基于機(jī)器學(xué)習(xí)的原油管道損傷檢測(cè)

宋 丹

(國(guó)家管網(wǎng)集團(tuán)北方管道有限責(zé)任公司長(zhǎng)春輸油氣分公司,長(zhǎng)春 130062)

0 引言

經(jīng)過多年的探索開發(fā),陸地上的原油資源日益匱乏,已經(jīng)不能滿足人們生產(chǎn)生活的需要。而海底蘊(yùn)含著豐富的資源,確保海底原油管道正常運(yùn)行,關(guān)系著生態(tài)環(huán)境及原油運(yùn)輸質(zhì)量,故及時(shí)檢測(cè)出管道損傷是重中之重。目前,原油管道損傷檢測(cè)技術(shù)主要分為兩大類[1],即基于硬件的檢測(cè)方法和基于軟件的定位方法?；谟布臋z測(cè)方法是由檢測(cè)設(shè)備實(shí)時(shí)監(jiān)控管道外部環(huán)境狀態(tài)來(lái)實(shí)現(xiàn)對(duì)管道損傷的檢測(cè),主要包括無(wú)人機(jī)檢測(cè)法、示蹤檢測(cè)法、分布式光線檢測(cè)法、漏磁檢測(cè)法等。基于軟件的檢測(cè)定位方法是由管道自動(dòng)監(jiān)測(cè)系統(tǒng)對(duì)管道內(nèi)的流體力學(xué)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與采集,進(jìn)而對(duì)這些參數(shù)進(jìn)行處理,從而實(shí)現(xiàn)對(duì)損傷管道的檢測(cè),主要包括聲學(xué)檢測(cè)法、壓力梯度法、負(fù)壓法、機(jī)器學(xué)習(xí)法等。本研究基于TLENT軟件模擬管道損傷導(dǎo)致原油泄露事故,獲得管道損傷泄露數(shù)據(jù)。建立訓(xùn)練集對(duì)相關(guān)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練,選取最優(yōu)的機(jī)器學(xué)習(xí)模型,研究不同損傷程度孔徑對(duì)預(yù)測(cè)平均誤差的影響。

1 原油管道損傷模擬

1.1 流體力學(xué)原理

管道內(nèi)流體流動(dòng)過程一般為穩(wěn)態(tài),管道發(fā)生損傷導(dǎo)致泄露事故發(fā)生后,流體不再為穩(wěn)態(tài)狀態(tài),其壓力、流量、溫度等發(fā)生突變。管道內(nèi)流體遵循連續(xù)性方程、動(dòng)量守恒方程與能量守恒方程[2]。

連續(xù)性方程用數(shù)學(xué)公式表示為:

(1)

動(dòng)量方程用數(shù)學(xué)公式表示為:

(2)

能量守恒方程用數(shù)學(xué)公式表示為:

(3)

式中:H為管道中的壓頭,m;v為流速,m/s;x為管道位置變量,m;t為時(shí)間變量,s;θ為管道與水平面夾角,rad;f為管道水力摩阻系數(shù);D為管道內(nèi)徑,m;T為原油溫度,℃;Cv為原油比熱容,J/(kg℃);ρ為原油密度;p為管道內(nèi)某處原油壓力,K為管道的總傳熱系數(shù);T0為環(huán)境溫度;a為水擊波傳播速度,m/s。

當(dāng)原油管道某處發(fā)生損傷導(dǎo)致原油泄露后,管道全線壓力下降。

1.2 模型建立

TLNET是一款液體管網(wǎng)仿真軟件,能夠?qū)艿纼?nèi)液體進(jìn)行瞬態(tài)及動(dòng)態(tài)模擬,建立由A地向B地運(yùn)輸原油的海底原油管道模型。假設(shè)入口原油溫度為40 ℃,管道內(nèi)徑1219 mm,管道壁厚8 mm,粗糙度為0.03 mm,管道總長(zhǎng)度為45 km。設(shè)置動(dòng)態(tài)腳本,從0時(shí)刻開始,時(shí)長(zhǎng)為2 h,間隔時(shí)間0.01 h。

圖1 原油管道模型Fig.1 Crude oil pipeline model

共模擬2250種損傷工況,工況組合如表1所示。所得數(shù)據(jù)用于后續(xù)模型訓(xùn)練數(shù)據(jù)集與預(yù)測(cè)數(shù)據(jù)集。

表1 模擬工況Tab.1 Simulated condition

表2 輸入數(shù)據(jù)與預(yù)測(cè)目標(biāo)Tab.2 Imported data and predicted targets

2 機(jī)器學(xué)習(xí)檢測(cè)管道損傷

機(jī)器學(xué)習(xí)是涉及統(tǒng)計(jì)學(xué)、概率論、最優(yōu)化方法等多種理論交叉的學(xué)科。機(jī)器學(xué)習(xí)從大量已知數(shù)據(jù)中提取數(shù)據(jù)之間的關(guān)系,訓(xùn)練得到一種概率模型,進(jìn)而實(shí)現(xiàn)對(duì)未知數(shù)據(jù)的預(yù)測(cè)。機(jī)器學(xué)習(xí)流程如圖2所示。

圖2 機(jī)器學(xué)習(xí)流程Fig.2 Machine learning process

2.1 數(shù)據(jù)采集與處理

基于建立的模型,采集不同工況下原油管道損傷泄露數(shù)據(jù)。

損傷位置與損傷孔徑的預(yù)測(cè)對(duì)損傷前后數(shù)據(jù)變化敏感,因此將所有損傷前后的數(shù)據(jù)作差得到新的數(shù)據(jù)集,作為訓(xùn)練數(shù)據(jù)集及預(yù)測(cè)數(shù)據(jù)集。

2.2 模型訓(xùn)練

2.2.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向反饋的神經(jīng)網(wǎng)絡(luò),由輸入層、隱層及輸出層組成[3]。每層神經(jīng)元的狀態(tài)參數(shù)僅直接影響下一層神經(jīng)元權(quán)值,使神經(jīng)網(wǎng)絡(luò)誤差趨于最小,過程如式(4)。

ek(n)=dk(n)-yk(n)

(4)

總體能量函數(shù)為:

(5)

網(wǎng)絡(luò)正向計(jì)算過程如下:

(6)

yj(n)=f[vj(n)]

(7)

(8)

yk(n)=f[vk(n)]

(9)

權(quán)值修正參量為:

Δwji(n)=ηδj(n)yi(n)

(10)

ωji(n+1)=ωji(n)+Δωji(n)=ωji(n)+

ηδj(n)yi(n)

(11)

BP神經(jīng)網(wǎng)絡(luò)算法如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型Fig.3 BP neural network model

2.2.2 支持向量機(jī)算法

支持向量機(jī)是建立在概率論數(shù)理統(tǒng)計(jì)學(xué)基礎(chǔ)上的機(jī)器學(xué)習(xí)算法。其從最優(yōu)分類面出發(fā),定義問題空間優(yōu)化問題,將原問題轉(zhuǎn)化為求解對(duì)偶空間中的凸二次規(guī)劃問題。當(dāng)原有空間無(wú)法建立相對(duì)應(yīng)的超平面時(shí),需引入核函數(shù)概念,完成非線性到線性的轉(zhuǎn)換,分類函數(shù)可表示為[4]:

f(x)=wTφ(x)+b

(12)

未解決數(shù)據(jù)存在噪音污染的問題,可將條件適當(dāng)放寬,允許數(shù)據(jù)點(diǎn)發(fā)生些許偏離,約束條件為:

yi(wTφ(xi)+b)≥1-ξi(i=1,2,…,n)

(13)

式中:ξi為松弛變量,需對(duì)ξi進(jìn)行限制,目標(biāo)函數(shù)為:

ξi≥0,(i=1,2,…,n)

(14)

通過拉格朗日定理求解得到最終的分類決策函數(shù)為:

(15)

2.2.3 預(yù)測(cè)結(jié)果

利用TLNET模型對(duì)不同工況進(jìn)行模擬,獲得預(yù)測(cè)模型測(cè)試數(shù)據(jù)集,用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法預(yù)測(cè)平均誤差如表3所示。

表3 預(yù)測(cè)平均誤差Tab.3 Mean prediction value

訓(xùn)練結(jié)果說(shuō)明BP神經(jīng)網(wǎng)絡(luò)算法對(duì)損傷位置預(yù)測(cè)效果優(yōu)于支持向量機(jī)算法,支持向量機(jī)算法對(duì)損傷孔徑預(yù)測(cè)平均誤差優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。

為更準(zhǔn)確地評(píng)定兩種算法對(duì)于不同規(guī)模損傷孔徑預(yù)測(cè)效果,以孔徑大小為基準(zhǔn),定義10～20 mm孔徑為小型損傷,30～40 mm為中型損傷,50 mm為大型損傷,比較不同損傷程度對(duì)算法模型預(yù)測(cè)準(zhǔn)確度的影響。結(jié)果顯示,各算法模型對(duì)損傷位置與損傷程度孔徑的預(yù)測(cè)平均誤差都隨損傷程度的增大而減小,如表4、表5所示。

表4 不同損傷程度下各算法模型損傷位置預(yù)測(cè)平均誤差Tab.4 Average error of damage location prediction of each algorithm model under different damagedegrees

表5 不同損傷程度下各算法模型損傷程度孔徑預(yù)測(cè)平均誤差Tab.5 Average error of prediction of damage degree aperture of each algorithm model under different damage degrees

3 結(jié)論

基于FLNET對(duì)原油管道2250種損傷工況進(jìn)行模擬,獲得損傷前后損傷位置處管道內(nèi)流體壓力、流量等數(shù)據(jù)。對(duì)機(jī)器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)算法與支持向量機(jī)算法原理進(jìn)行概括,應(yīng)用模擬得到的原油管道損傷數(shù)據(jù)作為機(jī)器學(xué)習(xí)訓(xùn)練數(shù)據(jù)集與預(yù)測(cè)數(shù)據(jù)集。對(duì)兩種算法預(yù)測(cè)平均誤差進(jìn)行對(duì)比可知:BP神經(jīng)網(wǎng)絡(luò)算法對(duì)損傷位置預(yù)測(cè)效果優(yōu)于支持向量機(jī)算法,支持向量機(jī)算法對(duì)損傷孔徑預(yù)測(cè)平均誤差優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。比較不同損傷程度對(duì)算法模型預(yù)測(cè)準(zhǔn)確度的影響可知:BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法模型對(duì)損傷位置與損傷程度孔徑的預(yù)測(cè)平均誤差均隨損傷程度的增大而減小。