Nghiên cứu ứng dụng mạng neural nhân tạo để dự đoán tốc độ ăn mòn Carbon Dioxide (CO2) trong đường ống dẫn dầu khí

Ăn mòn trong đường ống do tác nhân Carbon Dioxide (CO2) là vấn đề đáng

quan tâm trong công nghiệp dầu khí. Trong nghiên cứu này, nhóm tác giả

đề xuất phương pháp tiếp cận mới để dự đoán tốc độ ăn mòn do Carbon

Dioxide (CO2) trong đường ống, ứng dụng phương pháp máy học, cụ thể là

mạng Neural nhân tạo (ANN). Sau khi tiến hành thu thập, chọn lọc đặc

trưng, tiền xử lý dữ liệu, tập dữ liệu phục vụ cho nghiên cứu bao gồm 40

điểm dữ liệu với 9 đặc trưng (features). Mô hình mạng ANN đã được xây

dựng với 2 lớp ẩn có kích thước lần lượt là 18 node và 9 node; với hàm kích

hoạt lần lượt là ReLU và Sigmoid. Nhóm tác giả sử dụng các thuật toán

Early Stopping và RMSprop để tăng độ chính xác của mô hình ANN, giảm

ảnh hưởng của bộ dữ liệu nhỏ. Mô hình dự đoán theo tiêu chuẩn Norsok M-

506 cũng được áp dụng để so sánh hiệu quả với mô hình mạng neural nhân

tạo. Các chỉ tiêu bao gồm căn bậc hai sai số bình phương trung bình

(RMSE), sai số tuyệt đối trung bình (MAE), hệ số xác định (R2). Kết quả

nghiên cứu cho thấy dự đoán của mô hình mạng neural nhân tạo đạt các

chỉ tiêu R2 = 0.938, RMSE = 0,014, MAE = 0,011 tốt hơn nhiều so với mô hình

thực nghiệm theo tiêu chuẩn Norsok M-506.

pdf9 trang | Chuyên mục: Khoa Học Vật Liệu | Chia sẻ: yen2110 | Lượt xem: 349 | Lượt tải: 0download
Tóm tắt nội dung Nghiên cứu ứng dụng mạng neural nhân tạo để dự đoán tốc độ ăn mòn Carbon Dioxide (CO2) trong đường ống dẫn dầu khí, để xem tài liệu hoàn chỉnh bạn click vào nút "TẢI VỀ" ở trên
cho lớp ẩn tiếp theo. Hàm ReLU 
đã được chứng minh là giúp việc huấn luyện học 
máy và học sâu (deep learning) nhanh hơn rất 
nhiều, nguyên do đạo hàm của nó bằng 0 với x ≤ 0, 
và bằng 1 khi x>0. Công thức của hàm ReLU và 
hàm Sigmoid lần lượt như (6), (7). 
RELU: 
f(x) = max (0,x) 
(f(x) = 0 với x ≤ 0, f(s) = x với x >0) 
Sigmoid: 
𝑓(𝑥) = 
1
1+𝑒−𝑥
Đồ thị của 2 hàm như Hình 3 
Hàm mất mát được sử dụng là hàm sai số bình 
phương trung bình, có công thức như (8). 
𝑚𝑠𝑒 = 
1
𝑛
∑ (𝑦𝑖 − �̂�𝑖)
2𝑛
𝑖=1 
Một vài thuật toán tối ưu đào tạo lan truyền 
ngược thường được sử dụng Gradient Decent 
(đạo hàm đi ngược), Stochastic Gradient Descent 
(SGD), thuật toán Levenberg- Marquardt 
Algorithm (LMA), Scaled Conjugate Gradient 
(SCG), Pola-Ribiere conjugate gradient (PCG), 
Adadelta (Matthew, 2012), Adam, Adagrad và 
Bảng 1. Kết quả phân tích tương quan giữa các đặc trưng đầu vào. 
(5) 
(6) 
(7) 
(8) 
 Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 95 
 những thuật toán khácNhóm tác giả sử dụng 
thuật toán RMSprop (Geoffrey, 2014). Thuật toán 
này có ưu điểm tốc độ học (learning rate) tự động 
điều chỉnh, thay đổi lớn với các dữ liệu khác biệt 
nhiều và các thay đổi nhỏ cho các dữ liệu ít khác 
biệt; và nhanh chóng đạt được giá trị cực tiểu toàn 
cục. 
Kỹ thuật Early stopping - dừng thuật toán 
trước khi hàm mất mát quá nhỏ, giúp tránh hiện 
tượng quá khớp (overfitting) cũng được áp dụng 
trong nghiên cứu này. Các thiết lập Early stopping 
gồm: chỉ tiêu đánh giá là sai số tuyệt đối trung 
bình, và số epoch tối đa bằng 50 (epoch - số lần 
duyệt qua tất cả các điểm dữ liệu) trước khi giá trị 
chỉ tiêu đánh giá của bộ dữ liệu xác thực có chiều 
hướng tăng lên. 
3. Kết quả nghiên cứu và thảo luận 
Với mô hình mạng neural nhân tạo được xây
 dựng như mục trên, tập dữ liệu huấn luyện và xác 
thực được sử dụng để đào tạo mạng. Cùng với việc 
áp dụng kỹ thuật Early Stopping, quá trình đào tạo 
kết thúc với số lần lặp (epoch) bằng 1293. Sự thay 
đổi của chỉ tiêu - sai số tuyệt đối trung bình của tập 
huấn luyện và tập xác thực trong Hình 4. 
Bảng 2 cho thấy mô hình mạng neural nhân 
tạo cho kết quả dự báo khá tốt với giá trị hệ số xác 
định của tập dữ liệu kiểm tra R2=0,868. Chỉ số R2 
của tập dữ liệu kiểm tra thấp hơn tập dữ liệu huấn 
luyện và xác thực là do số lượng các điểm dữ liệu 
còn ít. Các chỉ số đánh giá của mô hình mạng 
neural nhân tạo dự đoán tốc độ ăn mòn trên toàn 
bộ tập dữ liệu lần lượt có giá trị RMSE = 0,014, 
MAE = 0,011, R2 = 0,938. Ảnh hưởng của từng 
thông số đầu vào (áp suất CO2, độ pH, tuổi ) lên 
tốc độ ăn mòn chưa được xét đến và sẽ đề cập đến 
trong những nghiên cứu sau. Các kết quả dự đoán 
tốc độ ăn mòn của trên bộ dữ liệu được so sánh
Hình 2. Mô hình mạng neural nhân tạo dự đoán tốc độ ăn mòn. 
Hình 3. Đồ thị hàm số Sigmoid và ReLU. 
96 Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 
 với thực tế và được minh họa trong Hình 5. 
Sử dụng mô hình thực nghiệm dự đoán ăn 
mòn CO2 theo tiêu chuẩn Norsok M-506 để tính 
toán bộ dữ liệu, nhóm tác giả thu được các chỉ số 
đánh giá RMSE = 0,064, MAE = 0,048, R2 = -0,364. 
Hệ số xác định âm cho thấy kết quả dự đoán mô 
hình Norsok M-506 chưa mô phỏng được thực tế 
bộ dữ liệu trên. Mạng neural nhân tạo cho thấy 
khả năng dự đoán vượt trội hơn so với mô hình 
thực nghiệm theo tiêu chuẩn Norsok M-506. Bảng 
3 so sánh hiệu suất của các mô hình dự đoán tốc 
độ ăn mòn. Hình 6 minh họa giá trị tốc độ ăn mòn 
dự đoán của các mô hình so với tốc độ ăn mòn 
thực tế. 
Tập dữ liệu RMSE MAE R2 
Huấn luyện và xác thực 0,010 0,008 0,962 
Kiểm tra 0,020 0,017 0,868 
Mô hình RMSE MAE R2 
Tiêu chuẩn Norsok M-506 0,064 0,048 -0,364 
Mô hình mạng neural nhân tạo 0,014 0,011 0,938 
Hình 4. Early stopping: sai số tuyệt đối trung bình của tập huấn luyện và tập xác thực. 
Bảng 2. Các chỉ tiêu của mạng neural nhân tạo dự đoán tốc độ ăn mòn. 
Hình 5. Đồ thị hồi quy của mạng neural nhân tạo dự đoán tốc độ ăn mòn. 
Bảng 3. Hiệu suất của các mô hình dự đoán tốc độ ăn mòn. 
 Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 97 
4. Kết luận 
Tốc độ ăn mòn là một thông số quan trọng để 
xác định sự phát triển ăn mòn trong đường ống. 
So sánh các phương pháp dự đoán tốc độ ăn mòn 
bằng mô hình mạng neural nhân tạo và mô hình 
thực nghiệm Norsok M - 506 cho thấy sự vượt trội 
của phương pháp mới: thông qua các chỉ số như: 
hệ số xác định (R2), sai số bình phương trung bình 
(MSE), căn bậc hai sai số bình phương trung bình. 
Điều đó đã chứng minh mô hình mới có thể là công 
cụ dự đoán khá chính xác tốc độ ăn mòn. Phương 
pháp này có thể sử dụng trong nghiên cứu cũng 
như trong thực tế đánh giá tốc độ ăn mòn trong do 
CO2 tùy thuộc vào điều kiện cụ thể tuyến ống. 
Tài liệu tham khảo 
Bassam, A., Toledo, D. O., Hernandez, J. A., 2009. 
Artificial neural network for the evaluation of 
CO2 corrosion in a pipeline steel. J. Solid State 
Electrochem 13, 773-780. 
Bersani, C., Citro L., Gagliardi, R. V., Sacile, R., & 
Tomasoni, A. M., 2010. Accident occurence 
evaluation in the pipeline transport dangerous 
goods. Chemical Engineering Transactions. 
Geoffrey Hinton, 2014. CSC321 - Introduction to 
Neural Networks and Machine Learning. 
Giulia De Masi, Roberta Vichi, Manuela Gentile, 
2014. A Neural Network Predictive Model of 
Pipeline Internal Corrosion Profile. 2014 First 
International Conference on Systems 
Informatics. Modelling and Simulation. 
Hahnloser, R.; Sarpeshkar, R.; Mahowald, M. A.; 
Douglas, R. J.; Seung, H. S, 2000. "Digital 
selection and analogue amplification coexist in 
a cortex-inspired silicon circuit". Nature. 
Han, Jun; Morag, Claudio, 1995. The influence of 
the sigmoid function parameters on the speed 
of backpropagation learning. In Mira, José; 
Sandoval, Francisco. From Natural to Artificial 
Neural Computation. 195-201 
IYASELE, Edgar Omondiale, OYATOGUN Modupe 
Grace, 2018. Development of a Computer 
Software for Determining the Corrosion Rate 
of Oil Pipelines in CO2 Environment Using 
Modified NORSOK M-506 Model. International 
Journal of Scientific & Engineering Research. 
Kexi Liao, Quanke Yao, Xia Wu and Wenlong Jia, 
2012. A Numerical Corrosion Rate Prediction 
Method for Direct Assessment of Wet Gas 
Gathering Pipelines Internal Corrosion. 
Energies. 
Matthew D. Zeiler, 2012. ADADELTA: an adaptive 
learning rate method. Google Inc. 
https://arxiv.org/abs/1212.5701 
Mazura Mat Din Norafida Ithnin, Azlan Md. Zain, 
Norhazilan Md Noor, Maheyzah Md Siraj and 
Rosilawati Md. Rasol. 2015. An artificial neural 
network modeling for pipeline corrosion 
growth prediction, ARPN Journal of 
Engineering and Applied Sciences. 
Hình 6. Đồ thị hồi quy các mô hình dự đoán tốc độ ăn mòn. 
98 Nguyễn Phùng Hưng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (1), 90 - 98 
Mohaghegh S, 1995. Neural network: What it can 
do for petroleum engineers. Society of 
Petroleum Engineers. 
Mohamed Layouni, 2014. A Survey on the 
Application of Neural Networks in the Safety 
Assessment of Oil and Gas Pipelines. IEEE 
Symposium on Computational Intelligence for 
Engineering Solutions (CIES). 
NACE SP0102, 2010. Standard Practice - In-Line 
Inspection of Pipelines. NACE International 
Publishing. Houston, TX, USA, 2010 
NACE SP0110, 2010. Wet Gas Internal Corrosion 
Direct Assessment Methodology for Pipelines. 
NACE International Publishing. 
NACE SP0116, 2016. Multiphase Flow Internal 
Corrosion Direct Assessment (MP-ICDA) 
Methodology for Pipelines. NACE International 
Publishing. 
NACE SP0206, 2016-SG, 2016, Internal Corrosion 
Direct Assessment Methodology for Pipelines 
Carrying Normally Dry Natural Gas (DG-ICDA). 
NACE International Publishing. 
NORSOK STANDARD M-506, Edition 3, June 2017. 
“CO2 corrosion rate calculation model”. 
duktkatalogen/Produktpresentasjon/?Produc
tID=923800 
Obaseki M, Nwankwojike B. N và Abam, F.I, 2017, 
Artificial Neural Network Simulation Model for 
Predicting Oil and Gas Pipeline Corrosion Rate 
in Nigerian Niger Delta, FUPRE Journal of 
Scientific and Industrial Research. 
Pierre R. Roberge, 2002. Handbook of corrosion 
engineering. Mc Graw Hill. 
Robert J Schalkoff, 1997. Artificial Neural 
Networks, Vol.1, McGraw-Hill New York. 
Roft Nyborg, 2005. Controlling Internal Corrosion 
in Oil and Gas Pipelines. Institute for Energy 
Technology (IFE). 
Roft Nyborg. 2009. Guidelines for prediction of 
CO2 corrosion in oil and gas production 
systems. Institute for Energy Technology. Na 
Uy. 
ABSTRACT 
Applying artificial neural networks to predict carbon dioxide (CO2) 
corrosion rate in oil and gas pipeline 
Hung Phung Nguyen, Vinh Duc Le, Truong Hung Trieu 
Faculty of Oil and Gas, Hanoi University of Mining and Geology, Vietnam 
Carbon dioxide (CO2) corrosion is one of the major concerns in oil and gas industry. This work 
attempted to apply Machine Learning method - Artificial Neural Network (ANN) to predict CO2 corrosion 
rate in pipeline. After collecting, selecting features, pre-processing, a dataset of 40 data with 9 features of 
pipeline operating parameters has been used for research. Applying newest optimizer RMSprop with 
algorithm Early-Stopping increases accuracy and reduces the effect of small dataset. An Artificial Neural 
Network is developed, which has 2 hidden layers with 18 nodes and 9 nodes with activate functions ReLU 
and Sigmoid in sequence. The empirical model Norsok M-506 was applied to compare performances of 
models. Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), coefficient of determination (R2) 
were used as evaluating indicators. The predicted corrosion rates of artificial neural network model R2 = 
0.938, RMSE = 0,014, MAE = 0,011 provided higher performance than empirical model Norsok M-506. 

File đính kèm:

  • pdfnghien_cuu_ung_dung_mang_neural_nhan_tao_de_du_doan_toc_do_a.pdf