化工廠各工藝設備之間通常靠管道進行連接。因此，管道被譽為化工廠設備單中的“血管”，充當著各項工藝介質輸送的職責，在運行過程中管道的破壞往往是由腐蝕引起的。據統計，我國每年因為金屬腐蝕引起的損失超過400億元。因此對管道的腐蝕開展研究具有十分可觀的經濟效益。

高效的腐蝕監測及預警能力，可以有效預防管道腐蝕，從而避免相關事故的發生。管道在運行過程中，面臨著介質沖刷、酸性離子腐蝕以及氫腐蝕。管道腐蝕隨工藝環境及工藝介質的不同而發生變化，腐蝕機理也較為復雜。

改進工藝條件、設備材料可提高管道的安全管理，除此之外，通過預測腐蝕速率提前預警管道的腐蝕失效也可以為安全管理人員制定管道維修管理計劃提供有力的理論依據。

1 人工神經網絡

神經網絡模仿大腦中神經元和突觸的結構，將數據模型轉化為如圖1所示的網絡結構。隱藏層及權值函數的存在，使得神經網絡的復雜性大為提高。在訓練過程中，輸入層的數據經過權值求和后輸送到下一層的神經元當中，然后經過激活函數映射后具備了非線性的表達能力。

圖1 三層神經網絡示意圖

2 循環神經網絡

循環神經網絡（RNN）是在神經網絡的基礎之上對序列特征的數據做了改進，將隱藏層的神經元結構通過新的權值連接起來，使得隱藏層之間的神經元不在是獨立的個體，而是與序列前一步的神經元相關，如圖2所示。

圖2 三層RNN示意圖

權值連接使隱藏層的神經元具有攜帶一序列神經元信息和處理時間序列數據的能力。其中，隱藏層神經元的數學表達式為：S(t)=f[wx·x(t)+ws·x(t-1)]，式中：S(t)為t時刻隱藏層神經元的值；f(x)為激活函數；w為權值；x(t)為t時刻輸入端的時間序列值。

對于輸出層來說，其滿足數學表達式：y(t)=g[wy·S(t)]，式中：y(t)為t時刻輸出層的結果；g(x)為激活函數；w為權值。

將時序數據作為輸入層輸入到RNN中進行訓練預測建模，下一時刻輸出端數據y(t+1)就由當前時刻輸出端數據y(t)及(t-n)時刻的輸入端數據經過權值訓練后得到。訓練結束即完成腐蝕速率的RNN時序模型建立，根據此模型就可以計算出下一時刻的數據，從而實現對管道腐蝕速率的預測。

3 案例演示

采用某化工廠腐蝕探針監測到的1000小時內的腐蝕速率數據建立RNN時序模型并對其有效性進行了驗證。選取前90%數據作為訓練數據進行RNN建模運算，后10%數據作為測試數據以驗證預測模型的有效性。

在RNN訓練建模過程中，將訓練數據中的前七組數據作為輸入端數據，第八組數據作為輸出端數據進行訓練。隱藏層神經元數量設置為15個，迭代次數為2000次。訓練結果如圖3所示。

圖3 訓練數據的擬合結果

從圖3中可以看出，經過迭代訓練之后，基于RNN的輸出值能夠擬合訓練數據的真實值。因此，經過訓練后的RNN的輸出結果可以反映訓練數據中腐蝕速率的變化規律。

圖4 訓練數據擬合結果的相對誤差

由圖4可以看出，訓練數據擬合結果的相對誤差較小，因此可認為此時通過RNN已經構建起了以900組腐蝕速率訓練數據為基礎的數學預測模型，且該模型已學習到了腐蝕速率的變化規律。

將腐蝕速率后10%的數據作為測試數據用于驗證RNN預測模型的有效性。將測試數據中的前七組數據作為輸入端數據輸入訓練完畢的RNN模型當中，輸出結果即為預測結果，將其與第八組數據即真實值進行比較，結果如圖5所示。

圖5 測試數據的預測結果

從測試數據的預測結果可以看到，基于RNN預測的腐蝕速率與真實的腐蝕速率趨勢一致，預測結果反映了腐蝕速率的變化規律。測試數據與預測值之間的最大相對誤差在15%以內，如圖6所示。并且計算得到二者的均方誤差為0.00824%。

圖6 測試數據的相對誤差

因此，測試數據的預測結果可以證明通過RNN建立的腐蝕速率預測模型的有效性，該RNN模型可以根據前7小時的腐蝕速率預測第八個小時的腐蝕速率，為工廠的腐蝕預警管理決策提供信息。

結論

RNN隱藏層神經元可以傳遞前序列數據的信息到下一層神經元中，這為腐蝕速率的預測提供了理論基礎。將現場腐蝕探針監測的數據作為研究數據輸入RNN中進行訓練建模以及驗證。結果表明RNN在經過迭代訓練后，可以學習腐蝕速率的變化特征，預測下一時刻的腐蝕速率，為現場腐蝕決策提供有效的預警信息。