管道內(nèi)腐蝕預測模型研究

李東昕

國家管網(wǎng)集團北方管道有限責任公司沈陽檢測技術(shù)分公司 遼寧沈陽 110168

隨著我國能源需求的增加，越來越多的高含硫油氣田被深度開采。此外，進口能源的含硫量較高，這在很大程度上增加了集輸管線腐蝕失效的風險。因此，針對高含硫管道腐蝕特性開展深入分析，提高油氣管網(wǎng)安全水平，對輸油管道安全、穩(wěn)定、高效的運行具有重要意義[1]。

本研究選取我國某氣田集輸管網(wǎng)下的某H 線作為實驗對象，并通過H 線管道的測試數(shù)據(jù)構(gòu)建內(nèi)腐蝕預測模型。該管道材質(zhì)為L245NCS 鋼，輸氣量高、輸氣壓力高，并且管徑較粗。該集輸管網(wǎng)建設(shè)投產(chǎn)使用時測試發(fā)現(xiàn)，H2S 濃度約為66.5g/ m3，平均腐蝕速率為0.0277，在0.025～0.125mm/ a 之間，屬于中度腐蝕。

1 實驗測試

1.1 實驗條件

通過動態(tài)釜模擬管道實際運行條件，實驗參數(shù)與實際氣田集輸管線工作條件保持一致，主要分析H2S 分壓、CO2分壓，以及溫度和流速對腐蝕特性的影響規(guī)律。其中，H2S 和CO2的分壓值均設(shè)定為0.1、0.2、0.3MPa；實驗溫度設(shè)定為50、60、70℃；流質(zhì)流速分別取5、6、7m/ s，實驗參數(shù)設(shè)置詳見表1。

1.2 結(jié)果分析

通過開展動態(tài)反應(yīng)實驗獲得不同實驗條件下的腐蝕規(guī)律結(jié)果，如圖1 所示。由圖可見，當H2S 與CO2單獨作用于管道試樣時，腐蝕反應(yīng)發(fā)生的速率較?。欢擧2S 與CO2共同存在時，管道試樣腐蝕反應(yīng)速率明顯提升。并且，當H2S 分壓高于CO2分壓時，管道試樣腐蝕速率較高；特別是當H2S 分壓等于CO2分壓，并且實驗溫度與流質(zhì)流速均較低時，管道試樣發(fā)生腐蝕的速率最高。實驗溫度與流質(zhì)流速的變化對腐蝕速率的影響效果不突出，H2S 與CO2分壓值對腐蝕反應(yīng)速率的影響較為明顯。

圖1 不同實驗條件下的腐蝕速率結(jié)果

2 多相流模擬計算

為了進一步分析管道試樣腐蝕速率的預測模型，基于實際管線數(shù)據(jù)建立了流動仿真模型，分別對H 管道沿線參數(shù)進行模擬計算分析，獲得H 管道沿線的壓力、溫度、CO2分壓及流質(zhì)流速的分布情況。結(jié)果如圖2—圖5圖所示。

圖2 H管線高程變化情況

圖3 H管線沿程溫度分布情況

圖4 H管線沿程氣體流速分布

圖5 H管線沿程H2S 與CO2分壓值

3 管道腐蝕模型建立

3.1 基于機理分析的管道腐蝕預測模型

根據(jù)實驗分析結(jié)果可知，H2S 與CO2的分壓值、流質(zhì)流速（v）和輸送溫度(T)是主要影響腐蝕速率的主要因素。因此，將管道腐蝕速率表征為每一個影響因素的函數(shù)關(guān)系，見式（1）和式（2）。

式中：p(H2S)——H2S 的分壓值，MPa；

p(CO2)——CO2的分壓值，MPa；

v——流質(zhì)流速，m/ s；

T——輸送溫度，K。

當CO2/ H2S 的分壓比值大于500 時，認為CO2為主要腐蝕因素，可以得到腐蝕速率的計算式（式3）。

當CO2/ H2S 的分壓比值小于500 時，認為H2S 為主要腐蝕因素[2]，可以得到腐蝕速率的計算式（式4）。

式中：a、b、c 為常數(shù)。

根據(jù)式（3）和式（4），可以獲得H2S 與CO2共存時管道腐蝕速率的計算公式（式5）。

式 中：C、m、a、b、c 均 為 常 數(shù)；Ea、E 為 活 化 能，J/ mol；R 為氣體常數(shù)。

首先，根據(jù)實驗條件參數(shù)，獲得管道實驗腐蝕速率，結(jié)果如表2 所示。并進一步確定待定系數(shù)。

表2 不同條件下腐蝕速率測試結(jié)果 mm/ a

根據(jù)表2 的實驗結(jié)果，選取9 組實驗數(shù)據(jù)獲得待定系數(shù)值，并利用5、11 兩組數(shù)據(jù)驗證計算模型的準確性，結(jié)果如表3 所示。

表3 計算模型準確性驗證

根據(jù)表3 的準確性驗證結(jié)果可知，計算模型的分析誤差率均小于30%[3]，符合預測模型的精度要求，故確定待定系數(shù)后的預測計算公式（式6）。

3.2 基于BP 神經(jīng)網(wǎng)絡(luò)算法的管道腐蝕預測模型

BP 神經(jīng)網(wǎng)絡(luò)算法具有廣泛的有效性、適用性特點，且預測結(jié)果準確性較高。因此，BP 神經(jīng)網(wǎng)絡(luò)算法被逐漸應(yīng)用到管道腐蝕預測方法的研究中[4]。BP 算法主要通過給定具有輸入模式與輸出模式的數(shù)據(jù)實例完成訓練，確定實際輸出與期望輸出之間所允許的最小偏差值。在訓練過程中，可以改變神經(jīng)網(wǎng)絡(luò)中所有連接權(quán)值，縮小實際輸出與期望輸出之間的差距，直至實際輸出能夠滿足二者之間的允許最小誤差值。

4 不同腐蝕預測模型的準確性比較

4.1 基于機理分析的管道腐蝕預測模型驗證

模型計算所需參數(shù)如表4 所示。將腐蝕預測模型的腐蝕速率與實驗測試結(jié)果進行對比，結(jié)果如表5 所示?？梢姡摲椒ǖ母g預測結(jié)果與實際測試結(jié)果誤差值均小于30%，滿足預測模型的精度要求。

表4 管道腐蝕預測模型計算參數(shù)

表5 預測模型腐蝕速率計算結(jié)果對比 mm/ a

4.2 基于BP 神經(jīng)網(wǎng)絡(luò)算法的管道腐蝕預測模型驗證

盡管BP 神經(jīng)網(wǎng)絡(luò)算法的預測結(jié)果準確性較高，但基于本實驗檢測數(shù)據(jù)仍需要通過數(shù)據(jù)對比驗證其準確性。本研究對H 管線現(xiàn)場樣本進行獲取，現(xiàn)場腐蝕速率檢測結(jié)果如表6 所示。

表6 H管線腐蝕速率現(xiàn)場檢測結(jié)果 mm/ a

表7 為BP 神經(jīng)網(wǎng)絡(luò)算法的預測結(jié)果，通過對比發(fā)現(xiàn)BP 算法預測模型計算結(jié)果的相對誤差均小于30%，最大相對誤差為13.6%，最小相對誤差為0.87%，并且誤差率大都小于10%，滿足預測模型的精度要求，并且BP 神經(jīng)網(wǎng)絡(luò)算法的預測精度高于機理分析管道腐蝕預測模型。

5 結(jié)論

根據(jù)管道腐蝕機理以實驗測試數(shù)據(jù)，開發(fā)了腐蝕速率的半經(jīng)驗預測模型，并通過計算驗證了預測模型計算結(jié)果的準確性。發(fā)現(xiàn)計算模型的分析誤差率均小于30%，符合預測模型的精度要求。并根據(jù)實驗數(shù)據(jù)獲得待定系數(shù)確定基于H 管線管道的腐蝕預測公式。

表7 BP 神經(jīng)網(wǎng)絡(luò)模型腐蝕速率計算結(jié)果對比 mm/ a

此外，基于BP 神經(jīng)網(wǎng)絡(luò)算法開發(fā)管道腐蝕預測方法，根據(jù)實際測試數(shù)據(jù)驗證計算方法的準確性。通過對比結(jié)果可知，計算誤差率大都小于10%，滿足預測模型的精度要求，并且BP 神經(jīng)網(wǎng)絡(luò)算法的預測精度高于機理分析管道腐蝕預測模型。

輸氣管道腐蝕涉及較多影響因素，預測模型的計算準確性需要多方面綜合考慮，不斷完善計算模型的合理性，使預測輸入條件更加符合實際管道運行環(huán)境，從而提高腐蝕預測模型的計算精度與準確性。