原油长输管道安全维护中存在的问题及风险评价

《原油长输管道安全维护中存在的问题及风险评价》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、原油长输管道安全维护中存在的问题及风险评价原油长输管道安全维护中存在的问题及风险评价摘要：本文结合某长输原油输送管道现实存在的风险因素，并针对各管段进行分析预测的基础上，提出一种基于BP算法的神经网络模型，并通该长输管道实际案例计算验证了该方法的实用性与可靠性。关键词：原油管道安全维护风险评价一、原油管道安全维护管理中存在的问题1.对输油管道安全程度进行确认我国生产的原油以高凝、高粘、高含蜡为主，所以原油的长途输送以加热压力输送为主，且大部分管线已运行多年。根据我国某输油管道一段管道内的检测结果，该段管道腐蚀现象严重，导致管壁减薄，管道承压能力降低

2、，因此必须输油管道是否安全进行确认。2.制定并优化方案对输油管道进行维护为保证原油管道的安全生产就应加大其维护力度，若采用传统的逐段检测、维护方式，就会增加维护费用，提高输油成本。为此，对输油管道分段评价，按需要维护必要性的大小进行排序，对不同的维护方案进行优化，寻求最简单有效而经济的方案，将有限资金用在最需要的地方，从而在不增加维护成本的前提下将管道风险保持在可控的水平上。3.现行的风险评价方法目前管道风险分析已经实现了由安全管理向风险管理的过渡，由定性风险分析向定量风险分析的转化，并逐步规范化。管道风险评估常用的方法有故障树分析法（FTA）、失

3、效模式与效应分析法（FMEA）、海恩里希风险分析法（HRA）、指数法（IndexMethod）、模糊影响图等。这些方法对于识别和计算管道系统的一种失效模式的风险值是有效和成熟的。但是目前我国对在役管道安全确认和完整性维护都希望得到每一管段的总风险值，以便于选择急需维护的管段，进一步对维护方案进行选择。为此，现提出运用神经网络系统的BP算法模拟管段总风险值的历史情况，以便根据各种失效模式的风险值，预测各管段的总风险状况。该方法是根据学校样本，经过训练建立知识库的。只要测得预测目标的特征参数并输入其系统，就能快速得到预测结果，有效提高工作效率。二、运用

4、神经网络分析长输原油管道风险的可行性长输原油管道的风险来源，主要是长期运行中由于腐蚀和力学作用引起的管道操作而导致的泄漏或爆裂。管道操作的发生与管道的类型及内在质量、管道建设质量、运行状态（内压、输送介质、温度）、防腐覆盖层及阴极保护状态、维修规范、外来意外机械作用（包括地震）等因素有关。运用神经网络方法分析长输原油管道的风险具有可行性的理由如下：1.我国开展长输原油管道的风险管理起步较晚，有关的信息残缺不全，而神经网络带有高度并行处理信息的机制且具有调整的自学习和自适应能力，内部有大量的可调参数系统灵活性更强。2.风险评价时，有些因素带有模糊性。

5、而神经学网络的后天学习能力使之能随环境的变化而不断学习，与传统的评价方法相比，表现出更强的功能。3.神经网络可以再现评价专家的经验、知识和直觉思维，较好地保证了评价结果的客观性。三、神经网络模型建立以某输油管道为例，根据管道的风险因素，可以使用BP算法，它是解决非线性问题最常用的算法。从国内高粘、易凝原油管道的历史事故记录来看，管道系统的失效模式主要表现为管道穿孔、断裂、凝管和设备故障4种模式。为此可以根据4种失效模式及其具体失效分类，建立反馈网络，对原油管道相对风险的大小进行评价。根据输油管道的具体情况，确定管道上的失效模式及失效分类（见图1）。

6、根据图1可以认为管道上各管段的最终风险值是由腐蚀穿孔、打孔盗油、腐蚀开裂、疲劳开裂及第三方破坏、地震和凝管6个事件的风险值综合求得。并据此构筑管道BP神经网络（见图2）。图1管道失效模式图2管道BP神经网络即选取输入层为6个节点，输出层为1个节点，一个隐含层，按照2N+1法则（N为输入层节点个数），确定隐含层节点个数为13。输入节点的输入指标，即腐蚀穿孔为x1、打孔盗油为x2、腐蚀开裂为x3、疲劳开裂及第三方破坏凝管为x4、地震为x5、凝管为x6。四、该输油管道风险值计算根据该输油管道的具体地质特征，将其分为80个管段，并通过采用故障树、解析、模糊

7、影响图待方法分别求出各管段的各个失效模式下的分类风险值。将腐蚀开裂风险值明显高于其他管段的7、11、21、23、25、27、51这七个管段直接提取出来，选择维护方案。剩余的其它管段，依据样本提取原则，由专家选取2、12、18、22、33、40、49、53、75、79这十个管段作为训练样本，并选取56、28管段作为检测样本，同时专家依据历史数据对这12个管段的总风险值进行判断（见表1）。表1样本各失效模式风险值和期望输出依据输入因素、输出因素的处理进行归一化（见表2）。表2样本各失效模式风险值和期望输出归一化在Matlab下将10个训练样本代入神经网

8、络模型进行学习，得到样本训练检测结果（见图3）和收敛曲线（见图4）。图3样本训练检测结果分析图3和图4可以看出，模拟输出与