小樣本預(yù)測埋地管道外腐蝕速率

趙陽

摘要：為解決現(xiàn)有線性回歸模型、單一支持向量機和遺傳算法優(yōu)化支持向量機（GA-SVM） 等管道腐蝕速率預(yù)測準(zhǔn)確率低的難題，選取總含鹽量、氧化還原電位、pH 值、氯離子濃度、硝酸根濃度、硫酸根濃度、溶解氧含量、自然腐蝕電位等埋地管道外腐蝕速率的主要影響因素作為輸入變量，采用麻雀搜索算法優(yōu)化支持向量機算法，建立了麻雀搜索優(yōu)化的支持向量機（SSA-SVM） 腐蝕速率預(yù)測模型。測試集驗證結(jié)果表明，SSA-SVM 模型的決定系數(shù)R2 為0.991 9，高于線性回歸模型（0.718 9）、單一支持向量機（0.844 2） 和GA-SVM（0.913 7）；均方根誤差為0.068 6 mm/a，低于其他3 種模型的0.116 6、1.774 5、0.118 3 mm/a；平均絕對誤差為0.090 2 mm/a，低于其他3 種模型的0.147 4、1.705 6、0.097 7 mm/a；平均相對誤差為3.94%，低于其他3 種模型的25.59%、32.29% 和6.42%。采用此模型隨機選擇B 管道8 組檢測數(shù)據(jù)預(yù)測埋地管線外腐蝕速率，與現(xiàn)場實際年腐蝕速率對比預(yù)測精度為0.964 2，高于GA-SVM 的預(yù)測精度0.669 0，表明該模型可應(yīng)用于埋地管道的外腐蝕量和腐蝕速率預(yù)測，為埋地管道的安全運行提供數(shù)據(jù)支持。

關(guān)鍵詞：石油天然氣；油氣儲運；集輸管道；管道腐蝕；預(yù)測模型；影響因素；麻雀搜索算法；支持向量機

中圖分類號：TE988.2；TP183 文獻標(biāo)識碼： A

0 引言

原油是油田企業(yè)的重要產(chǎn)品，因此，做好原油的輸送非常重要［1］。埋地油氣集輸管道受土壤環(huán)境影響導(dǎo)致腐蝕，降低管道使用壽命，增加維護成本，降低運行安全性［2］。預(yù)測腐蝕速率為管道建設(shè)、運維提供選址、維護等作業(yè)的關(guān)鍵參數(shù)，是油氣集輸管道腐蝕防護領(lǐng)域的關(guān)鍵環(huán)節(jié)［3］。現(xiàn)階段，埋地管道腐蝕速率預(yù)測模型有很多，如線性回歸預(yù)測模型、灰色預(yù)測模型和機器學(xué)習(xí)預(yù)測模型等。

線性回歸預(yù)測模型是一種統(tǒng)計學(xué)模型，該模型通過建立線性方程預(yù)測管道的腐蝕速率，但無法對埋地管道的腐蝕速率進行精準(zhǔn)預(yù)測［4］。張華禮等結(jié)合某油田油井歷史工況數(shù)據(jù)，建立自變量與因變量的數(shù)據(jù)庫，利用線性回歸的方法建立了腐蝕預(yù)測模型［5］，該模型具有一定的應(yīng)用價值，但由于各種環(huán)境因素相互作用，不能有效處理非線性關(guān)系，因此其預(yù)測精度一般。

灰色預(yù)測模型將不確定性系統(tǒng)作為研究對象，適用于小樣本數(shù)據(jù)，應(yīng)用較為廣泛［6］。何天隆等基于傳統(tǒng)GM （1，N） 模型（Grey Model （1，N）） 構(gòu)建了灰色預(yù)測模型，改進原模型存在的預(yù)測機理缺陷，驗證了模型的可靠性［7］，但該模型存在預(yù)測波動性較大的問題。

近年來，人工智能中的機器學(xué)習(xí)算法已被廣泛應(yīng)用于管道的腐蝕速率預(yù)測，并且能夠?qū)τ绊懸蛩氐姆蔷€性關(guān)系進行處理［8］。Xiang 等針對BP 神經(jīng)網(wǎng)絡(luò)模型（Backpropagation Neural Network， BP） 在計算中存在不穩(wěn)定的問題，利用灰色關(guān)聯(lián)度篩選出主要影響因素，并通過遺傳算法（Genetic Algorithm，GA） 優(yōu)化BP 網(wǎng)絡(luò)，提高了模型預(yù)測的穩(wěn)定性［9］，但需要大量數(shù)據(jù)才能維持模型的穩(wěn)定性，仍具有一定的局限。凌曉等針對螢火蟲算法（FireflyAlgorithm，F(xiàn)A） 易出現(xiàn)陷入局部最優(yōu)的問題，提出FA 的改進方案，提升FA 全局尋優(yōu)能力，并將改進的FA 算法與BP 結(jié)合在一起，使得BP 的預(yù)測精度得到大幅提升［10］，但BP 的收斂速度較慢且不容易跳出局部最優(yōu)限制，對大規(guī)模問題處理能力較差。

畢傲睿等采用粒子群算法（Particle Swarm Optimization，PSO） 對支持向量機（Support Vector Machine，SVM） 進行優(yōu)化，解決了SVM 的參數(shù)選取問題，建立的預(yù)測模型相對誤差僅2.82%［11］，但PSO 易陷入局部最優(yōu)解的狀態(tài)，會導(dǎo)致誤差增大。夏俏健等應(yīng)用主成分分析法（Principal Component Analysis，PCA） 降維處理，選取貢獻率較大的影響因素，建立的SVM 預(yù)測模型較好地處理了管道腐蝕的非線性問題［12］，由于沒有優(yōu)化算法對SVM 進行優(yōu)化，導(dǎo)致模型訓(xùn)練時間較長。李響等為解決BP 神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)的問題，利用GA 優(yōu)化SVM 的關(guān)鍵參數(shù)，有效降低管道腐蝕的預(yù)測誤差，為管道腐蝕失效風(fēng)險提供參考［13］，但運用GA 優(yōu)化時需要選擇適當(dāng)?shù)膮?shù)取值范圍。

綜上所述，目前的研究主要存在兩個方面的問題：一是傳統(tǒng)的預(yù)測模型如線性回歸預(yù)測模型無法有效處理非線性問題，其處理復(fù)雜數(shù)據(jù)的能力較差，導(dǎo)致其預(yù)測精度低；二是一些基于機器學(xué)習(xí)建立的預(yù)測模型需要大量數(shù)據(jù)才能保證模型的準(zhǔn)確性，對小樣本問題的處理能力較差，且容易過擬合，也需要進一步改進。

針對以往預(yù)測模型存在的問題，提出麻雀搜索算法（Sparrow Search Algorithm，SSA） 優(yōu)化SVM 的埋地油氣集輸管道外腐蝕速率預(yù)測模型， 利用SSA 對SVM 的懲罰因子C 和核參數(shù)g 進行尋優(yōu)，從而得到預(yù)測精度更高、誤差更小的模型，并與線性回歸模型、單一SVM 模型和GA-SVM 模型的預(yù)測結(jié)果進行了對比。結(jié)果表明，SSA-SVM 預(yù)測模型相比其他模型具有更高的預(yù)測精度，能夠為管道的檢測和防護提供可靠的理論依據(jù)。

1 SSA-SVM 模型構(gòu)建與評估

1.1 模型構(gòu)建

SSA 是一種較為新穎的群智能優(yōu)化算法，這是一種基于鳥類行為的啟發(fā)式算法［14］，模擬了麻雀尋找食物和遷徙的行為，該算法通過個體搜索和群體搜索的策略，以尋找最優(yōu)解或接近最優(yōu)解的解決方案，從而提高預(yù)測模型的預(yù)測精度［15］。SSA 算法的學(xué)習(xí)能力較弱，不易產(chǎn)生過于復(fù)雜的模型形態(tài)，可以防止過擬合問題的發(fā)生［16］。