基于大数据的海底管道腐蚀规律研究

基于大数据的海底管道腐蚀规律研究
魏晨亮1王丹丹1陈秋华1陈思佳2廖柯熹2袁东野1张金龙1
1中海石油技术检测有限公司
2西南石油大学石油与天然气工程学院
摘要：为了减少和避免海底管道发生腐蚀失效事故，提高海底管道的安全运行能力，提出了一种基于支持向量机（SVM）和关联（Apriori）算法的腐蚀规律研究方法。

采用SVM拟合腐蚀尺寸数据，得到腐蚀类型预测模型，采用Apriori算法挖掘海底管道腐蚀点的腐蚀类型、时钟方向、位置等级等数据之间的强关联规则，并将挖掘结果可视化处理，研究海底管道沿线腐蚀的分布规律和尺寸特征。

关键词：海底管道；腐蚀分布；腐蚀尺寸；支持向量机；关联算法
Research on Corrosion Law of Submarine Pipeline Based on Big Data
WEI Chenliang1，WANG Dandan1，CHEN Qiuhua1，CHEN Sijia2，LIAO Kexi2，YUAN Dongye1，ZHANG Jinlong1
1Inspection Technology Co.，Ltd.，CNOOC
2School of Petroleum and Natural Gas Engineering，Southwest Petroleum University
Abstract：In order to reduce and avoid the occurrence of submarine pipeline corrosion failure acci-dents and improve the safe operation ability of submarine pipeline，a corrosion law research method based on support vector machine(SVM)and correlation algorithm(Apriori)is proposed.The SVM is used to fit corrosion size data and obtain corrosion type prediction model.The Apriori algorithm is used to mine the strong association rules among the corrosion type，clock direction，location class and oth-er data of the submarine pipeline corrosion points，and the mining results are processed visually to study the distribution law and size characteristics of the corrosion along the submarine pipeline.
Keywords：submarine pipeline；distribution of corrosion；corrosion size；SVM；Apriori
随着中海油海底管道完整性管理进程的推进，管道智能内检测作为海底管道完整性管理的一种有效手段，正在被大力推广和应用。

海底管道内检测风险高、成本高，且还有一部分管道不适合进行内检测，需要采取其他有效的手段对管道的完整性进行分析。

目前，国内外学者就数据挖掘方法在管道中的应用进行了大量的研究实践。

李炳文和杨晶[1]提出使用ABC-SVM算法对海底管道腐蚀速率进行预测。

陈毓飞等[2]基于大数据，使用LSTM建立了燃气管道施工破坏可能性的预测模型。

韩志全等[3]基于加速的Wiener退化模型原理，构建了管道裂缝评价模型。

汪瑛[4]采用关联规则Apriori算法对燃气系统管道维修方面的数据进行了挖掘分析，为企业决策提供依据。

王宏安和陈国明[5]提出了一种基于K均值聚类的管道漏磁缺陷信号标记方法来识别漏磁数据中的缺陷区域。

PRIYANKA等[6]提出了一种基于K均值聚类和时间序列预测的故障识别与预测方法，用于评估和预测现有石油管道的状况。

SANTOSH等[7]提出了一种基于粗糙集理论和支持向量机的泄漏检测方案以检测管道泄漏情况。

因此，为了体现出海底管道内检测数据的价值，本文基于支持向量机（SVM）算法建立了腐蚀缺陷的类型识别模型。

利用Apriori算法挖掘了海底管道腐蚀点的腐蚀缺陷类型、环向位置时钟方向、轴向位置区域等级等数据之间的强关联规则。

将挖
DOI:10.3969/j.issn.1006-6896.2021.04.013
掘结果进行了可视化处理，给出了海底管道沿线腐蚀的分布规律和尺寸特征。

1
腐蚀缺陷内检测大数据的挖掘算法
1.1
Apriori 算法
Apriori 算法用于挖掘蕴含在大数据中的有关联
性的因素之间的隐藏关系。

关联规则反应了一个因素与其他因素之间的相互依赖关系[8]。

如果多因素之间存在一定的强关联关系，那么一个因素就可以通过其他几个因素来进行预测分析。

Apriori 算法的运算逻辑如下：
定
义
基
本
数
据
集
合
D ={}t 1，t 2，t 3，…，t k ，…，t q ，其中t k 称为事务，角标k =1，2，3，…，q 。

定义事务集合
t k ={}i 1，i 2，i 3，…，i n ，…，i p ，其中i n 称为项，角
标n =1，2，3，…，p 。

事务是由若干个项组成的。

D 的任意子集I ={}i 1，i 2，i 3，…，i m 称为D 的项集。

出现次数较多的项集则称为频繁项集。

若X 、Y 均为项集，且满足X ⊂I 、Y ⊂I 、X ∩Y =Ø，
则蕴含式X ⇒Y 表示一个关联规则。

X 为关联前提，Y 为关联规则的结果。

某数据项在事务中出现的频度称为支持度。

支持度函数S ()x 定义为D 中包含了“数据项x ”的“事务数”与“总事务数”的比值函数，如公式（1）所示，其中c ()x 为计数函数。

S ()x =
c ()x c ()
D （1）
关联规则X ⇒Y 的支持度等于项集X ∪Y 的支持度，如公式（2）所示。

S ()X ⇒Y =S ()X ⋃Y =
c ()X ⋃Y c ()
D （2）
若S ()X 大于等于指定的最小支持度，则X 为频繁项集，反之则为非频繁项集。

关联规则X ⇒Y 的可能性定义为D 中包含X 的事务中有多大可能性同时包含Y ，记作F conf ()X ⇒Y ，如公式（3）所示。

F conf ()X ⇒Y =
S ()X ⋃Y S ()
X （3）
指定的最小可能性阈值记为Min Con 。

若数据集X 满足S ()X ≥Min Con ，则X 为频繁数据项集；若与此同时，关联规则X ⇒Y 满足F conf ()X ⇒Y ≥Min Con ，则规则X ⇒Y 是强关联规
则，反之则为弱关联规则。

1.2支持向量机算法
支持向量机最早由VAPNIK 提出[9]，是一种对
数据进行二元分类的广义分类器。

使用支持向量机处理非线性数据时，选择不同核函数可对不同类型数据进行特征化处理，使数据的可分性更加明显。

常用的核函数有三种：①多项式型核函数，表达式
为K ()x 1，x 2=()x 1，x 2+R d
，其中x 1，x 2表示向量x 1和x 2的内积；②高斯型核函数，表达式为
K ()x 1，x 2=exp æè
ççöø
÷÷-
x 1-x 22
2σ2
，其中 x 1-x 2表示向量x 1和x 2之差的范数，通过调控参数σ，可使高斯型核函数具有很高的灵活性；③线性核函数，表达式为K ()x 1，x 2=x 1，x 2。

本文采用高斯型核函数对数据进行处理和分析。

2
腐蚀缺陷的尺寸特征和分布规律
2.1
海底管道腐蚀缺陷内检测数据
收集的海底管道腐蚀缺陷内检测数据可划分为
管道基本属性数据、腐蚀缺陷尺寸数据和腐蚀缺陷分布数据。

其中腐蚀缺陷尺寸数据中的字段主要包括腐蚀缺陷类型、长度、宽度、深度，腐蚀缺陷分布数据字段主要包括腐蚀缺陷环向时钟方位和轴向位置区域等级。

腐蚀缺陷类型共7种，包括轴向沟槽、轴向凹槽、环向沟槽、环向凹槽、常规腐蚀、点蚀和针孔腐蚀。

腐蚀缺陷环向时钟方位共12种，从1点钟方向到12点钟方向。

腐蚀缺陷的轴向位置区域等级共3种，包括靠近焊缝处（W）、焊缝（C）、管身（J ）。

轴向位置区域等级划分示意图如图1所示，图中A 用于界定焊缝处的长度范围。

当管道壁厚≤10mm 时，A 取值10mm。

当管道壁厚>10mm
时，A 取壁厚值。

图1腐蚀缺陷轴向位置区域等级划分
Fig.1Classification of the axial position area of corrosion defect
2.2腐蚀缺陷的尺寸特征
以海底管道的缺陷尺寸规律为研究目标，使用
支持向量机对腐蚀缺陷类型定义值、长度值、宽度值、深度值进行拟合，得出腐蚀缺陷尺寸特征的预测模型。

以输油管道的116066个腐蚀缺陷点的尺
寸数据为例进行分析。

将60%的数据用于训练集，40%的数据用于测试集，分别用来构建模型和评估模型的预测能力。

本文选择的核函数为径向基函数，得到的混输管道、输油管道、输气管道、输水管道的SVM预测模型的预测准确率大于78%（表1）。

混输、输油、输气、输水管道数据的训练集中模型的预测准确率分别为92%、99%、85%、91%，而测试集中模型的预测准确率分别为90%、99%、78%、86%。

由于输气管道的数据量相对于其他三类管道的数据量偏少，所以输气管道测试集中模型的预测准确率最低。

表1SVM预测模型用于四类管道时的准确率
Tab.1Accuracy of SVM prediction model when applied to the
four types of pipelines
管道类别混输管道输油管道输气管道输水管道训练集中模型的预测
准确率/%
92
99
85
91
测试集中模型的预测
准确率/%
90
99
78
86
2.3腐蚀缺陷的分布规律
以海底管道的腐蚀缺陷分布规律为研究目标，对腐蚀缺陷类型、时钟方位、区域等级进行关联规则挖掘，以期得出某类腐蚀缺陷分布在不同轴向位置区域和不同环向时钟方位的可能性大小。

管道的腐蚀缺陷分布规律的含义如表2所示，腐蚀缺陷分布规律包含了腐蚀缺陷分布规律本身及其可能性两层含义。

通过整理分布规律，可得到管道上腐蚀缺陷发生在不同轴向位置区域且落在某一时钟方位内的概率（可能性）。

第1条分布规律“靠近焊缝，且处于10:00~11:00范围⇒环向沟槽”表达的意思是“靠近焊缝，且处于10:00~11:00范围”的腐蚀缺陷的缺陷类型是环向沟槽，其可能性为100%，即第1条分布规律一定成立。

第5条分布规律“管身，且处于3:00~4:00范围⇒环向凹槽”表达的意思是“管身，且处于3:00~4:00范围”的腐蚀缺陷的缺陷类型是环向沟槽，其可能性为1%，即第5条分布规律基本可以肯定不成立。

以此类推，可挖掘出全部的腐蚀缺陷分布规律，并给出相应的可能性。

最终选择可能性很大的分布规律为相应管道的腐蚀缺陷分布规律。

分布规律1表明，靠近焊缝10:00~11:00处若发生腐蚀，则腐蚀缺陷类型为环向沟槽的可能性为100%。

分布规律4表明，管身2:00~3:00处若发生腐蚀，则腐蚀缺陷类型为环向沟槽的可能性为94%。

分布规律6表明，焊缝处4:00~5:00处若发生腐蚀，则腐蚀缺陷类型为点蚀的可能性为100%。

表2不同的腐蚀缺陷分布规律及其可能性Tab.2Different corrosion defect distribution rules and their
possibilities
序号
1
2
3
4
5
6
腐蚀缺陷分布规律
靠近焊缝，且处于10:00~11:00范围⇒环向沟槽
靠近焊缝，且处于7:00~8:00范围⇒点蚀
靠近焊缝，且处于3:00~4:00范围⇒环向凹槽
管身，且处于2:00~3:00范围⇒环向沟槽
管身，且处于3:00~4:00范围⇒环向凹槽
焊缝处，且处于4:00~5:00范围⇒点蚀
可能性/%
100
30
8
94
1
100以下针对输油管道开展腐蚀缺陷分布规律的详细分析。

首先通过整理分布规律，得到输油管道上腐蚀缺陷发生在不同轴向位置区域内的可能性，结果如表3所示。

输油管道在三个轴向位置区域处主要发生的腐蚀均为点蚀和环向沟槽。

在管身处、靠近焊缝处和焊缝处发生点蚀和环向沟槽的可能性分别为99%（88%加11%）、95%和100%。

表3输油管道不同轴向位置区域发生
不同类型腐蚀缺陷的可能性
Tab.3Probability of different types of corrosion defects
occurring in different axial locations of oil pipelines 管身
环向沟槽
点蚀
环向凹槽
可能性/%
88
11
1
靠近焊缝
环向沟槽
点蚀
环向凹槽
可能性/%
77
18
5
焊缝
环向沟槽
点蚀
-
可能性/%
67
33
-按照输油管道轴向位置区域的不同，分别整理出管身处、靠近焊缝处和焊缝处，不同类型腐蚀在时钟方位上发生的分布规律及其可能性（表4、表5、表6），并做可视化处理给出雷达图（图2、图3、图4）。

分布概率雷达图中每个区间长度为1h。

由表4和图2可知，管身处腐蚀主要分布在3:00~10:00时钟方位上，其中点蚀主要分布在3:00~7:00时钟方位，并且6:00~7:00处腐蚀缺陷数量最多（可能性为23%）。

管身处环向凹槽在3:00~4:00、7:00~10:00时钟方位上均匀分布（可能性均为25%）。

管身处环向沟槽主要分布在3:00~9:00时钟方位上，且6:00~7:00处腐蚀缺陷数量最多（可能性为17%）。

由表5和图3可知，靠近焊缝处腐蚀缺陷主要集中在3:00~9:00时钟方位。

其中点蚀主要分布在5:00~7:00和8:00~9:00时钟方位处，且8:00~9:00处腐蚀缺陷数量最多（可能性为33%）。

靠近焊缝处的环向凹槽主要分布在7:00~8:00时钟方位处，可能性为80%。

靠近焊缝处的环向沟槽在每个时钟方
位区间上都有发生，其中5:00~6:00处腐蚀缺陷数量最多（可能性为16%）。

表4
管身处腐蚀缺陷的时钟方位分布
Tab.4Clock orientation distribution of corrosion defects at the
pipe body
腐蚀缺陷分布规律
管身，点蚀管身，点蚀管身，点蚀管身，点蚀管身，点蚀管身，点蚀管身，环向凹槽管身，环向凹槽管身，环向凹槽管身，环向凹槽管身，环向沟槽管身，环向沟槽管身，环向沟槽管身，环向沟槽管身，环向沟槽管身，环向沟槽管身，环向沟槽管身，环向沟槽
→→→→→→→→→→→→→→→→→→
6:00~7:004:00~5:003:00~4:005:00~6:008:00~9:007:00~8:009:00~10:008:00~9:007:00~8:003:00~4:006:00~7:005:00~6:004:00~5:003:00~4:008:00~9:007:00~8:002:00~3:001:00~2:00
可能性/%
23161514108252525251716121111
1065
图2
管身处腐蚀缺陷在不同时钟方位分布概率雷达图
Fig.2Radar map of the probability distribution at different clock
orientations of corrosion defects at
the pipe body
图3
靠近焊缝处的腐蚀缺陷在不同时钟方位分布概率的雷达图
Fig.3Radar map of the probability distribution at different clock
orientations of corrosion defects
near the weld
图4焊缝处的腐蚀缺陷在不同时钟方位分布概率的雷达图
Fig.4Radar map of the probability distribution at different clock
orientations of corrosion defects at the weld 表5
靠近焊缝处的腐蚀缺陷的时钟方位分布情况
Tab.5Clock orientation distribution of corrosion defects near the
weld
腐蚀缺陷分布规则
靠近焊缝，点蚀靠近焊缝，点蚀靠近焊缝，点蚀靠近焊缝，点蚀靠近焊缝，点蚀靠近焊缝，环向凹槽靠近焊缝，环向凹槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽靠近焊缝，环向沟槽
→→→→→→→→→→→→→→→
8:00~9:005:00~6:006:00~7:002:00~3:001:00~2:007:00~8:003:00~4:005:00~6:007:00~8:008:00~9:003:00~4:006:00~7:004:00~5:0010:00~11:000:00~1:00
可能性/%
332619126802016151413111066
表6焊缝处的腐蚀缺陷的时钟方位分布
Tab.6Clock orientation distribution of corrosion defects at the
weld
腐蚀缺陷分布规律
焊缝处，点蚀焊缝处，环向沟槽焊缝处，环向沟槽
→→→
4:00~5:001:00~2:008:00~9:00
可能性/%1005050
由表6和图4可知，输油管道焊缝处只发生了点蚀和环向沟槽。

其中点蚀仅发生在4:00~5:00时钟方位处，发生的可能性为100%。

环向沟槽在1:00~2:00和8:00~9:00时钟方位处发生的可能性均为50%。

3
结论
基于海底管道内检测大数据，使用支持向量机
和关联算法进行数据挖掘，得到了海底管道腐蚀缺陷的尺寸特征和分布规律。

（1）收集的海底管道腐蚀缺陷内检测数据可划
分为管道基本属性数据、腐蚀缺陷尺寸数据和腐蚀缺陷分布数据。

其中腐蚀缺陷尺寸数据中的字段主要包括腐蚀缺陷类型、长度、宽度、深度，腐蚀缺陷分布数据字段主要包括腐蚀缺陷环向时钟方位和轴向位置区域等级。

（2）得到的混输管道、输油管道、输气管道、输水管道的SVM 预测模型的预测准确率大于78%。

混输、输油、输气、输水管道数据的训练集中模型的预测准确率分别为92%、99%、85%、91%，而测试集中模型的预测准确率分别为90%、99%、78%、86%。

准确率可随数据量的增多而提高。

（3）得到了不同管道上某类腐蚀缺陷分布在不同轴向位置区域和不同环向时钟方位的可能性大小。

输油管道在三个轴向位置区域处主要发生的腐蚀均为点蚀和环向沟槽。

在管身处、靠近焊缝处和焊缝处发生点蚀和环向沟槽的可能性分别为99%、95%和100%。

本文的研究方法和结论可用于海底管道腐蚀缺陷尺寸特征和腐蚀缺陷分布规律的研究及预测，为监测海底管道腐蚀情况提供参考，体现了内检测大数据的价值，对海底管道完整性管理具有重要意义。

参考文献
[1]李炳文，杨晶．基于ABC-SVM 算法的海底多相流热油管道腐蚀速率预测[J]．工业加热，2020，49（2）：47-49，55．
LI Bingwen，YANG Jing．Prediction of corrosion rate of subsea multiphase flow hot oil pipeline based on ABC-SVM algorithm[J]．Industrial Heating，2020，49（2）：47-49，55．
[2]陈毓飞，金跃辉，杨谈．一种基于LSTM 的燃气管道施工破坏风险预测模型[J]．网络新媒体技术，2019，8（1）：24-29．
CHEN Yufei，JIN Yuehui，YANG Tan．A prediction mod-el for the failure probability of gas pipelines caused by con-struction damage based on LSTM[J]．Network New Media Technology，2019，8（1）：24-29．
[3]韩志全，张金龙，徐靖喆，等．基于加速Wiener 退化模型的管道裂缝评价和预测[J]．化工管理，2019，12（22）：154-155．
HAN Zhiquan，ZHANG Jinlong，XU Jingzhe，et al．Eval-uation and prediction of pipeline fracture based on accelerat-ed Wiener degradation model[J]．Chemical Enterprise Man-agement，2019，12（22）：154-155．
[4]汪瑛．关联规则Apriori 算法在燃气管道维修中的应用[J]．福建电脑，2015，31（10）：134．
WANG Ying．Application of apriori algorithm of association rule in maintenance of gas pipeline[J]．Fujian Computer，2015，31（10）：134．
[5]王宏安，陈国明．基于K 均值聚类的油气管道漏磁缺陷标记方法[J]．科学技术与工程，2020，20（21）：8643-8646．
WANG Hong'an，CHEN Guoming．Defect marking method of magnetic flux leakage in oil and gas pipelines based on K-means clustering[J]．Science Technology and Engineering，2020，20（21）：8643-8646．
[6]PFIYANKA E，BHASKARA N，MAHESWARI C，et al．
Future prediction &estimation of faults occurrences in oil pipelines by using data clustering with time series forecasting [J]．Journal of Loss Prevention in the Process Industries，2020，66（10）：1016-102．
[7]SANTOSH K M，FELIX T S C，TIWARI M K．Leak de-tection of pipeline：an integrated approach of rough set theo-ry and artificial bee colony trained SVM[J]．Expert Systems with Applications，2012，39（3）：3071-3080．
[8]蔡伟杰，张晓辉，朱建秋，等．关联规则挖掘综述[J]．计算机工程，2001，14（5）：31-33，49．
CAI Weijie，ZHANG Xiaohui，ZHU Jianqiu，et al．Sur-vey of association rule mining[J]．Computer Engineering，2001，14（5）：31-33，49．
[9]邓乃扬，田英杰．支持向量机——理论、算法与拓展[M]．北京：科学出版社，2009．
DENG Naiyang，TIAN Yingjie．Support vector machines：theory，algorithm and extension[M]．Beijing：Science
Press，2009．
作者简介
魏晨亮：工程师，2014年毕业于大连理工大学，从事油气管道完整性管理、管道检测与评估评价工作，133****6051，****************，天津市滨海新区东沽石油新村二区中海石油技术检测有限公司，300450。

收稿日期
2020-12-20
（编辑
胡宏宇）。