鲁青龙1 青鹏2 陈利琼2

1.西南管道分公司； 2.西南石油大学

 

 

摘要：针对目前油气管道高后果区识别标准在数据采集方法是静态间歇的特点，分析结果与管道实际环境的变化不能同步、缺乏前瞻性等局限。分析在大数据和智能管道建设的前提下， HCA特征数据库来源，提出应用大数据获取识别和风险管理参数特征信息的思路。利用移动通讯大数据和数据挖掘工具，分析人口密集型高后果区特征参数，为HCA第三方人为破坏风险管理提供更合理的数据依据；利用交通和城乡规划大数据，分析违章施工发展趋势；利用海量管道焊缝检测和内检测数据，提炼管道施工缺陷特征参数，分析施工质量与特征参数的关联性。

关键词：高后果区；管道泄漏；大数据；特征信息

 

 

管道高后果区（High Consequence Areas，HCA）是指管道泄漏会严重危及公众安全或造成较大环境破坏的区域。近几年来，我国油气管道事故频发，造成了严重的人员伤亡和财产损失。所以，正确识别油气管道高后果区，保障高后果区的安全非常重要。

高后果区会随管道周边社会和环境变化而同时发生变化，故高后果区的识别和管理是个动态的过程。目前，我国在油气管道高后果区的识别和管理均遵循GB 32167―2015《油气输送管道完整性管理规范》和SY/T 7380―2017《输气管道高后果区完整性管理规范》。但现有方法仍然存在一定的局限性，例如：①对管道高后果区没有明确定义；②识别标准不明确；③多考虑了特定地区、人口和建筑物因素；④忽略了人的干预（管理与操作）对后果的影响；⑤忽略了初始泄漏发生后外界对致灾轨迹的影响；⑥只考虑了人口密度的影响，但没考虑人口组成和素质；⑦缺乏对管道高后果区识别程序的说明。

针对识别标准中数据采集是静态间歇的特点，分析识别结果与管道实际环境的变化不能同步、缺乏前瞻性等局限，以及在大数据和智能管道建设前提下，HCA特征数据库来源，提出应用大数据获取识别和风险管理参数特征信息的思路。

1 大数据在油气管道方面的应用现状

油气管道大数据包括管道基础数据、检验数据和风险分析数据等。国外专家学者采用多种大数据分析方法对管道泄漏、腐蚀速率、剩余寿命、缺陷类型和失效机理等进行预测。 Liao等使用粒子群优化遗传算法和BP神经网络去预测湿天然气集输管线的内腐蚀速率[1]。 Timashev等使用纯生和纯灭的马尔可夫过程来描述管道的多种腐蚀缺陷的生长和减少[2]。 Abbasy 等使用人工神经网络建立了基于历史检验数据的模型，来对海上油气管道状况进行评价和预测[3]。 Castellanos等开发了一个综合多种算法的失效分析专家系统，可以确定陆上管道的可能失效机理[4]。 Layouni等使用小波分析和人工神经网络来处理管道漏磁检测信号，以确定管道缺陷类型和估计深度[5]。

国内大数据应用研究还处于探索阶段。林现喜等构建了在大数据下的管道内检测模型，提出了在大数据下对内检测数据的深度挖掘与应用[6]。吴琋瑛通过大数据理论结合案例分析得出了现场设备与数据之间的相关关系[7]。董绍华等建立了适合于未来发展的管道系统大数据管理架构模型，提出了基于大数据的管道数据算法模型，为大数据在管道行业的发展建立了基础[8]。顾晓婷等人给出了基于大数据管道安全评估的模式，为初步判断管道的安全性能提供了理论基础，同时介绍了基于大数据的管道可靠性评估方法[9]。王新颖等人从管道大数据中挖掘有效信息，高效准确地识别管道存在的风险，建立城市管网风险预测体系，结合深度置信网络，提出了基于深度置信网络的管道风险预测方法[10]。

由此可见，基于大数据的管道高后果区识别技术将替代传统的识别方法，各类标准也将重新确立，这必定会改变现有的管道完整性评估和管理运营模式。

2 大数据获取和应用

2.1 特征数据来源

为了建立完整的高后果区特征数据库，需要综合各系统和数据库资源。以智能管道系统和数据库作为基础，包括管道的基础数据如：管材、焊接工艺、管径壁厚、输送介质、埋深铺管等；管道的运营数据如：工作压力、温度变化、清管泄压、内外检测数据等；管道的评价数据：腐蚀缺陷、剩余强度检测、维修检测、风险评价等[11]。还包括地质灾害图形库和预警系统数据，现场监控的实时更新数据，预警、决策数据库的评价预测数据，以及其他相关的大数据来源。特征数据库建立如图 1所示。

2.2 大数据在高后果区的应用思路

采用大数据的油气管道高后果区识别与管理，可以综合利用人口、交通设施、环境因素等历史数据资料和实时数据更新，反馈给管道检测系统，及时动态捕捉管道状态，分析出不同级别和危险程度的高后果区。

利用大数据信息的高后果区风险防控重要影响因素特征参数动态采集与统计，其中数据信息来源包括：手机信号、管道高后果区高清摄像、地质灾害图形库和预警系统数据、完整性检测数据、气象预报等；重要影响参数：人口密度、人类活动（车辆、农耕、施工等）、第三方破坏、自然灾害、管道本体特征等。分为管道本体、人口密度和环境因素三部分，如图 2所示。

通过数据共享和实时反馈，将管道状态数字化，将高后果区的识别和分级分类动态化，更加真实地模拟出管道在不同环境下的危险程度，从而针对不同管道进行风险评价，提出不同状态下的风险控制和减缓措施。

3 特征信息分析与利用

3.1 人口信息

通过对移动信号的定位追踪和处理，能快速和便利地获取用户的地理信息和其他信息，从而分析统计得出人口信息。首先需要构建相关高后果区地图信息模型，将移动设备基站看作是坐标的定位记录点，所有基站共同组成了信号范围的覆盖区，建立网络拓扑框架，通过移动设备的数据互联，得到用户的实时位置坐标。基于此构建高后果区范围内的人口密度模型，通过移动设备的位置信息更新和对用户信息的采 集整理，动态统计人口密度和时空分布，并分析人员组成、人员行为特征、人员综合素质等[12]。其次，利用高清摄像头和社会公共监控系统统计分析人口流入和流出、驻留时长、来往密度等数据信息，形成人口数量的数据视图[13]，分析管道高后果区潜在影响区内公众出行时空特征，确定实时人口密度。

3.2 违章施工信息

通过远程视频监控系统对现场作业区全方位、无死角监控，进一步规范现场施工程序，及时发现现场违章行为。

3.3 地质灾害信息

根据管道沿线地理地质条件、地质灾害等自然环境情况分布及变化趋势，确定管道周边环境特征参数。基于地理信息系统（GIS），参考地质灾害图形库，与地质灾害预警系统联动，从而实现管道的灾害预警和及时防控。建立基于大数据的地质灾害信息管理系统，能便捷有效地整合多源、海量的地质数据，使用户快速查询到相关地质灾害信息，并可以通过三维可视化的方式展示查询结果，实现动态的地质灾害类型检索，灾点查询，地质信息更新，灾害预警等目的[14]。

3.4 管道缺陷信息

通过大数据采集方式，收集和保存油气管道设计施工阶段管材制造、焊缝、现场施工、人员操作等缺陷数据；运营时期管材、管径和运行压力等数据；管道内外检测、管道腐蚀、失效泄漏等缺陷数据。将各管道公司的多源数据对齐匹配，建立完整共享的管道缺陷信息库和动态的管道缺陷信息网，为管道缺陷成因和变化趋势提供重要的数据源。

4 高后果区风险动态管控流程

利用大数据提炼油气管道高后果识别和管理的关键参数后，便可部分实现管道动态风险管控。即结合管道智能化建设成果，辨识出管道高后果区后果和失效影响因素，确定风险的类别和影响因素的重要性；完成管道风险/安全评价，确定管道风险等级；针对不同风险类别和不同等级，研究风险管控方法，并提出基于不同情景下的事故应急处置措施。

基于大数据的油气管道高后果区风险动态管控流程如图 3所示。

5 结语

油气长输管道在运行过程中会产生大量数据，这些数据是分析、评价与管理管道运行的基础，借助大数据分析与多年运行管理积累的经验，结合管道企业的现实需求，建立大数据分析模型和信息化管理平台，对油气管道进行高后果区识别和管理具有重要意义。基于大数据条件下的油气管道高后果区识别技术将替代传统的识别方法，这必定会改变现有的管道完整性评估和管理运营模式。

 

参考文献：

[1] Liao K, Yao Q, Wu X, et a1. A Numerical CorrosionRate Prediction Method for Direct Assessment ofWet Gas Gathering Pipelines Internal Corrosion[J].Energies, 2012, 5(10): 3892-3907.

[2] Timashev S A, Bushinskaya A V. Markov approachto early diagnostics, reliability assessment, residuallife and optimal maintenance of pipeline systems[J].Structural Safety, 2015(56): 68-79.

[3] El-Abbasy M S, Senouci A, Zayed T, et a1. Artificialneural network models for predicting condition ofoffshore oil and gas pipelines[J]. Automation inConstruction, 2014(45): 50-65.

[4] Castellanos V Albiter A, Barrera G. Failure analysisexpert system for onshore pipelines． Part-II: EndUser interface and algorithm[J]. Expert Systems withApplications, 201l, 38(9): 11091-11104.

[5] Layouni M， Hamdi M S, Tahar S. Detection andsizing of metal-loss defects in oil and gas pipelinesusing pattern-adapted wavelets and machinelearning[J]. Applied Soft Computing, 2016, 52.

[6] 林现喜，李银喜，周信，等. 大数据环境下管道内检测数据管理[J]. 油气储运， 2015， 34 (4):349-353.

[7] 吴琋瑛. 大数据在管道运行中的应用探讨[J]. 天然气与石油， 2015， 33(3)： 15-17.

[8] 董绍华，安宇. 基于大数据的管道系统数据分析模型及应用[J]. 油气储运， 2015， 34(10)： 1027-1032.

[9] 顾晓婷，王秋妍，孙萍萍，等. 大数据在管道安全评估中的应用[J]. 消防科学与技术， 2017，36(3)： 398-400.

[10] 王新颖，张惠然，张瑞程，等. 基于深度学习的大数据管网风险评价方法[J]. 消防科学与技术，2019， 33(6)： 902-904.

[11] 袁鹏斌，刘凤艳，舒江，等. 大数据时代油气管道的安全与防护[J]. 无损检测， 2015， 37(4)： 51-55.

[12] 温腾龙. 移动通信大数据在乡镇人口统计监测中的应用分析[J]. 海峡科技与产业， 2019(3)： 48-49.

[13] 符传健. 基于大数据的人流量监控系统研究[J]. 科技创新与应用， 2016(28)： 97.

[14] 简锐敏. 基于大数据的地质灾害信息管理系统开发与关键技术[J]. 经纬天地， 2019(02)： 3-5+7.

作者简介：鲁青龙， 1987年生，毕业于中国石油大学（华东）材料科学与工程专业，硕士研究生，中国石油西南管道公司管道处主管，现主要从事管道完整性管理相关工作。联系方式： 17790261009， luqinglong@