杂散电流干扰下外腐蚀速率预测方法、系统及设备与流程

摘要: 本申请涉及外腐蚀速率预测,尤其涉及杂散电流干扰下外腐蚀速率预测方法、系统及设备。背景技术:1、随着石油与天然气行业的快速发展,常常需要使用管道运输石油与天然气。...
杂散电流干扰下外腐蚀速率预测方法、系统及设备与流程

本申请涉及外腐蚀速率预测,尤其涉及杂散电流干扰下外腐蚀速率预测方法、系统及设备。

背景技术:

1、随着石油与天然气行业的快速发展,常常需要使用管道运输石油与天然气。其中,部分管道由于深埋地下,无法使用常规方法对全程的管道的外腐蚀情况进行检查。若没有恰当的杂散电流干扰下外腐蚀速率预测方法,则无法预防可能出现的管道泄漏导致的管道失效问题,进而可能导致严重的财产损失。

2、目前,通常外腐蚀速率的预测方法通过多次对管道腐蚀情况进行检测获得管道的外腐蚀速率,或者通过对管道厚度变化获得管道的外腐蚀速率。但是管道的外腐蚀速率可能受多种因素影响,上述杂散电流干扰下外腐蚀速率预测方法往往会出现预测结果不准确的问题。

技术实现思路

1、本申请的目的在于提供一种杂散电流干扰下外腐蚀速率预测方法、系统及设备,旨在解决现有杂散电流干扰下外腐蚀速率预测方法存在的预测结果不准确的问题。

2、为达到上述目的,本申请采用如下技术方案:

3、第一方面,本申请提供一种杂散电流干扰下外腐蚀速率预测方法,包括:获取管道的基本信息、管道的干扰检测数据、以及管道的历史腐蚀数据;其中,干扰检测数据是检测管道所处的土壤中的电流对管道造成的干扰得到的,历史腐蚀数据包括历史干扰数据和对应的历史腐蚀速率;基于管道的历史腐蚀数据对初始模型进行训练,得到外腐蚀速率预测模型;将管道的信息以及管道的干扰检测数据输入外腐蚀速率预测模型中,得到预测的管道的外腐蚀速率。

4、上述技术方案至少带来以下有益效果:本申请提供的杂散电流干扰下外腐蚀速率预测方法,通过干扰检测数据输入外腐蚀速率预测模型获得外腐蚀速率预测结果。由于干扰检测数据对管道的外腐蚀速率影响较大,即干扰检测数据和外腐蚀速率的关联较大,因此使用干扰检测数据预测外腐蚀速率可以保证外腐蚀速率预测结果的准确性。此外,由于外腐蚀速率预测模型具有高准确度的特性,因此保证了外腐蚀速率预测的准确性,进一步保证了外腐蚀速率预测结果的准确性。其中,外腐蚀速率预测模型具有较高的计算速率,当输入的管道的信息以及管道的干扰检测数据发生变化时,能够及时给出外腐蚀速率预测结果,便于对外腐蚀速率的变化情况进行比较。

5、此外,本申请提供的杂散电流干扰下外腐蚀速率预测方法具有较高的设备适应性,即还可以和在线智能监检测装置结合,进而为杂散电流干扰下外腐蚀速率预测方法提供智能化的发展方向。

6、在一种可能的实现方式中,基于管道的历史腐蚀数据对初始模型进行训练,得到外腐蚀速率预测模型,包括:将管道的历史腐蚀数据划分为训练集数据、测试集数据、以及验证集数据;基于训练集数据、测试集数据、以及验证集数据对多个初始模型分别进行训练、测试、验证,得到多个训练后的初始模型的损失函数;将多个训练后的初始模型中,损失函数最高的训练后的初始模型确定为外腐蚀速率预测模型。

7、在一种可能的实现方式中,该方法还包括:基于优化算法对外腐蚀速率预测模型中的模型参数进行更新,得到更新后的外腐蚀速率预测模型;将管道的信息以及管道的干扰检测数据输入外腐蚀速率预测模型中,得到预测的管道的外腐蚀速率,包括:将管道的信息以及管道的干扰检测数据输入更新后的外腐蚀速率预测模型,得到预测的管道的外腐蚀速率。

8、在一种可能的实现方式中,优化算法满足以下公式:

9、

10、其中,θt为第t次迭代优化得到的外腐蚀速率预测模型中的模型参数;η为学习率,为损失函数j在θt处的梯度。

11、在一种可能的实现方式中,管道的基本信息包括:名称、材质、壁厚、投产日期、运行状态、阴极保护类型、沿线干扰信息、开挖后的测厚数据、失重试片、以及探头监测数据。

12、在一种可能的实现方式中,管道的干扰检测数据包括至少一个检测周期内的以下信息:通电电位、断电电位、直流电流密度、交流电压、交流电流密度、断电电位超过阴极保护准则的时长占预设时长的比例、以及土壤电阻率。

13、第二方面,本申请提供一种杂散电流干扰下外腐蚀速率预测装置,该装置包括:获取单元和确定单元;获取单元,用于获取管道的基本信息、管道的干扰检测数据、以及管道的历史腐蚀数据;确定单元,用于基于管道的历史腐蚀数据对初始模型进行训练,得到外腐蚀速率预测模型;确定单元,还用于将管道的信息以及管道的干扰检测数据输入外腐蚀速率预测模型中,得到预测的管道的外腐蚀速率。在一种可能的实现方式中,确定单元,具体用于:将管道的历史腐蚀数据划分为训练集数据、测试集数据、以及验证集数据;基于训练集数据、测试集数据、以及验证集数据对多个初始模型分别进行训练、测试、验证,得到多个训练后的初始模型的损失函数;将多个训练后的初始模型中,损失函数最高的训练后的初始模型确定为外腐蚀速率预测模型。

14、在一种可能的实现方式中,确定单元,还用于基于优化算法对外腐蚀速率预测模型中的模型参数进行更新,得到更新后的外腐蚀速率预测模型;确定单元,还用于将管道的信息以及管道的干扰检测数据输入更新后的外腐蚀速率预测模型,得到预测的管道的外腐蚀速率。

15、在一种可能的实现方式中,优化算法满足以下公式:

16、

17、其中,θt为第t次迭代优化得到的外腐蚀速率预测模型中的模型参数;η为学习率,为损失函数j在θt处的梯度。

18、在一种可能的实现方式中,管道的基本信息包括:名称、材质、壁厚、投产日期、运行状态、阴极保护类型、沿线干扰信息、开挖后的测厚数据、失重试片、以及探头监测数据。

19、在一种可能的实现方式中,管道的干扰检测数据包括至少一个检测周期内的以下信息:通电电位、断电电位、直流电流密度、交流电压、交流电流密度、断电电位超过阴极保护准则的时长占预设时长的比例、以及土壤电阻率。

20、第三方面,本申请提供了一种杂散电流干扰下外腐蚀速率预测装置,该装置包括:处理器和通信接口;通信接口和处理器耦合,处理器用于运行计算机程序或指令,以实现如第一方面和第一方面的任一种可能的实现方式中所描述的杂散电流干扰下外腐蚀速率预测方法。

21、第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在终端上运行时,使得终端执行如第一方面和第一方面的任一种可能的实现方式中描述的杂散电流干扰下外腐蚀速率预测方法。

22、第五方面,本申请提供一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行计算机程序或指令,以实现如第一方面和第一方面的任一种可能的实现方式中所描述的杂散电流干扰下外腐蚀速率预测方法。

23、具体的,本申请中提供的芯片还包括存储器,用于存储计算机程序或指令。

1.一种杂散电流干扰下外腐蚀速率预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述基于所述管道的历史腐蚀数据对初始模型进行训练,得到所述外腐蚀速率预测模型,包括:

3.根据权利要求2所述的方法,其特征在于,所述方法还包括:

4.根据权利要求3所述的方法,其特征在于,所述优化算法满足以下公式:

5.根据权利要求1-4中任一项所述的方法,其特征在于,所述管道的基本信息包括:名称、材质、壁厚、投产日期、运行状态、阴极保护类型、沿线干扰信息、开挖后的测厚数据、失重试片、以及探头监测数据。

6.根据权利要求1-4中任一项所述的方法,其特征在于,所述管道的干扰检测数据包括至少一个检测周期内的以下信息:通电电位、断电电位、直流电流密度、交流电压、交流电流密度、断电电位超过阴极保护准则的时长占预设时长的比例、以及土壤电阻率。

7.一种杂散电流干扰下外腐蚀速率预测装置,其特征在于,所述装置包括:获取单元和确定单元;

8.根据权利要求7所述的装置,其特征在于,所述确定单元,具体用于:

9.一种杂散电流干扰下外腐蚀速率预测装置,其特征在于,包括:处理器和通信接口;所述通信接口和所述处理器耦合,所述处理器用于运行计算机程序或指令,以实现如权利要求1-6任一项中所述的杂散电流干扰下外腐蚀速率预测方法。

10.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当计算机执行该指令时,该计算机执行上述权利要求1-6任一项中所述的杂散电流干扰下外腐蚀速率预测方法。