鄭度奎,李昊燃,程遠鵬,李 勇

(1. 長江大學(xué) 石油工程學(xué)院，武漢 430100； 2. 中國石油吐哈油田工程技術(shù)研究院，哈密 839000)

干燥的CO2不會發(fā)生腐蝕，但其在含水情況下生成的碳酸，會對鋼鐵造成全面腐蝕和嚴(yán)重的局部腐蝕[1]。油氣管道中往往含有水和CO2，其腐蝕帶來的影響會縮短管道的使用壽命并造成管道破裂，既浪費了鋼材又給生命財產(chǎn)帶來了威脅，故需要對其腐蝕情況進行預(yù)測，從而能更好地預(yù)防腐蝕。隨著油氣管道CO2腐蝕問題的日益嚴(yán)重，對CO2腐蝕的預(yù)測已成為研究的重點和熱點。

國外建立的許多CO2腐蝕預(yù)測模型，考慮了不同的影響因素，模型使用的條件也不一樣。由于國內(nèi)外油氣的性質(zhì)不同，直接將國外的預(yù)測模型用于我國CO2腐蝕預(yù)測上，其結(jié)果并不合適，故國內(nèi)常根據(jù)實際情況對國外預(yù)測模型進行改進，使其結(jié)果符合現(xiàn)場條件。除此之外，隨著計算機的迅速發(fā)展[2]，出現(xiàn)了能很好處理多個自變量和因變量關(guān)系的數(shù)學(xué)算法，將其用于管道中的CO2腐蝕預(yù)測，能高效地處理影響因素和腐蝕速率之間的非線性關(guān)系。

通過CO2腐蝕預(yù)測模型，可了解和預(yù)測油氣管道的CO2腐蝕情況，從而在油氣管道的材料選擇和防護措施上進行合理的設(shè)計，對于提高油氣管道運營的經(jīng)濟性和安全性具有重要意義。本工作總結(jié)了目前常用的預(yù)測模型，并針對現(xiàn)有模型提出了目前存在的問題和以后發(fā)展的方向。

1 預(yù)測模型

1.1 半經(jīng)驗?zāi)Ｐ?Semi-empirical model)

半經(jīng)驗?zāi)Ｐ褪鞘褂帽容^廣泛的一種模型，它是根據(jù)腐蝕過程中的化學(xué)、電化學(xué)過程和介質(zhì)的傳輸過程建立的與腐蝕速率相關(guān)的動力學(xué)模型，可利用實驗室數(shù)據(jù)及現(xiàn)場數(shù)據(jù)確定各因素的影響因子[3]。

DE WAARD模型是最早的CO2腐蝕預(yù)測模型之一，有4個典型版本[4]。DE WAARD等[5]最初建立的DW75模型僅考慮了溫度和CO2分壓的影響，但開創(chuàng)了建立CO2腐蝕預(yù)測模型的先河。1991年，DE WAARD等[6]對DW75模型進行了修正，考慮了更多的影響因素，如pH、腐蝕產(chǎn)物膜、Fe2+含量等。1993年，DE WAARD等[7]校正了影響因子，且初步提出了流速的影響。1995年，DE WAARD等[8]進一步考慮到了腐蝕動力學(xué)和介質(zhì)傳輸過程，建立了DW95模型。目前，DW95是最出名且使用最廣的預(yù)測模型之一。該模型的主要特點如下：①較適用于溫度低于85 ℃的條件，在此溫度條件下的預(yù)測結(jié)果接近環(huán)流試驗結(jié)果，具有較高的精度。②雖然考慮到腐蝕產(chǎn)物膜的緩蝕作用，但過低地評價了其保護作用，導(dǎo)致預(yù)測結(jié)果偏大，故在高溫高pH條件下的預(yù)測精度較低。③考慮了材料差異的問題，由于材料成分不同，腐蝕結(jié)果也不盡相同，故新增了關(guān)于材料的影響因子。DW95模型已成為眾多半經(jīng)驗?zāi)Ｐ徒⒌幕?，如ECE模型[9]、Cassandar模型[10]、B.Mishra模型[11]、Predict模型[12-14]等均是在DW95模型基礎(chǔ)上建立的。

1.2 經(jīng)驗?zāi)Ｐ?Empirical model)

經(jīng)驗?zāi)Ｐ褪菍Ωg數(shù)據(jù)進行處理，得到在誤差允許范圍內(nèi)符合腐蝕數(shù)據(jù)的預(yù)測模型。其中，最著名和使用最廣泛的是Norsok M506模型[15]，該模型由挪威石油公司、挪威海德魯公司和saga石油公司共同建立，已經(jīng)成為挪威石油行業(yè)抗CO2腐蝕選材和腐蝕裕量設(shè)計的標(biāo)準(zhǔn)之一[16]。該模型的腐蝕數(shù)據(jù)來源于低溫實驗室數(shù)據(jù)和100 ℃以上高溫現(xiàn)場數(shù)據(jù)，考慮到溫度、pH、管壁切應(yīng)力、CO2逸度等因素的影響，具有以下特點：①僅適用于溫度為20～150 ℃, pH為3.5～6.5條件下，且溫度為100～150 ℃時的預(yù)測精度最高，此溫度條件下，Norsok M506模型的預(yù)測結(jié)果相比于DW95模型的更接近真實值。②對于腐蝕產(chǎn)物膜(FeCO3)的影響考慮較多且對pH的變化較為敏感，但沒有考慮原油存在和管道材料差異對CO2腐蝕速率的影響。③用該模型來預(yù)測局部腐蝕時，如臺地腐蝕、點蝕等，得到的誤差較大，往往比實際低。④由于該模型中管壁切應(yīng)力預(yù)測是在單相流試驗中得出的，故用來預(yù)測多相流流動的誤差較大。馮超齊等[17-18]利用Matlab軟件對溫度常數(shù)kt和溫度t進行線性回歸分析，對溫度進行分段處理，再分別求出每個溫度區(qū)間中關(guān)于kt和t的3次函數(shù)關(guān)系式，最后把公式編制成軟件，方便以后的運算。經(jīng)驗?zāi)Ｐ椭斜容^出名的還有Jepson模型[19]和基于Norsok M506模型改進得到的Corpos模型[20-22]。

1.3 機理模型(Mechanistic model)

機理模型是以腐蝕電流和腐蝕電位為基礎(chǔ)，結(jié)合材料表面的化學(xué)、電化學(xué)反應(yīng)以及離子在腐蝕產(chǎn)物膜中擴散作用等因素建立的預(yù)測模型[23]。

典型的機理模型有Nesic模型。1996年，NESIC等[24]基于CO2腐蝕過程中的動力學(xué)，考慮了流速、溫度等影響因素對陰陽極反應(yīng)的影響，建了該機理模型。此Nesic模型的使用最為廣泛，但它沒有考慮介質(zhì)傳輸?shù)倪^程，即沒有考慮腐蝕產(chǎn)物膜的影響，故僅適用于預(yù)測無腐蝕產(chǎn)物膜的腐蝕情況。2005年，NESIC等[25]考慮了腐蝕過程中金屬表面發(fā)生的化學(xué)和電化學(xué)反應(yīng)，以及溶液和金屬之間的傳質(zhì)過程，建立了可以預(yù)測含腐蝕產(chǎn)物膜時的機理模型。但是，該模型預(yù)測的腐蝕速率往往比實際結(jié)果大。NESIC等[26-27]針對這一問題，在2003年通過環(huán)流試驗對腐蝕產(chǎn)物膜的厚度和孔隙率進行分析，最終建立了FeCO3的沉積生長模型，提出了無量綱成膜傾向因子。在之前的試驗環(huán)境中，一直沒有考慮含油的情況，直到2007年，NESIC等[28]才將含油的影響考慮進去，且開發(fā)了CO2腐蝕預(yù)測軟件MULTICORP。

在CO2腐蝕預(yù)測的三大類模型中，半經(jīng)驗?zāi)Ｐ秃徒?jīng)驗?zāi)Ｐ托枰揽看罅楷F(xiàn)場或?qū)嶒炇覕?shù)據(jù)進行支撐，再通過公式擬合求得。這就說明半經(jīng)驗?zāi)Ｐ秃徒?jīng)驗?zāi)Ｐ洼^為適用于預(yù)測某一區(qū)域的油氣管道CO2腐蝕情況。對于其他區(qū)域，由于油氣性質(zhì)不同，會出現(xiàn)不同的CO2腐蝕情況，從而可能導(dǎo)致半經(jīng)驗?zāi)Ｐ秃徒?jīng)驗?zāi)Ｐ偷念A(yù)測精度降低或不適用。相反，機理模型從腐蝕的理論和微觀角度出發(fā)，不需要實際的腐蝕數(shù)據(jù)支撐，考慮了腐蝕反應(yīng)中的各種行為，通過腐蝕電流和腐蝕電位等數(shù)據(jù)推導(dǎo)出腐蝕速率，不僅可以精確預(yù)測CO2腐蝕速率，還適用于預(yù)測全部油氣管道的CO2腐蝕情況。但在現(xiàn)場中獲得機理模型所需預(yù)測數(shù)據(jù)較為困難，故該模型很少運用在實際中。

2 預(yù)測方法

2.1 回歸分析

回歸分析即先對某一公式進行參數(shù)化，再根據(jù)實際數(shù)據(jù)利用回歸方法擬合參數(shù)。較多學(xué)者常利用該方法對一些著名的模型進行修正。剛振寶等[29]將DW75模型看作一個三元一次函數(shù)，再結(jié)合試驗數(shù)據(jù)對該模型進行多元線性回歸分析，求出未知的參數(shù)，對于徐深氣田以80 ℃為分界線，得出2個以DW75為基礎(chǔ)的改進公式，其預(yù)測的腐蝕速率與實際腐蝕速率較接近，平均誤差小于10%。蔡利華等[30]利用Excel多元線性回歸方法，結(jié)合渤海區(qū)域的試驗數(shù)據(jù)，對DW95模型的參數(shù)進行改進，最后分別得到不同油套管鋼的腐蝕預(yù)測模型。預(yù)測結(jié)果的平均相對誤差均小于10%，且優(yōu)于Norsok M506模型和ECE模型的。馮超齊[17]通過大天池氣田的現(xiàn)場數(shù)據(jù)，利用Matlab軟件分別對DW75和DW91模型進行回歸運算來修正參數(shù)，得出符合現(xiàn)場數(shù)據(jù)的公式。結(jié)果表明，與原模型相比，修正后的模型能大幅提高油管CO2腐蝕速率的預(yù)測精度，預(yù)測結(jié)果可靠且基本滿足工程需要。劉偉偉[31]通分析了kt-t曲線變化圖，把溫度分為5～20 ℃、20～90 ℃和90～120 ℃三段，再對數(shù)據(jù)進行線性回歸，得到3個關(guān)于kt和t的3次函數(shù)關(guān)系式?？紤]到管壁粗糙度、溫度、壓力流速等因素的影響，用回歸分析方法對實際數(shù)據(jù)進行擬合，最后得出可以預(yù)測A3鋼和N80鋼CO2腐蝕速率的Norsok M506優(yōu)化模型，不僅提高了預(yù)測精度還擴大了模型的適用范圍。梁平等[32]用逐步回歸分析算法對模擬試驗得出的天然氣管線中H2S、CO2、緩蝕劑濃度與CO2腐蝕速率的數(shù)據(jù)進行處理擬合，得到符合液相和氣相的回歸方程，預(yù)測結(jié)果接近實際結(jié)果，具有較高精度。龍媛媛等[33]利用自主設(shè)計研發(fā)的腐蝕管流模擬試驗裝置來模擬勝利油田廣利聯(lián)合站的CO2腐蝕情況，再運用多元線性回歸的方法對得到的試驗數(shù)據(jù)進行分析，擬合出關(guān)于CO2分壓、溫度、流速、Cl-濃度等因素的腐蝕速率回歸方程，其預(yù)測結(jié)果的平均相對偏差為2.7%，準(zhǔn)確性較高。

2.2 神經(jīng)網(wǎng)絡(luò)

2.2.1 BP神經(jīng)網(wǎng)絡(luò)

一般把BP神經(jīng)網(wǎng)絡(luò)分為三層：輸入層、隱含層和輸出層，其中隱含層可以根據(jù)研究類型的不同定義為單層或多層。在CO2腐蝕研究中，常給輸入層輸入影響參數(shù)，如流速、溫度、壓力等，給輸出層輸入腐蝕速率。輸入層將輸入?yún)?shù)傳遞給中間的隱含層，隱含層對這些影響參數(shù)進行訓(xùn)練，再將訓(xùn)練結(jié)果傳遞到輸出層進行比較分析。若沒有達到預(yù)期要求，則將誤差沿原來的路徑反向傳播，隱含層通過修正權(quán)值和閾值，使精度達到預(yù)期要求為止。sigmoid函數(shù)(S型函數(shù))和purelin函數(shù)分別是隱含層和輸出層的神經(jīng)元傳遞常用函數(shù)；常見的訓(xùn)練方法有RPROP算法、SCG算法、LM算法[34]，其中使用最廣的是LM算法，對應(yīng)學(xué)習(xí)速率常取0.01～0.1。

隨著對BP神經(jīng)網(wǎng)絡(luò)功能的廣泛運用與深入研究，其不足亦逐漸顯露出來，如：收斂速度慢、預(yù)測精度較低、易陷入局部極值點、求得全局最優(yōu)的可能性較小等。針對以上不足，許多學(xué)者用不同的算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，如萬里平等[35]利用遺傳算法優(yōu)化初始模型中的權(quán)值和閾值，既克服了傳統(tǒng)算法容易陷入局部極小值的缺陷，又減少了訓(xùn)練時間、提高了預(yù)測精度，平均相對誤差由10.0%降至8.6%；劉釗[36]考慮到遺傳算法在求解多峰值函數(shù)優(yōu)化問題時往往存在一定的局限性，采用小生境概念的遺傳算法進行優(yōu)化，使整個訓(xùn)練過程具收斂速度快，局部最優(yōu)解次數(shù)少、訓(xùn)練時間短等特點，且預(yù)測結(jié)果與實際數(shù)據(jù)基本吻合,相對誤差均小于2%；許宏良等[37]利用粒子群算法進一步提高了預(yù)測精度，其預(yù)測CO2分壓對管道腐蝕速率影響的最大相對誤差為4.6%。

除了可將流速、溫度、壓力等參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入外，還可將CO2腐蝕圖像進行灰度化、和增加二值化處理，從中提取相關(guān)的數(shù)據(jù)作為輸入。孫麗麗等[38]以像素點的數(shù)目表示孔蝕面積，采用像素點的集合求出蝕孔數(shù)目，再將蝕孔面積和孔蝕數(shù)目作為輸入，腐蝕速率作為輸出進行訓(xùn)練，預(yù)測誤差小于7.5%。張旭昀等[39]將孔蝕率和蝕孔密度作為BP神經(jīng)網(wǎng)絡(luò)的輸入，腐蝕速率作為輸出，得到73.8%檢測樣本的相對誤差在8%以內(nèi)，精度滿足要求。

2.2.2 模糊神經(jīng)網(wǎng)絡(luò)

將具有強大學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)和強大結(jié)構(gòu)性表達能力的模糊邏輯推理相結(jié)合，衍生出了模糊神經(jīng)網(wǎng)絡(luò)(FNN)。鄧志安等[40]考慮FNN存在隸屬度函數(shù)，在處理多個輸入?yún)?shù)時會出現(xiàn)難以訓(xùn)練的問題，故先通過灰色關(guān)聯(lián)篩選出主要的影響因素和減少輸入?yún)?shù)，再把它們當(dāng)作FNN的輸入?yún)?shù)，對海底管道的腐蝕進行預(yù)測，分別得到選取2個和3個環(huán)境因素作為輸入?yún)?shù)時的預(yù)測結(jié)果，除了個別預(yù)測數(shù)據(jù)的誤差較大，其余數(shù)據(jù)的預(yù)測精度均保持較高水平，平均相對誤差為5.96%和6.35%。孫寅萍等[41]在模糊神經(jīng)網(wǎng)絡(luò)中引入了混合蟻群算法和K-均值算法進行優(yōu)化。在該網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)過程中，采用K-均值算法具有收斂速度快的特點，對樣本進行第一次聚類，再將結(jié)果作為蟻群算法各路徑上的初始信息素，從而進行第二次聚類，最后再用FNN對模糊規(guī)則庫進行處理。結(jié)果表明，優(yōu)化后預(yù)測方法的識別正確率高于模糊神經(jīng)網(wǎng)絡(luò)的，為83.2%，且預(yù)測結(jié)果的絕對偏差均小于0.1。

2.3 灰色預(yù)測

灰色預(yù)測可以對少量數(shù)據(jù)建立灰色微分預(yù)測模型，從而可以預(yù)測研究對象的未來發(fā)展趨勢。常對原始數(shù)據(jù)數(shù)列進行累加，得到一個生產(chǎn)數(shù)列，再用GM(1,1)模型進行建模求解，從而可以預(yù)測未來的CO2腐蝕速率。馮超齊[17]針對大天池氣田的CO2腐蝕情況，采用灰色預(yù)測建立了時間與腐蝕速率之間的關(guān)系，預(yù)測結(jié)果的后驗差比值為0.087 683(<0.35)，小誤差概率P=1，預(yù)測精度處于最好等級。為了更加精確地預(yù)測腐蝕速率，學(xué)者們對GM(1,1)模型進行了優(yōu)化，結(jié)合了不同的模型方法。

秦政先等[42]比較了小生境遺傳算法(Niche GA)的灰色模型和優(yōu)化前灰色模型的預(yù)測結(jié)果，結(jié)果表明優(yōu)化后算法的預(yù)測精度更高，更接近實際情況，平均腐蝕速率和最大腐蝕速率的平均相對誤差分別由8.13%降至3.53%，3.78%降至1.81%。陳永紅等[43]在灰色理論的基礎(chǔ)上結(jié)合馬爾科夫預(yù)測模型，并利用滾動算法提高精度，建立了基于滾動運算的優(yōu)化無偏灰色馬爾科夫模型。先用遺傳算法對灰色模型改進得到的無偏灰色模型(UBGM)進行優(yōu)化，再對管道的腐蝕速率進行預(yù)測，最后用馬爾科夫模型對預(yù)測數(shù)據(jù)的殘差進行預(yù)測。結(jié)果表明，該方法預(yù)測的每一個結(jié)果都優(yōu)于無偏灰色模型、優(yōu)化無偏灰色模型和基于滾動運算的無偏灰色馬爾科夫模型的預(yù)測結(jié)果。劉曉東等[44-46]將灰色模型GM(1,1)、時間序列分析方法和人工神經(jīng)網(wǎng)絡(luò)三者結(jié)合起來，建立了灰色組合模型。其預(yù)測精度高于GM(1,1)、改進的神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)的。雖然其精度較高，但不能進行長期預(yù)測。張甫仁等[47]為了解決灰色神經(jīng)網(wǎng)絡(luò)的不足，提出了基于雙改進的復(fù)合灰色神經(jīng)網(wǎng)絡(luò)預(yù)測方法。其預(yù)測結(jié)果與多種模型相比，具有最高的精度，絕對誤差和最大誤差分別為0.487 8%和1.24%，預(yù)測波動范圍較小，可以很好地用于腐蝕預(yù)測中。經(jīng)建芳等[48]引入了線性方程進行優(yōu)化，得到了灰色線性回歸組合模型，為了進一步提高預(yù)測精度，對結(jié)果的殘差用BP神經(jīng)網(wǎng)絡(luò)進行修正。該優(yōu)化模型的優(yōu)點在于：不僅改善了線性回歸模型沒有指數(shù)增長及難以描述非線性變化趨勢的不足，還解決了GM(1，1)沒有線性因素的問題,預(yù)測結(jié)果的最大誤差、最小誤差和平均誤差分別是3.187%、0.057%和0.68%，優(yōu)于基于滾動運算的優(yōu)化無偏灰色馬爾科夫模型[41]。

2.4 支持向量機

支持向量機(SVM)是一種基于統(tǒng)計學(xué)習(xí)理論的學(xué)習(xí)方法，具有泛化能力高，學(xué)習(xí)效率快等特點，特別是在解決局部極小、小樣本、高維模式識別、非線性等問題時，有其他學(xué)習(xí)方法所缺少的優(yōu)點。其主要思想是用非線性內(nèi)積核函數(shù)將線性不可劃分的低維空間數(shù)據(jù)投影到線性可劃分的高維特征空間[49]，再在該空間內(nèi)進行擬合，從而得出輸入與輸出之間的非線性關(guān)系。賈春雨[50]將CO2腐蝕圖像處理后得到的孔蝕率和蝕孔密度，再加上工作溫度和CO2分壓作為SVM的輸入，腐蝕速率作為輸出，預(yù)測結(jié)果的精度高于BP神經(jīng)網(wǎng)絡(luò)的，誤差控制在7%以內(nèi)。

亦有學(xué)者對SVM進行改進，使其精度進一步提高。畢傲睿等[51]首先用主成分分析法(PCA)篩選出影響管道內(nèi)腐蝕的主要因素，再將這些因素作為鯰魚粒子群算法(CFPSO)來優(yōu)化SVM的輸入變量。其預(yù)測結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、網(wǎng)格搜索優(yōu)化SVM和遺傳算法優(yōu)化SVM的，平均相對誤差為2.82%，預(yù)測結(jié)果和實際結(jié)果的相關(guān)系數(shù)R接近1,為0.995 5。王曉光等[49]建立了基于最小二乘支持向量機(LS-SVM)的灰色組合預(yù)測模型，把5種灰色模型預(yù)測的模擬結(jié)果作為LS-SVM的輸入，腐蝕速率作為輸出，展示了變權(quán)組合在提高精度和穩(wěn)定性時的優(yōu)越性，預(yù)測結(jié)果的平均相對誤差為0.011 2，與實際值較為接近。

2.5 其他

除了上述方法外，還有其他用來預(yù)測CO2腐蝕的方法，可為CO2的腐蝕預(yù)測提供新思路。王海濤等[52]針對BP神經(jīng)網(wǎng)絡(luò)需要用到大量數(shù)據(jù)和灰色預(yù)測的精度不理想等缺點，提出了基于三次指數(shù)平滑的預(yù)測模型。該模型具有操作簡單、能較好顯示時序的變化、適用于數(shù)據(jù)波動較大且呈非線性變化情況等優(yōu)點。張智等[53]觀察到實驗室通常進行短期CO2腐蝕預(yù)測，而以此為基礎(chǔ)預(yù)測現(xiàn)場長期CO2腐蝕，會帶來較大誤差，故再次對試驗數(shù)據(jù)進行總結(jié)，建立考慮了時間效應(yīng)的腐蝕模型。崔鉞等[54]結(jié)合DW95模型和Tulsa沖刷模型，提出了流場誘導(dǎo)下的腐蝕模型。李頔[55]通過自主研發(fā)的動態(tài)管流腐蝕試驗裝置對20#鋼中CO2的氣液兩相泡狀流腐蝕情況進行分析，使用失重法計算腐蝕速率對DW91模型進行改進。葛揚志等[56]通過數(shù)據(jù)分析得知油水體積比與原油的緩蝕作用存在關(guān)系，采用室內(nèi)掛片法得到在油水體積比為0.25～0.45時，原油的緩蝕作用和油水體積比成正比，最后得出腐蝕修正系數(shù)與油水體積比的關(guān)系。當(dāng)油水體積比為0.25～0.45時，通過Norsok M506模型求出腐蝕速率，最后再乘上腐蝕修正系數(shù)可得最終結(jié)果，很好地解決了Norsok M506模型沒有考慮到油膜影響的問題。

油氣管道經(jīng)長時間CO2腐蝕后，管徑的變化較大，從而會影響運行參數(shù)，故考慮了時間因素的灰色預(yù)測相對于神經(jīng)網(wǎng)絡(luò)和SVM更適用。在試驗數(shù)據(jù)較少的情況下，BP神經(jīng)網(wǎng)絡(luò)往往表現(xiàn)為個別預(yù)測結(jié)果大誤差，整體預(yù)測結(jié)果小誤差的特點，SVM則較好地解決了這一問題，在小樣本情況下還能保持整體預(yù)測結(jié)果小誤差。由于現(xiàn)場和實驗室條件有限，獲取的訓(xùn)練數(shù)據(jù)往往較少，因此在此情況下SVM更適合于神經(jīng)網(wǎng)絡(luò)預(yù)測CO2腐蝕速率。

3 結(jié)束語

(1) 在三大類CO2腐蝕預(yù)測模型中，由于現(xiàn)場條件的約束，常使用半經(jīng)驗?zāi)Ｐ秃徒?jīng)驗?zāi)Ｐ瓦M行腐蝕速率的預(yù)測，機理模型使用較少。

(2) 由于半經(jīng)驗?zāi)Ｐ秃徒?jīng)驗?zāi)Ｐ褪腔趪猬F(xiàn)場數(shù)據(jù)推導(dǎo)得出的，若直接應(yīng)用于國內(nèi)的現(xiàn)場情況，可能會出現(xiàn)低精度和不適用等問題，故需要通過回歸分析對模型的參數(shù)進行修正，以滿足國內(nèi)的現(xiàn)場情況。

(3) 對油氣管道進行較長時間的CO2腐蝕速率預(yù)測時，考慮了時間因素的灰色預(yù)測相比于神經(jīng)網(wǎng)絡(luò)和SVM更為合適。

(4) 在小樣本情況下，SVM整體預(yù)測精度優(yōu)于神經(jīng)網(wǎng)絡(luò)的。可通過數(shù)學(xué)算法優(yōu)化這2種預(yù)測方法從而提高預(yù)測精度，如：遺傳算法、小生境遺傳算法、粒子群算法、鯰魚粒子群算法等。