例如预测误差）而不是许多局部最小值中的一个。为了克服因为已经收敛到局部最小值的网络中的连接权重将与具有全局收敛的网络不同而导致对可变贡献的误解这个问题。一种可能的方法是组合不同的局部最小值而不是在它们之间进行选择，例如，通过使用对应于不同局部最小值的连接权重来平均网络的输出[11]。因此，生成人工神经网络的集合，获得比任何单个模型更好的性能，因为模型误差“平均输出”。
网络集合是偏差-方差权衡（或困境）的解决方案，即同时最小化两个误差源的问题，这两个误差源阻止监督学习算法超出其训练集：i）偏差是学习算法中错误假设的误差。高偏差会导致算法错过特征与目标输出之间的相关关系（欠拟合）; ii）方差是从训练集中的小波动的敏感性误差。高方差可能导致过度拟合，即对训练数据中的随机噪声进行建模，而不是预期的输出。
为了解决这一难题，集合平均理论依赖于人工神经网络的两个属性：i）在任何网络中，偏差都可以以增加方差为代价来降低; ii）在一组网络中，可以免费降低方差[12]。
集合平均包含一组网络，每个网络具有低偏差和高方差，并组合成具有低偏差和低方差的新模型。因此，它是偏差-方差困境的解决方案。
实现了等效ANN的统计集合，其仅针对它们的初始突触权重而不同。然后将所有预测平均化。
图8 FNN的集合
E.随机化试验
进行随机化测试以评估模型结果的统计意义。特别是使用相同的In输入集，输出变量值是随机置换的。将在该零假设下获得的结果与从实际数据集获得的结果进行比较。
3 应用
3.1 腐蚀测量
为了提高输送碳氢化合物的管道的可靠性，通过智能清管进行内部线路检查（ILI）。 特别是为天然气管道进行了两次ILI，第一次是在2005年，第二次是在2012年（彼此相差6.2年）。检查的输出包括：缺陷位置（入口的距离和管道周长的方向），深度，宽度和长度。在图9中，报告了沿管道的缺陷分布：很明显，76％的缺陷位于管道长度的最8km。
图9 沿管道的缺陷分布
在两个ILI之间进行比较，选择最相关的缺陷，深度大于管道厚度的35％。对于这些缺陷，腐蚀速率（CR计算如下：
（7）
本文考虑了两组数据。此外，对于100m长的棒截面，计算缺陷的总数以及平均腐蚀速率。对于每个部分，缺陷的相对面积（定义为缺陷面积除以条面积）和金属损失量（定义为截面中测量的金属损失体积之和）相关联。
B.结果
图10中报告了体积损失预测，而图11和图12中分别报告了缺陷和损耗区域的数量。最后，图13显示了CR预测。
图10体积损失预测：红点是目标点，而预测则报告为具有3sigma;误差条的平均值
图11缺陷预测数量：红点是目标点，而预测报告为具有3sigma;误差条的平均值
图12相对损失面积预测：红点是目标点，而预测报告为具有3sigma;误差条的平均值
图13腐蚀速率（CR）预测：红点是目标点，而预测报告为具有3sigma;误差条的平均值
从上图可看出，金属体积损失和缺陷数量可以很好地预测。金属损失区域在某些情况下显示出一些差异。CR也被正确捕获。最值得注意的是，正确识别腐蚀更可能的管道区域：这一结果与完整性管理的操作角度最相关。
通过三次测量来统计评估模型预测性能：相关系数（R），范围从0到1，散射指数（SI），下限为0（更接近的值为0表示两个系列之间更好的一致性），效率系数（ CE）定义为1减去均方误差与观察方差的比值（更接近于1的值表示两个系列之间更好的一致性）：
（8）
（9）
（10）
对于CR和损失体积，分别在表1和表2中提供了ANN集合性能的统计测量，与来自单个模型和零假设模型的相同量进行比较。ANN集合模型优于单个ANN，显示更好的统计测量。随机化测试表明，零假设模型比ANN模型产生更差的性能：因此，正如预期的那样，ANN学习可被认为具有统计学意义。
表1：相对于CR预测，与单个ANN和零假设模型相比，ANN集合性能的统计测量
|
Model |
SI |
R |
CE |
|
ANN ensemble |
0.48 |
0.94 |
0.84 |
|
Single ANN |
0.63 |
0.83 |
0.72 |
|
Null hypothesis |
1.3 |
0.4 |
-15 |
表2：相对于损失量预测，与单个ANN和零假设模型相比
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
