摘 要

近些年來，隨著科學(xué)技術(shù)的不斷發(fā)展，出現(xiàn)了越來越多的先進(jìn)的管道管理技術(shù)，石油管道的腐蝕問題產(chǎn)生的后果變得越來越小，損失越來越少，但是，管道腐蝕問題仍然是當(dāng)今石油行業(yè)需要重點(diǎn)解決的問題之一。我國現(xiàn)在雖然也采取了眾多的方法預(yù)測腐蝕程度，延緩腐蝕進(jìn)度，但是結(jié)果不盡如人意，輸油管道的老化腐蝕問題依然較為嚴(yán)重，存在眾多的安全隱患。為了更好地管理輸油管道，增加企業(yè)的收入，降低安全事故發(fā)生率，必須要弄清楚輸油管道的腐蝕率，腐蝕速度隨著時(shí)間和外界環(huán)境的變化產(chǎn)生的變化，只要能夠清楚的得到這些數(shù)據(jù)才能夠讓復(fù)雜的管道腐蝕問題變得簡單，為以后更大規(guī)模的發(fā)展油氣管道做出相應(yīng)的技術(shù)支持。
本文將重點(diǎn)根據(jù)地下管道可能出現(xiàn)的眾多的腐蝕及故障問題，介紹人工神經(jīng)網(wǎng)絡(luò)這種先進(jìn)的思想和方法，并且不斷的改進(jìn)，從而從實(shí)質(zhì)上解決管道保溫層可能出現(xiàn)的眾多的問題。眾多類型的管道，尤其是地下管道的存在，極大地增加了保護(hù)管道的難度。地下管道中，由于地質(zhì)種類不同，以及潮濕程度、溫度、壓力等等原因使得它們出現(xiàn)千差萬別的腐蝕進(jìn)度，很難確定地下管道的腐蝕速率，這樣就會(huì)出現(xiàn)材料浪費(fèi)或者管道破壞的情況發(fā)生，直接影響了石油行業(yè)的利潤以及人類的生命財(cái)產(chǎn)安全。為了應(yīng)對解決外界的眾多干擾因素，本文采用了動(dòng)態(tài)的徑向基過程神經(jīng)元網(wǎng)絡(luò)方法，然后結(jié)合復(fù)雜的金屬土壤，對管道的腐蝕問題作出準(zhǔn)確的預(yù)測。這種動(dòng)態(tài)的處理方式，讓原本由于復(fù)雜的外界環(huán)境產(chǎn)生的各種影響降到最低，并且這種方法具有一般方法不具備的穩(wěn)定性和記憶識(shí)別能力，越來越受到行業(yè)的青睞。眾多專家學(xué)者使用這種方法對復(fù)雜的管道腐蝕問題做了全面的研究，得到了令人滿意的結(jié)果，它能夠在較短的時(shí)間內(nèi)得到檢測管道的基本情況，并且全面研究對比得到較為準(zhǔn)確的管道腐蝕速率。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，模式識(shí)別，防腐保溫層失效，智能診斷  
 
ABSTRACT

In recent years, with the development of science and technology, there has been more and more advanced pipeline management technology, consequences of pipeline corrosion problem is getting smaller, and fewer losses, however, the corrosion of the pipes still is one of the oil industry needs to focus on solving the problem. Although in our country has also taken a large number of prediction of corrosion, delaying the progress of the corrosion, but the result is not satisfactory, aging pipeline corrosion remains a serious problem, there are many security risks. In order to better manage the pipeline to increase business income, reduce the rate of accidents, it is necessary to clarify pipeline corrosion rate, the corrosion rate with the change of time and changes in the external environment, as long as they clear these data can make complex pipeline corrosion issues simple, for the future large-scale development of oil and gas pipelines to the technical support.
This article will focus on underground pipeline may appear a multitude of corrosion and failures, introducing such advanced ideas and methods of artificial neural networks, and continuous improvement, so as to substantively address pipe insulation numerous problems that may arise. Many types of pipelines, especially the existence of underground pipes, which greatly increases the difficulty of protecting pipelines. Underground pipeline, due to geological variety and degree of moisture, temperature, pressure, etc, makes them different corrosion progress, it is difficult to determine the corrosion rate of buried pipes, so there will be waste material or pipeline damage happens, directly affect the profits of the oil industry as well as the safety of human life and property. In response to address the many factors of outside, used radial basis process neural network method for dynamic, then combined with metal soil, make accurate predictions of pipeline corrosion issues. This dynamic approach, so that the original due to the complexity of the external environmental impact to a minimum, and the methods come in General does not have the stability and the ability to identify the memory, more favored by the industry. Many experts and scholars have used complex pipeline corrosion issues made a comprehensive study, and satisfactory results were obtained, it can be detected within a short period of time the basic condition of the pipeline, and a comprehensive study on the comparison and get more accurate corrosion rate.
Keywords:Neural networks，Matrix recognition，Anticorrosion insulation failureIntelligent diagnosis

目    錄
目    錄 4
1 緒論 1
1.1 研究背景與意義 1
1.2 國內(nèi)外研究現(xiàn)狀 2
1.2.1 安全評(píng)估技術(shù) 2
1.2.2 管道檢測技術(shù) 3
1.2.3 管道腐蝕預(yù)測技術(shù) 4
1.3 本文研究內(nèi)容 5
2 相關(guān)技術(shù)概述 7
2.1 模式識(shí)別與故障診斷 7
2.1.1 模式識(shí)別 7
2.1.2 故障診斷 9
2.2 人工神經(jīng)網(wǎng)絡(luò)原理 10
2.2.1 人工神經(jīng)網(wǎng)絡(luò)簡介 10
2.2.2 人工神經(jīng)網(wǎng)絡(luò)特性 13
2.2.3 激活函數(shù)(Activation Function)類型 13
2.2.4 人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 16
2.2.5 人工神經(jīng)網(wǎng)絡(luò)的拓?fù)涮匦?17
2.3 基于神經(jīng)網(wǎng)絡(luò)的智能診斷 18
2.3.1 基于神經(jīng)網(wǎng)絡(luò)的智能診斷的形成 18
2.3.2 人工神經(jīng)網(wǎng)絡(luò)的故障診斷能力 19
2.3.3 人工神經(jīng)網(wǎng)絡(luò)用于故障診斷的結(jié)構(gòu) 20
2.3.4 基于神經(jīng)網(wǎng)絡(luò)的智能診斷方法 20
3 油氣長輸腐蝕管道剩余強(qiáng)度分級(jí)評(píng)價(jià)技術(shù) 22
3.1 腐蝕缺陷形狀的模型化 22
3.1.1 腐蝕缺陷的長度與深度的確定 22
3.1.2 腐蝕區(qū)面積的計(jì)算 24
3.2 剩余強(qiáng)度評(píng)價(jià)所需的數(shù)據(jù)及其確定方法 25
3.2.1 腐蝕缺陷管段的幾何尺寸及相關(guān)參數(shù) 25
3.2.2 缺陷管段的載荷形式及相關(guān)參數(shù) 26
3.2.3 腐蝕區(qū)特征參數(shù)的測定 26
3.3 油氣管道腐蝕剩余強(qiáng)度分級(jí)評(píng)價(jià)的流程 27
3.3.1 均勻腐蝕缺陷評(píng)價(jià) 27
3.3.1.1 均勻腐蝕缺陷一級(jí)評(píng)價(jià) 28
3.3.1.2 均勻腐蝕缺陷的二級(jí)評(píng)價(jià) 29
3.3.2 局部腐蝕缺陷評(píng)價(jià) 30
3.3.2.1 局部腐蝕缺陷的一級(jí)評(píng)價(jià) 31
3.3.2.2 局部腐蝕缺陷的二級(jí)評(píng)價(jià) 33
3.3.3 點(diǎn)蝕缺陷評(píng)價(jià) 36
3.3.3.1 點(diǎn)蝕缺陷的一級(jí)評(píng)價(jià) 36
3.3.3.2 點(diǎn)蝕缺陷的二級(jí)評(píng)價(jià) 38
3.4 防腐保溫層分級(jí)評(píng)價(jià)標(biāo)準(zhǔn)與現(xiàn)場檢測 40
3.4.1 管道防腐保溫層分級(jí)評(píng)價(jià)準(zhǔn)則 40
3.4.2 管道防腐保溫層現(xiàn)場檢測結(jié)果 41
4 基于多層前饋神經(jīng)網(wǎng)絡(luò)的管道失效模式識(shí)別 42
4.1 模糊邏輯系統(tǒng) 42
4.1.1 模糊規(guī)則庫 42
4.1.2 模糊推理機(jī) 43
4.1.3 模糊產(chǎn)生器和反模糊化器 43
4.2 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合 44
4.3 正則化模糊神經(jīng)網(wǎng)絡(luò) 45
4.3.1 模糊規(guī)則描述 45
4.3.2 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) 46
4.3.3 網(wǎng)絡(luò)參數(shù)確定方法 48
4.4 加權(quán)模糊推理網(wǎng)絡(luò) 49
4.4.1 加權(quán)模糊邏輯推理 49
4.4.2 模糊推理元 49
4.4.3 模糊推理網(wǎng)絡(luò)模型 50
4.4.4 網(wǎng)絡(luò)訓(xùn)練過程 51
4.5 在管道腐蝕失效模式診斷中的應(yīng)用 52
4.5.1 學(xué)習(xí)樣本篩選 53
4.5.2 實(shí)際資料處理 54
5 BP神經(jīng)網(wǎng)絡(luò)對防腐層的故障診斷 56
5.1 BP網(wǎng)絡(luò)構(gòu)建 56
5.1.1 網(wǎng)絡(luò)結(jié)構(gòu) 56
5.1.2 數(shù)據(jù)樣本 57
5.1.3 訓(xùn)練方法 58
5.1.4 激活函數(shù) 58
5.1.5 權(quán)值初始化 58
5.2 基于基本BP算法的預(yù)測 59
5.2.1 基本BP算法參數(shù)設(shè)置 59
5.2.2 BP網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)的確定 60
5.2.3 腐蝕行為預(yù)測 61
5.3 基于改進(jìn)BP算法的預(yù)測 63
5.3.1 有動(dòng)量的梯度下降法 63
5.3.2 有動(dòng)量及自適應(yīng)學(xué)習(xí)率的梯度下降法 65
6 總結(jié)與展望 68
參考文獻(xiàn) 69
致    謝 72
 
1 緒論

1.1 研究背景與意義
從上世紀(jì)五六十年代開始，我國開始有初步的油氣田建成，到目前為止絕大部分油氣田已經(jīng)具有三四十年的歷史，經(jīng)過這些年的發(fā)展，這些油氣田已經(jīng)漸漸的變得越來越大，并且越來越專業(yè)，具備一定的規(guī)模和地位。
由于石油管道的腐蝕引起的不必要的損失以及產(chǎn)生的影響，并不僅僅發(fā)生在我國，發(fā)達(dá)的國家也會(huì)出現(xiàn)這種情況，也會(huì)帶來重大的損失。據(jù)專業(yè)的統(tǒng)計(jì)數(shù)據(jù)顯示美國每年都會(huì)花費(fèi)7千萬美元來用于油田的管道腐蝕問題[1]，這其中不僅僅包括管道維修費(fèi)用，，還包括產(chǎn)生的環(huán)境污染以及人員傷亡等情況產(chǎn)生的費(fèi)用。具體的情況可以通過下表仔細(xì)觀察：
在考慮解決輸油管道腐蝕問題的同時(shí)，還應(yīng)該注意為了避免隨時(shí)和危險(xiǎn)所投入的資本，比較投入的資金與發(fā)生危險(xiǎn)事故造成的損失，然后通過不斷地改進(jìn)管理方式和方法，降低資金投入，盡量做到低投入高回報(bào)，滿足企業(yè)家的要求。盲目的資金投入不僅不利于輸油管道的維護(hù)，還會(huì)給企業(yè)造成極大的經(jīng)濟(jì)負(fù)擔(dān)，不利于企業(yè)的發(fā)展[2]。所以在關(guān)注輸油管道腐蝕問題的同時(shí)，還應(yīng)該注意經(jīng)濟(jì)效益，本文重點(diǎn)介紹的人工神經(jīng)網(wǎng)絡(luò)管理體系能夠同時(shí)滿足這兩種需要。管道的基本情況中包括輸油管道的腐蝕失效以及輸油管道的安全可靠性，只有清晰的了解這些基本的管道情況，才能為檢測管道制定合理的保養(yǎng)計(jì)劃，得出較為準(zhǔn)確的管道腐蝕程度以及腐蝕速率。通過使用智能的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，能夠建立全面有效的管道管理計(jì)劃，在將來定能極大地降低石油管道的由于腐蝕引起的不必要的損失[3]。
本文提及并且全面研究分析的人工神經(jīng)網(wǎng)絡(luò)方法具有其他一般方法不具備的智能識(shí)別與處理系統(tǒng)，能夠在較短的時(shí)間內(nèi)處理大量的數(shù)據(jù)信息，對于輸油管道的腐蝕問題能夠產(chǎn)生重要的影響，能夠幫助油田形成一整套系統(tǒng)的管理體系，增加企業(yè)的收入，并且降低管道腐蝕產(chǎn)生的費(fèi)用，減少輸油管道事故率以及降低事故率具有重要的意義。

6 總結(jié)與展望

在信息時(shí)代的背景下，具有特色的智能診斷量計(jì)算機(jī)人工智能與其理論完美的結(jié)合在一起。文章針對管道防腐保溫層的檢測使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)手段并結(jié)合以上的各項(xiàng)理論知識(shí)對管道防腐半溫層進(jìn)行檢測分析，為該技術(shù)進(jìn)入新的發(fā)展階段奠定了理論及實(shí)踐的基礎(chǔ)。
通過以上文章總結(jié)而得：
1）管道防腐保溫層的檢測結(jié)合多項(xiàng)檢測技術(shù)，其中主要使用交流電流衰減法、現(xiàn)場開挖驗(yàn)證技術(shù)，針對模型的各類參數(shù)進(jìn)行檢測得出結(jié)果，進(jìn)一步整合得出故障診斷模型情況。 
2）針對管道防腐保溫層出現(xiàn)的故障檢測，使用BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行對應(yīng)的訓(xùn)練檢測。
3）為保障檢測結(jié)果的精確度需根據(jù)現(xiàn)場具體情況進(jìn)行梯度下降法的調(diào)整，也就是使用BP人工網(wǎng)絡(luò)中的改進(jìn)算法進(jìn)行。
神經(jīng)網(wǎng)絡(luò)技術(shù)和智能診斷的實(shí)踐運(yùn)用過程中依然有不足之處，為彌足缺陷需進(jìn)行細(xì)致深入的研究：
1）在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)下進(jìn)行階段性分析。針對數(shù)據(jù)進(jìn)行板塊的分類分析形成小波范圍內(nèi)的數(shù)值變動(dòng)，它的成功運(yùn)行更是成為典范。
2）演化神經(jīng)網(wǎng)絡(luò)。演化神經(jīng)網(wǎng)絡(luò)的運(yùn)用成功的解決非線性系統(tǒng)中具有復(fù)雜性的各類問題，它的使用使得智能診斷進(jìn)入了新的里程碑。

本文編號(hào)：150034