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(yù)測方法，因?qū)嶒灁?shù)據(jù)較少，且分布不均勻，難以準(zhǔn)確預(yù)測腐蝕管道的剩余強度。對此提出一種改進的神經(jīng)網(wǎng)絡(luò)方法，通過調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置，初步實現(xiàn)了小樣本腐蝕管道剩余強度的準(zhǔn)確預(yù)測，為小樣本腐蝕管道剩余強度的準(zhǔn)確預(yù)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，但隨著服役時間的延長，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(shè)計時，為保證油氣高效輸送，管內(nèi)通常保持高壓。當(dāng)管道受到外腐蝕后，剩余強度降低，隨著腐蝕程度加劇，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)境中的管道進行安全評估，當(dāng)腐蝕管道的剩余強度不足時，需要及時維修或更換。

提出一個準(zhǔn)確的安全評估方法對指導(dǎo)管道設(shè)計、保障管道安全至關(guān)重要。基于實驗和數(shù)值模擬，國內(nèi)外的學(xué)者們開展了一系列研究，提出了多個腐蝕管道剩余強度預(yù)測方法。美國機械工程師協(xié)會（ASME）根據(jù)爆破試驗，提出了腐蝕管道極限內(nèi)壓荷載規(guī)范——B31G系列，這是目前使用較廣泛的規(guī)范。然而，B31G系列是根據(jù)低強度鋼爆破試驗得到的，預(yù)測中高強度鋼剩余強度時，結(jié)果偏保守[1]。

神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個分支，它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征進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)組成的非線性、自適應(yīng)性信息處理系統(tǒng)。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜性，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，達到處理信息的目的（圖 1）。考慮到神經(jīng)網(wǎng)絡(luò)的計算效率和預(yù)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(yù)測方法。

圖 1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 

1  神經(jīng)網(wǎng)絡(luò)方法的主要瓶頸與解決思路

實驗數(shù)據(jù)的數(shù)量和分布對神經(jīng)網(wǎng)絡(luò)方法的準(zhǔn)確性至關(guān)重要。面對多維度并且聯(lián)系不明顯的數(shù)據(jù)集，簡單神經(jīng)網(wǎng)絡(luò)的預(yù)測精度較低。由于腐蝕管道剩余強度實驗數(shù)據(jù)較少，且分布不均勻，難以捕捉數(shù)據(jù)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）方法無法準(zhǔn)確預(yù)測小樣本腐蝕管道的剩余強度。

為了解決實驗數(shù)據(jù)稀缺導(dǎo)致預(yù)測精度低的問題，調(diào)研現(xiàn)有文獻中的實驗數(shù)據(jù)，根據(jù)小樣本實驗數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測數(shù)據(jù)集，采用前饋神經(jīng)網(wǎng)絡(luò)（FFNN）提出腐蝕管道剩余強度預(yù)測方法。首先對原始數(shù)據(jù)進行預(yù)處理，然后將其劃分為訓(xùn)練集和測試集。為了提高神經(jīng)網(wǎng)絡(luò)的預(yù)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(fù)雜性；二是優(yōu)化神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)。最后將兩種優(yōu)化策略與ANN方法進行對比，提出適合小樣本的腐蝕管道剩余強度預(yù)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(yù)測的準(zhǔn)確性，采用增加每層神經(jīng)元數(shù)目以及隱藏層層數(shù)的方法（Multilayer perceptron，MLP）來增強神經(jīng)網(wǎng)絡(luò)模型求解非線性問題的能力（圖 2），提高神經(jīng)網(wǎng)絡(luò)模型預(yù)測高維度復(fù)雜數(shù)據(jù)集的準(zhǔn)確性。

圖 2 模型復(fù)雜度優(yōu)化策略 

優(yōu)化策略二。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是根據(jù)訓(xùn)練集數(shù)據(jù)，以損失函數(shù)作為參考，確定網(wǎng)絡(luò)中的權(quán)重和偏置，通過計算機大量運算，推測訓(xùn)練集數(shù)據(jù)間的映射關(guān)系，最后用訓(xùn)練時得出的映射關(guān)系來預(yù)測驗證集數(shù)據(jù)。由此可見，神經(jīng)網(wǎng)絡(luò)中的目標(biāo)參數(shù)權(quán)重和偏置，對模型預(yù)測結(jié)果的影響至關(guān)重要。因此，本文通過粒子群算法（PSO）優(yōu)化目標(biāo)參數(shù)，提高神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性（圖 3）。

圖 3 粒子群算法流程 

2  預(yù)測結(jié)果分析

文中采用的數(shù)據(jù)來自文獻[2]中的實驗數(shù)據(jù)，預(yù)測值越靠近中間的紅色虛線，預(yù)測結(jié)果越接近實驗值。虛線兩側(cè)的紅色實線表示預(yù)測值與實驗值誤差為±10%。在三種預(yù)測模型訓(xùn)練結(jié)果中，MLP模型的訓(xùn)練結(jié)果最好，所有預(yù)測結(jié)果的誤差均在±10%以內(nèi)，而ANN和PSO-FFNN的訓(xùn)練結(jié)果都有部分樣本預(yù)測誤差超過了±10%（圖 4）。

圖 4 三種預(yù)測模型訓(xùn)練結(jié)果 

結(jié)合三種預(yù)測模型的預(yù)測結(jié)果（圖 5），柱狀圖顯示的是三種模型的預(yù)測值，折線圖顯示的是每個預(yù)測樣本點的相對誤差。可以看出，ANN模型最大相對誤差接近30%，三個樣本點相對誤差大于10%。MLP模型的最大相對誤差接近20%，三個樣本點相對誤差大于10%。而PSO-FFNN模型最大相對誤差接近15%，其余樣本點相對誤差均小于10%。從預(yù)測結(jié)果看，PSO-FFNN模型的預(yù)測結(jié)果最為穩(wěn)定。

圖 5 三種預(yù)測模型預(yù)測結(jié)果 

3  結(jié)論與展望

由于管道實際工作環(huán)境較為復(fù)雜，傳統(tǒng)的預(yù)測方法很難同時兼顧各種影響因素，對腐蝕管道的剩余強度進行預(yù)測。而神經(jīng)網(wǎng)絡(luò)能夠綜合學(xué)習(xí)各種復(fù)雜情況，并根據(jù)學(xué)習(xí)結(jié)果預(yù)測目標(biāo)參數(shù)。對于小樣本問題，常規(guī)神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果存在局部誤差過大的問題，這是由于過擬合導(dǎo)致的。本文通過改進神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重及偏置，提出了一種小樣本下腐蝕管道剩余強度準(zhǔn)確預(yù)測的新思路。

對于MLP模型，預(yù)測結(jié)果的整體誤差較小，但個別誤差過大，這主要是由于過擬合。如果能進一步降低過擬合的影響，如采用dropout處理等，有望得到預(yù)測結(jié)果更加準(zhǔn)確的預(yù)測方法。對于PSO-FFNN模型，預(yù)測結(jié)果較為穩(wěn)定，建議在對預(yù)測結(jié)果穩(wěn)定性要求較高的場合使用。

（轉(zhuǎn)自《Reliability Engineering & System Safety》2023年3月刊，轉(zhuǎn)載時作者對部分內(nèi)容進行了補充和刪節(jié)。）

參考文獻：

[1]陳嚴(yán)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。