一、 主要内容

长输油管道的安全涉及到国家的能源安全。其中一个主要风险，来自管道的腐蚀点对管道的损坏作用。

本文在宏观上将长输油管道视为一系列的腐蚀点构成的系统整体。而腐蚀点的分部具有“小样本、非线性、不确定性”的特点，可将其视为一个“灰色系统”。

与此同时，本文的在现有文献研究的基础上，针对长输油管道的腐蚀预测问题，提出了基于改进RFFS和GSA-SVR的长输油管道腐蚀深度预测模型。

然而，鉴于真实的长输油管道所处的外部环境更为复杂，为提高长输油管道腐蚀深度的预测精度，提出基于改进RFFS和GSA-SVR的管道腐蚀深度预测模型。首先利用改进RFFS算法提取长输油管道重要腐蚀影响因素作为预测指标，实现数据降维，以减少对预测结果的干扰；然后进行数据预处理，利用GSA对惩罚系数C和核函数参数g进行寻优，同时优选核函数和迭代次数，使SVR达到全局搜索和局部搜索的最优。

本模型通过实例进行分析，选取了沿线65个测试点，截取相关管道腐蚀数据，其中前50组数据训练模型，后15组数据检验预测性能，引入平均相对误差（MARE）和相对均方误差（RMSE）两个评价指标进行对比，建立数据表对模型精确度进行检验。

实证结果表明：使用基于改进RFFS和GSA-SVR模型用于预测腐蚀深度与实际结果高度吻合，预测精度远高于其他预测模型。

因此本文对于石油系统的风险管理部门具有参考意义。

二、研究背景与意义

长输油管道作为石油能源运输的最经济、安全的运输方式，已被广泛使用。但其所处外部环境复杂，众多腐蚀影响因素使得管道的失效检测变得尤为困难，其中外部腐蚀是管道面临失效的主要风险因素。一旦管道泄漏，会给经济和周围环境造成无法挽回的损失。因此，准确预测深度，对于有效减少和避免损失，具有重要意义。

众多学者对管道腐蚀预测问题展开了研究：如左哲等采用贝叶斯网络对石油管道腐蚀进行研究，虽然预测精度较高，但是长输油管道腐蚀因素复杂，贝叶斯网难以适应非线性相关的输入变量；许宏良等采用BP神经网络对管道进行腐蚀性预测，但由于BP算法网络结构难确定，本身收敛速度慢，存在陷入局部最优的缺点；骆正山等基于PSO-GRNN模型对埋地管道腐蚀速率进行预测，GRNN具有更强学习能力和收敛速度，但是在多维输入情况下，随着网络输入维度的增加，网络训练的样本呈指数增长，网络结构随之变大，预测精度大幅度降低。长输油管道由于外部土壤腐蚀环境、内部运输介质和管道材质等因素的干扰，往往存在管道腐蚀数据具有高程度的异方差性以及非平稳性的问题。直接应用上述各种管道预测模型，往往预测精度很差，十分容易出现“平移现象”，由于各处腐蚀深度差异过大，使得管道腐蚀预测模型对某处的预测仅仅是重复上处的预测值，从深度预测图像上看像数据滞后一期平移一样和“放弃现象”由于管道腐蚀深度的异方差性，使得一些简单模型不能适应腐蚀深度变化，使得一些腐蚀深度预测值一直在某点波动，看起来像没有预测一样。

为克服上述腐蚀预测模型的缺点，本文提出一种基于改进RFFS和GSA-SVR的管道腐蚀深度预测模型，首先应用改进RFFS对各腐蚀影响因素进行预处理，根据分类精度大小提取主要的腐蚀影响因素个数，以实现数据降维，减少无关因素的干扰，提高预测精度。随后利用GSA对惩罚系数 C和核函数参数 g进行寻优，同时对核函数和迭代次数优选，使模型达到全局搜索和局部搜索最优,最终形成基于改进RFFS和GSA-SVR管道腐蚀深度预测模型。

二、模型与研究结论

为解决长输油管道腐蚀深度预测问题，本文构建了基于改进RFFS和GSA-SVR预测模型，基于改进RFFS和GSA-SVR模型整体框架（见图1），模型分为两大块：

1） 运用多元特征提取方法和特征优化方法对RF进行优化，克服了传统RF计算属性权重值不准确和运行效率较低的缺点，建立改进RFFS模型。应用Bagging抽样得到样本数据，将数据分为训练集和测试集，计算训练集综合权重并确定特征子集，然后通过Group Lasso分类方法训练出分类模型，最后在测试集进行分类预测。

2）建立GSA-SVR模型，应用万有引力理论对SVR进行优化，分别实现对惩罚系数C和核参数g的寻优，将不同的核函数（多项式核函数、RBF核函数、sigmoid核函数）分别带入到SVR模型中进行预测，设置迭代次数分别为（50，100，150，200），选择腐蚀深度预测拟合度（R）最大和均方误差（MSE）最小的核函数作为最后固定SVR模型的核函数，最后将测试集代入模型中预测管道腐蚀深度。

以中缅长输油管道为研究对象，该管道全长833.32km，在1998年投入使用，管道直径为1436mm，管道材质为X70，70%以上的管道埋在地下，周围环境复杂，影响因素众多，已经发生严重腐蚀。每隔100 设置1个测试点，通过专业仪器采集腐蚀影响因素数据和腐蚀深度数据，其采集到的数据认为是一个非线性，时序性的小样本数据集，以长输油管道年均腐蚀壁厚作为预测目标，提取与管道腐蚀深度紧密联系的10项影响因素，建立长输油管道腐蚀深度预测体系（见图2）。本文选取了沿线的65个测试点，截取相关管道腐蚀数据，其中前50组数据训练模型，后15组数据检验预测性能（见表1）。

图1. 改进RFFS和GSA-SVR模型框架

图2. 长输油管道腐蚀影响因素

利用改进RFFS算法提取多元腐蚀影响因素，得到提取的腐蚀影响因素个数和分类精度之间关系（见表2）。

由表2分析可知，当腐蚀影响因素个数为5时，分类精度达到最高为93.56%，因此筛选出的重要腐蚀影响因素为 。

为验证改进RFFS算法的精确性，将输入原始管道腐蚀影响因素数据集 和样本特征 代入RFFS算法中运行，改进RFFS算法通过将传统决策树算法替换为逻辑回归与决策树融合，解决了传统RFFS算法整体分割能力差的问题，在相同原始管道腐蚀影响因素数据集 上，在提取相同特征个数时，改进RFFS算法相比于传统RFFS算法的提取精度更高，分类性能要好（见图3）。

图3. 改进RFFS模型与RFFS模型的分类精度对比

将提取出的含水量，PH值，氧化还原电位，电阻率和硫酸根粒子作为输入变量，长输油管道腐蚀深度作为预测输出量，同时GSA-SVR预测模型以均方误差（MSE）最小和拟合度（R）最大作为寻优目标函数。为减少原始腐蚀数据不同量级和异常值的影响，先将训练集原始腐蚀数据标准化处理，将管道腐蚀数据映射到 区间上以提高GSA-SVR模型的预测精度，归一化训练集数据结果（见图4）。

图4. 归一化训练集管道腐蚀数据

在核函数优选时，模型预测的准确性与核函数的选择关系紧密，不同核函数会导致SVR选择不同的支持向量算法。分别代入3种常见的核函数进行学习，并以求解出的均方误差（MSE）和拟合度（R）作为验证标准，运行结果如表3所示。

由表3可知，RBF核函数对应的均方误差为0.020136，拟合度为94.407%，预测精度明显高于其他两项核函数。RBF核函数对应的最优的惩罚系数 和核函数参数系数 ，参数寻优结果（见图7）。

图7. SVR参数选择结果图

将优选后的惩罚系数 ，核函数参数系数 和RBF核函数代入SVR模型中进行训练。设置不同的迭代次数（t=50，100，150，200）进行学习，会产生不同的腐蚀深度预测值（见图8，图9）。

图8. 在不同迭代次数下改进RFFS和GSA-SVR模型与实际值对比

从图8可以看出，改进RFFS和GSA-SVR模型预测值与实际值的对比，当迭代次数为200时，15组预测值基本与实际值吻合，偏差极小。

将惩罚参数 ,核函数参数 ，核函数和迭代次数t分别进行优化后，将归一化测试集数据分别代入基于改进RFFS和GSA-SVR模型，BP神经网络，PSO-GRNN算法和未优化的SVR模型中进行预测，最终对四个模型的预测结果进行对比，以观测模型优劣，归一化测试集数据（见表4）。

图10. 不同模型的预测值

由图10可知，训练后基于改进RFFS和GSA-SVR模型的拟合曲线反映出在后15组测试数据集中的拟合效果较好，预测拟合数值与实际的腐蚀深度数据变化趋势一致，其逼近程度远高于其他预测模型，表明基于改进RFFS和GSA-SVR模型具有良好的预测性能。

图11. 不同模型的RMSE

由图11知，基于改进RFFS和GSA-SVR模型与BP模型，PSO-GRNN模型和未优化SVR模型在RMSE预测性能统计度量指标上进行比较，可以直观体现改进RFFS和GSA-SVR模型预测管道腐蚀深度的RMSE远低于BP模型，PSO-GRNN模型和未优化SVR模型，表明本文建立的模型预测精度更高，其稳健性与可信度更强，同时证明了改进RFFS和GSA-SVR模型在分析和预测管道腐蚀深度问题上具有一定的可行性与有效性。

由表5可知，基于改进RFFS和GSA-SVR模型与BP模型，PSO-GRNN模型和未优化SVR模型在MAPE预测性能统计度量指标上进行比较，表明基于改进RFFS和GSA-SVR模型的预测效果最好，其次是PSO-GRNN模型，然后是BP神经网络模型,最后是未优化的SVR模型，进一步证实了GSA引入到SVR模型中，明显提高了模型的准确性。就MAPE而言，本文建立的基于改进RFFS和GSA-SVR模型的15个测试点的MAPE为0.030远低于PSO-GRNN模型的0.184，BP模型的0.169和未优化SVR模型的0.2811，证明基于改进RFFS和GSA-SVR模型预测值与实际值偏差最小，预测精确度最高，模型的泛化能力较强。

由以上实例论证可知，在关于长输油管道腐蚀深度预测中，结合管道腐蚀影响因素数据的异方差性，SVR回归预测模型明显优于GRNN模型，BP神经网络模型，未优化SVR模型等其他预测模型，同时证实了基于改进RFFS和GSA-SVR模型的优良预测性能。这说明了在小样本的情况下，将GSA引入到SVR中进行参数优化，能提高预测的精度同时降低了参数寻优的时间，相较于粒子算法PSO，GSA具有较好的高效性，从而说明加入GSA的必要性以及本文算法的准确性。

本文摘编自《系统工程理论与实践》第41卷第6期论文《基于改进RFFS和GSA-SVR的长输油管道腐蚀深度预测研究》，点击链接下载全文：http://www.sysengi.com/CN/abstract/abstract112784.shtml

作者：张新生 西安建筑科技大学管理学院博士，教授，博士生导师；张琪，西安建筑科技大学管理学院硕士研究生。