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(luò)預(yù)測(cè)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(xué)油氣藏地質(zhì)及開發(fā)工程國家重點(diǎn)實(shí)驗(yàn)室，成都610500；2．大慶石油管理局松原機(jī)械總廠，松原138000）

基于CO2／H2S共存腐蝕環(huán)境的復(fù)雜性、危險(xiǎn)性，以及兩者協(xié)同與競(jìng)爭(zhēng)效應(yīng)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(cè)試存在試驗(yàn)時(shí)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(yù)測(cè)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(luò)模型分別對(duì)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(jìn)行預(yù)測(cè)。與單純的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相比，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂速率有所增加，預(yù)測(cè)效果得到改善；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值吻合較好，此預(yù)測(cè)模型可靠性很強(qiáng)；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(luò)；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(hù)領(lǐng)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(shí)間以及材質(zhì)等［1-3］。目前，已有的模型多聚焦于H2S致開裂，而H2S單獨(dú)作用對(duì)腐蝕速率影響的模型較少［4］。此外，有關(guān)CO2單獨(dú)作用對(duì)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(zhì)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(yù)測(cè)的腐蝕速率比實(shí)測(cè)值稍大；Norsok M506預(yù)測(cè)模型［6］與De Waard 95預(yù)測(cè)模型的結(jié)果相反，此模型在高溫和高p H條件下預(yù)測(cè)結(jié)果比實(shí)測(cè)值稍小。有關(guān)CO2和H2S共同作用對(duì)腐蝕速率預(yù)測(cè)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(luò)模型，并在預(yù)測(cè)油管鋼腐蝕速率中進(jìn)行了應(yīng)用。李強(qiáng)等［8］運(yùn)用MATLAB編程建立了預(yù)測(cè)油氣管線腐蝕速率的網(wǎng)絡(luò)模型。本工作在前人研究的基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)兩種模型對(duì)CO2／H2S環(huán)境中套管鋼腐蝕速率進(jìn)行預(yù)測(cè)并檢驗(yàn)其可靠性。

1 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

按神經(jīng)網(wǎng)絡(luò)的互聯(lián)結(jié)構(gòu)，誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）屬于前饋型神經(jīng)網(wǎng)絡(luò)。1986年RUMELHART，HINTON和WILLIAMS完整而簡(jiǎn)明地提出這種算法，系統(tǒng)地解決了多層神經(jīng)網(wǎng)絡(luò)中隱單元層連接權(quán)的學(xué)習(xí)問題，并在數(shù)學(xué)上給出了完整的推導(dǎo)。BP神經(jīng)網(wǎng)絡(luò)模型是目前人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛的模型，一般為三層網(wǎng)絡(luò)，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(luò)結(jié)構(gòu)Fig．1 The structure of BP neural network

1．2 樣本數(shù)據(jù)

綜合考慮各因素對(duì)套管鋼腐蝕速率的影響程度及實(shí)測(cè)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(shí)測(cè)值作為輸出量，基于BP神經(jīng)網(wǎng)絡(luò)建立套管鋼腐蝕速率預(yù)測(cè)模型。結(jié)合利用中石油管材研究院和河南科技大學(xué)共同研究的關(guān)于N80套管鋼在CO2／H2S環(huán)境中腐蝕試驗(yàn)數(shù)據(jù)［9］，一共選取了26組試驗(yàn)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和驗(yàn)證，其中有22組數(shù)據(jù)作為訓(xùn)練樣本（見表1），4組數(shù)據(jù)作為檢測(cè)樣本（見表2）。

1．3 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)

采用三層BP神經(jīng)網(wǎng)絡(luò)模型，其結(jié)構(gòu)為3-L-1形式，即輸入層有3個(gè)節(jié)點(diǎn)，隱含層有L個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)，已有研究證明隱含層節(jié)點(diǎn)數(shù)的選擇直接影響到BP神經(jīng)網(wǎng)絡(luò)的性能，其經(jīng)驗(yàn)公式如式（1）所示。

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

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

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

關(guān)于隱含層節(jié)點(diǎn)數(shù)的選擇迄今沒有科學(xué)的定論，主要是借助于經(jīng)驗(yàn)公式和實(shí)際經(jīng)驗(yàn)，可以參照式（1）進(jìn)行設(shè)計(jì)。

經(jīng)過多次不斷嘗試變化隱含層節(jié)點(diǎn)數(shù)，當(dāng)隱層節(jié)點(diǎn)為6、7或者8時(shí)，與其他不同隱含層節(jié)點(diǎn)數(shù)值時(shí)的網(wǎng)絡(luò)訓(xùn)練均方誤差較小，因此在本次操作中取隱含層節(jié)點(diǎn)數(shù)為8，此BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)圖見圖2。

進(jìn)行網(wǎng)絡(luò)訓(xùn)練前將各輸入?yún)?shù)進(jìn)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(luò)結(jié)構(gòu)圖Fig．2 Structure diagram of BP neural network

網(wǎng)絡(luò)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(luò)訓(xùn)練采用trainlm函數(shù)。同時(shí)，學(xué)習(xí)速率的選取很重要，在實(shí)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(xué)習(xí)速率，通過觀察誤差下降曲線來判斷，最終確定學(xué)習(xí)速率為0．05。為了要求訓(xùn)練結(jié)果達(dá)到一定精度又防止網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象，最終確定目標(biāo)誤差為0．005。為了在網(wǎng)絡(luò)訓(xùn)練過程中有效減小震蕩趨勢(shì)、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(dòng)量系數(shù)為0．9。最大訓(xùn)練次數(shù)為500次。編寫程序后，在Matlab中進(jìn)行仿真。

1．4 仿真結(jié)果

1．4．1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線

通過BP神經(jīng)網(wǎng)絡(luò)不斷反復(fù)學(xué)習(xí)訓(xùn)練，其訓(xùn)練誤差不斷降低，當(dāng)達(dá)到預(yù)定的誤差值時(shí)，網(wǎng)絡(luò)訓(xùn)練便會(huì)自動(dòng)停止。由圖3可見：經(jīng)過228次訓(xùn)練后達(dá)到要求的目標(biāo)誤差0．005。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)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(luò)預(yù)測(cè)值與實(shí)測(cè)值對(duì)比分析

對(duì)之前進(jìn)行過歸一化的測(cè)試樣本數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)后，需對(duì)預(yù)測(cè)結(jié)果進(jìn)行反歸一化處理，然后再與實(shí)測(cè)值進(jìn)行比較，其結(jié)果如表3所示。

由表3可見：預(yù)測(cè)值與實(shí)測(cè)值之間存在誤差，但其相對(duì)誤差小于20%，產(chǎn)生誤差是因?yàn)橛?xùn)練樣本數(shù)據(jù)量有限，影響了該模型的訓(xùn)練能力和網(wǎng)絡(luò)的泛化能力。

表3 BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)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(luò)預(yù)測(cè)

2．1 建立模型

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)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(luò)的初始化權(quán)值和閥值，并構(gòu)建初始的網(wǎng)絡(luò)結(jié)構(gòu)，再把優(yōu)化后的權(quán)值和閾值重新賦給BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，重復(fù)循環(huán)，以達(dá)到避免網(wǎng)絡(luò)訓(xùn)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(luò)的各自優(yōu)勢(shì)，將兩者結(jié)合應(yīng)用已經(jīng)逐漸成為一個(gè)十分有前景的研究熱點(diǎn)［9］。

采用三層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元數(shù)為3個(gè)，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(gè)；輸出層的神經(jīng)元數(shù)為1個(gè)，即腐蝕速率，網(wǎng)絡(luò)的權(quán)值和閥值是通過隨機(jī)函數(shù)來初始化的。采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，其種群規(guī)模為10，最大進(jìn)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(luò)模型一樣，網(wǎng)絡(luò)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(luò)學(xué)習(xí)訓(xùn)練采用trainlm函數(shù)，確定網(wǎng)絡(luò)學(xué)習(xí)速率為0．05，目標(biāo)誤差為0．005，動(dòng)量系數(shù)取值為0．9，最大訓(xùn)練次數(shù)為500次。

2．2 預(yù)測(cè)結(jié)果分析

2．2．1遺傳算法的訓(xùn)練誤差曲線

遺傳算法中個(gè)體的適應(yīng)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(shí)還可以評(píng)價(jià)個(gè)體對(duì)環(huán)境的適應(yīng)程度，適應(yīng)度越大說明個(gè)體適應(yīng)性好，反之則表示個(gè)體適應(yīng)性差。由圖4可見，經(jīng)過67次訓(xùn)練后達(dá)到要求的目標(biāo)誤差0．005。

2．2．2遺傳算法預(yù)測(cè)值與實(shí)測(cè)值對(duì)比分析

網(wǎng)絡(luò)訓(xùn)練好后，對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，然后再對(duì)仿真預(yù)測(cè)的結(jié)果進(jìn)行反歸一化處理后與實(shí)測(cè)值進(jìn)行比較以判斷其可靠性，其結(jié)果如表4所示。

圖4 網(wǎng)絡(luò)訓(xùn)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(luò)預(yù)測(cè)值與實(shí)測(cè)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(jié)果

經(jīng)過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，再通過訓(xùn)練后達(dá)到預(yù)定的誤差要求后，得到最終的權(quán)值矩陣和閥值矩陣如下：

（1）輸入層到隱含層的權(quán)值矩陣：

（2）隱含層的閥值矩陣：

（3）隱含層到輸出層的權(quán)值矩陣：

（4）輸出層的閥值矩陣：

2．2．4溫度對(duì)套管鋼腐蝕速率的影響

設(shè)定 CO2分壓為1．5 MPa，H2S分壓為0．6 MPa，確定旋轉(zhuǎn)裝置轉(zhuǎn)速為256 r／min（即高溫高壓釜內(nèi)動(dòng)態(tài)流速為1 m／s），考察不同溫度條件下（從40℃逐級(jí)增加到140℃，每級(jí)增加5℃）N80套管鋼的液相腐蝕速率變化規(guī)律，試驗(yàn)所得值為實(shí)測(cè)值；利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)不同溫度條件下的腐蝕速率變化，所得值為預(yù)測(cè)值；將預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行對(duì)比，如圖5所示。

圖5 不同溫度條件下的腐蝕速率預(yù)測(cè)值與實(shí)測(cè)值對(duì)比Fig．5 Comparison between prediction and actual measurement of corrosion rates at different temperatures

由圖5可見：實(shí)測(cè)值與預(yù)測(cè)值吻合較好，具有較高的相關(guān)性。這主要是因?yàn)樵谠摼W(wǎng)絡(luò)中參與學(xué)習(xí)訓(xùn)練的過程中溫度變化幅度并沒有呈現(xiàn)有突變的趨勢(shì)，變化曲線相對(duì)比較柔和，網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練相對(duì)較簡(jiǎn)單；另一方面，參與網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的數(shù)據(jù)相對(duì)較多，所以該模型的預(yù)測(cè)值能夠比較精確地展現(xiàn)出溫度對(duì)腐蝕速率的影響。

2．2．5 CO2分壓對(duì)套管鋼腐蝕速率的影響

設(shè)定溫度為100℃，確定腐蝕介質(zhì)流速為1 m／s，H2S分壓為0．6 MPa和0．015 MPa時(shí)，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(yàn)所得值為實(shí)測(cè)值；利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)不同CO2分壓條件的腐蝕速率變化規(guī)律，所得值為預(yù)測(cè)值；將預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行對(duì)比，如圖6所示。

由圖6可見：實(shí)測(cè)值與預(yù)測(cè)值吻合的比較好，這是因?yàn)樵谠摼W(wǎng)絡(luò)中參與學(xué)習(xí)訓(xùn)練的過程中CO2分壓變化曲線并沒有呈現(xiàn)有突變的趨勢(shì)，其變化曲線相對(duì)比較柔和，網(wǎng)絡(luò)能夠容易地判斷其變化規(guī)律，從而預(yù)測(cè)精度就比較高；且實(shí)測(cè)值曲線和預(yù)測(cè)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(yù)測(cè)值與實(shí)測(cè)值對(duì)比Fig．6 Comparison between prediction and actual measurement of corrosion rate under different CO2pressure

2．2．6 H2S分壓對(duì)套管鋼腐蝕速率的影響

設(shè)定溫度為100℃，確定腐蝕介質(zhì)流速為1 m／s，CO2分壓為1．5 MPa和1．2 MPa時(shí)，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(yàn)所得值為實(shí)測(cè)值；利用建立的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)不同H2S條件下的腐蝕速率變化，所得值為預(yù)測(cè)值；將預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行對(duì)比，如圖7所示。

由圖7可見：CO2分壓為1．5 MPa時(shí)，預(yù)測(cè)值與實(shí)測(cè)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(luò)通過學(xué)習(xí)訓(xùn)練后仍然能夠辨別出其變化規(guī)律；CO2分壓為1．2 MPa時(shí)，預(yù)測(cè)值和實(shí)測(cè)值存在較大的誤差。這是因?yàn)榍罢叩膶?shí)測(cè)數(shù)據(jù)中有5組數(shù)據(jù)參與網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，而后者的實(shí)測(cè)數(shù)據(jù)中只有3組參與網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練過程中由于參與學(xué)習(xí)訓(xùn)練的樣本過少，從而造成了圖7（b）中出現(xiàn)的預(yù)測(cè)情況。同時(shí)，這也進(jìn)一步解釋了表3中第3組測(cè)試數(shù)據(jù)在該模型中的預(yù)測(cè)誤差較大的原因。

圖7 不同H2S分壓條件下腐蝕速率預(yù)測(cè)值與實(shí)測(cè)值對(duì)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(duì)套管鋼腐蝕速率的影響

設(shè)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(duì)所設(shè)定的兩者分壓條件利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，一共得到56組預(yù)測(cè)數(shù)據(jù)，對(duì)預(yù)測(cè)結(jié)果進(jìn)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(luò)預(yù)測(cè)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(shí)，隨著CO2分壓升高，腐蝕速率明顯增加。分析CO2／H2S腐蝕機(jī)理時(shí)認(rèn)為兩者協(xié)同競(jìng)爭(zhēng)條件下會(huì)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(nèi)出現(xiàn)了腐蝕速率較大值，說明了此預(yù)測(cè)模型的可靠性很強(qiáng)。

3 結(jié)論

（1）鑒于BP神經(jīng)網(wǎng)絡(luò)本身具有一些不足之處，結(jié)合遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)再次進(jìn)行預(yù)測(cè)，與單純的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相比，網(wǎng)絡(luò)訓(xùn)練收斂速率有所增加，預(yù)測(cè)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(luò)模型分別對(duì)不同溫度、不同CO2分壓和不同H2S分壓條件下的腐蝕速率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)在CO2和H2S協(xié)同競(jìng)爭(zhēng)腐蝕時(shí)由于腐蝕速率變化幅度較大和學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)較少，導(dǎo)致該模型存在一定的預(yù)測(cè)誤差。

［1］ 周衛(wèi)軍，郭瑞，張勇．CO2分壓對(duì)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(duì)SM80SS油管鋼腐蝕行為的影響［J］．腐蝕科學(xué)與防護(hù)技術(shù)，2007，19（4）：290-292．

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

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

［5］ 張國安，陳長風(fēng)，路民旭．油氣田中CO2腐蝕的預(yù)測(cè)模型［J］．中國腐蝕與防護(hù)學(xué)報(bào)，2005，25（2）：119-123．

［6］ 張繼川，張雙蕾，段蘊(yùn)琦．天然氣井腐蝕預(yù)測(cè)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(luò)在預(yù)測(cè)油管鋼腐蝕速率中的應(yīng)用［J］．腐蝕科學(xué)與防護(hù)技術(shù)，2007（3）：225-228．

［8］ 李強(qiáng)，鞠虹，唐曉．基于人工神經(jīng)網(wǎng)絡(luò)的CO2／H2S腐蝕速率預(yù)測(cè)模型［J］．腐蝕與防護(hù)，2013，1：10-12．

［9］ 張清，李全安，文九巴．溫度和壓力對(duì)N80鋼CO2／H2S腐蝕速率的影響［J］．石油礦場(chǎng)機(jī)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(xiàng)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(hù)、油氣田廢水治理方面的研究，15928635619，wanliping72＠sohu．com