隨著我國城鎮(zhèn)化建設步伐的加快,作為城市生命線之一的燃氣管道發(fā)展迅速。與此同時,城鎮(zhèn)燃氣管道長時間運行帶來的燃氣安全問題不可忽視,近年來城鎮(zhèn)燃氣爆炸事故時有發(fā)生,造成了惡劣的社會影響。經調研得知,燃氣管道失效是造成城鎮(zhèn)燃氣事故的首要原因,因此分析城鎮(zhèn)燃氣管道失效的原因,預測其失效的概率,對預防城鎮(zhèn)燃氣事故有著十分重要的意義。 

在管道失效方面,國內外學者進行了大量的研究工作。管道失效受多種因素共同影響,且不同的因素對管道失效的影響程度也有所不同[1-4]。2015年李琴等[5]利用遺傳算法和BP神經網絡,實現了對腐蝕管道失效壓力的預測。2016年,駱正山等[6]分析了管道腐蝕速率的相關因素,提出了一種基于主成分分析和支持向量機（PCA-SVM）算法的管道速率預測模型。同年,CHOI等[7]提出了一種基于有限元分析方法的海底管道失效壓力評估計算方法。2019年FU等[8]通過埋地鋼管不同失效模式之間的相關性來確定鋼管的失效概率。2020年ZHANG等[9]通過收集管道特征數據和管道失效數據,結合貝葉斯網絡提出了一種基于管道特征腐蝕和外部干擾引起的管道失效預測模型。以上研究大都是針對長輸管道進行的,在城鎮(zhèn)燃氣管道失效方面鮮有研究,長輸管道和城鎮(zhèn)燃氣管道在其所處環(huán)境、管道壓力、管材等方面又有著巨大差異,所以對城鎮(zhèn)燃氣管道的失效研究顯得十分重要。 

近年來,基于機器學習的失效預測被廣泛應用,并在實踐中證明了其可行性。但是傳統(tǒng)的機器學習技術在預測模型構建時存在以下不足：一是采集的失效數據呈多點分布,傳統(tǒng)的數據處理匯總方式費時費力；二是要求開發(fā)人員能夠熟練掌握TensorFlow等第三方代碼庫,對編程能力要求較高；三是機器學習模型的訓練過程需要消耗大量的計算資源,若開發(fā)環(huán)境中硬件資源受限,則將無法進行大規(guī)模的模型構建；四是在本地構建完成的模型,缺乏便捷的方式將其快速部署,實用性不強。 

總體來看,現有成果缺乏對城鎮(zhèn)燃氣管道的失效預測,同時傳統(tǒng)的失效預測模式又受計算環(huán)境和計算場景的制約。云環(huán)境、云計算技術的快速發(fā)展給城鎮(zhèn)燃氣管道的失效預測供了新的方向。作者結合云環(huán)境,分析了城鎮(zhèn)燃氣管道風險并辨別影響城鎮(zhèn)燃氣管道失效的主要原因,建立了基于邏輯回歸算法的城鎮(zhèn)燃氣管道失效預測模型。 

1.   城鎮(zhèn)燃氣管道失效原因和主因分析

1.1   城鎮(zhèn)燃氣管道失效原因分析

造成城鎮(zhèn)燃氣管道失效的原因復雜多樣,事故的發(fā)生往往是多種因素耦合的結果。對燃氣管道失效原因的分析有利于避免同類事故的再次發(fā)生,將事故發(fā)生的鏈條切斷[10]。同時對城鎮(zhèn)燃氣管道失效原因進行有效分析,明確燃氣管道失效的各級致因因素,是建立管道失效預測模型的第一步。 

人機環(huán)管模型與城鎮(zhèn)燃氣管道的安全有著密切的聯(lián)系,不僅貫穿了城鎮(zhèn)燃氣管道生產、運行以及后期維護的整個過程,也是直接影響安全生產的重要因素,只有深入研究其特點和規(guī)律,采取對應的安全管理措施和技術方法,阻斷事故發(fā)生的鏈條,才能盡可能地減少事故的發(fā)生。田云祥等[11]對2011~2017年所發(fā)生的燃氣事故進行統(tǒng)計分析后得出,86%的事故是由于人的各種不安全行為導致的。人的不安全行為會增加操作失誤,設備的不安全狀態(tài)會增加設備故障或失效,環(huán)境的不安全因素會增加外力干擾,企業(yè)的管理缺陷會增加燃氣公司安全管理失效。當各種失效因素達到事故發(fā)生的閾值時,事故便會發(fā)生。綜上,根據事故發(fā)展的過程,在確定事故一級致因因素時,可以選取人機環(huán)管模型作為燃氣管道失效的一級致因因素指標,將致因因素分為四個方面：人（人的不安全行為）、機（設備的不安全狀態(tài)）、環(huán)（環(huán)境因素）、管（企業(yè)管理缺陷）[12]。結合燃氣事故的領域特點,對每個方面進行具體解釋。 

1.1.1   人的不安全行為

人的不安全行為主要由于操作人員的安全技能不足和燃氣用戶的安全意識淡薄。操作人員在進行維搶修作業(yè)時,因自身安全技能和專業(yè)知識不足,不能及時處理問題或違章施工,從而導致管道失效；燃氣用戶在日常使用燃氣時,因安全意識淡薄而帶來的違規(guī)使用,導致事故發(fā)生。 

1.1.2   設備的不安全狀態(tài)

設備的不安全狀態(tài)主要指燃氣管道存在的故障缺陷,即燃氣管道的自身缺陷和后期使用過程中由于腐蝕等因素導致的缺陷。 

1.1.3   環(huán)境因素

環(huán)境因素指自然界中的各種不穩(wěn)定因素如洪水、地震、腐蝕等,這些不穩(wěn)定因素易對燃氣設施造成不同程度的影響。 

1.1.4   企業(yè)管理缺陷

企業(yè)管理缺陷主要包括企業(yè)管理標準及規(guī)章制度不合理、安全管理混亂、安全巡檢人員責任心不強等。 

以上四個方面的致因因素相互作用,共同影響著城鎮(zhèn)燃氣管道的安全運行。魚骨圖具有直觀形象的特點,被廣泛應用到各類問題的影響因素分析中[13]。引起城鎮(zhèn)燃氣管道失效的因素較多,所以在事故一級致因因素的基礎上,通過整理和分析大量城鎮(zhèn)燃氣事故案例[14],構建出城鎮(zhèn)燃氣管道失效的魚骨模型,如圖1所示,從而分析得出燃氣管道失效的二級致因因素,確定燃氣管道失效的致因體系,為后文失效致因的重要度分析提供理論支持。 

圖  1  城鎮(zhèn)燃氣管道失效魚骨圖模型

Figure  1.  Fishbone model of urban gas pipeline failure

1.2   燃氣管道失效主因分析

為了提高燃氣管道失效預測模型的準確率,需要對多種失效原因進行梳理分析,找出其中最主要的原因[15]。利用K均值聚類算法完成詞向量的聚類,從而實現燃氣管道失效主因分析。K均值聚類過程如下：首先,選取K個特征對象作為每個簇的初始聚類中心點；然后,計算其余對象與各個簇中心點的距離,并將其分配到距離最近的簇；對于一個給定的包含n個d維數據點的數據集X及類別K,選取歐式距離作為相似度指標,聚類目標是使得各聚類平方和最小,即最小化,見式（1）。 

將前文中對城鎮(zhèn)燃氣管道失效原因的分析作為事故原因分類的原始標簽,從而實現管道失效原因的自動分類。然后,通過聚類法分析燃氣管道失效主因,聚類數設置為5,迭代數設置為50,輸出的聚類結果散點圖如圖2所示。 

圖  2  城鎮(zhèn)燃氣管道失效原因聚類散點圖

Figure  2.  Scatter plot of urban gas pipeline failure

散點圖中的5個聚類簇分別為：簇1（管道腐蝕）,簇2（燃氣用戶違規(guī)使用）,簇3（險情處置能力不足）,簇4（違規(guī)施工）,簇5（用戶燃氣設施故障老化）。根據聚類分析可知,城鎮(zhèn)燃氣管道失效原因主要集中在簇1（管道腐蝕）,即燃氣管道失效事故發(fā)生的主要原因為管道腐蝕。所以,作者通過挖掘燃氣管道腐蝕的各類特征之間的關聯(lián)規(guī)則,預測城鎮(zhèn)燃氣管道失效,從而達到預防燃氣管道失效事故的目的。圖3為研究路線圖。 

圖  3  研究路線圖

Figure  3.  Research roadmap

2.   云環(huán)境中燃氣管道失效預測模型

2.1   數據構成

為了保障燃氣管道失效預測模型的準確性和合理性,作者收集了影響燃氣管道完整性的核心數據,并對收集的數據進行全面分析,獲取燃氣管道的參數信息。數據主要包括燃氣管道失效數據和管道設計指標。 

（1）燃氣管道失效數據 

根據2019~2021年的燃氣事故報告,收集每起事故發(fā)生的管道樁號、時間、事故原因等信息。 

（2）管道設計指標 

調研收集各大燃氣公司內部數據,查閱有關國家標準如GB/T 9711－2011《石油天然氣工業(yè)管線輸送系統(tǒng)用鋼管》, GB 50028－2006《城鎮(zhèn)燃氣設計規(guī)范》等,確定與燃氣管道設計指標有關的數據。數據包括管道基礎數據、檢測監(jiān)測數據、防腐蝕檢測數據、運維數據等。 

對收集的數據進行整合,并將其分為管道基本屬性數據、管道檢測數據和管道運維數據三大類,形成包括樁號、管道壓力、缺陷長度在內的13個腐蝕影響因素,建立如圖4所示的城鎮(zhèn)燃氣管道腐蝕因素指標體系。 

圖  4  城鎮(zhèn)燃氣管道腐蝕因素指標體系

Figure  4.  Corrosion factor index system for urban gas pipeline

燃氣管道腐蝕影響因素的部分數據如表1所示。通過數據分析發(fā)現,燃氣管道失效主要由燃氣管道腐蝕泄漏導致,而管道腐蝕受管道投入年份（服役時間）、埋深、壓力等因素影響。為了在眾多因素中確定影響城鎮(zhèn)燃氣管道腐蝕的關鍵因素,作者利用廣義灰色關聯(lián)分析法獲取關聯(lián)度較高的腐蝕因素作為后續(xù)預測模型的影響因素集。 

廣義灰色關聯(lián)分析法主要利用系統(tǒng)中各個因素之間發(fā)展趨勢的相似性,通過定量分析的方法來確定各因素之間關聯(lián)度[16],主要包含相對關聯(lián)度、絕對關聯(lián)度和綜合關聯(lián)度。設置參照序列為X0（k）=X0（1）,X0（2）,…,X0（m）,m為樣本量。影響因素序列為Xi（k）,由于上述腐蝕因素指標體系內有13個腐蝕影響因素,所以i=1,2,…,13,并對參照序列和影響因素序列進行歸一化處理。 

（1）絕對關聯(lián)度計算 

根據歸一化處理后的數據,參照式（2）~（4）進行絕對關聯(lián)度a0i的計算。 

（2）相對關聯(lián)度計算 

設相對關聯(lián)度為r0i則其計算公式見式（5）。 

（3）綜合關聯(lián)度計算 

在廣義灰色關聯(lián)分析中,綜合關聯(lián)度是將絕對關聯(lián)度和相對關聯(lián)度進行權重計算后得出的,它可以比較全面地反映系統(tǒng)中不同指標的變化程度和重要程度,其計算公式見式（6）~（9）。 

式中：ρ0i表示綜合關聯(lián)度；θi表示分辨系數,為了平衡絕對關聯(lián)度和綜合關聯(lián)度結果的不同傾向,運用離差最大化為分辨系數賦值；DA,i表示絕對關聯(lián)度的總離差；DR,i表示相對關聯(lián)度的總離差。 

為了研究表1中各個因素對城鎮(zhèn)燃氣管道的腐蝕影響的重要程度,將數據歸一化后代入公式（2）~（9）,計算出城鎮(zhèn)燃氣管道腐蝕影響因素的綜合關聯(lián)度,結果如表2所示,腐蝕影響因素依次用C1、C2、……、C13代替。 

由表2可知,城鎮(zhèn)燃氣管道腐蝕影響因素對管道腐蝕影響的關聯(lián)度從大到小排序為C10、C6、C12、C3、C5、C7、C9、C4、C1、C2、C11、C13、C8。選擇其中關聯(lián)度超過60%的影響因素[17]作為影響城鎮(zhèn)燃氣管道腐蝕的關鍵因素,即管道材料、埋深、陰極保護方式、投入年份、管道壓力、土壤腐蝕性、壁厚,同時將這7個影響因素作為后續(xù)預測模型的因素集。 

2.2   云環(huán)境的概念及內涵

云環(huán)境是指能夠從動態(tài)虛擬化的資源池中向用戶或者各種應用系統(tǒng)按需提供計算能力、存儲能力或者虛擬機服務等的互聯(lián)網或者大數據環(huán)境。城鎮(zhèn)燃氣管道失效預測與云環(huán)境結合,可以使失效預測具有資源共享的能力,并處于高度協(xié)同的環(huán)境中。在云環(huán)境中,所有信息公開透明,時時共享。操作人員可以充分了解管道的各項信息指標以及維檢修的數據,并根據所掌握的數據利用云平臺提供的各種機器學習算法組件進行實時的計算預測。同時,借助云服務器和虛擬平臺調用數據,可使數據處理不再受物理硬件、場景、地域的限制,使移動預測成為常態(tài)。 

作者所使用的機器學習PAI平臺是阿里云打造的一款人工智能云計算平臺,提供包含數據標注、模型構建、模型訓練、模型部署、推理優(yōu)化在內的AI開發(fā)全鏈路服務,PAI平臺集成了大量穩(wěn)定的機器學習算法組件。其可視化的建模方式,為開發(fā)者提供了低門檻、高性能的云原生AI工程化能力。 

2.3   邏輯回歸算法

在城鎮(zhèn)燃氣管道失效預測中,管道失效發(fā)生與否可以被看作一個二值變量,而邏輯回歸算法的因變量實質上是一個二值分類因變量,所以作者通過建立邏輯回歸模型對城鎮(zhèn)燃氣管道的失效風險進行預測。邏輯回歸算法是機器學習中比較常用的一種用于分類的監(jiān)督學習算法[18]。利用邏輯回歸算法可以預測在不同的影響因素下,某種情況發(fā)生的概率。構建邏輯回歸模型的核心是結合已經獲得的樣本數據,在有限時間內進行訓練,獲得回歸系數,在確保良好的學習效果的基礎上,使得邏輯回歸模型具備較好的預測能力。考慮到燃氣管道失效影響因素是非連續(xù)變量,作者使用邏輯回歸中的邏輯回歸二分類模型[19]搭建燃氣管道失效預測模型。 

假設在燃氣管道失效影響因素的作用下,管道失效的概率為p,其取值范圍為0~1,則管道不失效的概率為1－p,p/（1－p）為燃氣管道失效的邏輯回歸值。取自然對數,其中,自變量X1,X2,…,Xk為影響管道失效的因素,如管道壓力、埋深、土壤腐蝕性等因素,因變量為p,則邏輯回歸函數可以表示為 

式中：β0為常量,β1,β2,…,βk為回歸系數。 

根據公式（2）可得 

利用公式（3）可以定量預測燃氣管道失效的概率,從而達到預防燃氣管道失效的目的。 

2.4   管道失效預測模型的構建流程

管道失效預測模型的構建流程如圖5所示。利用PAI平臺進行模型的構建,具體操作步驟如下： 

圖  5  建模流程

Figure  5.  Modelling process

第一步,進行數據讀取,將搜集的數據上傳到云環(huán)境中。PAI平臺的數據儲存在阿里云的DataWorks管理控制臺中,在DataWorks中完成相應的表結構設計后,如圖6所示,將數據導入控制臺,完成存儲。存儲在DataWorks中的數據可以在PAI平臺中直接利用讀數據表組件進行跨項目讀取,從而完成數據讀取。 

圖  6  數據表結構

Figure  6.  Data table structure

第二步,進行數據預處理,主要包括數據清洗、缺失值填充以及類型變換等操作。因為每個樣本的狀態(tài)只考慮失效或未失效,所以燃氣管道失效模型的預測也可以歸屬于分類問題。本研究中輸入數據包括8個特征列和1個目標列,在數據預處理的過程中,需要根據每個字段的含義將字符類型轉換為數值類型。 

（1）二值類數據：以管道材料字段為例,其取值為L415N和L415M,可以用0表示L415N,用1表示L415M。 

（2）多值類數據：以土壤腐蝕性字段為例,有弱、中、強三個等級（劃分依據）,由弱到強可以依次映射為0~2的數值。 

數據處理的結構化查詢語言（SQL）腳本如圖7所示。 

圖  7  數據處理中的SQL腳本

Figure  7.  SQL scripting in data processing

第三步,進行特征工程。特征工程指的是通過一系列方法將模型訓練所需要的數據進行相應的處理,使得數據能在模型訓練過程中發(fā)揮更好作用的過程[20]。由于邏輯回歸模型的輸入數據必須為double類型,所以在本研究中首先通過類型轉換組件將輸入特征轉換為double類型,然后使用過濾式特征選擇組件,利用信息熵和基尼系數來判斷每個特征對于結果的影響。同時,為了消除量綱對模型結果的影響,需要進行無量綱化[21],使不同規(guī)格的數據轉換到統(tǒng)一規(guī)格,使用歸一化組件將原始特征數值的范圍映射到0~1。 

第四步,利用云算法進行模型的訓練和預測。使用拆分組件將數據集按照一定的比例拆分成訓練集和測試集,利用機器學習中的邏輯二分類組件訓練燃氣管道失效預測模型,設置模型訓練的最大迭代次數為400次,模型訓練成功后將其保存到PMML中,PMML利用XML描述和存儲數據挖掘模型,在模型中可以看到邏輯回歸方程中的相關變量如回歸系數、自由度等。將模型和測試集共同輸入預測組件,進行失效結果預測。將燃氣管道失效的邏輯值定義為1,不失效的邏輯值定義為0,把概率p=0.5作為管道是否失效的臨界值,若p>0.5則被認為失效,p<0.5則被認為不失效。 

第六步,進行模型評估,本研究中使用混淆矩陣和二分類評估組件對模型進行共同評估。 

3.   預測模型分析

3.1   可視化工作流

通過對2019~2021年燃氣管道失效事故數據、各大燃氣公司平臺內部數據以及有關國家標準進行指標分解,拆分出燃氣管道失效影響因素,將得到13 102條樣本數據組成試驗數據集,隨機抽取70%數據作為模型的訓練集,30%數據作為模型的測試集,將數據導入阿里云PAI平臺,利用邏輯回歸二分類算法進行預測模型構建,云環(huán)境中整個可視化建模的工作流如圖8所示。 

圖  8  可視化建模工作流

Figure  8.  Visual Modelling Workflow

3.2   模型效果評估指標

用混淆矩陣[22]和受試者操作特征（ROC）曲線評估模型的預測準確率?；煜仃嚳捎脕砻枋龀擎?zhèn)燃氣管道失效的真實結果和預測結果之間的關聯(lián),是評估預測模型性能的一種常用方法,同時引入精準率、召回率和F1值作為評價指標,對模型的預測效果進行評估。對于一個分類問題,其結果一般有4種情況,如表3所示。 

則準確率A的計算公式為 

式中：nTP表示預測數據中結果為真正TP的數據份數；nTN表示預測數據中結果為真負TN的數據份數；nFN表示預測數據中結果為假負FN的數據份數；nFP表示預測數據中結果為假正FP的數據份數。 

精準率P的計算公式為 

召回率R的計算公式為 

F1值綜合表述了精準率和召回率的輸出結果,其值越高則說明模型的輸出效果越好,其計算公式為 

為了更加直觀地判斷模型的預測效果,引入特異度和靈敏度來繪制ROC曲線。ROC曲線的橫軸表示假正率（RFP）,縱軸表示真正率（RTP）,ROC曲線下的陰影面積就代表AUC值,通常用AUC值來表示模型的好壞,值越大則說明模型效果越好,表4展示了模型好壞與AUC值之間的關系。 

3.3   預測結果分析

本研究以阿里云PAI平臺為實現平臺,利用可視化建模模塊,通過對數據進行有關處理操作并對模型參數進行相應調整,實現了城鎮(zhèn)燃氣管道失效預測模型的構建,最終通過混淆矩陣和ROC曲線對模型的預測結果進行評價,其結果如圖9所示。 

圖  9  混淆矩陣和ROC曲線

Figure  9.  Confusion matrix (a) and ROC curve (b)

由圖9（a）混淆矩陣可知,在63份管道未失效數據中,有56份預測正確,7份預測為管道失效；在52份管道失效數據中,有46份預測正確,6份預測為管道未失效。采用以上公式計算模型的準確率、精準率、召回率和F1值,結果見表5。由表5中的數據可知,基于邏輯回歸的管道失效預測模型在預測管道失效與否的時候表現較好,其F1值分別為0.90和0.88,準確率為0.89,預測模型總體上達到了較高水準。 

ROC曲線可以直觀地展示出模型的預測效果。根據圖9（b）可知,基于邏輯回歸的管道失效預測模型的AUC值為0.86,說明該模型的效果優(yōu)于隨機猜測,與使用混淆矩陣進行評估的結果一致。 

3.4   云環(huán)境中計算和線下計算時間對比

比較了兩種計算模式即云環(huán)境中和線下的計算速率。線下計算是在PC機使用Python語言,依托深度學習的TensorFlow框架搭建邏輯回歸預測模型,使用與云環(huán)境中相同的數據進行模型計算。PC機的配置為：CPU6核,2.81 GHz；內存16 G。表6為云環(huán)境中和線下兩種模式對比。 

綜合兩種計算模式的對比結果,云環(huán)境中的模型構建相比線下模型構建有著耗時短、準確率高、操作簡單等優(yōu)點,構建模型時無需很強的代碼基礎便可完成機器學習模型的構建和計算。 

3.5   案例分析

2021年6月13日,湖北省十堰市發(fā)生重大燃氣爆炸事故,事故造成26人死亡,138人受傷,直接經濟損失約5 395.41萬元。經調查得知,引發(fā)事故的直接原因是天然氣中壓鋼管嚴重腐蝕導致破裂,泄漏的天然氣遇商戶排油煙管道排出的火星發(fā)生爆炸,是一起由于管道失效引發(fā)的燃氣爆炸事故。提取出該次事故燃氣管道的失效影響因素如表7所示。 

將該事故中管道失效影響因素經數據化處理后導入預測模型,在PMML中得到邏輯回歸方程中的回歸系數如表8所示。結果表明,基于邏輯回歸算法的燃氣管道失效預測模型對此次案例的預測結果為“1”,即失效,這和實際情況保持一致,從而驗證了該預測模型的有效性和實用性。 

4.   結論

通過在云環(huán)境中構建城鎮(zhèn)燃氣管道失效預測模型,計算城鎮(zhèn)燃氣管道的失效概率,實現了對城鎮(zhèn)燃氣管道腐蝕失效的精準預測,同時打破了傳統(tǒng)失效預測模式在計算環(huán)境和計算場景上的束縛,取得了以下結論： 

（1）使用廣義灰色關聯(lián)分析法確定了7種影響城鎮(zhèn)燃氣管道腐蝕的關鍵因素,并將這7種關鍵因素作為邏輯回歸預測模型的影響因素集； 

（2）云環(huán)境中構建的預測模型在計算時間上要明顯優(yōu)于傳統(tǒng)的線下模型,進一步提高了城鎮(zhèn)燃氣管道失效預測的計算速率； 

（3）云環(huán)境中構建的邏輯回歸預測模型,減少了傳統(tǒng)模型構建過程中開發(fā)困難、部署不及時等不足,同時通過實例驗證了模型的有效性和實用性,可為城鎮(zhèn)燃氣管道的安全管理提供參考依據。

文章來源——材料與測試網