萬里平，徐友紅，馮兆陽，孔 斌，楊 兵

基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡預測CO2／H2S環(huán)境中套管鋼的腐蝕速率

萬里平1，徐友紅1，馮兆陽1，孔 斌1，楊 兵2

（1．西南石油大學油氣藏地質及開發(fā)工程國家重點實驗室，成都610500；2．大慶石油管理局松原機械總廠，松原138000）

基于CO2／H2S共存腐蝕環(huán)境的復雜性、危險性，以及兩者協(xié)同與競爭效應的不確定等原因，套管鋼在CO2／H2S共存腐蝕環(huán)境中腐蝕速率測試存在試驗時間長、誤差較大且存在不安全隱患等缺陷，現(xiàn)有的單一腐蝕速率預測模型不能滿足這方面的研究。利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型分別對不同溫度、不同CO2分壓和不同H2S分壓條件下套管鋼的腐蝕速率進行預測。與單純的BP神經(jīng)網(wǎng)絡模型預測相比，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡訓練收斂速率有所增加，預測效果得到改善；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡預測值與實測值吻合較好，此預測模型可靠性很強；該方法為我國高酸性氣田開發(fā)中快速獲取腐蝕速率數(shù)值提供了一條新的思路。

遺傳算法；酸性氣田；腐蝕速率；BP神經(jīng)網(wǎng)絡；H2S腐蝕

Abstract：Due to the complexness，riskiness and uncertainty of coordination and synergic effect of corrosion in CO2／H2Senvironment，the corrosion rate testing of casing steel needs a long time test and shows relatively large error and existence of hidden dangers in CO2／H2Senvironment，and the existing single corrosion rate prediction model cannot meet the demands in the research．The established model of BP artificial neural network optimized by genetic algorithm was used to test the corrosion rates at different temperature，CO2pressure and H2S pressure．Compared to the BP neural network，the BPartificial neural network optimized by genetic algorithm increased the convergence rate of train and improved the effect of forecast，and the values from both prediction and actual measurement of BP artificial neural network optimized by genetic algorithm were in good agreement．This model also had a strong reliability．This method provides us a new way to acquire the figure of the corrosion rates fast in high acidy oil-gas field．

Key words：genetic algorithm；sour gas field；corrosion rate；BP neural network；H2S corrosion

CO2／H2S腐蝕是石油天然氣工業(yè)中常見的腐蝕類型，也是目前腐蝕與防護領域中重要的研究課題。影響CO2／H2S腐蝕速率的因素很多，如CO2／H2S分壓、溫度、p H、壓力、礦化度、時間以及材質等［1-3］。目前，已有的模型多聚焦于H2S致開裂，而H2S單獨作用對腐蝕速率影響的模型較少［4］。此外，有關CO2單獨作用對腐蝕速率影響的模型較多。Shell公司的De Waard 95模型［5］將腐蝕環(huán)境溫度、介質流速、p H等影響因素融入模型，但在高溫和高p H條件下預測的腐蝕速率比實測值稍大；Norsok M506預測模型［6］與De Waard 95預測模型的結果相反，此模型在高溫和高p H條件下預測結果比實測值稍小。有關CO2和H2S共同作用對腐蝕速率預測的模型也不多，商杰等［7］建立了基于遺傳算法的BP（Back Propagation）網(wǎng)絡模型，并在預測油管鋼腐蝕速率中進行了應用。李強等［8］運用MATLAB編程建立了預測油氣管線腐蝕速率的網(wǎng)絡模型。本工作在前人研究的基礎上利用BP神經(jīng)網(wǎng)絡和遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡兩種模型對CO2／H2S環(huán)境中套管鋼腐蝕速率進行預測并檢驗其可靠性。

1 基于BP神經(jīng)網(wǎng)絡預測

1.1 BP神經(jīng)網(wǎng)絡結構

按神經(jīng)網(wǎng)絡的互聯(lián)結構，誤差反向傳播神經(jīng)網(wǎng)絡（BPNN）屬于前饋型神經(jīng)網(wǎng)絡。1986年RUMELHART，HINTON和WILLIAMS完整而簡明地提出這種算法，系統(tǒng)地解決了多層神經(jīng)網(wǎng)絡中隱單元層連接權的學習問題，并在數(shù)學上給出了完整的推導。BP神經(jīng)網(wǎng)絡模型是目前人工神經(jīng)網(wǎng)絡中應用最為廣泛的模型，一般為三層網(wǎng)絡，即輸入層、隱含層和輸出層，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡結構Fig．1 The structure of BP neural network

1．2 樣本數(shù)據(jù)

綜合考慮各因素對套管鋼腐蝕速率的影響程度及實測數(shù)據(jù)的可獲得性，以CO2分壓，H2S分壓和溫度作為輸入量，以腐蝕速率實測值作為輸出量，基于BP神經(jīng)網(wǎng)絡建立套管鋼腐蝕速率預測模型。結合利用中石油管材研究院和河南科技大學共同研究的關于N80套管鋼在CO2／H2S環(huán)境中腐蝕試驗數(shù)據(jù)［9］，一共選取了26組試驗數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡模型的訓練和驗證，其中有22組數(shù)據(jù)作為訓練樣本（見表1），4組數(shù)據(jù)作為檢測樣本（見表2）。

1．3 網(wǎng)絡結構及參數(shù)

采用三層BP神經(jīng)網(wǎng)絡模型，其結構為3-L-1形式，即輸入層有3個節(jié)點，隱含層有L個節(jié)點，輸出層有1個節(jié)點，已有研究證明隱含層節(jié)點數(shù)的選擇直接影響到BP神經(jīng)網(wǎng)絡的性能，其經(jīng)驗公式如式（1）所示。

表1 訓練樣本數(shù)據(jù)Tab．1 Training sample data

表2 測試樣本數(shù)據(jù)Tab．2 Test sample data

式中：L為隱含層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)；a為1～10之間的調節(jié)常數(shù)。

關于隱含層節(jié)點數(shù)的選擇迄今沒有科學的定論，主要是借助于經(jīng)驗公式和實際經(jīng)驗，可以參照式（1）進行設計。

經(jīng)過多次不斷嘗試變化隱含層節(jié)點數(shù)，當隱層節(jié)點為6、7或者8時，與其他不同隱含層節(jié)點數(shù)值時的網(wǎng)絡訓練均方誤差較小，因此在本次操作中取隱含層節(jié)點數(shù)為8，此BP神經(jīng)網(wǎng)絡結構簡圖見圖2。

進行網(wǎng)絡訓練前將各輸入?yún)?shù)進行歸一化處理，即將數(shù)據(jù)處理為區(qū)間［0，1］之間的數(shù)據(jù)，本工作中采用Matlab軟件工具箱中的mapminmax函數(shù)將所有樣本數(shù)據(jù)歸一到［0，1］之間。

圖2 BP神經(jīng)網(wǎng)絡結構圖Fig．2 Structure diagram of BP neural network

網(wǎng)絡中輸入層到隱含層的傳遞函數(shù)采用S型的logsig函數(shù)，隱含層到輸出層的傳遞函數(shù)采用purelin函數(shù)，網(wǎng)絡訓練采用trainlm函數(shù)。同時，學習速率的選取很重要，在實際操作過程中為了保證系統(tǒng)的穩(wěn)定性，一般傾向于選取較小的學習速率，通過觀察誤差下降曲線來判斷，最終確定學習速率為0．05。為了要求訓練結果達到一定精度又防止網(wǎng)絡出現(xiàn)過擬合現(xiàn)象，最終確定目標誤差為0．005。為了在網(wǎng)絡訓練過程中有效減小震蕩趨勢、改善其收斂性和抑制陷入局部極小值等現(xiàn)象，最終確定動量系數(shù)為0．9。最大訓練次數(shù)為500次。編寫程序后，在Matlab中進行仿真。

1．4 仿真結果

1．4．1 BP神經(jīng)網(wǎng)絡的訓練誤差曲線

通過BP神經(jīng)網(wǎng)絡不斷反復學習訓練，其訓練誤差不斷降低，當達到預定的誤差值時，網(wǎng)絡訓練便會自動停止。由圖3可見：經(jīng)過228次訓練后達到要求的目標誤差0．005。

圖3 BP神經(jīng)網(wǎng)絡訓練收斂過程圖Fig．3 The process diagram of convergence training by BP neural network

1．4．2 BP神經(jīng)網(wǎng)絡預測值與實測值對比分析

對之前進行過歸一化的測試樣本數(shù)據(jù)進行仿真預測后，需對預測結果進行反歸一化處理，然后再與實測值進行比較，其結果如表3所示。

由表3可見：預測值與實測值之間存在誤差，但其相對誤差小于20%，產(chǎn)生誤差是因為訓練樣本數(shù)據(jù)量有限，影響了該模型的訓練能力和網(wǎng)絡的泛化能力。

表3 BP人工神經(jīng)網(wǎng)絡預測值與實測值比較Tab．3 Comparison between prediction and actual measurement of artificial neural network

2 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡預測

2．1 建立模型

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡算法的基本原理是首先利用遺傳算法來優(yōu)選BP神經(jīng)網(wǎng)絡的初始化權值和閥值，并構建初始的網(wǎng)絡結構，再把優(yōu)化后的權值和閾值重新賦給BP神經(jīng)網(wǎng)絡進行學習訓練，重復循環(huán)，以達到避免網(wǎng)絡訓練陷入局部極小值的目的。充分發(fā)揮遺傳算法和BP神經(jīng)網(wǎng)絡的各自優(yōu)勢，將兩者結合應用已經(jīng)逐漸成為一個十分有前景的研究熱點［9］。

采用三層網(wǎng)絡結構，輸入層神經(jīng)元數(shù)為3個，即分別代表H2S分壓，CO2分壓和溫度；隱含層的神經(jīng)元數(shù)為8個；輸出層的神經(jīng)元數(shù)為1個，即腐蝕速率，網(wǎng)絡的權值和閥值是通過隨機函數(shù)來初始化的。采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值，其種群規(guī)模為10，最大進化代數(shù)為15，交叉概率為0．6，變異概率為0．05。和前面單純的BP神經(jīng)網(wǎng)絡模型一樣，網(wǎng)絡中輸入層到隱含層的傳遞函數(shù)采用S型的logsig函數(shù)，隱含層到輸出層的傳遞函數(shù)采用purelin函數(shù)，網(wǎng)絡學習訓練采用trainlm函數(shù)，確定網(wǎng)絡學習速率為0．05，目標誤差為0．005，動量系數(shù)取值為0．9，最大訓練次數(shù)為500次。

2．2 預測結果分析

2．2．1遺傳算法的訓練誤差曲線

遺傳算法中個體的適應度大小直接影響到遺傳算法的收斂速率和能否找到全局最優(yōu)解，同時還可以評價個體對環(huán)境的適應程度，適應度越大說明個體適應性好，反之則表示個體適應性差。由圖4可見，經(jīng)過67次訓練后達到要求的目標誤差0．005。

2．2．2遺傳算法預測值與實測值對比分析

網(wǎng)絡訓練好后，對測試樣本數(shù)據(jù)進行仿真預測，然后再對仿真預測的結果進行反歸一化處理后與實測值進行比較以判斷其可靠性，其結果如表4所示。

圖4 網(wǎng)絡訓練收斂過程圖Fig．4 The process diagram of convergence training by network

表4 遺傳算法優(yōu)化BP人工神經(jīng)網(wǎng)絡預測值與實測值比較Tab．4 Comparison between prediction and actual measurement of BP artificial neural network optimized by genetic algorithm

2．2．3遺傳算法優(yōu)化結果

經(jīng)過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的權值和閥值，再通過訓練后達到預定的誤差要求后，得到最終的權值矩陣和閥值矩陣如下：

（1）輸入層到隱含層的權值矩陣：

（2）隱含層的閥值矩陣：

（3）隱含層到輸出層的權值矩陣：

（4）輸出層的閥值矩陣：

2．2．4溫度對套管鋼腐蝕速率的影響

設定 CO2分壓為1．5 MPa，H2S分壓為0．6 MPa，確定旋轉裝置轉速為256 r／min（即高溫高壓釜內動態(tài)流速為1 m／s），考察不同溫度條件下（從40℃逐級增加到140℃，每級增加5℃）N80套管鋼的液相腐蝕速率變化規(guī)律，試驗所得值為實測值；利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型預測不同溫度條件下的腐蝕速率變化，所得值為預測值；將預測值與實測值進行對比，如圖5所示。

圖5 不同溫度條件下的腐蝕速率預測值與實測值對比Fig．5 Comparison between prediction and actual measurement of corrosion rates at different temperatures

由圖5可見：實測值與預測值吻合較好，具有較高的相關性。這主要是因為在該網(wǎng)絡中參與學習訓練的過程中溫度變化幅度并沒有呈現(xiàn)有突變的趨勢，變化曲線相對比較柔和，網(wǎng)絡學習訓練相對較簡單；另一方面，參與網(wǎng)絡學習訓練的數(shù)據(jù)相對較多，所以該模型的預測值能夠比較精確地展現(xiàn)出溫度對腐蝕速率的影響。

2．2．5 CO2分壓對套管鋼腐蝕速率的影響

設定溫度為100℃，確定腐蝕介質流速為1 m／s，H2S分壓為0．6 MPa和0．015 MPa時，考察不同CO2分壓條件下N80套管鋼的腐蝕速率變化規(guī)律，試驗所得值為實測值；利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型預測不同CO2分壓條件的腐蝕速率變化規(guī)律，所得值為預測值；將預測值與實測值進行對比，如圖6所示。

由圖6可見：實測值與預測值吻合的比較好，這是因為在該網(wǎng)絡中參與學習訓練的過程中CO2分壓變化曲線并沒有呈現(xiàn)有突變的趨勢，其變化曲線相對比較柔和，網(wǎng)絡能夠容易地判斷其變化規(guī)律，從而預測精度就比較高；且實測值曲線和預測值曲線均呈現(xiàn)出隨CO2分壓升高而增大，誤差也較小。

圖6 不同CO2分壓條件下腐蝕速率預測值與實測值對比Fig．6 Comparison between prediction and actual measurement of corrosion rate under different CO2pressure

2．2．6 H2S分壓對套管鋼腐蝕速率的影響

設定溫度為100℃，確定腐蝕介質流速為1 m／s，CO2分壓為1．5 MPa和1．2 MPa時，考察不同H2S分壓條件下N80套管鋼的腐蝕速率變化規(guī)律，試驗所得值為實測值；利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型預測不同H2S條件下的腐蝕速率變化，所得值為預測值；將預測值與實測值進行對比，如圖7所示。

由圖7可見：CO2分壓為1．5 MPa時，預測值與實測值吻合的較好，即使在變化曲線中出現(xiàn)了腐蝕速率突變，但是網(wǎng)絡通過學習訓練后仍然能夠辨別出其變化規(guī)律；CO2分壓為1．2 MPa時，預測值和實測值存在較大的誤差。這是因為前者的實測數(shù)據(jù)中有5組數(shù)據(jù)參與網(wǎng)絡的學習訓練，而后者的實測數(shù)據(jù)中只有3組參與網(wǎng)絡的學習訓練，網(wǎng)絡訓練過程中由于參與學習訓練的樣本過少，從而造成了圖7（b）中出現(xiàn)的預測情況。同時，這也進一步解釋了表3中第3組測試數(shù)據(jù)在該模型中的預測誤差較大的原因。

圖7 不同H2S分壓條件下腐蝕速率預測值與實測值對比Fig．7 Comparison between prediction and actual measurement of corrosion rate under different H2S pressure

2．2．7 CO2和H2S共存條件下對套管鋼腐蝕速率的影響

設定溫度為100℃，CO2分壓分別為0．3，0．5，0．7，0．9，1．2，1．5，2．0 MPa，H2S分壓分別為0．01，0．05，0．1，0．2，0．3，0．4，0．5，0．6 MPa，對所設定的兩者分壓條件利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型進行預測，一共得到56組預測數(shù)據(jù)，對預測結果進行整理，見圖8。

由圖8可見：H2S分壓較高的區(qū)域腐蝕速率較

圖8 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡預測的腐蝕速率分布圖Fig．8 The distribution picture of predicted corrosion rates of BP neural network optimized by genetic algorithm

低，而H2S分壓較低時，隨著CO2分壓升高，腐蝕速率明顯增加。分析CO2／H2S腐蝕機理時認為兩者協(xié)同競爭條件下會出現(xiàn)腐蝕速率極大值，從此圖中能夠清楚地看出兩者分壓在一定區(qū)域范圍內出現(xiàn)了腐蝕速率較大值，說明了此預測模型的可靠性很強。

3 結論

（1）鑒于BP神經(jīng)網(wǎng)絡本身具有一些不足之處，結合遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡再次進行預測，與單純的BP神經(jīng)網(wǎng)絡模型預測相比，網(wǎng)絡訓練收斂速率有所增加，預測效果有所改善。

（2）利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型分別對不同溫度、不同CO2分壓和不同H2S分壓條件下的腐蝕速率進行預測，發(fā)現(xiàn)在CO2和H2S協(xié)同競爭腐蝕時由于腐蝕速率變化幅度較大和學習訓練樣本數(shù)據(jù)較少，導致該模型存在一定的預測誤差。

［1］ 周衛(wèi)軍，郭瑞，張勇．CO2分壓對SM80SS套管鋼在CO2／H2S共存環(huán)境中的高溫高壓腐蝕行為影響［J］．全面腐蝕控制，2009，23（8）：20-23．

［2］ 張玉芳．H2S分壓對SM80SS油管鋼腐蝕行為的影響［J］．腐蝕科學與防護技術，2007，19（4）：290-292．

［3］ 林學強，李效波，張海龍．溫度對N80鋼在CO2／O2共存環(huán)境中腐蝕行為的影響［J］．腐蝕與防護，2014，35（1）：56-59．

［4］ 劉然克，張德平，郝文魁．H2S分壓對N80油套管鋼CO2環(huán)境下應力腐蝕開裂的影響［J］．四川大學學報（工程科學版），2013，6：196-202．

［5］ 張國安，陳長風，路民旭．油氣田中CO2腐蝕的預測模型［J］．中國腐蝕與防護學報，2005，25（2）：119-123．

［6］ 張繼川，張雙蕾，段蘊琦．天然氣井腐蝕預測研究［J］．鉆采工藝，2012，35（3）：86-88．

［7］ 商杰，朱戰(zhàn)立．基于遺傳算法的神經(jīng)網(wǎng)絡在預測油管鋼腐蝕速率中的應用［J］．腐蝕科學與防護技術，2007（3）：225-228．

［8］ 李強，鞠虹，唐曉．基于人工神經(jīng)網(wǎng)絡的CO2／H2S腐蝕速率預測模型［J］．腐蝕與防護，2013，1：10-12．

［9］ 張清，李全安，文九巴．溫度和壓力對N80鋼CO2／H2S腐蝕速率的影響［J］．石油礦場機械，2004，33（3）：42-44．

Application of Genetic Algorithms BP Neural Networks to Predicting Corrosion Rate of Carbon Steel in CO2／H2SEnvitonment

WAN Liping1，XU Youhong1，F(xiàn)ENG Zhaoyang1，KONG Bin1，YANG Bin2
（1．State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation，Southwest Petroleum University，China；2．Machinery Plant Songyuan，Petroleum Administration Bureau Daqing，Songyuan 138000，China）

TG174

B

1005-748X（2017）09-0727-05

10.11973／fsyfh-201709014

2016-03-04

國家安監(jiān)局科技項目（2016GJ-B3-041）

萬里平（1972－），博士后，副研究員，主要從事欠平衡鉆井、石油管材腐蝕與防護、油氣田廢水治理方面的研究，15928635619，wanliping72＠sohu．com