基于神经网络与遗传算法的常压塔顶油气系统腐蚀预测*

，， ， ，

(中海油炼油化工科学研究院(北京)有限公司，北京 102200)

常减压蒸馏装置作为炼油厂的一次加工装置,对其整体运行情况和处理量有较大影响。原油中通常含有较多的氯和硫，在一定温度下容易形成HCl-H2S-H2O腐蚀环境，对常压塔顶油气系统造成腐蚀,因此对现有常压塔顶油气管线作出腐蚀预测,对装置的生产和维护有重要意义。在实际生产环境中，各因素对腐蚀的影响很复杂，难以建立准确的数学模型。BP神经网络可以通过自身较强的学习能力和多因素协同作用来确定腐蚀数学模型，并对腐蚀速率进行预测。但在数据样本较少时，该方法预测精度较低，难以满足工程实际需要[1]，可以通过遗传算法对BP神经网络进行优化，提高其预测精度。

1 管线腐蚀因素及训练数据源

某公司常减压蒸馏装置主要加工高酸重质原油，常压塔顶管线选用碳钢材质。原油加工量为50 t/h，常压塔顶温度为94～112 ℃，压力为1.9～13.4 kPa。

常减压蒸馏装置低温部分腐蚀原因主要有以下几点：(1)电脱盐效果差，原油脱后盐含量高，大量氯化物进入常压塔和减压塔塔顶部位，和塔顶凝出水形成盐酸溶液对管线造成腐蚀。(2)常压塔顶注氨设备不完善，使得塔顶pH值无法准确控制，容易形成塔顶HCl-H2S-H2O腐蚀，导致排除水中Fe2+浓度高。(3)缺乏冷凝水pH值检测手段，不能及时调整注氨量，使pH值长期过低，致使常减压蒸馏装置塔顶系统长期处于酸性腐蚀状态[2]。

因此，选择常压塔顶流出污水的pH值、Cl-浓度、Fe2+浓度和硫化物含量作为训练数据，平均腐蚀速率作为输出数据，用来建立预测模型。

2 BP神经网络模型的建立及预测

选取的BP神经网络具有输入层、隐含层、输出层3层结构。作为多层前馈神经网络，其主要特点为信号前向传递，误差反向传递。输入信号通过输入层经隐含层逐层处理，通过输出层输出。如果输出值达不到期望值，将输出值与期望值间的误差反向传播，根据误差调整网络的权值和阈值，通过反复多次迭代减小误差，直至误差降至容许值，则完成神经网络训练[3]。

2.1 BP神经网络建立

2.1.1 网络初始化

以pH值、Cl-浓度、Fe2+浓度和硫化物含量作为输入数据，其输入层节点数为4;神经网络隐含层节点数选取关系到最后的预测精度，在一定范围内增加隐含层节点数会减少训练误差。由于过拟合等原因，超过一定范围后训练误差随着隐含层节点数增加而增大。因此，通过经验公式(1)选择隐含层节点数的大概范围后，经过多次试验,确定隐含层节点数为5时效果最好。最终输出为腐蚀速率，输出层节点数为1。神经网络的拓扑结构为4-5-1。将现场测试得到的100组数据，随机选择90组为训练数据，10组为预测数据进行网络训练。

(1)

式中：n为输入层节点数；l为隐含层节点数；m为输出层节点数；a为0～10间的常数。

2.1.2 节点转移函数确定

选取tansig函数为训练函数，其中隐含层输出函数H由式(2)确定。

(2)

式中：x为输入变量，wij为输入层和隐含层间连接权值，a为隐含层阈值，权值和阈值初始化赋值在[0,1]区间内随机选取；l为隐含层节点数；f为隐含层激励函数。

输出层函数为logsig函数，通过式(3)可计算人工神经网络预测输出Ok。

(3)

式中：h为隐含层输出；Wjk为连接权值；b为阈值。

2.1.3 误差计算

网络预测误差e由式(4)可得。

ek=Yk-Ok，k=1,2,…,m

(4)

式中：O为预测输出；Y为期望输出。

2.1.4 权值更新

通过式(5)和式(6)更新网络连接权值wij和wjk。

i=1,2,…,n;j=1,2,…,l

(5)

wjk=wj-1,k-1+ηHjek,j=1,2,…,l;k=1,2,…,m

(6)

式中：η为学习速率。

2.1.5 阈值更新

通过式(7)和式(8)更新网络节点阈值a，b。

j=1,2,…,l

(7)

bk=bk-1+ek,k=1,2,…,m

(8)

式中：e为网络预测误差。

判断算法迭代是否结束，若没有结束，返回节点转移函数确定步骤。

2.2 腐蚀速率模型建立及预测

通过MATLAB语言进行编程，随机取90组数据为训练数据，10组数据为预测数据。图1是BP神经网络预测输出与期望输出数据对比；图2是BP神经网络腐蚀速率模型预测误差。

图1 预测输出与期望输出数据对比

图2 腐蚀速率模型预测误差

从图1可以看出，该试验所建立的BP神经网络可以预测常压蒸馏装置低温部位腐蚀情况。从图2中的绝对误差可以计算出平均相对误差为21.4%。选取平均相对误差即为绝对误差的平均值，该平均值与真值的平均值的比值，更能反映测量的可信程度。通过计算，其均方误差为2.57%。均方误差指参数估计值与参数真值之差平方的期望值，均方误差越小说明预测模型描述的试验数据具有更高的精确度。

BP神经网络腐蚀预测结果与实际腐蚀速率在整体上符合度较好，体现出BP神经网络具有较强的学习能力和预测能力，但个别预测值偏差较大。

3 遗传算法优化BP神经网络

遗传算法是模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法。按照所选的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，保留适应度好的个体，淘汰适应度差的个体，新的群体继承了上一代的优良信息，这样反复循环，直至满足设定条件[4]。

3.1 算法流程

遗传算法优化BP神经网络是通过遗传算法优化其权值和阈值来实现的。种群中的每个个体都包含了一个网络的所有权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体。BP神经网络预测用遗传算法优化后得到最优个体对初始权值和阈值赋值，网络经训练后预测函数输出[5]。图3为遗传算法流程。

图3 遗传算法流程

由于设置的BP神经网络结构为4-5-1，即输出层有4个节点，隐含层有5个节点，输出层有1个节点，共有25个权值，6个阈值，所以遗传算法个体编码长度为31。随机取90组数据作为训练数据，10组数据为预测数据。

3.2 遗传算法实现

3.2.1 种群初始化

将腐蚀数据进行归一化处理后，得到的数据都为实数串，所以编码方式选择实数编码，其中包括输入层与隐含层连接的权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值4部分。结合之前建立的神经网络构架，就可以构成一个完整的神经网络[6]。

3.2.2 适应度函数

将神经网络预测后的输出值和期望值之间的误差绝对值之和E作为个体适应度值F，根据计算公式(9)可以得出其适应度值。

(9)

式中：n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；k为系数。

3.2.3 选择操作

基于样本为实数串，选取适应度比例的选择策略，即轮盘赌法，每个个体i的选择概率pi为：

(10)

fi=k/Fi

(11)

式中：fi为个体i的适应度值；k为系数；N为种群个体数目。

3.2.4 交叉操作

通过实数交叉法将第k个染色体ak和第l个染色体al在j位进行交叉操作，方法如下：

akj=ak-1,j-1(1-b)+aljb

alj=al-1,j-1(1-b)+akjb

(12)

式中：b为[0-1]间的随机数。

3.2.5 变异操作

将第i个个体的第j个基因aij进行如下变异操作：

(13)

式中：amax为基因aij的上界；amin为基因aij的下界；f(g)定义为f(g)=r2(1-g/Gmax)2；r2为随机数；g为当前迭代次数；Gmax为最大进化次数；r为[0-1]间的随机数。

3.3 遗传算法优化BP神经网络实现

通过MATLAB软件实现基于遗传算法优化的BP神经网络，建立常压塔顶油气系统腐蚀预测模型。通过多次试验得到遗传算法参数：种群规模100，进化次数250，交叉概率0.3，变异概率0.1。遗传算法优化BP神经网络预测输出与期望输出数据对比见图4；图5是遗传算法优化BP神经网络腐蚀速率模型预测误差。

图4 优化后预测输出与期望输出数据

图5 优化后腐蚀速率模型预测误差

从图4可知，遗传算法优化后的BP神经网络的腐蚀预测数据具有更高的预测精度。从图5可以看出，通过绝对误差计算出平均相对误差为11.1%，较优化前BP神经网络预测误差有了大幅度降低;计算出均方误差为2.29%,也较优化前BP神经网络预测误差有了一定的降低，说明优化后的预测模型描述试验数据具有更高的精确度。

4 结 论

(1)根据某公司常顶冷凝水的pH值、Cl-浓度、Fe2+浓度和硫化物含量作为输入数据，腐蚀速率作为输出数据，建立了BP神经网络腐蚀速率预测模型。

(2)BP神经网络在训练样本较少的情况下，预测误差值较大。运用遗传算法对BP神经网络腐蚀速率预测模型进行优化，所建立的遗传算法优化BP神经网络腐蚀速率预测模型的预测值与实际值具有良好的吻合度，预测精度较高。

(3)所建立的优化模型对常压塔顶油气低温部位的腐蚀预测精度较高，对实际生产中的腐蚀检测具有参考价值。

[1] 张代远.神经网络新理论与方法[M].北京：清华大学出版社,2006:11.

[2] 薛光亭.加工海洋高酸原油常减压装置的腐蚀与防护[J].石油化工腐蚀与防护,2013.30(5):50-53.

[3] 王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013:8.

[4] 李敏强.遗传算法的基本理论与应用[M].北京:科学出版社,2002:47-96.

[5] 花广如,李文浩,郭阳阳.基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测[J]. 腐蚀与防护,2017,38(8):573-577,588.

[6] 邱鹏,王登海,郑欣,等.预测天然气水合物生成条件回归公式的评价[J]. 石油与天然气化工,2016,45(2):47-49.