原油長輸管道安全維護中存在的問題及風險評價

魏亮　范華平

摘 要：本文結合某長輸原油輸送管道現(xiàn)實存在的風險因素，并針對各管段進行分析預測的基礎上，提出一種基于BP算法的神經網絡模型，并通該長輸管道實際案例計算驗證了該方法的實用性與可靠性。

關鍵詞：原油管道 安全維護 風險評價

一、原油管道安全維護管理中存在的問題

1.對輸油管道安全程度進行確認

我國生產的原油以高凝、高粘、高含蠟為主，所以原油的長途輸送以加熱壓力輸送為主，且大部分管線已運行多年。根據(jù)我國某輸油管道一段管道內的檢測結果，該段管道腐蝕現(xiàn)象嚴重，導致管壁減薄，管道承壓能力降低，因此必須輸油管道是否安全進行確認。

2.制定并優(yōu)化方案對輸油管道進行維護

為保證原油管道的安全生產就應加大其維護力度，若采用傳統(tǒng)的逐段檢測、維護方式，就會增加維護費用，提高輸油成本。為此，對輸油管道分段評價，按需要維護必要性的大小進行排序，對不同的維護方案進行優(yōu)化，尋求最簡單有效而經濟的方案，將有限資金用在最需要的地方，從而在不增加維護成本的前提下將管道風險保持在可控的水平上。

3.現(xiàn)行的風險評價方法

目前管道風險分析已經實現(xiàn)了由安全管理向風險管理的過渡，由定性風險分析向定量風險分析的轉化，并逐步規(guī)范化。

管道風險評估常用的方法有故障樹分析法（FTA）、失效模式與效應分析法（FMEA）、海恩里希風險分析法（HRA）、指數(shù)法（Index Method）、模糊影響圖等。這些方法對于識別和計算管道系統(tǒng)的一種失效模式的風險值是有效和成熟的。但是目前我國對在役管道安全確認和完整性維護都希望得到每一管段的總風險值，以便于選擇急需維護的管段，進一步對維護方案進行選擇。

為此，現(xiàn)提出運用神經網絡系統(tǒng)的BP算法模擬管段總風險值的歷史情況，以便根據(jù)各種失效模式的風險值，預測各管段的總風險狀況。該方法是根據(jù)學校樣本，經過訓練建立知識庫的。只要測得預測目標的特征參數(shù)并輸入其系統(tǒng)，就能快速得到預測結果，有效提高工作效率。

二、運用神經網絡分析長輸原油管道風險的可行性

長輸原油管道的風險來源，主要是長期運行中由于腐蝕和力學作用引起的管道操作而導致的泄漏或爆裂。管道操作的發(fā)生與管道的類型及內在質量、管道建設質量、運行狀態(tài)（內壓、輸送介質、溫度）、防腐覆蓋層及陰極保護狀態(tài)、維修規(guī)范、外來意外機械作用（包括地震）等因素有關。

運用神經網絡方法分析長輸原油管道的風險具有可行性的理由如下：

1.我國開展長輸原油管道的風險管理起步較晚，有關的信息殘缺不全，而神經網絡帶有高度并行處理信息的機制且具有調整的自學習和自適應能力，內部有大量的可調參數(shù)系統(tǒng)靈活性更強。

2.風險評價時，有些因素帶有模糊性。而神經學網絡的后天學習能力使之能隨環(huán)境的變化而不斷學習，與傳統(tǒng)的評價方法相比，表現(xiàn)出更強的功能。

3.神經網絡可以再現(xiàn)評價專家的經驗、知識和直覺思維，較好地保證了評價結果的客觀性。

三、神經網絡模型建立

以某輸油管道為例，根據(jù)管道的風險因素，可以使用BP算法，它是解決非線性問題最常用的算法。從國內高粘、易凝原油管道的歷史事故記錄來看，管道系統(tǒng)的失效模式主要表現(xiàn)為管道穿孔、斷裂、凝管和設備故障4種模式。為此可以根據(jù)4種失效模式及其具體失效分類，建立反饋網絡，對原油管道相對風險的大小進行評價。

根據(jù)輸油管道的具體情況，確定管道上的失效模式及失效分類（見圖1）。

根據(jù)圖1可以認為管道上各管段的最終風險值是由腐蝕穿孔、打孔盜油、腐蝕開裂、疲勞開裂及第三方破壞、地震和凝管6個事件的風險值綜合求得。并據(jù)此構筑管道BP神經網絡（見圖2）。

圖1 管道失效模式

圖2 管道BP神經網絡

即選取輸入層為6個節(jié)點，輸出層為1個節(jié)點，一個隱含層，按照2N+1法則（N為輸入層節(jié)點個數(shù)），確定隱含層節(jié)點個數(shù)為13。輸入節(jié)點的輸入指標，即腐蝕穿孔為x1、打孔盜油為x2、腐蝕開裂為x3、疲勞開裂及第三方破壞凝管為x4、地震為x5、凝管為x6。

四、該輸油管道風險值計算

根據(jù)該輸油管道的具體地質特征，將其分為80個管段，并通過采用故障樹、解析、模糊影響圖待方法分別求出各管段的各個失效模式下的分類風險值。

將腐蝕開裂風險值明顯高于其他管段的7、11、21、23、25、27、51這七個管段直接提取出來，選擇維護方案。

剩余的其它管段，依據(jù)樣本提取原則，由專家選取2、12、18、22、33、40、49、53、75、79這十個管段作為訓練樣本，并選取56、28管段作為檢測樣本，同時專家依據(jù)歷史數(shù)據(jù)對這12個管段的總風險值進行判斷（見表1）。

表1 樣本各失效模式風險值和期望輸出

依據(jù)輸入因素、輸出因素的處理進行歸一化（見表2）。

表2 樣本各失效模式風險值和期望輸出歸一化

在Matlab下將10個訓練樣本代入神經網絡模型進行學習，得到樣本訓練檢測結果（見圖3）和收斂曲線（見圖4）。

圖3 樣本訓練檢測結果

分析圖3和圖4可以看出，模擬輸出與預期輸出基本上是一致的，因此用神經網絡方法對各管段進行風險評價是可行的。在此基礎上，可以對其他管段的總風險值進行預測，并可以根據(jù)各失效模式風險值的變動，進行時時更新。同樣，對于輸油站也可采取該模型進行總風險值的計算。

圖4 訓練誤差收斂曲線

五、結束語

1.運用神經網絡系統(tǒng)能夠很好地避免一般統(tǒng)計方法和模糊評判的隸屬度和權重分配不易準確確定的問題，大幅度提高了預測精確度和可靠性。

2.應用神經網絡分析管道風險的方法可以根據(jù)總風險值按照增加維護必要性的大小程度對管段進行有效的排序，為選擇需要重點增加維護管段和安排一個有效而經濟的維護方案奠定了基礎。