高含硫天然氣集輸管道腐蝕與泄漏定量風險研究

梁國華

( 廣州工程技術職業(yè)學院，廣東 廣州 510075)

高含硫天然氣中的硫化物成分與天然氣中的水蒸氣結合，可形成硫酸、亞硫酸及其他含硫腐蝕性化學成分，即使管道內部采用部分防腐涂層，也容易對管道金屬材料產生影響，導致管道的裂隙、氣室、焊縫等微小瑕疵加速腐蝕，最終形成天然氣泄漏點[1]。天然氣泄漏一方面造成直接經濟損失，另一方面還可能形成安全隱患。

早期對天然氣集輸管道的泄漏定量測量方案較為復雜，如在天然氣中加入敏感標志氣體并沿途布置氣體檢測探頭，使用沿管道行走的探傷機器人執(zhí)行無人巡檢，使用高精度攝像頭捕捉焊縫、閥門、接頭等關鍵位置圖像并進行氣體光學測量等方案。這些方案均有一定的局限性，特別在室外難以進行有效測量。

該研究使用加速度計探頭，配合管道壓力表、流量表構建天然氣集輸管道本地感覺系統(tǒng)，通過神經網絡實現對天然氣管道與泄漏故障的定量測量并作出預警分析和故障點定位。該方案的普適性強，系統(tǒng)部署難度小，系統(tǒng)可靠性和穩(wěn)定性較高，可繼續(xù)用于下一代天然氣集輸管道腐蝕泄漏風險控制系統(tǒng)的深入研究[2-3]。

1 數據的采集及探頭設計

機器人本體知覺指機器人對自身體位、結構應力、結構完整性等作出判斷的仿生智能化知覺系統(tǒng)。天然氣集輸管道在一定數據的支持下，可以感知到管道結構腐蝕和泄漏產生的各類故障的精確位置和故障程度。天然氣集輸管道一般采用點對點傳輸，即從一個泵送站傳輸到另一個泵送站，所以集輸管道系統(tǒng)中較少用到三通管路，故該研究不討論三通管路的情況。而點對點天然氣集輸管道一般包含以下結構，如圖1所示。

圖1 天然氣集輸管道系統(tǒng)一般模式

圖1中，除管道系統(tǒng)主體外，還包括了控制閥門(節(jié)流閥、限壓閥、截止閥、單向閥等)、法蘭連接器、泄壓彎管、壓力表及流量表等。當前技術條件下，集輸管道內的壓力表、流量表已經基本完成了遠程實時抄表技術升級，且為了方便管理，在管道沿途安裝多個壓力表和流量表。因為管道增加壓力表和流量表的操作需要終止泵送天然氣，且需要對管道執(zhí)行切割改造，所以該研究中使用之前已經完成部署的遠程實時抄表和流量表系統(tǒng)采集管道的壓力和流量分布情況。

如果天然氣集輸管道發(fā)生泄漏，那么管道運行期間壓力和流量關系特征會發(fā)生變化，通過一定的數據量化方案，及早發(fā)現故障源。但是，集輸管道的壓力表、流量表的精度有限，如果要高精度捕捉到管道內壁腐蝕現象，還需要更高精度和更高密度的輔助數據作為補充，該方案中通過在管道外壁布置慣性力探頭的方式獲取管道的震動特征，天然氣流束激發(fā)的固有震動與管道內層流、湍流、回流現象帶來的震動會形成管道震動特征，從而實現更高精度的量化測量。上述量化過程如圖2所示。

圖2 管道腐蝕泄漏感知系統(tǒng)數據邏輯

系統(tǒng)中共使用2個超限學習機模塊和2個卷積神經網絡模塊進行前置數據處理，形成基于壓力流量比值的阻力特征碼、針對加速度慣性特征的震動特征碼、壓力特征碼、流量特征碼;然后使用2個卷積神經網絡模塊形成多列神經網絡，分別解析故障位置和故障類型,所有數據來自遠程實時抄表壓力表和流量表，以及在管道系統(tǒng)內增加布置的加速度計探頭;最終該系統(tǒng)會給出2個量化分析結果，分別為腐蝕、泄漏發(fā)生的位置(轉化成管道長度標記值)和腐蝕程度、泄漏程度的故障類型值。探頭中包含多個壓力表、流量表，數據形成二維時序數據陣列后輸入到系統(tǒng)中。

2 機器學習算法在量化分析中的應用

2.1 二維時序矩陣的數據輸入方法

天然氣集輸管道因為天然氣流束的激發(fā)作用產生管道結構震動現象，震動頻率分布在10～600 Hz的頻帶上。該頻帶的大部分與人耳可感知震動頻帶有交叉，所以，早期系統(tǒng)采用音頻探頭捕捉數據并進行分析。音頻探頭雖然采樣頻率很高(一般為44 MHz)，但其只能記錄聲音振幅，無法細致描述震動慣性矢量，同時考慮到該系統(tǒng)與壓力表、流量表的遠程實時抄表系統(tǒng)采樣頻率的耦合性，該研究中使用了2.4 kHz的三軸激光慣性加速度計記錄管道震動數據。其形成的數據結構為3個坐標軸軸向上震動矢量。數據的矩陣分析方案中數據采樣時間周期越長，分析精度越高，算力需求越大，混沌效應越顯著，所以選擇較為折中的方案，即記錄0.5 s數據用于數據分析，2.4 kHz采樣頻率下，0.5 s數據中包含3列各1 200個記錄。該系統(tǒng)仿真用管道長度為16 km，探頭間距為500～750 m，該系統(tǒng)設置了37個震動慣性加速度計探頭，形成111列1 200行的二維矩陣數據，用于數據輸入。

同時，該系統(tǒng)中包含12個遠程實時抄表壓力表和7個遠程實時抄表流量表，每個計量設備均按照2.4 kHz執(zhí)行數據采樣，0.5 s分析周期內，形成19列1 200行的二維矩陣數據用于數據輸入。

2.2 超限學習機和卷積神經網絡

機器學習中的超限學習機算法主要用于發(fā)現周期性變化數據的潛在變化規(guī)律,對該研究中所需的三軸慣性震動變化趨勢和壓力-流量關系特征的變化趨勢較為敏感。機器學習中的卷積神經網絡算法主要用于發(fā)現時序數據中的潛在變化規(guī)律，特別適用于將大宗數據節(jié)點信息量卷積統(tǒng)計到1個輸出變量中。該研究中設計的4個卷積神經網絡模塊均采用對數型六階多項式迭代回歸函數，即自變量取以10為底對數后構建六階多項式作為基函數，2個超限學習機模塊均采用十二階差值正弦迭代回歸函數，即對輸入序列中每一列數據求取差值，針對每列1 200行數據形成1 199行差值序列數據，再對其每一項逐一取以10為底的對數，使用12層正弦函數對其進行迭代疊加計算，最終獲得機器學習機輸出結果。

2.3 分析結果

該系統(tǒng)最終輸出的量化結果共有2個，均為[0,1]上的雙精度浮點型變量(Double格式)，其中：故障位置輸出結果與管道總長度相乘，可得到故障預警的位置點，按照機器學習機常規(guī)精度，在16 km的天然氣集輸管道系統(tǒng)中，預警位置點的報錯精度應在±10 m以內。

根據故障類型輸出結果劃分值域范圍，當輸出結果位于[0,0.600)上時，認為管道存在內部腐蝕，且數值越大，腐蝕問題越嚴重，當輸出結果位于(0.850,1]上時，認為管道存在泄漏問題，且數值越大，泄漏問題越嚴重。[0.600,0.850]作為數據躍遷層，用于進一步控制機器學習機模塊的收斂度，即數據訓練不但應保證所有數據落點均在[0,1]上，還應避免故障類型輸出結果位于[0.600,0.850]上。

該計算過程中，設計了3重機器學習機算法收斂度評價保護機制：(1)2個輸出結果均應位于[0,1]上，該算法使用的超限學習機和卷積神經網絡的理論輸出值均為全實數空間，輸出數據收斂到[0,1]是其初步收斂目標；(2)故障類型輸出結果應在[0,1]上且避免在[0.600,0.850]上，進一步驗證機器學習機算法的訓練收斂程度；(3)4個中間變量，即阻力特征碼、震動特征碼、壓力特征碼、流量特征碼均應收斂到[0,1]上，即計算邏輯中前置的2個超限學習機模塊和2個卷積神經網絡模塊也應單獨考察其收斂程度。

3 仿真驗證

以某天然氣集輸管道實體工程為例對該機器學習量化分析算法進行仿真驗證，在Matlab大數據仿真平臺中構建該天然氣集輸管道的實體模型，包含16 km長度的管道主體部分，包含12個遠程實時抄表壓力表和7個遠程實時抄表流量表，同時按照500～750 m的間距，布置37個震動探頭，管道內的閥門、法蘭、泄壓彎管等設施按照實體工程布局進行三維建模。管道內流體物理屬性(包括硫含量)依據當前天然氣集輸管道的實際流束介質采樣化驗結果搭建模型，管道內運行壓力、運行流量等信息按照2020年全年該管道實際物聯網數據備案信息設置。仿真試驗中Matlab大數據仿真平臺中加載Simulink控件運行機器學習算法模塊，加載sBlood控件對模型中流體力學仿真部分構建物理引擎，在Matlab三維模型中構建管道腐蝕和管道泄漏的仿真故障，驗證該系統(tǒng)量化捕捉管道故障的實際算法效能。參照組為該管道當前使用的管道腐蝕泄漏評估系統(tǒng)在該仿真平臺同等條件下給出的量化評價數據。首先，對比泄漏故障的算法效能，見表1。

表1 該算法對泄漏故障的評價效能

表1中，該系統(tǒng)相比較之前系統(tǒng)，最大偏差降低了93.5%，平均偏差降低了86.0%，報錯周期降低了62.7%，敏感度提升3.6個百分點。

其次，對比腐蝕故障的算法效能，見表2。

表2 該算法對腐蝕故障的評價效能

表2中，該系統(tǒng)相比之前，最大偏差降低了91.6%，平均偏差降低了87.4%，報錯周期降低了77.2%，敏感度提升7.8個百分點。

綜合上述仿真數據，在天然氣集輸管道腐蝕與泄漏量化評價過程中，發(fā)現該系統(tǒng)較之前系統(tǒng)具有以下2個優(yōu)勢：(1)故障位置的定位精度得到了大幅度提升，使得運行維護施工人員接到系統(tǒng)報警后，現場檢查故障探查工作量顯著減少，以往現場搶修工作中，施工人員需要對報錯位置點前后各200 m距離進行故障探查，而使用新系統(tǒng)后，該故障探查范圍可以縮小到報錯位置點前后各20 m，探查工程量縮減到之前的1/10。(2)因為該系統(tǒng)的量化評價敏感度顯著提升，以往故障報錯中，每5～10次報錯會有一次誤報，所以施工人員在現場探查中較難確定該報錯是否為誤報，而使用新系統(tǒng)后，該系統(tǒng)針對泄漏故障的敏感度達到97.2，超過30次報錯才可能出現一次誤報，針對腐蝕的報錯評價敏感度也有所提升。

4 總 結

該系統(tǒng)監(jiān)測方向并不針對天然氣泄漏，而是針對因為管道腐蝕或天然氣泄漏，對天然氣集輸管道壓力-流量關系特征和管道震動特征帶來的影響，通過機器學習機算法賦予天然氣集輸管道機器人本體知覺，即通過在管道內小投入布置物聯網硬件系統(tǒng)并利用大數據分析，使管道擁有本體知覺的機器人仿生功能。在仿真分析中發(fā)現該系統(tǒng)較以往針對天然氣泄漏氣體本身部署的監(jiān)測系統(tǒng)，在故障發(fā)生位置和故障類型判斷方面均有技術提升。