元坝高酸性气田地面管道内腐蚀预测_孙天礼.pdf

40检测与完整性|Inspection&Integrity2023 年 1 月第 42 卷 第 1 期网络出版时间：2022-11-16T16:09:03网络出版地址：http:/ BP 神经网络腐蚀预测模型。该模型以温度、CO2分压、H2S 分压、pH 值、Cl-含量、总矿化度、液气比、缓蚀剂残余量 8 种影响因素的数据作为输入量，再将腐蚀速率作为输出量，通过现场实测获得大量历史样本数据，对 BP 神经网络进行训练，实现了地面管道的腐蚀速率预测，并利用该模型对元坝高酸性气田地面管道各腐蚀因素的重要程度进行评判。结果表明：随机抽取工况参数，模型预测值与实测值的平均绝对误差在 10以内，预测模型具有较高的准确性和可靠性；影响元坝高酸性气田地面管道腐蚀速率的主控因素为 H2S 分压，CO2分压、缓蚀剂残余量次之。研究成果可为类似气田地面管道的内腐蚀评估提供技术借鉴。（图 2，表 3，参 22）关键词：高含硫气田；站内管道；腐蚀速率预测；BP 神经网络；主控因素中图分类号：TE88文献标识码：A文章编号：1000-8241（2023）01-0040-06DOI：10.6047/j.issn.1000-8241.2023.01.006Internal corrosion prediction of ground pipeline of Yuanba high-sour gasfieldSUN Tianli1,HAN Xue2,HUANG Shilin1,ZHAO Chunlan2,HE Huan1,ZENG Dezhi21.No.2 Gas Production Plant,SINOPEC Southwest Oil&Gas Company;2.Southwest Petroleum University/State Key Laboratory of Oil and Gas Reservoir Geology and ExploitationAbstract:To study the internal corrosion of ground pipelines in Yuanba high-sour gasfield,a corrosion prediction model based on BP neural network was proposed with consideration to multiple factors.In the model,the input was 8 types of working condition data,i.e.,the temperature,CO2 partial pressure,H2S partial pressure,pH value,Cl-concentration,total salinity,liquid-to-gas ratio and the residue of corrosion inhibitor,while the output was the corrosion rate.Specifically,the BP neural network was trained with a large amount of historical sample data from field measurement to realize the prediction of the corrosion rate of ground pipelines.Besides,the model was used to evaluate the importance of various factors affecting the corrosion of ground pipelines in Yuanba high-sour gasfield.As shown in the results,the predicted model is highly accurate and reliable,as the average absolute error between the predicted value of the model and the measured value is within 10%for random working condition parameters.In addition,H2S partial pressure is the main control factor of the corrosion rate of ground pipelines in Yuanba high-sour gasfield,followed by CO2 partial pressure and corrosion inhibitor.Generally,the research results could provide technical reference for the internal corrosion assessment of ground pipelines in similar gas fields.(2 Figures,3 Tables,22 References)Key words:high-sulfur gas field,pipelines in the station,corrosion rate prediction,BP neural network,main control factors元坝气田作为高含 H2S、CO2特大型海相气田1，日生产净化气可达 230104 m3，为西气东输提供了能源保障，有力推动了四川的经济发展2。天然气在采出过程中伴随产生 H2S 和 CO2，溶于水后生成弱酸，使油井管柱及设备处于腐蚀性极强的环境之中，金属构件发生氢去极化反应，油气田开采设备将受到严重腐蚀，大大缩短管柱及设备实际使用寿命，加大油气田开采难度，并将引发安全隐患。因此，建立腐蚀速率预测模型，有效预测材料的腐蚀行为并及时采取防护措施势在必行。目前，涉及 H2S 的腐蚀预测模型多聚焦于 H2S致开裂，而考虑 H2S 分压对腐蚀速率影响的预测模型较少3。CO2环境条件下的腐蚀速率预测模型较引文：孙天礼，韩雪，黄仕林，等.元坝高酸性气田地面管道内腐蚀预测J.油气储运，2023，42（1）：40-45.SUN Tianli,HAN Xue,HUANG Shilin,et al.Internal corrosion prediction of ground pipeline of Yuanba high-sour gasfieldJ.Oil&Gas Storage and Transportation,2023,42(1):40-45.41Inspection&Integrity|检测与完整性多，其中应用最为广泛的包括 De waard 半经验模型、BP(Cassandra)半经验模型、NORSOK 经验模型4。其中，De waard 半经验模型常用于测量内部坑蚀，仅考虑了温度、CO2分压、pH 值，当温度较高时，预测值将小于实际值，误差较大5；BP(Cassandra)半经验模型基于 De waard 模型建立，可预测高温下的腐蚀，但CO2分压的适用范围较小6；不考虑 H2S 的影响时，采用 NORSOK 经验模型可较为准确地预测 CO2腐蚀环境下的最大腐蚀速率7。可见，现有模型大多结构简单，泛化性较弱8。在实际生产过程中，油气管道腐蚀往往是多个因素共同作用导致的。对于元坝高酸性气田地面管道，温度、H2S 分压、CO2分压、pH 值、Cl-含量、总矿化度、缓蚀剂残余量、液气比等因素均可对腐蚀行为造成影响9。在此，综合分析各影响因素，应用 BP 神经网络算法对采集到的样本数据进行训练，建立适用于元坝高酸性气田地面管道的内腐蚀预测模型，实现管道腐蚀速率的预测与效果评价，并分析各影响因素的权重，以期为油气田地面系统的管道完整性管理提供理论依据。1BP 神经网络腐蚀速率预测模型 1.1BP 神经网络结构结合元坝高酸性气田地面管道内腐蚀工况，明确主要腐蚀影响因素为：温度、CO2分压、H2S 分压、pH值、Cl-含量、总矿化度、缓蚀剂残余量、液气比。以YB205-1 集气站内规格为 141.3 mm8.8 mm（直径壁厚）的 L360 管道为研究对象，采用腐蚀挂片法和电阻探针法监测管道腐蚀速率，挂片暴露时间为 3 个月。取出挂片后，使用失重法计算平均腐蚀速率，并根据管道腐蚀情况调整挂片放置于管道中的时间，从而进行周期性监测。以电阻探针记录每月腐蚀速率，整理监测点对应的腐蚀速率，与挂片测试结果进行对比，验证测量结果可靠性，减小探针监测误差。以 2018 年 12 月至 2021 年 5 月监测得到的数据为样本数据，剔除离散值以减小测量时的随机误差10，每间隔1个月选取样本数据的90作为训练样本(表1)，期数代表每个月对应的时间点，用于训练神经网络模型；剩余 10样本数据作为测试样本(表 2)，用于验证训练后的神经网络。表 1BP 神经网络腐蚀速率预测模型训练样本数据表Table 1Sample data for training of corrosion rate prediction model based on BP neural network期数温度/CO2分压/MPa H2S 分压/MPa pH 值Cl-含量/(mgL-1)总矿化度/(mgL-1)缓蚀剂残余量/(mgL-1)液气比腐蚀速率/(mma-1)150.190.3120.3426.75730.471 879.203 249.151.8010-50.001 99358.170.3130.3736.50762.302 067.274 025.401.7410-50.002 12556.820.3080.3206.50658.631 689.293 719.251.8510-50.002 26776.130.3010.3126.50690.571 723.402 345.891.8510-50.002 41978.110.2650.3028.57780.002 348.703 487.911.8210-50.002 581164.710.2790.2996.00788.902 455.781 129.801.8210-50.002 521356.230.2980.3016.75900.303 789.982 335.781.8510-50.002 451550.030.2900.3007.45650.401 678.694 556.901.8510-50.002 411750.190.3240.3118.57 1 100.652 999.893 446.791.8510-50.003 601971.320.3020.3566.511 111.783 011.902 445.671.8110-50.003 602170.060.3220.3456.461 322.503 059.783 456.901.5710-50.003 612360.190.3160.3725.501 417.954 031.361 210.061.5910-50.003 622549.980.2980.3345.761 000.243 567.09900.231.7310-50.003 292753.120.3010.3456.001 200.983 011.381 090.801.8510-50.002 99表 2BP 神经网络腐蚀速率预测模型测试样本数据表Table 2Sample data for test of corrosion rate prediction model based on BP neural network期数温度/CO2分压/MPa H2S 分压/MPa pH 值Cl-含量/(m