陳占鋒 李緒堯

杭州電子科技大學機械工程學院

摘要：基于人工智能的腐蝕管道剩余強度預測方法，因實驗數據較少，且分布不均勻，難以準確預測腐蝕管道的剩余強度。對此提出一種改進的神經網絡方法，通過調整神經網絡結構、優化神經網絡權重和偏置，初步實現了小樣本腐蝕管道剩余強度的準確預測，為小樣本腐蝕管道剩余強度的準確預測提供了新思路。

關鍵詞：神經網絡；小樣本；腐蝕管道；剩余強度；粒子群算法

油氣管道的外腐蝕通常與服役環境密切相關。以海底管道為例，盡管采用了外涂層和防腐包覆層一次保護和電化學二次保護等外防腐措施，但隨著服役時間的延長，這些防腐措施依然容易失效，引起管道的外腐蝕。另外，在管道設計時，為保證油氣高效輸送，管內通常保持高壓。當管道受到外腐蝕后，剩余強度降低，隨著腐蝕程度加劇，管道最終難以承受工作壓力而破壞，引起油氣泄漏事故，威脅人身、財產和環境的安全。因此，學者們需要對在役管道特別是處于腐蝕環境中的管道進行安全評估，當腐蝕管道的剩余強度不足時，需要及時維修或更換。

提出一個準確的安全評估方法對指導管道設計、保障管道安全至關重要。基于實驗和數值模擬，國內外的學者們開展了一系列研究，提出了多個腐蝕管道剩余強度預測方法。美國機械工程師協會（ASME）根據爆破試驗，提出了腐蝕管道極限內壓荷載規范——B31G系列，這是目前使用較廣泛的規范。然而，B31G系列是根據低強度鋼爆破試驗得到的，預測中高強度鋼剩余強度時，結果偏保守[1]。

神經網絡是機器學習的一個分支，它是一種模仿動物神經網絡行為特征進行分布式并行信息處理的算法。神經網絡是由大量的處理單元互聯組成的非線性、自適應性信息處理系統。這種網絡依靠系統的復雜性，通過調整內部大量節點之間相互連接的關系，達到處理信息的目的（圖 1）。考慮到神經網絡的計算效率和預測精度，有學者基于神經網絡提出腐蝕管道剩余強度的預測方法。

圖 1 神經網絡結構 

1  神經網絡方法的主要瓶頸與解決思路

實驗數據的數量和分布對神經網絡方法的準確性至關重要。面對多維度并且聯系不明顯的數據集，簡單神經網絡的預測精度較低。由于腐蝕管道剩余強度實驗數據較少，且分布不均勻，難以捕捉數據之間的聯系，并且輸入量維度偏多，人工神經網絡（ANN）方法無法準確預測小樣本腐蝕管道的剩余強度。

為了解決實驗數據稀缺導致預測精度低的問題，調研現有文獻中的實驗數據，根據小樣本實驗數據建立神經網絡的訓練和預測數據集，采用前饋神經網絡（FFNN）提出腐蝕管道剩余強度預測方法。首先對原始數據進行預處理，然后將其劃分為訓練集和測試集。為了提高神經網絡的預測精度，提出兩種優化策略：一是增加神經網絡的復雜性；二是優化神經網絡的關鍵參數。最后將兩種優化策略與ANN方法進行對比，提出適合小樣本的腐蝕管道剩余強度預測方法，兩種優化策略如下。

優化策略一。為提高神經網絡預測的準確性，采用增加每層神經元數目以及隱藏層層數的方法（Multilayer perceptron，MLP）來增強神經網絡模型求解非線性問題的能力（圖 2），提高神經網絡模型預測高維度復雜數據集的準確性。

圖 2 模型復雜度優化策略 

優化策略二。神經網絡的訓練目標是根據訓練集數據，以損失函數作為參考，確定網絡中的權重和偏置，通過計算機大量運算，推測訓練集數據間的映射關系，最后用訓練時得出的映射關系來預測驗證集數據。由此可見，神經網絡中的目標參數權重和偏置，對模型預測結果的影響至關重要。因此，本文通過粒子群算法（PSO）優化目標參數，提高神經網絡預測的準確性（圖 3）。

圖 3 粒子群算法流程 

2  預測結果分析

文中采用的數據來自文獻[2]中的實驗數據，預測值越靠近中間的紅色虛線，預測結果越接近實驗值。虛線兩側的紅色實線表示預測值與實驗值誤差為±10%。在三種預測模型訓練結果中，MLP模型的訓練結果最好，所有預測結果的誤差均在±10%以內，而ANN和PSO-FFNN的訓練結果都有部分樣本預測誤差超過了±10%（圖 4）。

圖 4 三種預測模型訓練結果 

結合三種預測模型的預測結果（圖 5），柱狀圖顯示的是三種模型的預測值，折線圖顯示的是每個預測樣本點的相對誤差。可以看出，ANN模型最大相對誤差接近30%，三個樣本點相對誤差大于10%。MLP模型的最大相對誤差接近20%，三個樣本點相對誤差大于10%。而PSO-FFNN模型最大相對誤差接近15%，其余樣本點相對誤差均小于10%。從預測結果看，PSO-FFNN模型的預測結果最為穩定。

圖 5 三種預測模型預測結果 

3  結論與展望

由于管道實際工作環境較為復雜，傳統的預測方法很難同時兼顧各種影響因素，對腐蝕管道的剩余強度進行預測。而神經網絡能夠綜合學習各種復雜情況，并根據學習結果預測目標參數。對于小樣本問題，常規神經網絡的預測結果存在局部誤差過大的問題，這是由于過擬合導致的。本文通過改進神經網絡的結構、優化神經網絡權重及偏置，提出了一種小樣本下腐蝕管道剩余強度準確預測的新思路。

對于MLP模型，預測結果的整體誤差較小，但個別誤差過大，這主要是由于過擬合。如果能進一步降低過擬合的影響，如采用dropout處理等，有望得到預測結果更加準確的預測方法。對于PSO-FFNN模型，預測結果較為穩定，建議在對預測結果穩定性要求較高的場合使用。

（轉自《Reliability Engineering & System Safety》2023年3月刊，轉載時作者對部分內容進行了補充和刪節。）

參考文獻：

[1]陳嚴飛.海底腐蝕管道破壞機理和極限承載力研究[D].大連：大連理工大學，2009.

[2]Ma,B.,Shuai,J.,Liu,D.,&Xu,K. (2013). Assessment on failure pressure of high strength pipeline with corrosion defects. Engineering Failure Analysis, 32, 209-219.

作者簡介：陳占鋒，1984年生，博士，杭州電子科技大學特聘副教授，主要從事管道完整性、人工智能等方面的工作。聯系方式：17367078584，czf@hdu.edu.cn。