一种融合标准数据驱动与物理引导的腐蚀管道爆破压力预测神经网络模型

《International Journal of Pressure Vessels and Piping》：A composite standards-data-driven and physics-guided neural network model for burst pressure prediction of corroded pipelines

　　

- 顶点半径是几何变量，传统爆破压力模型未将其纳入考虑。
- 标准与SSWC专用模型融合后，在23个有限元分析案例上的平均绝对百分误差为1.63%。
- 残差物理引导学习将最坏情况误差从9.04%降低至5.74%。
- 在23个案例中，平均误差增益在统计上不可分辨。
- 物理贡献占精度增益的93%，学习占剩余的7%。

引言

管道是能源运输的核心基础设施，在严苛运行条件下输送石油和天然气，穿越广阔地理区域。其结构可靠性对于维持安全运行、避免服务中断以及防止环境损害至关重要[1]。选择性焊缝腐蚀（SSWC）优先攻击焊缝及其相邻融合区，产生局部楔形缺陷。这些缺陷的尖锐程度，由凹口底部的顶点半径量化，强烈影响局部应力集中和爆破压力，失效通常起始于缺陷顶点[2]、[3]。准确预测受SSWC影响管道的爆破压力具有挑战性，因为SSWC缺陷与一般腐蚀金属损失并不等同。其楔形形态产生尖锐的局部顶点，该顶点的顶点半径直接影响应力集中、应变局部化和失效压力。因此，未考虑此几何特征的评估方法可能对SSWC缺陷产生欠保守或过保守的预测[2]、[4]。

行业实践依赖经验性和半经验性爆破压力模型，包括B31G、修正B31G [1]、RSTRENG [5]、DNV [4]、PCORRC [6]、CSA [7]和CorLAS [8]。这些模型主要针对一般金属损失腐蚀开发。尽管它们对工程筛选和完整性管理有用，但未明确考虑楔形SSWC缺陷的局部顶点半径。这一局限性很重要，因为局部顶点曲率影响控制SSWC型腐蚀失效起始的应变集中。

先前的研究通过使用经验证的有限元分析和全尺寸水压爆破试验数据解决了这一局限性，证明了缺陷深度和顶点半径对SSWC爆破压力预测至关重要。该研究开发了基于Buckingham π分析的参数化数据驱动模型，使顶点半径效应可以纳入爆破压力估算[2]。然而，Buckingham-π模型仅提供直接标量爆破压力估算，无法重现导致失效的完整压力-应变响应。有限元分析可以解决这一局限性，通过解析尖锐腐蚀几何附近发展的复杂应力和应变场[4]、[9]至[17]。然后可将失效判据应用于有限元结果以估算爆破压力。基于应力和基于应变的判据均已用于此目的。基于应力的判据相对易于实施，但通常提供保守估算，可能低估腐蚀管道实际承载能力[18]。基于应变的判据在多轴应力状态下提供对延性失效更真实的表征。极限三轴应变判据（LTSC）[19]即为其中之一，已通过全尺寸爆破试验和有限元模拟验证适用于严重腐蚀或尖锐几何特征的管道[2]。然而，尽管其精度高，有限元分析仍计算成本高昂，限制了其在实时评估、概率分析和大型参数研究中的直接使用[20]。

机器学习为结构完整性评估中的快速代理建模提供了替代方案[21]、[22]。深度学习架构近年来广泛应用于结构监测问题，包括自回归时间序列模型耦合神经网络用于变温度下的损伤识别[23]，卷积网络结合双向循环单元用于重建结构响应[24]，以及深度卷积网络与长短期记忆单元结合用于建模温度诱导的桥梁位移[25]。这些问题属于与爆破压力预测不同的类别，由时间序列监控数据驱动，其中时间相关性是主要可利用结构。这一对比对本研究具有启示意义：当数据是参数化仿真输出而非时间序列时，架构受时间结构约束较小，而受可用独立案例数量有限的约束较大，这正是采用物理锚定表述的原因。

近期的系统综述记录了针对腐蚀管道这一问题的快速发展。Soomro等人综述了应用于腐蚀管道完整性评估的机器学习模型，识别了最常用输入参数和数据源[26]；同一团队后续综述考察了专门用于预测爆破压力的模型及其训练数据集[27]。一篇关于腐蚀管道失效风险量化贝叶斯方法的并行综述，处理了此类评估中表征不确定性的互补问题[28]。来自该文献的两个观察结果与本文相关。第一，训练数据集的来源和规模是反复出现的约束而非偶然因素，因为爆破压力标签必须来自昂贵的大规模试验或需要自身验证的数值模拟。第二，综述的模型以纯数据驱动为主，因此其预测未锚定到完整性计划已使用的成熟评估方法。然而，当可用有限元数据集有限时，纯数据驱动的机器学习模型可能难以合理证明。物理引导建模通过将工程知识嵌入学习框架来解决这一问题。物理信息神经网络通常通过训练损失强制施加控制微分方程和边界条件[29]至[40]。相比之下，物理引导神经网络可以纳入解析标准、经验模型、无量纲缺陷描述符和经验证的失效判据作为物理引导来源[41]至[45]。这使得物理引导神经网络适用于腐蚀管道问题，其中完整控制失效过程难以解析表达，但有成熟的工程模型和经验证的有限元结果可用。

本研究开发了面向SSWC爆破压力预测的物理引导神经网络框架。该框架旨在补充而非替代现有工程评估模型。前馈神经网络训练以重现完整的有限元导出压力、塑性应变和极限应变历史，爆破压力随后从LTSC交点获得。并行地，复合标准数据驱动模型结合了成熟爆破压力标准与SSWC专用Buckingham-π回归模型。最终的物理引导神经网络以该模型作为物理基准，学习来自神经网络响应和无量纲缺陷描述符的残差校正。以此方式，模型保持锚定于成熟完整性评估方法，同时为SSWC缺陷增加几何依赖校正。该模型作为可操作的工程基准而非正则化器：无需网络即可部署，移除学习项后仍保留可用的物理预测器。

网络预测完整压力-应变历史而非标量爆破压力，因为爆破压力由曲线交点定义，因此重现曲线自然满足LTSC定义，并每次模拟提供300个监督目标而非一个。本研究的贡献是整合工程框架而非新物理机制。未提出新的失效判据、本构模型或损伤定律：失效定义为参考文献[19]的极限三轴应变判据，本构描述为参考文献[2]使用的经验证真实应力-应变响应，无量纲描述符遵循该研究中开发的Buckingham-π表述。新在于结合这些成熟元素的架构：残差学习结构与多标准融合的耦合，据我们所知首次应用于选择性焊缝腐蚀。

与早期的SSWC有限元分析和Buckingham-π回归工作不同，后者提供直接几何依赖爆破压力估算，本框架结合三个信息源：成熟行业标准、SSWC专用数据驱动模型以及有限元导出的压力-应变历史。复合标准数据驱动模型首先将B31G、修正B31G、DNV、CSA、PCORRC和SSWC专用回归模型融合为归一化物理基准。物理引导神经网络随后在残差学习结构中使用此基准，其中神经网络仅贡献与缺陷深度和顶点半径相关的几何依赖校正。以此方式，所提模型将先前SSWC数据驱动表述扩展为可解释的标准融合物理引导神经网络框架，而非用纯黑箱预测器替代工程评估方法。

论文组织如下。第2节描述管道配置、材料特性、失效判据、缺陷几何和有限元验证。第3节呈现物理引导神经网络架构、训练方法和复合标准数据驱动模型。第4节讨论结果和模型性能。第5节陈述主要发现和未来方向。

管道建模与失效评估

使用经验证的有限元分析框架量化SSWC几何对内部增压下塑性应变和极限三轴应变的影响。对每种缺陷配置，爆破压力使用极限三轴应变判据定义。建模假设和关键输入总结如下，为用于训练和基准测试神经网络及物理引导模型的仿真实验数据集提供背景。

物理引导神经网络集成

开发了一种物理引导建模框架，用于预测含SSWC缺陷管道的应变响应和爆破压力，同时减少对手算密集型有限元分析的依赖。该框架集成了基于有限元导出压力-应变历史训练的神经网络与物理基准预测，提高了预测稳健性和物理一致性。图3展示了数据流。

模型精度与折次稳定性

神经网络、复合模型和物理引导神经网络模型使用嵌套交叉验证程序在23个有限元分析数据集上作为插值代理模型评估，针对本研究考虑的API 5L X52管道配置。定量误差指标与定性应变-压力行为比较共同使用。使用嵌套交叉验证程序的合并保留预测，残差融合物理引导神经网络提供了最佳最坏情况精度和最窄预测

结论

开发了一种物理引导神经网络框架，用于预测含SSWC管道应变响应和爆破压力。贡献在于整合而非物理机制：失效判据、本构描述和无量纲描述符均取自成熟工作，所提为结合它们的架构。该框架结合三个组件：基于有限元生成压力-应变历史训练的前馈神经网络、一个复合标准数据驱动模型，

作者贡献声明

Ahmed Sellami：初稿撰写、可视化、验证、方法学、调查、形式分析、概念化。Matthew A. Franchek：审稿与编辑、监督。Karolos M. Grigoriadis：审稿与编辑、监督。Yingjie Tang：审稿与编辑、监督。Malek Rekik：方法学。Debartha Bag：资源、项目管理。

利益冲突声明

作者声明，他们没有已知可能影响本报告工作的竞争性经济利益或个人关系。

Ahmed Sellami | Matthew A. Franchek | Karolos M. Grigoriadis | Yingjie Tang | Malek Rekik | Debartha Bag