CN115705512A - 一种管内腐蚀因素识别与剩余寿命预测方法及*** - Google Patents
一种管内腐蚀因素识别与剩余寿命预测方法及*** Download PDFInfo
- Publication number
- CN115705512A CN115705512A CN202110922905.4A CN202110922905A CN115705512A CN 115705512 A CN115705512 A CN 115705512A CN 202110922905 A CN202110922905 A CN 202110922905A CN 115705512 A CN115705512 A CN 115705512A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- pipe
- main control
- pipeline
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及一种管内腐蚀因素识别与剩余寿命预测方法及***。所述方法包括:获取管道历史失效数据;对所述管道历史失效数据进行数据处理,形成中间数据库;基于所述中间数据库,建立腐蚀速率范围预测模型;依据所述腐蚀速率范围预测模型,进行管内腐蚀预测;基于管内腐蚀预测结果,确定管内腐蚀主控因素和剩余寿命。本发明提供的管内腐蚀因素识别与剩余寿命预测方法创造性地将有监督的机器学习技术和腐蚀失效识别技术结合起来,充分利用管道历史失效数据,建立快速便捷的管内腐蚀主控因素识别和剩余寿命预测方法,既避免了室内腐蚀模拟实验带来的误差,又降低了失效分析工作量和资金投入。
Description
技术领域
本发明属于油田集输钢质管内腐蚀管理领域,特别涉及一种管内腐蚀因素识别与剩余寿命预测方法及***。
背景技术
随着国内油气勘探开发力度的不断加大,油气集输管网越来越庞大,管道失效问题也越来越严重,对油田绿色、安全、环保、高效生产带来严峻挑战。据统计,油气田管道失效85%以上是由于腐蚀引起的,其中内腐蚀占了60%以上。油气田集输管道因内含H2S、CO2、O2等腐蚀性气体,Cl-、S2-等侵蚀性离子,硫酸盐还原菌、腐生菌、铁细菌等微生物,以及垢、砂、蜡、固体物质,再加上温度和压力等工况条件,多种腐蚀因子互相影响,共同作用,腐蚀机理盘根错节,非常复杂,腐蚀因素识别难度大,针对性防腐方案的制定非常困难,往往面对着“按下葫芦浮起瓢”的被动局面。科学评估各因素对内腐蚀的作用,准确识别内腐蚀主控因素,有效预测管道剩余寿命,对于确保油田集输管道安全平稳运行至关重要。
目前,多因素共同作用下油田集输钢质管内腐蚀因素的识别是通过室内腐蚀模拟实验和测试分析,甚至邀请专家研讨的方式来确定。往往需要的时间跨度很长,需要投入的资金较大。因油田集输管道服役工况和输送介质的复杂性,室内腐蚀模拟实验无论是从腐蚀介质还是从服役工况上都很难真实还原现场腐蚀状况。此外,现场工艺流程的变化、现场作业和腐蚀管理方式都会对管内腐蚀造成一定的影响,这些都无法通过室内腐蚀模拟实验来模拟。以上因素都在一定程度上影响了内腐蚀主控因素的识别精度和识别效率,无法快速有效地指导油田现场腐蚀管理工作。在剩余寿命预测方面,一般是通过最近两次测得的管道壁厚减薄量与间隔时间获得管道均匀腐蚀速率,或安装腐蚀挂片获取输送介质的腐蚀性(往往用均匀腐蚀速率表征),结合管道剩余壁厚,估算管道剩余寿命。由于该方法只是以腐蚀结果为计算依据,没有考虑腐蚀因素的影响,计算精度低,指导性不强。
因此,亟需一种管内腐蚀因素识别与剩余寿命预测方法。
发明内容
针对上述问题,本发明提供一种管内腐蚀因素识别与剩余寿命预测方法,
所述方法包括:
获取管道历史失效数据;
对所述管道历史失效数据进行数据处理,形成中间数据库;
基于所述中间数据库,建立腐蚀速率范围预测模型;
依据所述腐蚀速率范围预测模型,进行管内腐蚀预测;
基于管内腐蚀预测结果,确定管内腐蚀主控因素和剩余寿命。
进一步地,
所述管道历史失效数据包括:管径、壁厚、投产时间、地区等级、管道材质、管内防腐措施、输送介质、运行温度、运行压力、流速、含水率、含砂量、CO2含量、H2S含量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、pH值、SRB细菌含量、管内是否有垢、失效时间、失效位置、失效钟点方向和最近一次修复时间,共28个数据项。
进一步地,
所述对所述管道历史失效数据进行数据处理包括数据结构化、腐蚀速率计算与标注、H2S分压计算、CO2分压计算和原位pH计算。
进一步地,
所述腐蚀速率根据如下公式计算:
腐蚀速率=壁厚/服役时间;
服役时间=失效时间-投产时间,或
服役时间=失效时间-最近一次修复时间。
进一步地,
所述腐蚀速率的标注方法为:将腐蚀速率划分为“低、中低、中、中高、高”五个等级。
进一步地,
进一步地,
所述中间数据库包括以下21个数据项:管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH和标注后的腐蚀速率;
其中,前17个数据项来自获取的管道历史失效数据,后4个数据项为计算获得的数据。
进一步地,
所述建立腐蚀速率范围预测模型具体方法包括:调用所述中间数据库,以所述中间数据库的前20个数据作为输入参数,以标注后的腐蚀速率作为输出结果,利用python语言通过scikit-learn数据包调用逻辑回归模型进行有监督的机器学习,从而建立腐蚀速率范围预测模型;
所述腐蚀速率范围预测模型具体表示为:
Vcorr=aA+bB+cC+dD+eE+fF+gG+hH+iI+jJ+kK+lL+mM+nN+oO+pP+qQ+rR+sS+tT+u
其中,Vcorr为腐蚀速率范围,A~T分别为20个输入参数的取值,a~t为20个输入参数取值的相应系数,u为残余值。
进一步地,
所述管内腐蚀主控因素通过以下方法确定:
对所述20个输入参数取值的相应系数进行排序,找出最大系数的管内腐蚀因素,标记为第一个主控因素;
找到第二大系数,当第二大系数的值达到所述最大系数值的70%,则所述第二大系数对应的腐蚀因素标记为第二个主控因素,否则,终止主控因素的寻找;
找到第三大系数,当第三大系数的值达到所述第二大系数值的90%,则所述第三大系数对应的腐蚀因素标记为第三个主控因素,否则,终止主控因素的寻找;
找到第四大系数,当第四大系数的值达到所述第三大系数值的95%,则所述第四大系数对应的腐蚀因素标记为第四个主控因素,否则,终止主控因素的寻找;
找到第五大系数,当第五大系数的值达到所述第四大系数值的95%,则所述第五大系数对应的腐蚀因素标记为第五个主控因素,否则,终止主控因素的寻找;
根据上述寻找第五个主控因素的方法依次往后寻找其他主控因素。
进一步地,
所述剩余寿命根据如下公式预测:
T=(PC-PD/2δn)/(Max Vcorr)
其中,T为预测的剩余寿命,单位为y;PC为管道壁厚,单位为mm;P为管道运行压力,单位为MPa;D为管道外径,单位为mm;δ为管材最小屈服强度,单位为MPa;n为强度设计系数;Max Vcorr为预测获得的腐蚀速率最大值,单位为mm/y。
本发明还提供一种管内腐蚀因素识别与剩余寿命预测***,所述***包括:
获取单元,用于获取管道历史失效数据;
处理单元,用于对所述管道历史失效数据进行数据处理,形成中间数据库;
建立单元,用于基于所述中间数据库,建立腐蚀速率范围预测模型;
预测单元,用于依据所述腐蚀速率范围预测模型,进行管内腐蚀预测;
确定单元,用于基于管内腐蚀预测结果,确定管内腐蚀主控因素和剩余寿命。
进一步地,
所述中间数据库包括以下21个数据项:管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH和标注后的腐蚀速率;
其中,前17个数据项来自获取的管道历史失效数据,后4个数据项为计算获得的数据。
进一步地,
所述建立单元中建立腐蚀速率范围预测模型具体包括:调用所述中间数据库,以所述中间数据库的前20个数据作为输入参数,以标注后的腐蚀速率作为输出结果,利用python语言通过scikit-learn数据包调用逻辑回归模型进行有监督的机器学习,从而建立腐蚀速率范围预测模型;
所述腐蚀速率范围预测模型具体表示为:
Vcorr=aA+bB+cC+dD+eE+fF+gG+hH+iI+jJ+kK+lL+mM+nN+oO+pP+qQ+rR+sS+tT+u
其中,Vcorr为腐蚀速率范围,A~T分别为20个输入参数的取值,a~t为20个输入参数取值的相应系数,u为残余值。
进一步地,
所述确定单元中管内腐蚀主控因素包括:
对所述20个输入参数取值的相应系数进行排序,找出最大系数的管内腐蚀因素,标记为第一个主控因素;
找到第二大系数,当第二大系数的值达到所述最大系数值的70%,则所述第二大系数对应的腐蚀因素标记为第二个主控因素,否则,终止主控因素的寻找;
找到第三大系数,当第三大系数的值达到所述第二大系数值的90%,则所述第三大系数对应的腐蚀因素标记为第三个主控因素,否则,终止主控因素的寻找;
找到第四大系数,当第四大系数的值达到所述第三大系数值的95%,则所述第四大系数对应的腐蚀因素标记为第四个主控因素,否则,终止主控因素的寻找;
找到第五大系数,当第五大系数的值达到所述第四大系数值的95%,则所述第五大系数对应的腐蚀因素标记为第五个主控因素,否则,终止主控因素的寻找;
根据上述寻找第五个主控因素的方法依次往后寻找其他主控因素。
进一步地,
所述剩余寿命根据如下公式预测:
T=(PC-PD/2δn)/(Max Vcorr)
其中,T为预测的剩余寿命,单位为y;PC为管道壁厚,单位为mm;P为管道运行压力,单位为MPa;D为管道外径,单位为mm;δ为管材最小屈服强度,单位为MPa;n为强度设计系数;Max Vcorr为预测获得的腐蚀速率最大值,单位为mm/y。
本发明提供的管内腐蚀因素识别与剩余寿命预测方法创造性地将有监督的机器学***至关重要。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的管内腐蚀因素识别与剩余寿命预测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的管内腐蚀因素识别与剩余寿命预测方法和***,该方法和***能够识别管内腐蚀因素以及预测管内的剩余寿命。本发明实施例以油田集输钢质管道为例进行示例性说明,但并非仅仅限于油田集输钢质管内的腐蚀因素识别与剩余寿命预测,任意管内的腐蚀因素识别与剩余寿命预测,均可适用于本发明。
本发明提供的管内腐蚀因素识别与剩余寿命预测方法如图1所示,图1示出了根据本发明实施例的管内腐蚀因素识别与剩余寿命预测方法流程图,具体包括:
获取管道历史失效数据;
管道历史失效数据包括管径、壁厚、投产时间、地区等级、管道材质、管内防腐措施、输送介质、运行温度、运行压力、流速、含水率、含砂量、CO2含量、H2S含量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、pH值、SRB细菌含量、管内是否有垢、失效时间、失效位置、失效钟点方向、最近一次修复时间,共28个数据项。
对所述管道历史失效数据进行数据处理,形成中间数据库;
所述对所述管道历史失效数据进行数据处理包括数据结构化、腐蚀速率计算与标注、H2S分压计算、CO2分压计算和原位pH计算。
所述数据结构化方法为:管管内防腐措施的赋值“无,内涂层,内穿插,缓蚀剂,杀菌剂,阻垢剂,其他”分别赋值为1~7,输送介质赋值“油气水混输,湿气,干气,净化油,注水,掺水,污水,其他”分别赋值为1~8,管内是否有垢赋值“有/无”分别赋值为“0,1”,失效位置赋值“水平直管段,立管,焊缝附近,弯头/三通/阀门附近,变径,其他”分别赋值为1~6。
所述腐蚀速率根据如下公式计算:
腐蚀速率=壁厚/服役时间;
服役时间=失效时间-投产时间,或
服役时间=失效时间-最近一次修复时间。
所述腐蚀速率的标注方法为:将腐蚀速率划分为“低、中低、中、中高、高”五个等级,并分别标记为1~5。
示例性地,所述原位pH基于“Ca2+、Mg2+、HCO3 -、SO4 2-含量”以及“H2S分压”与“CO2分压”,根据专利《油田集输管内采出液pH值计算方法》(专利号为201910549378.X)提供的方法进行计算。
所述中间数据库包括以下21个数据项:管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH、标注后的腐蚀速率。其中前17个数据项来自获取的管道历史失效数据,后4个数据项为计算获得的数据。
基于中间数据库,建立腐蚀速率范围预测模型;
具体为:调用中间数据库,以中间数据库中前20个数据项(包括管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH)作为输入参数,以标注后的腐蚀速率作为输出结果,利用python语言通过scikit-learn数据包调用逻辑回归模型进行有监督的机器学习,建立腐蚀速率范围预测模型。一种表示腐蚀速率范围预测模型的方式为:
Vcorr=aA+bB+cC+dD+eE+fF+gG+hH+iI+jJ+kK+lL+mM+nN+oO+pP+qQ+rR+sS+tT+u
式中:Vcorr为腐蚀速率范围,A~T分别为20个输入参数的取值,a~t为20个输入参数取值的相应系数,u为残余值。
依据所述腐蚀速率范围预测模型,进行管内腐蚀预测;
输入需要预测的管道数据,利用python语言调用建立好的腐蚀速率范围预测模型,进行管内腐蚀预测,确定管内腐蚀速率范围。
基于管内腐蚀预测结果,确定管内腐蚀主控因素和剩余寿命;
根据确定的内腐蚀速率范围,确定剩余寿命。采用如下公式:
T=(PC-PD/2δn)/(Max vcorr)
其中,T为预测的剩余寿命,单位为y;PC为管道壁厚,单位为mm;P为管道运行压力,单位为MPa;D为管道外径,单位为mm;δ为管材最小屈服强度,单位为MPa;n为强度设计系数,根据地区等级取值,一级地区取0.72,二级地区取0.6,三级地区取0.5,四级地区取0.4;MaxVcorr为预测获得的最大腐蚀速率,单位为mm/y。
进而基于内腐蚀预测结果确定管内腐蚀主控因素;
对20个腐蚀影响因素的系数a~t进行排序,找出系数最大的腐蚀因素(对应的系数标记为x1),该因素标记为第一个主控因素;
找到第二大系数x2,若x2值达到x1值的70%,则该系数对应的腐蚀因素标记为第二个主控因素,否则,终止主控因素的寻找;
找到第三大系数x3,若x3值达到x2值的90%,则该系数对应的腐蚀因素标记为第三个主控因素,否则,终止主控因素的寻找;
找到第四大系数x4,若x4值达到x3值的95%,则该系数对应的腐蚀因素标记为第四个主控因素,否则,终止主控因素的寻找;
找到第五大系数x5,若x5值达到x4值的95%,则该系数对应的腐蚀因素标记为第五个主控因素,否则,终止主控因素的寻找;
根据上述寻找第五个主控因素的方法依次往后寻找其他主控因素。
下面就本发明实施例提供的计算方法的每个步骤进行描述:
从现场收集500条管道历史失效数据,每条管道历史失效数据包括管径、壁厚、投产时间、地区等级、管道材质、管内防腐措施、输送介质、运行温度、运行压力、流速、含水率、含砂量、CO2含量、H2S含量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、pH值、SRB细菌含量、管内是否有垢、失效时间、失效位置、失效钟点方向、最近一次修复时间,28个数据项,共计14000个数据点。
对采集的历史失效数据进行结构化。将管内防腐措施的赋值“无,内涂层,内穿插,缓蚀剂,杀菌剂,阻垢剂,其他”分别标记为1~7,将输送介质赋值“油气水混输,湿气,干气,净化油,注水,掺水,污水,其他”分别标记为1~8,管内是否有垢赋值“有/无”分别标记为“0,1”,失效位置赋值“水平直管段,立管,焊缝附近,弯头/三通/阀门附近,变径,其他”分别标记为1~6。
按照下面公式依次计算500条管道的腐蚀速率:
腐蚀速率=壁厚/服役时间;
服役时间=失效时间-投产时间,或
服役时间=失效时间-最近一次修复时间。
根据腐蚀速率范围,将其划分为“低、中低、中、中高、高”五个等级,其中“低”的范围为0~0.1mm/y,“中低”的范围为0.1~0.25mm/y,“中”的范围为0.25~0.5mm/y,“中高”的范围为0.1~1mm/y,“高”的范围为>1mm/y,然后将“低、中低、中、中高、高”分别标记为1~5。
计算获得500条管道的腐蚀速率范围为0.05~2.5mm/y。
按照下面公式依次计算500条管道的H2S分压(PH2S)和CO2分压(PCO2):
计算获得500条管道的H2S分压范围为0.008MPa~0.1MPa,CO2分压范围为0.03MPa~1.3MPa。
根据专利《油田集输管内采出液pH值计算方法》(专利号为201910549378.X)提供的方法计算500条管内原位pH,获得原位pH范围为3.6~6.8。
将500条管道数据进行整理,形成包括“管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH、标注后的腐蚀速率”的中间数据库,共计10500个数据点。
以中间数据库中的前20个数据项(共计10000个数据点)作为输入,以标注后的腐蚀速率(共计500个数据点)作为输出,利用python语言,通过scikit-learn数据包调用逻辑回归模型进行有监督的机器学习,获得腐蚀速率范围预测模型为:
Vcorr=0.01A+0.31B+0.12C-0.74D-1.05E-0.34F+0.35G-0.16H-0.07I+0.35J-1.1K-0.56L-0.41M+0.14N+1.09O+0.02P+0.09Q+0.01R+0.74S+0.61T+165.2393
式中Vcorr为腐蚀速率范围,A~T依次为管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH的取值。
输入需要预测的管道数据,管道材质取值1,管内防腐措施取值1,输送介质取值1,运行温度取值13,流速取值0.05,含水率取值0.7,含沙量取值0,O2含量取值0.005,Mg2+浓度取值24,Ca2+浓度取值321,Cl-浓度取值10494,SO4 2-浓度取值456,CO3 2-浓度取值0,HCO3 -浓度取值610,SRB细菌含量取值10500,管内是否有垢取值0,失效位置取值1,H2S分压取值0,CO2分压取值0.15,原位pH取值6.1,带入上述预测模型,计算获得腐蚀速率范围为2,即为0.1~0.25mm/y,则Max Vcorr=0.25mm/y。
利用公式T=(PC-PD/2δn)/(Max vcorr)计算获得管道剩余寿命:
PC=1.9mm,P=0.25MPa,D=119mm,δ=245MPa,n=0.5,Max Vcorr=0.25mm/y,计算获得T≈7年,即剩余寿命为7年。
查看python计算报告,对20个输入参数取值的相应系数进行排序,第一大系数为1.1,对应的腐蚀因素为“Cl-浓度”;第二大系数为1.09(对应的腐蚀因素为“SRB细菌含量”),为1.1的99%,超过70%,因此“SRB细菌含量”为第二个主控因素;第三大系数为1.05(对应的腐蚀因素为“流速”),为1.09的96%,超过90%,因此“流速”为第三个主控因素;第四大系数为0.74(对应的腐蚀因素为“流速”),为1.05的70%,低于95%,因此终止主控因素的寻找。最终确定管内腐蚀的主控因素有“Cl-浓度、SRB细菌含量、流速”三个。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种管内腐蚀因素识别与剩余寿命预测方法,其特征在于,所述方法包括:
获取管道历史失效数据;
对所述管道历史失效数据进行数据处理,形成中间数据库;
基于所述中间数据库,建立腐蚀速率范围预测模型;
依据所述腐蚀速率范围预测模型,进行管内腐蚀预测;
基于管内腐蚀预测结果,确定管内腐蚀主控因素和剩余寿命。
2.根据权利要求1所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述管道历史失效数据包括:管径、壁厚、投产时间、地区等级、管道材质、管内防腐措施、输送介质、运行温度、运行压力、流速、含水率、含砂量、CO2含量、H2S含量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、pH值、SRB细菌含量、管内是否有垢、失效时间、失效位置、失效钟点方向和最近一次修复时间。
3.根据权利要求1所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述对所述管道历史失效数据进行数据处理包括数据结构化、腐蚀速率计算与标注、H2S分压计算、CO2分压计算和原位pH计算。
4.根据权利要求3所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述腐蚀速率根据如下公式计算:
腐蚀速率=壁厚/服役时间;
服役时间=失效时间-投产时间,或
服役时间=失效时间-最近一次修复时间。
5.根据权利要求3所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述腐蚀速率的标注方法为:将腐蚀速率划分为“低、中低、中、中高、高”五个等级。
7.根据权利要求1所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述中间数据库包括以下21个数据项:管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH和标注后的腐蚀速率;
其中,前17个数据项来自获取的管道历史失效数据,后4个数据项为计算获得的数据。
8.根据权利要求7所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述建立腐蚀速率范围预测模型具体方法包括:调用所述中间数据库,以所述中间数据库的前20个数据作为输入参数,以标注后的腐蚀速率作为输出结果,利用python语言通过scikit-learn数据包调用逻辑回归模型进行有监督的机器学习,从而建立腐蚀速率范围预测模型;
所述腐蚀速率范围预测模型具体表示为:
Vcorr=aA+bB+cC+dD+eE+fF+gG+hH+iI+jJ+kK+lL+mM+nN+oO+pP+qQ+rR+sS+tT+u
其中,Vcorr为腐蚀速率范围,A~T分别为20个输入参数的取值,a~t为20个输入参数取值的相应系数,u为残余值。
9.根据权利要求8所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述管内腐蚀主控因素通过以下方法确定:
对所述20个输入参数取值的相应系数进行排序,找出最大系数的管内腐蚀因素,标记为第一个主控因素;
找到第二大系数,当第二大系数的值达到所述最大系数值的70%,则所述第二大系数对应的腐蚀因素标记为第二个主控因素,否则,终止主控因素的寻找;
找到第三大系数,当第三大系数的值达到所述第二大系数值的90%,则所述第三大系数对应的腐蚀因素标记为第三个主控因素,否则,终止主控因素的寻找;
找到第四大系数,当第四大系数的值达到所述第三大系数值的95%,则所述第四大系数对应的腐蚀因素标记为第四个主控因素,否则,终止主控因素的寻找;
找到第五大系数,当第五大系数的值达到所述第四大系数值的95%,则所述第五大系数对应的腐蚀因素标记为第五个主控因素,否则,终止主控因素的寻找;
根据上述寻找第五个主控因素的方法依次往后寻找其他主控因素。
10.根据权利要求1所述的管内腐蚀因素识别与剩余寿命预测方法,其特征在于,
所述剩余寿命根据如下公式预测:
T=(PC-PD/2δn)/(MaxVcorr)
其中,T为预测的剩余寿命,单位为y;PC为管道壁厚,单位为mm;P为管道运行压力,单位为MPa;D为管道外径,单位为mm;δ为管材最小屈服强度,单位为MPa;n为强度设计系数;MaxVcorr为预测获得的腐蚀速率最大值,单位为mm/y。
11.一种管内腐蚀因素识别与剩余寿命预测***,其特征在于,所述***包括:
获取单元,用于获取管道历史失效数据;
处理单元,用于对所述管道历史失效数据进行数据处理,形成中间数据库;
建立单元,用于基于所述中间数据库,建立腐蚀速率范围预测模型;
预测单元,用于依据所述腐蚀速率范围预测模型,进行管内腐蚀预测;
确定单元,用于基于管内腐蚀预测结果,确定管内腐蚀主控因素和剩余寿命。
12.根据权利要求11所述的管内腐蚀因素识别与剩余寿命预测***,其特征在于,
所述中间数据库包括以下21个数据项:管道材质、管内防腐措施、输送介质、运行温度、流速、含水率、含砂量、O2含量、Mg2+浓度、Ca2+浓度、Cl-浓度、SO4 2-浓度、CO3 2-浓度、HCO3 -浓度、SRB细菌含量、管内是否有垢、失效位置、H2S分压、CO2分压、原位pH和标注后的腐蚀速率;
其中,前17个数据项来自获取的管道历史失效数据,后4个数据项为计算获得的数据。
13.根据权利要求12所述的管内腐蚀因素识别与剩余寿命预测***,其特征在于,
所述建立单元中建立腐蚀速率范围预测模型具体包括:调用所述中间数据库,以中间数据库的前20个数据作为输入参数,以标注后的腐蚀速率作为输出结果,利用python语言通过scikit-learn数据包调用逻辑回归模型进行有监督的机器学习,从而建立腐蚀速率范围预测模型;
所述腐蚀速率范围预测模型具体表示为:
Vcorr=aA+bB+cC+dD+eE+fF+gG+hH+iI+jJ+kK+lL+mM+nN+oO+pP+qQ+rR+sS+tT+u
其中,Vcorr为腐蚀速率范围,A~T分别为20个输入参数的取值,a~t为20个输入参数取值的相应系数,u为残余值。
14.根据权利要求13所述的管内腐蚀因素识别与剩余寿命预测***,其特征在于,
所述确定单元确定管内腐蚀主控因素包括:
对所述20个输入参数取值的相应系数进行排序,找出最大系数的管内腐蚀因素,标记为第一个主控因素;
找到第二大系数,当第二大系数的值达到所述最大系数值的70%,则所述第二大系数对应的腐蚀因素标记为第二个主控因素,否则,终止主控因素的寻找;
找到第三大系数,当第三大系数的值达到所述第二大系数值的90%,则所述第三大系数对应的腐蚀因素标记为第三个主控因素,否则,终止主控因素的寻找;
找到第四大系数,当第四大系数的值达到所述第三大系数值的95%,则所述第四大系数对应的腐蚀因素标记为第四个主控因素,否则,终止主控因素的寻找;
找到第五大系数,当第五大系数的值达到所述第四大系数值的95%,则所述第五大系数对应的腐蚀因素标记为第五个主控因素,否则,终止主控因素的寻找;
根据上述寻找第五个主控因素的方法依次往后寻找其他主控因素。
15.根据权利要求11所述的管内腐蚀因素识别与剩余寿命预测***,其特征在于,
所述剩余寿命根据如下公式预测:
T=(PC-PD/2δn)/(MaxVcorr)
其中,T为预测的剩余寿命,单位为y;PC为管道壁厚,单位为mm;P为管道运行压力,单位为MPa;D为管道外径,单位为mm;δ为管材最小屈服强度,单位为MPa;n为强度设计系数;MaxVcorr为预测获得的腐蚀速率最大值,单位为mm/y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922905.4A CN115705512A (zh) | 2021-08-12 | 2021-08-12 | 一种管内腐蚀因素识别与剩余寿命预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922905.4A CN115705512A (zh) | 2021-08-12 | 2021-08-12 | 一种管内腐蚀因素识别与剩余寿命预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115705512A true CN115705512A (zh) | 2023-02-17 |
Family
ID=85180799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922905.4A Pending CN115705512A (zh) | 2021-08-12 | 2021-08-12 | 一种管内腐蚀因素识别与剩余寿命预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115705512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116659591A (zh) * | 2023-07-31 | 2023-08-29 | 济宁长胜新材料股份有限公司 | 一种适用于化工蒸馏装置的运行预警*** |
-
2021
- 2021-08-12 CN CN202110922905.4A patent/CN115705512A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116659591A (zh) * | 2023-07-31 | 2023-08-29 | 济宁长胜新材料股份有限公司 | 一种适用于化工蒸馏装置的运行预警*** |
CN116659591B (zh) * | 2023-07-31 | 2023-10-20 | 济宁长胜新材料股份有限公司 | 一种适用于化工蒸馏装置的运行预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027730B (zh) | 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法 | |
CN105069486B (zh) | 基于极限学习机的石化设备腐蚀预测方法 | |
CN112668206B (zh) | 一种考虑多因素的酸性气田腐蚀预测模型及参数确定方法 | |
CN111475913A (zh) | 一种蒸汽动力***的运行操作优化方法及*** | |
CN115705512A (zh) | 一种管内腐蚀因素识别与剩余寿命预测方法及*** | |
CN110020399A (zh) | 一种管道内腐蚀评价位置的确定方法 | |
CN113343498A (zh) | 一种含h2s/co2环境管道钢腐蚀速率计算方法 | |
Zhang et al. | A semi-empirical model for underground gas storage injection-production string time series remaining useful life analysis in process safety operation | |
CN115359015A (zh) | 一种油井管壁厚测井数据解释和腐蚀缺陷智能判定方法 | |
CN112347414A (zh) | 一种单缺陷弯管极限内压计算方法 | |
CN113803647B (zh) | 一种基于知识特征与混合模型融合的管道泄漏检测方法 | |
Luo et al. | Corrosion research of wet natural gathering and transportation pipeline based on SVM | |
CN116164241A (zh) | 一种瓦斯抽采管网泄漏故障智能检测方法 | |
Li et al. | [Retracted] Prediction of Chemical Corrosion Rate and Remaining Life of Buried Oil and Gas Pipelines in Changqing Gas Field | |
CN116227378A (zh) | 一种油气处理行业管道结垢厚度预测方法 | |
CN108240960B (zh) | 一种预测在役长输油气管道内腐蚀程度的方法 | |
Vishwakarma | Development Of A Performance Analysis Framework For Water Pipeline Infrastructure Using Systems Understanding | |
GB2605042A (en) | Maintenance methods and systems for fluid containment assets | |
Guan et al. | Application of probabilistic model in pipeline direct assessment | |
CN111832232A (zh) | 一种诊断识别管道积液的技术方法 | |
CN221003376U (zh) | 一种管路油品使用信息检测设备 | |
CN113361066B (zh) | 一种积液及积液程度判识方法 | |
CN112069688B (zh) | 一种天然气长输管道内腐蚀模拟分析方法 | |
CN220206730U (zh) | 一种内检测器性能测试装置 | |
CN116663216A (zh) | 一种海底集输管网清管方案适应性评价的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |