陈占锋 李绪尧

杭州电子科技大学机械工程学院

摘要：基于人工智能的腐蚀管道剩余强度预测方法，因实验数据较少，且分布不均匀，难以准确预测腐蚀管道的剩余强度。对此提出一种改进的神经网络方法，通过调整神经网络结构、优化神经网络权重和偏置，初步实现了小样本腐蚀管道剩余强度的准确预测，为小样本腐蚀管道剩余强度的准确预测提供了新思路。

关键词：神经网络；小样本；腐蚀管道；剩余强度；粒子群算法

油气管道的外腐蚀通常与服役环境密切相关。以海底管道为例，尽管采用了外涂层和防腐包覆层一次保护和电化学二次保护等外防腐措施，但随着服役时间的延长，这些防腐措施依然容易失效，引起管道的外腐蚀。另外，在管道设计时，为保证油气高效输送，管内通常保持高压。当管道受到外腐蚀后，剩余强度降低，随着腐蚀程度加剧，管道最终难以承受工作压力而破坏，引起油气泄漏事故，威胁人身、财产和环境的安全。因此，学者们需要对在役管道特别是处于腐蚀环境中的管道进行安全评估，当腐蚀管道的剩余强度不足时，需要及时维修或更换。

提出一个准确的安全评估方法对指导管道设计、保障管道安全至关重要。基于实验和数值模拟，国内外的学者们开展了一系列研究，提出了多个腐蚀管道剩余强度预测方法。美国机械工程师协会（ASME）根据爆破试验，提出了腐蚀管道极限内压荷载规范——B31G系列，这是目前使用较广泛的规范。然而，B31G系列是根据低强度钢爆破试验得到的，预测中高强度钢剩余强度时，结果偏保守[1]。

神经网络是机器学习的一个分支，它是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法。神经网络是由大量的处理单元互联组成的非线性、自适应性信息处理系统。这种网络依靠系统的复杂性，通过调整内部大量节点之间相互连接的关系，达到处理信息的目的（图 1）。考虑到神经网络的计算效率和预测精度，有学者基于神经网络提出腐蚀管道剩余强度的预测方法。

图 1 神经网络结构 

1  神经网络方法的主要瓶颈与解决思路

实验数据的数量和分布对神经网络方法的准确性至关重要。面对多维度并且联系不明显的数据集，简单神经网络的预测精度较低。由于腐蚀管道剩余强度实验数据较少，且分布不均匀，难以捕捉数据之间的联系，并且输入量维度偏多，人工神经网络（ANN）方法无法准确预测小样本腐蚀管道的剩余强度。

为了解决实验数据稀缺导致预测精度低的问题，调研现有文献中的实验数据，根据小样本实验数据建立神经网络的训练和预测数据集，采用前馈神经网络（FFNN）提出腐蚀管道剩余强度预测方法。首先对原始数据进行预处理，然后将其划分为训练集和测试集。为了提高神经网络的预测精度，提出两种优化策略：一是增加神经网络的复杂性；二是优化神经网络的关键参数。最后将两种优化策略与ANN方法进行对比，提出适合小样本的腐蚀管道剩余强度预测方法，两种优化策略如下。

优化策略一。为提高神经网络预测的准确性，采用增加每层神经元数目以及隐藏层层数的方法（Multilayer perceptron，MLP）来增强神经网络模型求解非线性问题的能力（图 2），提高神经网络模型预测高维度复杂数据集的准确性。

图 2 模型复杂度优化策略 

优化策略二。神经网络的训练目标是根据训练集数据，以损失函数作为参考，确定网络中的权重和偏置，通过计算机大量运算，推测训练集数据间的映射关系，最后用训练时得出的映射关系来预测验证集数据。由此可见，神经网络中的目标参数权重和偏置，对模型预测结果的影响至关重要。因此，本文通过粒子群算法（PSO）优化目标参数，提高神经网络预测的准确性（图 3）。

图 3 粒子群算法流程 

2  预测结果分析

文中采用的数据来自文献[2]中的实验数据，预测值越靠近中间的红色虚线，预测结果越接近实验值。虚线两侧的红色实线表示预测值与实验值误差为±10%。在三种预测模型训练结果中，MLP模型的训练结果最好，所有预测结果的误差均在±10%以内，而ANN和PSO-FFNN的训练结果都有部分样本预测误差超过了±10%（图 4）。

图 4 三种预测模型训练结果 

结合三种预测模型的预测结果（图 5），柱状图显示的是三种模型的预测值，折线图显示的是每个预测样本点的相对误差。可以看出，ANN模型最大相对误差接近30%，三个样本点相对误差大于10%。MLP模型的最大相对误差接近20%，三个样本点相对误差大于10%。而PSO-FFNN模型最大相对误差接近15%，其余样本点相对误差均小于10%。从预测结果看，PSO-FFNN模型的预测结果最为稳定。

图 5 三种预测模型预测结果 

3  结论与展望

由于管道实际工作环境较为复杂，传统的预测方法很难同时兼顾各种影响因素，对腐蚀管道的剩余强度进行预测。而神经网络能够综合学习各种复杂情况，并根据学习结果预测目标参数。对于小样本问题，常规神经网络的预测结果存在局部误差过大的问题，这是由于过拟合导致的。本文通过改进神经网络的结构、优化神经网络权重及偏置，提出了一种小样本下腐蚀管道剩余强度准确预测的新思路。

对于MLP模型，预测结果的整体误差较小，但个别误差过大，这主要是由于过拟合。如果能进一步降低过拟合的影响，如采用dropout处理等，有望得到预测结果更加准确的预测方法。对于PSO-FFNN模型，预测结果较为稳定，建议在对预测结果稳定性要求较高的场合使用。

（转自《Reliability Engineering & System Safety》2023年3月刊，转载时作者对部分内容进行了补充和删节。）

参考文献：

[1]陈严飞.海底腐蚀管道破坏机理和极限承载力研究[D].大连：大连理工大学，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.

作者简介：陈占锋，1984年生，博士，杭州电子科技大学特聘副教授，主要从事管道完整性、人工智能等方面的工作。联系方式：17367078584，czf@hdu.edu.cn。