基于人工神經網(wǎng)絡的常壓塔頂油氣系統(tǒng)腐蝕預測

李 昊，王 寧，潘 巖，晉西潤，葛玉龍，馬方義，左 甜

(中海油煉油化工科學研究院，山東 青島 266500)

基于人工神經網(wǎng)絡的常壓塔頂油氣系統(tǒng)腐蝕預測

李 昊，王 寧，潘 巖，晉西潤，葛玉龍，馬方義，左 甜

(中海油煉油化工科學研究院，山東 青島 266500)

對某公司常減壓蒸餾裝置低溫部位腐蝕情況進行了分析，根據(jù)一段時間內塔頂污水檢測數(shù)據(jù)，通過人工神經網(wǎng)絡建立了腐蝕速率預測模型。該模型以常壓塔塔頂流出污水的pH、氯離子濃度、鐵離子濃度、硫化物濃度作為輸入數(shù)據(jù)，以平均腐蝕速率為輸出數(shù)據(jù)。結果表明，該模型預測結果與實際結果的相對誤差在10%左右，平均相對誤差為7.5%，具有良好的預測精度，能夠反映常壓塔塔頂污水檢測數(shù)據(jù)與腐蝕速率的關系。

常壓塔頂 腐蝕 人工神經網(wǎng)絡 腐蝕速率 預測

常壓塔塔頂系統(tǒng)設備管線由于處于HCl-H2S-H2O的腐蝕環(huán)境，是常減壓蒸餾裝置中腐蝕問題較嚴重的部位之一[1]，加工重質高酸原油的常壓塔受各種因素的影響，塔頂油氣系統(tǒng)的腐蝕嚴重，由此造成裝置停工以及維護檢修人力物力的浪費，同時也為裝置長周期安全運行留下隱患，因此對現(xiàn)有常壓塔塔頂油氣系統(tǒng)的設備管線進行腐蝕預測對裝置的安全生產和經濟效益提升具有重要意義。但在實際生產環(huán)境中，設備管線的腐蝕速率除了利用腐蝕探針直接檢測外，通常依靠塔頂污水的pH、氯離子濃度、鐵離子濃度、硫化物濃度來進行間接判定，由于上述各因素對腐蝕的影響很復雜，難以建立準確的數(shù)學模型。人工神經網(wǎng)絡可以通過自身較強的學習能力和多因素協(xié)同作用來利用上述因素確定腐蝕數(shù)學模型，并對腐蝕速率進行預測[2]。本研究采用人工神經網(wǎng)絡對常壓塔塔頂油氣系統(tǒng)腐蝕進行擬合、預測，為腐蝕檢測提供參考。

1 管線腐蝕因素分析及訓練數(shù)據(jù)源選擇

某公司常減壓蒸餾裝置主要加工高酸重質原油，常壓塔塔頂管線主要選用碳鋼材質。原油加工量為50 th，常壓塔塔頂溫度為94～112 ℃，壓力為1.9～13.4 kPa。常減壓蒸餾裝置低溫部分腐蝕原因主要是：①電脫鹽效果差，原油脫后含鹽量高，大量氯化物進入常壓塔和減壓塔塔頂部位，與塔頂凝出水形成鹽酸溶液對管線造成腐蝕；②常壓塔塔頂注銨設備不完善，使得塔頂pH無法準確控制，容易形成塔頂HCl-H2S-H2O腐蝕，導致排除水中Fe2+質量濃度較高；③冷凝水pH檢測手段缺乏，導致不能及時調整注氨量，使pH長期過低，致使常減壓蒸餾裝置長期處于酸性腐蝕狀態(tài)[3]。因此選擇常壓塔塔頂流出污水的pH、氯離子濃度、鐵離子濃度和硫化物濃度作為訓練數(shù)據(jù)，平均腐蝕速率作為輸出數(shù)據(jù)。

2 人工神經網(wǎng)絡模型的建立及預測

人工神經網(wǎng)絡是一種模擬大腦間神經突觸連接結構進行信息處理的數(shù)學模型，由大量神經元個體節(jié)點和其間相互連接的加權值共同組成，每個個體節(jié)點稱為激勵函數(shù)代表一種運算，每兩個節(jié)點間通過一個加權值連接，稱為權重，輸入輸出值的范圍稱為閾值。網(wǎng)絡的輸出則取決于網(wǎng)絡的結構、網(wǎng)絡的連接方式、權重和激勵函數(shù)等。神經網(wǎng)絡在運行時，首先向網(wǎng)絡提供學習樣本，包括輸入值和期望輸出值，通過比較實際輸出值和期望輸出值確定其誤差值，之后通過改變網(wǎng)絡間的連接權值使誤差值減小，直至誤差值滿足確定的允許誤差[2]。

本研究選取的人工神經網(wǎng)絡是一種多層前饋神經網(wǎng)絡，該網(wǎng)絡一般為輸入層、隱含層、輸出層三層結構，其主要特點為信號前向傳遞，誤差反向傳遞。輸入信號從輸入層進入網(wǎng)絡，經隱含層逐層處理，通過輸出層輸出。如果輸出值達不到期望輸出，將輸出值與期望值間的誤差反向傳播，根據(jù)誤差調整網(wǎng)絡的權值和閾值，通過反復多次迭代減小誤差，直至誤差降至容許值，則完成網(wǎng)絡訓練[4]。

2.1 神經網(wǎng)絡建立

2.1.1網(wǎng)絡初始化將實驗得到的100組數(shù)據(jù)隨機分為90組訓練數(shù)據(jù)，10組測試數(shù)據(jù)。以pH、氯離子濃度、鐵離子濃度和硫化物含量作為訓練數(shù)據(jù)，腐蝕速率作為輸出數(shù)據(jù)。首先對輸入、輸出數(shù)據(jù)進行歸一化。然后通過經驗公式(1)選擇隱含層節(jié)點數(shù)的大概范圍后，由試湊法確定最佳節(jié)點數(shù)。通過多次實驗后，確定隱含層節(jié)點數(shù)為5時訓練樣本的預測結果最為準確。因此，選取隱含層節(jié)點數(shù)為5，采用三層神經網(wǎng)絡，拓撲結構為4-5-5-1。通過測試選用雙層隱含層網(wǎng)絡，其相對單隱含層具有泛化能力強、預測精度高的特點。

(1)

式中：n為輸入層節(jié)點數(shù)；l為隱含層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)；a為0～10間的常數(shù)。

2.1.2節(jié)點轉移函數(shù)確定隱含層輸出函數(shù)根據(jù)輸入變量x、輸入層和隱含層間連接權值wij以及隱含層閾值a，通過式(2)計算隱含層輸出H，權值和閾值初始化賦值在(0，1)區(qū)間內隨機選取。選取函數(shù)為logsig函數(shù)。

(2)

式中，f為隱含層激勵函數(shù)。

通過式(3)可計算人工神經網(wǎng)絡預測輸出O,選取輸出層激勵函數(shù)為tansing函數(shù)。

(3)

式中：h為隱含層輸出；wjk為連接權值；b為閾值。

2.1.3誤差計算網(wǎng)絡預測誤差e由式(4)可得：

ek=Yk-Okk=1，2，…m

(4)

式中：O為預測輸出；Y為期望輸出。

2.1.4權值更新通過式(5)、式(6)更新網(wǎng)絡連接權值wij和wjk：

(5)

wjk=wjk+ηHjekj=1，2，…，l；k=1，2，…，m

(6)

式中，η為學習速率。

2.1.5閾值更新通過式(7)、式(8)更新網(wǎng)絡節(jié)點閾值a，b：

(7)

bk=bk+ekk=1，2，…，m

(8)

式中,e為網(wǎng)絡預測誤差。

2.1.6算法流程判定判斷算法迭代是否結束，若沒有結束，返回步驟2。

2.2 腐蝕速率模型建立及預測

通過MATLAB語言進行編程，輸入值為inputn，輸出值為outputn。隨機取90組數(shù)據(jù)作為訓練數(shù)據(jù)，10組數(shù)據(jù)為預測數(shù)據(jù)，預測輸出與期望輸出數(shù)據(jù)對比見圖1。腐蝕速率模型預測誤差見圖2。從圖1可以看出，預測輸出與期望輸出數(shù)據(jù)基本吻合，表明試驗所建立的BP神經網(wǎng)絡可以較準確預測常減壓蒸餾裝置低溫部位的腐蝕情況。從圖2可以看出，除極少數(shù)數(shù)據(jù)外，其它數(shù)據(jù)的預測結果與實際結果的相對誤差在10%左右，平均相對誤差為7.5%。針對樣本9出現(xiàn)較大誤差，原因為人工神經網(wǎng)絡在復雜的系統(tǒng)下擬合能力具有局限性，預測會出現(xiàn)一定的偏差，目前解決方案主要有兩種：①改變預測算法，如利用遺傳算法能增加數(shù)據(jù)樣本較少時的預測準確性；②增加數(shù)據(jù)樣本，由于人工神經網(wǎng)絡是基于大量數(shù)據(jù)進行預測的，所以在樣本量增大時，其預測誤差會降低。

圖1 預測輸出與期望輸出數(shù)據(jù)對比 ■—預測輸出； ●—期望輸出

圖2 腐蝕速率模型預測誤差

基于人工神經網(wǎng)絡腐蝕預測結果與實際腐蝕速率在整體上符合性較好，體現(xiàn)出人工神經網(wǎng)絡具有較強的學習能力和預測能力，表明該方法對常壓塔塔頂油氣系統(tǒng)的腐蝕預測研究是可行的。

2.3 腐蝕速率模型運行

在實際生產環(huán)境中，腐蝕是由于多種因素共同作用而成，很難確定單一因素對其影響，這給對防腐的研究造成一定困難。該模型可以通過單一變量的考察，確定在一定條件下不同因素的變化對腐蝕速率的影響。為進一步研究各因素對腐蝕速率的影響，將主要選取因素進行單一值變化，利用建立的網(wǎng)絡考察各因素對腐蝕速率的影響。塔頂污水中的鐵離子是塔頂設備管線腐蝕后的產物，鐵離子濃度增加，表明塔頂管線的腐蝕速率增加，鐵離子濃度越高，管線腐蝕越嚴重，腐蝕產物以鐵離子的形式存在于污水中。保持pH為8、氯離子濃度為30 mgL、硫化物濃度為30 mgL，將鐵離子濃度從1 mgL逐漸增加到10 mgL，鐵離子濃度與腐蝕速率的關系見圖3。從圖3可以看出，鐵離子濃度越高，腐蝕速率越大，符合自然腐蝕規(guī)律，但其腐蝕速率隨著單一變量的增加變化值過小，可能是因為選取的數(shù)據(jù)樣本大部分在正常值范圍內，腐蝕速率變化較小，導致預測時單一變量超出正常范圍后其腐蝕速率變化值依然較小。在實際運用中檢測數(shù)據(jù)在合理范圍之內，模型對腐蝕速率的預測依然具有較高精度。

圖3 鐵離子濃度與腐蝕速率的關系

圖4 pH對腐蝕速率的影響

圖5 氯離子濃度對腐蝕速率的影響

圖6 硫化物濃度對腐蝕速率的影響

3 結 論

基于人工神經網(wǎng)絡的特點，建立了具有雙隱含層的人工神經網(wǎng)絡腐蝕速率預測模型。根據(jù)某公司實際生產情況確定常壓塔塔頂流出污水的pH、氯離子濃度、鐵離子濃度和硫化物濃度作為訓練數(shù)據(jù)，腐蝕速率作為輸出數(shù)據(jù)。經過訓練，結果證明所建立的人工神經網(wǎng)絡腐蝕速率預測模型預

測值與實際值具有良好的吻合度，預測精度較高。通過建立的模型進行單一因素考察，確定氯離子濃度和硫化物濃度對腐蝕速率有促進作用，提高污水的pH對腐蝕速率有抑制作用，鐵離子濃度增加表明腐蝕速率增大。

[1] 崔蕊，于煥良，鐘廣文.常壓塔塔頂循環(huán)管線結垢腐蝕的原因分析及解決措施[J].石油煉制與化工，2015，46(6)：89-94

[2] 張代遠.神經網(wǎng)絡新理論與方法[M].北京：清華大學出版社，2006：11

[3] 薛光亭.加工海洋高酸原油常減壓裝置的腐蝕與防護[J].石油化工腐蝕與防護，2013，30(5)：50-53

[4] 王小川，史峰，郁磊，等.MATLAB神經網(wǎng)絡43個案例分析[M].北京：北京航空航天大學出版社，2013：8

[5] 呂勝杰，程學群，段振國.循環(huán)水中氯離子含量對碳鋼腐蝕行為影響規(guī)律的研究[J].石油煉制與化工，2011，42(3)：84-87

[6] 杜榮歸，劉玉，林昌健.氯離子對鋼筋腐蝕機理的影響及其研究進展[J].材料保護，2006，39(6)：45-50

簡 訊

加拿大哥倫比亞大學研究人員開發(fā)了高效生物反應器

加拿大英屬哥倫比亞大學(BUC)的Cigdem Eskicioglu副教授與歐洲和澳大利亞的合作者找到了一種新的生物質處理技術，可將發(fā)酵生產沼氣的時間減少一半。Eskicioglu將該技術與傳統(tǒng)發(fā)酵工藝比較后發(fā)現(xiàn)，新技術用杉樹皮產生甲烷的速率快72%。這種生物反應器更小、成本更低，更容易實施。雖然在發(fā)酵前，新工藝要在高溫高壓下用二氧化碳在水中對粗有機原料進行預處理，但預處理方法所需設備和材料均為工業(yè)品，因此生物反應器無論是改造還是新建都較為簡單、經濟。

[靳愛民摘譯自Biofuels Journal，2017-07-13]

CORROSIONPREDICTIONFOROILANDGASSYSTEMATTOPOFATMOSPHERICPRESSURETOWERBYARTIFICIALNEURALNETWORK

Li Hao， Wang Ning， Pan Yan， Jin Xirun， Ge Yulong， Ma Fangyi， Zuo Tian

(CNOOCOilRefiningandChemicalEngineeringResearchInstitute，Qingdao，Shandong266500)

Based on the data of low temperature corrosion of atmospheric and vacuum distillation unit，a model was established for predicting corrosion rate of oil and gas system at top of atmospheric tower by artificial neural network.The corrosion factors of pH value，the concentrations of chloride and iron ion as well as sulfide were used as input data and the average corrosion rates as output data.The experimental results showed that the model has good prediction accuracy with a relative error of 10% and average relative error of 7.5%，indicating that the model can reflect the relationship between corrosion factors and corrosion rate predicted.

top of atmospheric tower； corrosion； artificial neural network； corrosion rate； prediction

2017-04-28；修改稿收到日期2017-07-12。

李昊，主要從事煉油設備的腐蝕與防護研究及設備檢測工作。

李昊，E-mail：lihao27@cnooc.com.cn。