基于Kriging插值水下连接器密封性能预测模型

薛羽馨 曾威 任涛 吴为

摘要：水下连接器是整个生产系统的关键节点，其密封一旦失效后果不堪设想，因此有必要对连接器进行可靠性评价，为水下生产系统工作稳定、安全可靠提供依据。水下连接器工作环境较为复杂，影响其密封性能退化因素较多，故以密封件接触应力强度作为水下连接器密封性能评价指标，通过敏感度分析方法，找到影响密封件接触应力强度的主要因素是工作内压、工作时间和位移栽荷这3个随机变量。为了进一步确定这3个随机变量与接触应力强度之间的关系，开展连接器密封性能预测模型的研究。使用试验设计方法随机抽取工作内压、工作时间、位移栽荷这3个随机变量数据，将这些数据代入Abaqus软件中进行有限元分析，得出相对应的密封接触应力强度值，然后使用Kriging模型将这3个变量与接触应力强度之间的关系进行拟合，得到密封性能与影响因素间的响应关系，实现对水下连接器性能退化的预测。

关键词：水下连接器;敏感度分析;试验设计;Kriging模型;响应关系

中图分类号：TE953

文献标志码：A

文章编号：1009-9492f 2022）02-0042-04

0 引言

水下连接器在海底工作期间，不仅受到外部海水的腐蚀，还受到内部油气介质中H2S、CO2、O2等对管道的腐蚀[1]，使得水下连接器密封性能发生退化直至失效，一旦失效，将造成严重的环境污染和巨大的经济损失[2]。因此，有必要构建水下连接器密封性能预测模型，计算在不同工作条件下水下连接器的密封性能，为水下连接器设备维护提供参考依据。曾威等[3]考虑到腐蚀作用下水下连接器工作时间对密封性能的影响，采用Camma退化模型对连接器密封性能退化过程进行分析，为连接器维修提供依据。但是在实际问题中，影响水下连接器密封性能退化失效的因素有很多，若只取工作时间作为变量，其他因子为定值进行性能退化分析，会影响分析结果的准确性。影响水下连接器性能退化的因素较多，可采用近似模型对影响因素与性能退化之间的关系进行拟合。常用的近似模型方法有响应面法、SVM法、神经网络法等，但这些方法均有一定局限性，存在精度低，误差性大等问题[4]。Kriging模型是无偏最优估计方法，是把已知的各变量数据作为样本点，考虑变量之间关系从而建立的近似模型[5]。罗正东等[6]考虑到影响边坡稳定因素有多种，采用Kriging模型对边坡稳定可靠性进行分析。曾威等[7]采用Kriging方法建立钢轨打磨温度关于打磨参数的预测模型，为钢轨打磨过程中优化打磨参数提供依据。以上研究表明，使用Kriging模型对非线性数据进行拟合，拟合的结果能够满足工程需求。本文采用Kriging插值方法，构建水下连接器密封性能Kriging预测模型。通过预测模型计算在任意时刻工作内压和位移载荷随机变化情况下水下连接器密封接触应力强度值的大小，为水下连接器设备维护提供依据。

1 密封性能敏感性分析

水下连接器工作环境恶劣复杂，影响水下连接器密封性能退化失效的因素较多，包括：内外载荷、工作时间、海底温度等。若以上述多种影响因素作为自变量，对水下连接器进行可靠性分析，不僅费时费力计算量大、还会出现较大误差，因此需要找到影响连接器密封性能的主要设计参数。敏感度分析方法是研究自变量变化对因变量影响程度的大小[8]。使用敏感度分析方法筛选出影响水下连接器密封性能退化失效的主要因素，从而为后面分析水下连接器可靠性奠定基础。

修正后的Morris方法是敏感度分析方法的一种，是用来确定在其他因素不变的情况下，单独改变某一因素，计算改变该因素对响应量影响程度的大小[9]。已知y是模型输出响应量，x1，x2，…，xn是影响响应量y的变量因子，两者之间关系表达式为：

将敏感度判别因子S按敏感度等级进行区分，以此筛选出主要的敏感度参数，如表1所示[11]。

本文以水下连接器密封性能退化为研究对象，密封接触应力强度为响应量，工作温度、工作内压、位移载荷为自变量，采用修正后的Morris方法计算得出：工作内压、工作时间、位移载荷的敏感度判别因子S值，计算结果如表2所示。

由表2可知：工作内压、工作时间、位移载荷5值均在[0.2，1.0）范围内，为敏感程度因子，故工作内压、工作时间、位移载荷是影响水下连接器密封性能退化失效的主要因素，在后期进行水下连接器可靠性分析时，可以只考虑这3个因素对可靠性的影响。

2 基于Kriging模型水下连接器密封性能建模

2.1 水下连接器密封性能建模基本流程

为了得到密封性能与影响因素间的响应关系，实现对水下连接器性能退化的预测研究，基于连接器密封性能敏感性分析结果，建立如图1所示的基于Kriging模型水下连接器密封性能建模流程，共包括2个步骤：（1）对主要的影响因素进行抽取采样;（2）利用Abaqus软件对抽取的样本数进行多次建模和有限元分析，得出相对应的水下连接器密封接触应力强度值，基于上述训练样本采用Kriging模型构建水下连接器密封性能预测模型。

2.2 自变量试验设计

Kriging预测模型能否可以精确拟合因变量与自变量之间的关系，样本数量的抽取尤为重要。在样本抽样过程中，试验设计（DOE）方法可快速抽取多组数据，具有合理性、有效性、准确性，故使用DOE方法对自变量数据进行随机抽取。

拉丁超立方设计是DOE方法中常用的一种方法，是将n个变量因子放置于n个不同的空间维度中，将每个维度按其取值范围均匀等分m个区间，在每个区间中随机抽取一个样本点，将每个变量因子抽取的m个点进行随机组合，在所得到的组合中随机抽取样本[12]。使用拉丁超立方设计方法抽取样本的试验次数不需太多，但由于其试验点分布不均匀，会导致自变量与因变量之间的拟合度不精准，存在较大偏差，故引入最优拉丁超立方设计方法采样。最优拉丁超立方设计方法是在拉丁超立方设计基础上进行优化改进，可以使所有试验点均匀分布在设计空间上，使自变量和因变量的拟合度更加精准[13]。

为了确保Kriging模型可以精准表达和预测自变量与响应量之间的关系，试验样本数通常选取小样本进行分析计算。以水下连接器为例，通过敏感度分析方法，得出影响水下连接器密封性能的主要影响因素有3个：工作内压、工作时间、位移载荷，选取这三者为自变量，采用最优拉丁超立方设计方法对这3个随机变量均匀抽取16组样本数据。

2.3 Kriging模型

Kriging模型是无偏估计模型，是对已知的输入、输出变量数据进行相关特性分析，拟合两者之间关系，通过拟合结果去预测某一插值点的响应值[14]。Kriging模型由回归部分和非参数部分组成，一般表达式为[15-16]：

3 实例分析

通过敏感度分析方法找出影响水下连接器密封性能的主要因素是工作内压、工作时间、位移载荷，对上述3个随机变量采用最优拉丁超立方设计方法进行抽取16组数据，利用Abaqus软件对抽取的样本数进行有限元分析，得出相对应的水下连接器密封接触应力强度值，进而构建水下连接器密封性能Kriging预测模型，得到四者之间关系的拟合面。通过预测模型可计算在任意时刻时，工作内压和位移载荷随机变化情况下水下连接器密封接触应力强度值的大小。

将工作内压、工作时间、位移载荷与水下连接器密封接触应力值四者关系通过Kriging预测模型的四维图形表示出来，如图2所示。其中X1为工作内压、X2为工作时间、X3为位移载荷。从图中可以看出，水下连接器工作时间为0-24年，工作内压为29-41 MPa，位移载荷为-0.120 6 -0.126 6 mm，深水管汇连接器密封接触应力最大值为405.08 MPa，最小值为210.98 MPa。

4 结束语

（1）使用敏感度分析方法得出工作内压、工作时间及位移载荷是影响水下连接器密封性能的主要因素，在进行水下连接器密封性能可靠性分析时应将这3个因素作为主要因素;

（2）使用最优拉丁超立方设计方法对工作内压、工作时间、位移载荷进行样本抽样，抽取的样本点均匀分布于整个空间，具有合理、准确性，为后期进行密封性能的拟合提供准确数据;

（3）根据构建的水下连接器密封性能Kriging预测模型，可以简单、快速地计算出在任意时刻，工作内压和位移载荷随机变化情況下水下连接器密封接触应力强度值的大小，为水下连接器设备维护提供参考依据。

参考文献：

[1]许宏良，殷苏民，基于改进BP神经网络优化的管道腐蚀速率预测模型研究[J].表面技术，2018，47（2）： 177-181.

[2]运飞宏，王立权，刘军，等.深水卡爪式连接器密封优化分析及试验研究[J].华中科技大学学报（自然科学版），2017（4）： 23-28.

[3]曾威，宋红，任涛，等.基于Gamma过程的水下连接器密封性能退化随机模型[J].科学技术与工程，2019，19（4）： 110-114.

[4] GOMES H M.AWRUCH A M.Comparison of response surfaceand neural network with other methods for structural reliabilityanalysis[J]. Structural Safety. 2004. 26（1）： 49-57.

[5] KAYMAZ I. Application of Kriging method to structural reliabili—ty problems[J].Structural Safety，2005，27（2）：133—151.

[6]罗正东，董辉，陈铖，等.基于克里金模型的边坡稳定可靠度分析方法[J].岩土力学，2015，36（S1）.439—444.

[7]曾威，丘文生，宋红，等.基于Kriging插值的钢轨打磨温度预测 [J].铁道科学与工程学报，2018，15（6）：1559—1566.

[8]Baroni G，Tarantola S.A general probabilistic framew叫k fonln—certainty and global sensitivity analysis of deterministic models：ahydrological case study[J].Environmental Modelling&Software，2014f5 11：26—34.

[9]陈卫平，涂宏志，彭驰，等.环境模型中敏感性分析方法评述[J].环境科学，2017，38（1 1）：4889—4896.

[10]黄金良，杜鹏飞，何万谦，等.城市降雨径流模型的参数局部灵敏度分析[J].中国环境科学，2007（4）：549—553.

[11]Lenhart L.Eckhardt K，Fohrer N，et al.Comparison of two di^ferent appmaches of sensitivity analysis [J].Physics&Chemis—try of the Eanh，2002，27（9）：645—654.

[12]辛欣，基于拉丁超立方采样方法的抽水试验方案设计研究[J].科技传播。2014（6）：131—132.

[13]辛俊胜，商跃进，王红，等.基于最优拉丁超立方抽样的动车组轴箱弹簧稳健设计[J].铁道机车车辆，2020，40（5）：60—64.

[14]王刚成，马宁，顾解忡.基于Kriging代理模型的船舶水动力性能多目标快速协同优化[J].上海交通大学学报，2018，52（6）：666—673.

[15]Kleijnen JPC.Kriging metamodeling in simulation：A review[J].European Journal of operational Research，2009，192（3）：707— 716.

[16]Kleijnen JPC.Regression and Kriging metamodels with theirex—perimental designs in simulation：A review[J].EuropeanJoumal of operational Research，2017，256（1）：1—16.