受内压与轴向应力作用的含单一缺陷高韧性腐蚀管道的失效压力行为

《Journal of Materials Research and Technology》：Failure Pressure Behaviour of Corroded High Toughness Pipes with a Single Defect Subjected to Internal Pressure and Axial Stresses

　　

本研究采用有限元法(Finite Element Method, FEM)与人工神经网络(Artificial Neural Network, ANN)评估受内压与轴向应力作用、含单一腐蚀缺陷的API 5L X70、X80、X100及X120高强度钢管之失效压力(Failure Pressure)。有限元法经已发表爆破试验验证，最大百分比差异为-5.92%。基于1012组FEM生成数据集训练之ANN预测性能良好（判定系数R2=0.99，均方误差MSE=4.4797×10-4）。参数化研究表明轴向压缩比轴向拉伸更不利，失效压力降幅可达52.2%。研究人员建立了基于ANN之经验公式用于预测受内压与轴向应力作用含单一腐蚀缺陷管道之失效压力，经60组任意算例验证，百分比差异介于-9.30%至9.84%之间。

论文解读：《Failure Pressure Behaviour of Corroded High Toughness Pipes with a Single Defect Subjected to Internal Pressure and Axial Stresses》（含单一缺陷受内压与轴向应力之高韧性腐蚀管道失效压力行为）——发表于Journal of Materials Research and Technology

一、研究背景与立项依据

油气长输管道广泛采用API 5L X70及以上高韧性(High Toughness)钢级以满足高压输送需求，但腐蚀缺陷(Corrosion Defect)仍是威胁管道完整性的主要因素。现行评估标准如ASME B31G、Modified B31G、SHELL 92及DNV-RP-F101多基于中低钢级推导，且多仅考虑单纯内压或仅轴向压缩，未充分考虑高韧性材料塑性失稳特征及轴向拉伸(Axial Tension)与压缩(Axial Compression)共同作用对失效压力(Failure Pressure, P_f)的影响。现有DNV方法对高钢级管道预测偏于保守，且无轴向拉伸考量。因此，研究人员开展了结合有限元法(Finite Element Method, FEM)与人工神经网络(Artificial Neural Network, ANN)的研究，量化含单一矩形等效腐蚀缺陷之高韧性管道在内压与双向轴向应力耦合下之失效行为，并建立经验预测公式。

二、主要关键技术方法

研究人员选取外径D=300 mm、壁厚t=10 mm、管长2000 mm之管道模型，设单一矩形腐蚀缺陷宽100 mm，研究参数包括归一化缺陷深度d/t(0~0.8)、归一化缺陷长度l/√(Dt)(0~1.4)、归一化轴向压应力σ_a/σ_UTS(0~0.8)、归一化轴向拉应力(0~0.8)及归一化极限抗拉强度σ_UTS/σ_y(对应X70~X120)，采用1/4对称模型于Altair Hyperworks中用CHEXA8与CPENTA单元进行FEM建模，施加对称边界条件、端面轴向应力及渐增内压，以von Mises等效应力超材料UTS作为失效判据并线性插值获P_f；FEM经Bj?rney与Benjamin全尺寸爆破试验校验后生成1012组数据训练前馈神经网络(Feedforward Neural Network, FFNN, 5输入-双隐层各6神经元-tanh激活-线性输出)并用Levenberg-Marquardt算法，依训练权重偏置导出去归一化之经验显式方程，最后以60组未参与训练之FEM数据验证公式精度。

三、研究结果

3.1 Influence of Axial Stresses on the Failure Pressure of a Pipe（轴向应力对管道失效压力之影响）

• •
  3.1.1 Axial Compression（轴向压缩）：随归一化轴向压缩增大，P_f显著下降；d/t=0.2、0.4、0.6时P_f分别降23.6%、33.3%、69.7%；当归一化轴向压缩>0.6且深缺陷时以屈曲(Buckling)为主控失效模式。
• •
  3.1.2 Axial Tension（轴向拉伸）：轴向拉伸亦降低P_f但较压缩缓和；同缺陷深度下P_f降幅分别为22.7%、29.8%、55.3%；大拉应力深缺陷时趋于拉伸断裂(Rupture)。
• •
  3.1.3 Comparison of the Influence of Axial Compression and Tension（轴压与轴拉影响对比）：相同缺陷与应力幅值下轴压致P_f降幅约为轴拉之两倍（最深缺陷d/t=0.6时轴压降52.2% vs 轴拉26.1%），证实轴压更易促局部塑性失稳。

3.2 The Influence of Defect Geometry on the Failure Pressure of a Pipe（缺陷几何对失效压力之影响）

• •
  3.2.1 Defect Depth（缺陷深度）：P_f随归一化缺陷深度增加呈近似线性降低，为最关键影响因素；联合轴压时降幅最高达85.3%。
• •
  3.2.2 Defect Length（缺陷长度）：P_f随归一化缺陷长度增加先显著降低后趋于平缓，临界归一化缺陷长度l/√(Dt)≈1.0~1.2，超出后P_f基本不变。

3.3 Development of Artificial Neural Network（人工神经网络之建立）

构建5-6-6-1结构FFNN，经1012组FEM数据训练测试验证集R²均>0.99（总体R²=0.9931），MSE最低4.4797×10^-4，具良好泛化能力且无过拟合。

3.4 Empirical Equations for the Failure Pressure Prediction of a Corroded Pipe with a Single Defect Subjected to Internal Pressure and Axial Stress（含单一缺陷受内压与轴向应力腐蚀管道之失效压力经验公式）

将ANN权值与偏置展开为含tanh激活双隐层及线性输出之显式代数方程，输入变量按最小—最大归一化后计算归一化P_f再乘以各钢级基准完好管压力(P_intact: X120为77.4 MPa，X70为49.20 MPa，X80为56.00 MPa，X100为73.60 MPa)得物理P_f；60组独立算例验证误差-9.30%~9.84%，多数在±5%内，较长(l/√(Dt)≥1.0)或较深(d/t=0.5~0.6)伴较高轴应力时偏差略大但仍合理。

四、讨论与结论翻译

研究人员建立之FEM与已发表爆破试验最大偏差仅-5.92%。基于FEM数据训练之ANN(R²=0.99，MSE=4.4797×10^-4)可有效捕捉缺陷几何与轴向载荷对P_f之非线性关系。参数分析表明轴压较轴拉危害更大(P_f最大降幅69.7%)，缺陷深度为最敏感因素(联合轴压下P_f最大降幅85.3%)，缺陷长度影响存在临界值。由ANN导出之经验公式可准确预测含单一腐蚀缺陷高强钢管道受内压与轴向应力(拉/压)时之失效压力，验证误差于±10%内。所提公式适用范围：归一化极限抗拉强度1.1~1.4，d/t 0~0.8，l/√(Dt) 0~1.4，归一化轴向应力0~0.8，且仅适用于单矩形等效腐蚀缺陷。未来应拓展至多交互缺陷及温度影响研究。