魯青龍1 青鵬2 陳利瓊2

1.西南管道分公司； 2.西南石油大學(xué)

 

 

摘要：針對目前油氣管道高后果區識別標準在數據采集方法是靜態(tài)間歇的特點(diǎn)，分析結果與管道實(shí)際環(huán)境的變化不能同步、缺乏前瞻性等局限。分析在大數據和智能管道建設的前提下， HCA特征數據庫來(lái)源，提出應用大數據獲取識別和風(fēng)險管理參數特征信息的思路。利用移動(dòng)通訊大數據和數據挖掘工具，分析人口密集型高后果區特征參數，為HCA第三方人為破壞風(fēng)險管理提供更合理的數據依據；利用交通和城鄉規劃大數據，分析違章施工發(fā)展趨勢；利用海量管道焊縫檢測和內檢測數據，提煉管道施工缺陷特征參數，分析施工質(zhì)量與特征參數的關(guān)聯(lián)性。

關(guān)鍵詞：高后果區；管道泄漏；大數據；特征信息

 

 

管道高后果區（High Consequence Areas，HCA）是指管道泄漏會(huì )嚴重危及公眾安全或造成較大環(huán)境破壞的區域。近幾年來(lái)，我國油氣管道事故頻發(fā)，造成了嚴重的人員傷亡和財產(chǎn)損失。所以，正確識別油氣管道高后果區，保障高后果區的安全非常重要。

高后果區會(huì )隨管道周邊社會(huì )和環(huán)境變化而同時(shí)發(fā)生變化，故高后果區的識別和管理是個(gè)動(dòng)態(tài)的過(guò)程。目前，我國在油氣管道高后果區的識別和管理均遵循GB 32167―2015《油氣輸送管道完整性管理規范》和SY/T 7380―2017《輸氣管道高后果區完整性管理規范》。但現有方法仍然存在一定的局限性，例如：①對管道高后果區沒(méi)有明確定義；②識別標準不明確；③多考慮了特定地區、人口和建筑物因素；④忽略了人的干預（管理與操作）對后果的影響；⑤忽略了初始泄漏發(fā)生后外界對致災軌跡的影響；⑥只考慮了人口密度的影響，但沒(méi)考慮人口組成和素質(zhì)；⑦缺乏對管道高后果區識別程序的說(shuō)明。

針對識別標準中數據采集是靜態(tài)間歇的特點(diǎn)，分析識別結果與管道實(shí)際環(huán)境的變化不能同步、缺乏前瞻性等局限，以及在大數據和智能管道建設前提下，HCA特征數據庫來(lái)源，提出應用大數據獲取識別和風(fēng)險管理參數特征信息的思路。

1 大數據在油氣管道方面的應用現狀

油氣管道大數據包括管道基礎數據、檢驗數據和風(fēng)險分析數據等。國外專(zhuān)家學(xué)者采用多種大數據分析方法對管道泄漏、腐蝕速率、剩余壽命、缺陷類(lèi)型和失效機理等進(jìn)行預測。 Liao等使用粒子群優(yōu)化遺傳算法和BP神經(jīng)網(wǎng)絡(luò )去預測濕天然氣集輸管線(xiàn)的內腐蝕速率[1]。 Timashev等使用純生和純滅的馬爾可夫過(guò)程來(lái)描述管道的多種腐蝕缺陷的生長(cháng)和減少[2]。 Abbasy 等使用人工神經(jīng)網(wǎng)絡(luò )建立了基于歷史檢驗數據的模型，來(lái)對海上油氣管道狀況進(jìn)行評價(jià)和預測[3]。 Castellanos等開(kāi)發(fā)了一個(gè)綜合多種算法的失效分析專(zhuān)家系統，可以確定陸上管道的可能失效機理[4]。 Layouni等使用小波分析和人工神經(jīng)網(wǎng)絡(luò )來(lái)處理管道漏磁檢測信號，以確定管道缺陷類(lèi)型和估計深度[5]。

國內大數據應用研究還處于探索階段。林現喜等構建了在大數據下的管道內檢測模型，提出了在大數據下對內檢測數據的深度挖掘與應用[6]。吳琋瑛通過(guò)大數據理論結合案例分析得出了現場(chǎng)設備與數據之間的相關(guān)關(guān)系[7]。董紹華等建立了適合于未來(lái)發(fā)展的管道系統大數據管理架構模型，提出了基于大數據的管道數據算法模型，為大數據在管道行業(yè)的發(fā)展建立了基礎[8]。顧曉婷等人給出了基于大數據管道安全評估的模式，為初步判斷管道的安全性能提供了理論基礎，同時(shí)介紹了基于大數據的管道可靠性評估方法[9]。王新穎等人從管道大數據中挖掘有效信息，高效準確地識別管道存在的風(fēng)險，建立城市管網(wǎng)風(fēng)險預測體系，結合深度置信網(wǎng)絡(luò )，提出了基于深度置信網(wǎng)絡(luò )的管道風(fēng)險預測方法[10]。

由此可見(jiàn)，基于大數據的管道高后果區識別技術(shù)將替代傳統的識別方法，各類(lèi)標準也將重新確立，這必定會(huì )改變現有的管道完整性評估和管理運營(yíng)模式。

2 大數據獲取和應用

2.1 特征數據來(lái)源

為了建立完整的高后果區特征數據庫，需要綜合各系統和數據庫資源。以智能管道系統和數據庫作為基礎，包括管道的基礎數據如：管材、焊接工藝、管徑壁厚、輸送介質(zhì)、埋深鋪管等；管道的運營(yíng)數據如：工作壓力、溫度變化、清管泄壓、內外檢測數據等；管道的評價(jià)數據：腐蝕缺陷、剩余強度檢測、維修檢測、風(fēng)險評價(jià)等[11]。還包括地質(zhì)災害圖形庫和預警系統數據，現場(chǎng)監控的實(shí)時(shí)更新數據，預警、決策數據庫的評價(jià)預測數據，以及其他相關(guān)的大數據來(lái)源。特征數據庫建立如圖 1所示。

2.2 大數據在高后果區的應用思路

采用大數據的油氣管道高后果區識別與管理，可以綜合利用人口、交通設施、環(huán)境因素等歷史數據資料和實(shí)時(shí)數據更新，反饋給管道檢測系統，及時(shí)動(dòng)態(tài)捕捉管道狀態(tài)，分析出不同級別和危險程度的高后果區。

利用大數據信息的高后果區風(fēng)險防控重要影響因素特征參數動(dòng)態(tài)采集與統計，其中數據信息來(lái)源包括：手機信號、管道高后果區高清攝像、地質(zhì)災害圖形庫和預警系統數據、完整性檢測數據、氣象預報等；重要影響參數：人口密度、人類(lèi)活動(dòng)（車(chē)輛、農耕、施工等）、第三方破壞、自然災害、管道本體特征等。分為管道本體、人口密度和環(huán)境因素三部分，如圖 2所示。

通過(guò)數據共享和實(shí)時(shí)反饋，將管道狀態(tài)數字化，將高后果區的識別和分級分類(lèi)動(dòng)態(tài)化，更加真實(shí)地模擬出管道在不同環(huán)境下的危險程度，從而針對不同管道進(jìn)行風(fēng)險評價(jià)，提出不同狀態(tài)下的風(fēng)險控制和減緩措施。

3 特征信息分析與利用

3.1 人口信息

通過(guò)對移動(dòng)信號的定位追蹤和處理，能快速和便利地獲取用戶(hù)的地理信息和其他信息，從而分析統計得出人口信息。首先需要構建相關(guān)高后果區地圖信息模型，將移動(dòng)設備基站看作是坐標的定位記錄點(diǎn)，所有基站共同組成了信號范圍的覆蓋區，建立網(wǎng)絡(luò )拓撲框架，通過(guò)移動(dòng)設備的數據互聯(lián)，得到用戶(hù)的實(shí)時(shí)位置坐標�；�于此構建高后果區范圍內的人口密度模型，通過(guò)移動(dòng)設備的位置信息更新和對用戶(hù)信息的采 集整理，動(dòng)態(tài)統計人口密度和時(shí)空分布，并分析人員組成、人員行為特征、人員綜合素質(zhì)等[12]。其次，利用高清攝像頭和社會(huì )公共監控系統統計分析人口流入和流出、駐留時(shí)長(cháng)、來(lái)往密度等數據信息，形成人口數量的數據視圖[13]，分析管道高后果區潛在影響區內公眾出行時(shí)空特征，確定實(shí)時(shí)人口密度。

3.2 違章施工信息

通過(guò)遠程視頻監控系統對現場(chǎng)作業(yè)區全方位、無(wú)死角監控，進(jìn)一步規范現場(chǎng)施工程序，及時(shí)發(fā)現現場(chǎng)違章行為。

3.3 地質(zhì)災害信息

根據管道沿線(xiàn)地理地質(zhì)條件、地質(zhì)災害等自然環(huán)境情況分布及變化趨勢，確定管道周邊環(huán)境特征參數�；�于地理信息系統（GIS），參考地質(zhì)災害圖形庫，與地質(zhì)災害預警系統聯(lián)動(dòng)，從而實(shí)現管道的災害預警和及時(shí)防控。建立基于大數據的地質(zhì)災害信息管理系統，能便捷有效地整合多源、海量的地質(zhì)數據，使用戶(hù)快速查詢(xún)到相關(guān)地質(zhì)災害信息，并可以通過(guò)三維可視化的方式展示查詢(xún)結果，實(shí)現動(dòng)態(tài)的地質(zhì)災害類(lèi)型檢索，災點(diǎn)查詢(xún)，地質(zhì)信息更新，災害預警等目的[14]。

3.4 管道缺陷信息

通過(guò)大數據采集方式，收集和保存油氣管道設計施工階段管材制造、焊縫、現場(chǎng)施工、人員操作等缺陷數據；運營(yíng)時(shí)期管材、管徑和運行壓力等數據；管道內外檢測、管道腐蝕、失效泄漏等缺陷數據。將各管道公司的多源數據對齊匹配，建立完整共享的管道缺陷信息庫和動(dòng)態(tài)的管道缺陷信息網(wǎng)，為管道缺陷成因和變化趨勢提供重要的數據源。

4 高后果區風(fēng)險動(dòng)態(tài)管控流程

利用大數據提煉油氣管道高后果識別和管理的關(guān)鍵參數后，便可部分實(shí)現管道動(dòng)態(tài)風(fēng)險管控。即結合管道智能化建設成果，辨識出管道高后果區后果和失效影響因素，確定風(fēng)險的類(lèi)別和影響因素的重要性；完成管道風(fēng)險/安全評價(jià)，確定管道風(fēng)險等級；針對不同風(fēng)險類(lèi)別和不同等級，研究風(fēng)險管控方法，并提出基于不同情景下的事故應急處置措施。

基于大數據的油氣管道高后果區風(fēng)險動(dòng)態(tài)管控流程如圖 3所示。

5 結語(yǔ)

油氣長(cháng)輸管道在運行過(guò)程中會(huì )產(chǎn)生大量數據，這些數據是分析、評價(jià)與管理管道運行的基礎，借助大數據分析與多年運行管理積累的經(jīng)驗，結合管道企業(yè)的現實(shí)需求，建立大數據分析模型和信息化管理平臺，對油氣管道進(jìn)行高后果區識別和管理具有重要意義�；�于大數據條件下的油氣管道高后果區識別技術(shù)將替代傳統的識別方法，這必定會(huì )改變現有的管道完整性評估和管理運營(yíng)模式。

 

參考文獻：

[1] Liao K, Yao Q, Wu X, et a1. A Numerical CorrosionRate Prediction Method for Direct Assessment ofWet Gas Gathering Pipelines Internal Corrosion[J].Energies, 2012, 5(10): 3892-3907.

[2] Timashev S A, Bushinskaya A V. Markov approachto early diagnostics, reliability assessment, residuallife and optimal maintenance of pipeline systems[J].Structural Safety, 2015(56): 68-79.

[3] El-Abbasy M S, Senouci A, Zayed T, et a1. Artificialneural network models for predicting condition ofoffshore oil and gas pipelines[J]. Automation inConstruction, 2014(45): 50-65.

[4] Castellanos V Albiter A, Barrera G. Failure analysisexpert system for onshore pipelines． Part-II: EndUser interface and algorithm[J]. Expert Systems withApplications, 201l, 38(9): 11091-11104.

[5] Layouni M， Hamdi M S, Tahar S. Detection andsizing of metal-loss defects in oil and gas pipelinesusing pattern-adapted wavelets and machinelearning[J]. Applied Soft Computing, 2016, 52.

[6] 林現喜，李銀喜，周信，等. 大數據環(huán)境下管道內檢測數據管理[J]. 油氣儲運， 2015， 34 (4):349-353.

[7] 吳琋瑛. 大數據在管道運行中的應用探討[J]. 天然氣與石油， 2015， 33(3)： 15-17.

[8] 董紹華，安宇. 基于大數據的管道系統數據分析模型及應用[J]. 油氣儲運， 2015， 34(10)： 1027-1032.

[9] 顧曉婷，王秋妍，孫萍萍，等. 大數據在管道安全評估中的應用[J]. 消防科學(xué)與技術(shù)， 2017，36(3)： 398-400.

[10] 王新穎，張惠然，張瑞程，等. 基于深度學(xué)習的大數據管網(wǎng)風(fēng)險評價(jià)方法[J]. 消防科學(xué)與技術(shù)，2019， 33(6)： 902-904.

[11] 袁鵬斌，劉鳳艷，舒江，等. 大數據時(shí)代油氣管道的安全與防護[J]. 無(wú)損檢測， 2015， 37(4)： 51-55.

[12] 溫騰龍. 移動(dòng)通信大數據在鄉鎮人口統計監測中的應用分析[J]. 海峽科技與產(chǎn)業(yè)， 2019(3)： 48-49.

[13] 符傳健. 基于大數據的人流量監控系統研究[J]. 科技創(chuàng )新與應用， 2016(28)： 97.

[14] 簡(jiǎn)銳敏. 基于大數據的地質(zhì)災害信息管理系統開(kāi)發(fā)與關(guān)鍵技術(shù)[J]. 經(jīng)緯天地， 2019(02)： 3-5+7.

作者簡(jiǎn)介：魯青龍， 1987年生，畢業(yè)于中國石油大學(xué)（華東）材料科學(xué)與工程專(zhuān)業(yè)，碩士研究生，中國石油西南管道公司管道處主管，現主要從事管道完整性管理相關(guān)工作。聯(lián)系方式： 17790261009， luqinglong@