套管钢在CO_2H_2S环境中的腐蚀速率预测研究.pdf

《套管钢在CO_2H_2S环境中的腐蚀速率预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、图书分类号：学校代码：適±學拉■黧论文题百套管钢在，，环境中的腐蚀速率预测研究研究生姓名冯兆阳导师姓名万里平（副教授）学科专业油气井工程研究方向油气并工程测量与过程控制〇一五年六月西南石油大学研究生学位论文知识产权声明书及学位论文版权使用授权书本人完全了解学校有关保护知识产权的规定，即：研宄生在校攻读学位期间论文工作的知识产权单位属于西南石油大学。学校有权保留并向国家有关部门或机构送交论文的复印件和电子版。本人允许论文被查阅和借阅。学校可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时，本

2、人保证，毕业后结合学位论文研宄课题再撰写的文章一律注明作者单位为西南石油大学。本学位论文属于、保密（），在年解密后适用本授权书。、不保密（请在以上相应括号内打“”）学位论文作者签名：西南石油大学研究生学位论文独创性声明本人声明：所呈交的研宄生学位论文是本人在导师指导下进行的研宄工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，本论文不包含其他人己经发表或撰写过的研宄成果，也不包含其他人为获得西南石油大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名

3、年月作摘要随着我国高酸性油气田的不断开发，目前关于套管钢在环境中的腐蚀研宄已经成为了腐蚀领域中的热点课题之一。但是基于共存腐蚀环境的复杂性，以及两者协同与竞争效应的不确定等原因，对套管钢在共存腐蚀环境中的腐蚀机理和规律并未形成共有性的认识；现有的单一腐蚀速率预测模型或方法完全不能满足这方面的研宄；现有的腐蚀防护研究大多是针对特定油气田腐蚀环境进行的室内实验或现场材质优选，缺乏通用性，远不能满足酸性油气田的发展需要。因此有必要进行套管钢在〇环境中的腐蚀速率预测研究，为指导油气田进行套管选材设计和选择腐蚀预防措施提供理论支撑。本文在调研国内外大量文献的基础上

4、，针对套管钢进行了环境中的腐蚀失重实验，并建立了相应的腐蚀数学模型，又通过数学算法进行腐蚀速率预测并证明了其有效性，最后对比分析了国内外常用的三种腐蚀防护措施。具体研究内容和取得的成果如下：应用套管钢进行室内模拟环境中腐蚀失重实验，在特定实验条件下，考察了不同的主要环境影响因素下腐蚀过程的协同作用规律和交互影响机理，并分析了发生此类变化规律的主要原因。结合扫描电镜（、能谱分析（和射线衍射分析（等显微分析方法对腐蚀产物膜进行形貌、结构以及成分观察分析，结果表明在此实验条件下腐蚀产物中全是铁的硫化物，未见的腐蚀产物。结合套管钢在环境中的腐蚀机理、规律、实验分

5、析以及实验数据建立了三种腐蚀数学模型，即分别针对了腐蚀体系中腐蚀占主导、腐蚀占主导以及两者协同与竞争关系下的腐蚀过程，并利用建立的腐蚀数学模型绘制腐蚀速率分布图，通过腐蚀速率分布图能够清楚展示腐蚀速率随着分压和分压变化的规律。利用建立的神经网络模型预测了套管钢在环境中的腐蚀速率，预测结果证明了该模型具有可靠性。为了能够充分发挥神经网络的作用并克服其自身缺陷，结合遗传算法优化神经网络构建模型并再次进行预测，与单纯的神经网络预测相比，网络训练收敛速度加快，预测精度更高，泛化能力更强，进一步证明了遗传算法优化神经网络是一个预测套管钢在环境中腐蚀速率的适用工具。

6、分析归纳了目前国内外比较适用于含油气井的三种腐蚀防护措施，对比分析了各自的优势与不足，并提出选择套管钢在环境中的腐蚀防护措施时应当结合实际井况下腐蚀机理和规律，具有针对性的选择主要防腐对象。关键词：腐蚀；腐蚀速率；预测；神经网络；防护措施AbstractWiththeexplorationofthehighacidyoil-gasfield,thecorrosionresearchofcasingsteelinCO2/H2Sco-existingenvironmenthasbecomeoneofthehottopicsinthecorrosionfiel

7、datpresent,butitisstilllackofacommonunderstandingofcorrosionmechanismandrulesasaresultofcoordinationandsynergiceffectandmanyinfluentialfactorsinCO2/H2Sco-existingenvironment.Theexistingsinglecorrosionratepredictionmodelormethodscannotmeetthedemands，，strengthened,whichalsoprovesth

8、eoptimizationofBPneuralnetworkbasedongen