[发明专利]一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法

说明书

本发明公开了一种基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法，包括以下步骤：将管道外腐蚀指标体系的数据分为训练样本及测试样本，再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练，并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ，然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中，得预测值，再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性，当训练后广义回归神经网络的腐蚀预测模型较优时，则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中，得埋地管道的外腐蚀速率，该方法能够实现管道腐蚀速率的预测，并且可靠性较高。

技术领域

本发明属于油气管道腐蚀防护技术邻域，涉及一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法。

背景技术

改革开放后，中国油气管道企业也进入了改革发展的阶段，不仅引入大量国外油气管道相关先进技术，并且积极主动地学习国外先进管理经验，使得我国油气管道建设整体水平显著提高。川气东送工程是继我国西气东输工程后又一项天然气远距离管网输送工程。总投资626.76亿元，西起四川达州普光气田，跨越四川、重庆、湖北、江西、安徽、江苏、浙江、上海6省2市，管道总长2170公里，年输送天然气120亿立方米，相当于2009年中国天然气消费量的1/7。至今，我国已形成了横贯东西、纵贯南北的基本管道网络，对保障油气田稳定输送，满足工业生产和人民生活对油气能源的需要，确保社会经济持续、稳定、均衡发展，有着非常重要的意义。

埋地管道在输送过程中，由于其所处地质情况复杂，受诸多腐蚀因素的影响，按性质可分为物理、化学、电化学和微生物四种腐蚀因素。其中，物理因素包括：含水量、容重、孔隙率、温度、质地等；化学因素包括：PH值、硫酸根含量、氯离子含量、硫化物含量等；电化学腐蚀主要包括：土壤电阻率、电位梯度、氧化还原电位等；微生物腐蚀包括：硫酸盐还原菌、中性硫化菌等。随着在役年限的增加，管道腐蚀深度会在上述的腐蚀因素下逐渐增长，所以准确预测管道的腐蚀速率，及时采取有效的防护措施，能够降低管道安全事故，为管道的更新维护工作提供理论依据。

据统计，美国1992-2012年共计发生管道事故10798起，其中腐蚀导致的事故占18.5％；加拿大2000-2012年发生的所有管道事故中腐蚀泄漏事故占一半以上。我国油气管线的腐蚀问题也很突出，国内学者通过对四川省天然气管道事故的统计发现，39.5％的事故是由管道腐蚀所引起；2013年青岛发生的东黄输油管道泄漏爆炸特别重大事故中，调查显示腐蚀是导致管道穿孔泄漏的重要原因之一。所以，建立可靠的管道腐蚀速率预测模型对减少事故、避免人员伤亡具有重要意义。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法，该方法能够实现管道腐蚀速率的预测，并且可靠性较高。

为达到上述目的，本发明所述的基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法包括以下步骤：

1)获取埋地管道外腐蚀的检测数据，再根据埋地管道外腐蚀的检测数据构建管道外腐蚀指标体系；

2)构建广义回归神经网络的腐蚀预测模型；

3)将步骤1)得到的管道外腐蚀指标体系的数据分为训练样本及测试样本，再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练，并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ，然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中，得预测值，再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性，当训练后广义回归神经网络的腐蚀预测模型较优时，则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中，得埋地管道的外腐蚀速率，当训练后的广义回归神经网络的腐蚀预测模型较劣时，则转至步骤1)中。