一种用于预测存在群缺陷的海底管道失效压力的GA–BP神经网络模型
《Ocean Engineering》:A GA–BP neural network model for predicting the failure pressure of subsea pipelines with group defects
【字体:
大
中
小
】
时间:2026年03月27日
来源:Ocean Engineering 6.3
编辑推荐:
罗晓明|周正航|李岩|唐英哲|姚海源中国石油大学(华东)山东省油气与新能源储运安全重点实验室,青岛,266580,中国
摘要:由于腐蚀和侵蚀的共同作用,海底管道容易产生体积缺陷。这些缺陷会显著降低管道的承压能力,在严重情况下可能导致管道失效。针对目前存在的分组缺陷海底管道失效压
罗晓明|周正航|李岩|唐英哲|姚海源中国石油大学(华东)山东省油气与新能源储运安全重点实验室,青岛,266580,中国
摘要:由于腐蚀和侵蚀的共同作用,海底管道容易产生体积缺陷。这些缺陷会显著降低管道的承压能力,在严重情况下可能导致管道失效。针对目前存在的分组缺陷海底管道失效压力预测精度不足的问题,本研究系统研究了缺陷等效简化方法以及基于机器学习的预测模型。通过有限元模拟选取了能够在简洁性与准确性之间取得平衡的椭圆形简化形式,并确定了缺陷相互作用的关键间距。在此基础上,研究了分组缺陷的轴向和周向分布特征对失效压力的影响,提出了针对不规则及相互作用缺陷的等效简化方法。研究选择了神经网络算法,并结合遗传算法进行参数优化。最终,将缺陷等效简化方法与优化后的机器学习算法相结合,建立了具有分组缺陷的海底管道失效压力预测模型。通过实验数据及数值模拟验证,该模型在双缺陷及复杂缺陷分布情况下的最大误差分别为13.19%和16.59%,显示出出色的准确性、效率及适应性。
引言:在长期使用过程中,管道由于腐蚀、侵蚀等因素容易产生体积缺陷,这会大幅降低其承压能力。在严重情况下,这类缺陷可能导致泄漏、破裂等事故,造成人员伤亡、经济损失以及生态破坏。例如,2010年4月20日,“深水地平线”石油平台发生爆炸,导致约6.4亿升原油泄漏到墨西哥湾北部海域。因此,准确预测具有分组缺陷的管道的失效压力对于科学评估运营安全、制定合理的维护策略具有重要意义,这有助于降低运营风险并提升管道系统的整体可靠性(周等人,2022,2023;孙等人,2023)。在海底管道完整性管理中,现场作业人员往往需要根据内检、外检或RBI检测结果快速评估管道缺陷的风险等级,并提出合理的运营和维护建议。缺陷管道的失效压力不仅取决于单个缺陷的尺寸、材料特性和壁厚,还受到缺陷分布不均所引发的相互作用的影响——这类相互作用会导致局部承载能力在短时间内发生显著变化,从而形成高风险状况。同时,现场数据往往存在不确定性:缺陷形态的不规则性、尺寸测量的误差,以及数量众多且组合复杂的缺陷,使得在有限的时间内得出精确且可靠的评估结论成为一项工程挑战。因此,现场作业需要一种能够合理反映具有聚集缺陷的管道承载能力、并能支持快速决策的失效压力评估方法,且计算成本要处于可接受范围内。为满足工程评估需求,现有方法大致可分为三类:第一类是工程评估公式,如ASME B31G(ASME,1984)、DNV(DNV,2021)、PCORRC(D.R. Stephens,2000)、RSTRENG(Chouchaoui,1995)、CSA Z662 - 07(CSA,2007)和SHELL92(Ritchie和Last,1995),它们采用半经验准则,通过标准化流程快速确定允许压力或剩余强度,便于在现场应用。不过,这些方法通常会对多个缺陷采用简化或保守的处理方式。第二类是数值方法(如有限元极限载荷分析)。早期研究采用这种方法来替代成本高昂的爆破测试。Netto等人(2005)开发了一种简化的数值方法,用于评估腐蚀管道的爆破压力,从而能够更详细地描述复杂的形态及相互作用效应。然而,数据准备和计算成本仍然很高,限制了其作为常规现场技术的应用。第三类是数据驱动方法。Hieu Chi Phan和Sutra Dhar(2021)建立了多种机器学习模型,这些模型通过学习大量数据集来创建快速预测模型,将“多参数、高度非线性”的数据转化为可调用嘅预测模型。不过,它们的工程可靠性取决于数据特征;不熟悉的数据可能会增加误差,并导致整体趋势出现波动。对于现场应用而言,这些方法存在两个主要问题:首先,聚集缺陷之间的相互作用往往被视为基于阈值的合并/不合并处理,或者过度强调轴向相邻性,无法体现相互作用强度随轴向间距和周向偏移的连续变化,这影响了“临界间距附近运行条件”的判定一致性。其次,高精度数值方法在常规应用中面临诸多挑战,而纯粹依赖数据驱动的模型由于缺乏特定条件下的数据,常常存在“数据范围之外无法适用以及可解释性较差”的问题。总体而言,这三种方法都在保守性、准确性和效率之间存在权衡。现场应用需要的是能在不同场景下都能实现均衡性能的预测方法。为了更准确地描述实际缺陷的几何特征,人们相继提出了诸如双椭圆(张等人,2020)、多层矩形(孙等人,2021)以及复合型(江等人,2023)等改进的简化方法。例如,双椭圆简化法由两个重叠的不完整椭圆组成,能够更准确地确定缺陷最深点的位置(张等人,2020)。一般来说,简化形式越复杂,对检测数据的准确性和完整性要求就越高。不同简化形式与实际缺陷之间的差异会显著影响失效压力预测的准确性。除了缺陷形状外,缺陷之间的相互作用也是决定管道失效压力的重要因素(Shuai等人,2024;Li等人,2023;Benjamin等人,2016a,Benjamin等人,2016b)。分组缺陷通常会聚集在一起,缺陷之间的耦合效应会导致局部应力集中,从而使管道的整体强度大幅下降(Sun和Cheng,2018)。现行标准通常以缺陷之间的临界距离作为判断相互作用的基础,认为当轴向或周向距离小于临界距离时就会存在相互作用(O'Grady等人,1992)。然而,这一标准在很大程度上取决于管道参数,其适用性尚未得到充分界定(Anderson和Osage,2000;Xu等人,2017)。此外,具有分组缺陷的管道的失效压力还取决于多种变量,包括缺陷大小、分布特征以及环境条件。其中,缺陷深度是最主要的影响因素,缺陷长度和轴向间距也会起到一定作用(Li等人,2016)。由于具有分组缺陷的管道的失效机制较为复杂,研究人员采用了多种方法来简化失效压力的计算。传统标准通常采用等效简化方法,将分组缺陷转化为等效的单个缺陷来进行评估。例如,DNV通过简化缺陷路径和尺寸,将分组缺陷简化为孤立的单个缺陷,进而估算具有分组缺陷的管道的失效压力。不过,这类标准通常忽视了周向缺陷分布的影响,而且往往采用保守的矩形简化形式,虽然这样能提高安全裕度,但会降低预测精度。近年来,研究人员利用PIPEFLAW和ANSYS等软件构建有限元模型,将标准评估值与爆破测试数据进行对比,证明了有限元方法在预测精度和成本控制方面的优势(Motta等人,2017;孙等人,2023;Feng等人,2021)。然而,有限元方法由于建模过程和数据处理较为复杂,难以满足工程应用中快速评估的需求(Phan等人,2021;Thanh Duong等人,2020;Shuai等人,2017;Le和Phan,2020)。因此,合理简化分组缺陷的特征、优化相互作用评估方法,以及开发能够兼顾预测精度和效率的具有聚集缺陷的管道评估方法,依然是管道完整性评估的重要目标。过去十年间,由于机器学习具备强大的非线性建模能力、对物理机制的依赖程度较低以及较高的计算效率,已成为预测管道失效压力的重要工具。该方法以缺陷大小、管道参数和环境条件作为输入,利用训练算法来预测失效压力。其性能在很大程度上依赖于有限元模拟或爆破测试所提供的优质数据(Al - Owaisi等人,2016;Soomro等人,2022;Mohamed等人,2018)。现有研究表明,神经网络、支持向量机、随机森林和决策树等算法在失效压力预测方面表现良好(Abyani和Bahaari,2021)。例如,Zolfaghari和Izadi(2020)将人工神经网络与有限元模型相结合,对DNV标准进行了优化;Ji等人(2015)和Oh等人(2020)分别提出了基于支持向量机和深度神经网络的失效压力预测模型,用于预测管道的失效压力,并通过有限元模拟和实验数据验证了该模型的高精度。为了进一步提升模型性能,研究人员通常会结合遗传算法、模拟退火和粒子群优化等算法来优化模型参数(Abyani等人,2022;Choi等人,2003;Zhang等人,2015),从而提高学习效率、加快收敛速度,并减少局部最优问题。然而,由于这些方法高度依赖训练数据,现有研究尚未完全阐明复杂缺陷之间的相互作用机制,相关研究主要集中在单缺陷管道上。针对具有分组缺陷的管道的预测研究仍然相对较少。将机器学习方法应用于预测具有分组缺陷的管道的失效压力,有望进一步提升预测精度和计算效率。总之,通过选择合理的缺陷简化方法,将分组缺陷简化为等效的单个缺陷,并将其与机器学习算法相结合,就能够高效且准确地预测具有分组缺陷的管道的失效压力。因此,本文基于有限元模拟来选取能够在简洁性与准确性之间取得平衡的缺陷简化形式,确定缺陷相互作用的关键间距,并通过轴向和周向投影简化缺陷路径。它还计算了不规则缺陷和相互作用缺陷的等效尺寸,从而将缺陷群转化为彼此不产生影响的等效单个缺陷。此外,还基于有限元模拟结果构建了训练数据集,选择了最优的机器学习模型,并使用遗传算法对其参数进行了优化。最后,通过将缺陷等效简化方法与优化后的机器学习模型相结合,建立了一个用于预测具有分组缺陷的管道的失效压力的模型。
片段摘录:
单个缺陷简化形式:管道可能由于各种因素产生体积缺陷,随着使用时间的增加,相邻的缺陷可能会重叠形成更大的复合缺陷。由于检测技术和成本的限制,往往很难获得关于缺陷的精确几何信息,所以在实际评估中通常使用最大深度和最大长度等参数来进行表征(Stephens和Leis,2000)。单个缺陷一般分为两类:
计算框架:根据不同的管道和缺陷参数,建立有缺陷管道的有限元模型,并计算出相应的失效压力,从而构建失效压力数据库。在此基础上,训练并验证多种机器学习模型,选出预测能力最强的模型。为了进一步提高预测精度,还会采用遗传算法对参数进行优化。最终得到一个机器……
预测模型评估与分析:为了验证所构建的GA - BP分组缺陷管道失效压力预测模型的准确性,使用了文献中的实验数据对该模型进行了验证,并与DNV标准及有限元模型进行了对比分析。此外,还使用了六种具有不同缺陷分布特征的分组缺陷管道,来评估所提出的预测模型在预测复杂情况下的管道失效压力方面的性能……
结论:基于对有缺陷管道的有限元模拟,本研究选取了一种兼具简洁性与准确性的椭圆形简化形式,并确定了缺陷之间的临界间距。在此基础上,全面考虑了分组缺陷的轴向和周向分布特征对失效压力的影响,提出了一种针对不规则及相互作用缺陷的等效简化方法。使用180组数据构建了训练集……
CRediT作者贡献声明:罗晓明:撰写——审阅与编辑、指导、资金获取。周正航:写作——初稿撰写、可视化、软件应用、方法设计、数据收集、正式分析、数据整理、概念构建。李岩:写作——审稿与编辑、项目指导。唐英哲:写作——初稿撰写、项目指导、软件应用、方法设计、数据收集。姚海渊:写作——审稿与编辑、资金筹集。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
罗晓明指出,其研究得到了国家重点研发计划(编号2022YFC2806200)的资助;同时他也获得了山东省泰山学者计划的支持(编号tsqn202103041)。其他作者则声明不存在此类利益冲突。
致谢
本项工作得到了国家重点研发计划(编号2022YFC2806200)以及山东省泰山学者计划(编号tsqn202103041)的资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号