基于多策略改进蜣螂算法和支持向量回归的CO2输送管道腐蚀预测

花靖; 蒋秀; 于超; 解辉; 傅建斌; 逄铭玉

doi:10.12404/j.issn.1671-1815.2500971

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :1028-1037 DOI: 10.12404/j.issn.1671-1815.2500971

论文：石油、天然气工业

基于多策略改进蜣螂算法和支持向量回归的CO₂输送管道腐蚀预测

花靖 ¹^,² ,
蒋秀 ¹^,² ,
于超 ¹^,² ,
解辉 ¹^,² ,
傅建斌 ¹^,² ,
逄铭玉 ¹^,²

作者信息 +

Corrosion Prediction of CO₂ Transport Pipeline Based on Multi-strategy Improved Dung Beetle Algorithm and Support Vector Regression

HUA Jing ¹^,² ,
JIANG Xiu ¹^,² ,
YU Chao ¹^,² ,
XIE Hui ¹^,² ,
FU Jian-bin ¹^,² ,
PANG Ming-yu ¹^,²

Author information +

文章历史 +

摘要

腐蚀速率的准确预测对于保障CO₂输送管道安全运行意义重大。针对当前缺乏一套适用于多杂质、不同CO₂输送相态工况的腐蚀预测模型现状,提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer,MIDBO)和支持向量回归(support vector regression,SVR)的腐蚀预测模型。为了解决DBO算法收敛速度较慢、全局探索和局部开发能力不平衡等问题,提出了多策略改进方案:算法初期,融合Tent混沌映射和反向学习策略初始化种群,提高种群多样性和算法收敛速度;蜣螂繁育阶段,运用动态螺旋搜索策略提升算法全局搜索能力;算法后期,融合Lévy飞行策略和贪婪策略对种群进行扰动并更新位置,增强算法跳出局部最优能力。仿真结果表明:相比较DBO算法和单策略改进的DBO算法,MIDBO算法在不同测试函数中均具有更佳的寻优性能,验证了多策略改进的有效性。将建立的MIDBO-SVR腐蚀预测模型与DBO-SVR和GWO(grey wolf optimization algorithm)-SVR、SSA(sparrow search algorithm)-SVR、POA(peacock optimization algorithm)-SVR模型进行了预测精度对比,结果表明:MIDBO-SVR算法的均绝对误差(mean absolute error,MAE)、均方误差(mean squared error,MSE)和均相对误差(mean absolute percentage error,MAPE)分别为0.010 0、0.000 2、13.21,均低于其他4套模型。本文中建立的MIDBO-SVR腐蚀预测模型预测精度较高,对现场具有较强的指导意义。

Abstract

Accurate prediction of corrosion rates is of great significance for ensuring the safe operation of CO₂ transportation pipelines. In view of the current situation where there is a lack of a set of corrosion prediction models suitable for multi-impurities and different CO₂ transportation phases, a corrosion prediction model based on a multi-strategy improved dung beetle optimizer (MIDBO) and support vector regression (SVR) was proposed. To solve problems such as the slow convergence speed and imbalanced global exploration and local exploitation capabilities of the DBO algorithm, a multi-strategy improvement scheme was introduced: at the initial stage of the algorithm, Tent chaotic mapping and opposition-based learning strategies were integrated to initialize the population, enhancing population diversity and convergence speed; during the dung beetle breeding phase, a dynamic spiral search strategy was employed to improve the global search capability; in the later stage of the algorithm, Lévy flight and greedy strategies were combined to perturb the population and update positions, strengthening the algorithm’s ability to escape out of local optima. Simulation results show that, compared to the DBO algorithm and single-strategy improved DBO algorithms, the MIDBO algorithm exhibited superior optimization performance across various test functions, validating the effectiveness of the multi-strategy improvements. The MIDBO-SVR corrosion prediction model was compared with DBO-SVR, GWO-SVR, SSA-SVR, and POA-SVR models in terms of prediction accuracy. The results show that the MIDBO-SVR algorithm achieved mean absolute error (MAE), mean squared error (MSE), and mean absolute percentage error (MAPE) values of 0.010 0, 0.000 2, and 13.21, respectively, all of which were lower than those of the other four models. The MIDBO-SVR corrosion prediction model established demonstrated high prediction accuracy and strong practical significance, offering considerable potential for field applications.

Graphical abstract

关键词

腐蚀预测 / CO₂输送管道 / 杂质 / 蜣螂算法 / 支持向量回归

Key words

corrosion prediction / CO₂ transport pipeline / impurities / dung beetle algorithm / support vector regression

引用本文

引用格式 ▾

花靖, 蒋秀, 于超, 解辉, 傅建斌, 逄铭玉. 基于多策略改进蜣螂算法和支持向量回归的CO₂输送管道腐蚀预测[J]. 科学技术与工程, 2026, 26(3): 1028-1037 DOI:10.12404/j.issn.1671-1815.2500971

HUA Jing, JIANG Xiu, YU Chao, XIE Hui, FU Jian-bin, PANG Ming-yu. Corrosion Prediction of CO₂ Transport Pipeline Based on Multi-strategy Improved Dung Beetle Algorithm and Support Vector Regression[J]. Science Technology and Engineering, 2026, 26(3): 1028-1037 DOI:10.12404/j.issn.1671-1815.2500971

登录浏览全文

4963

注册一个新账户忘记密码

双碳背景下,碳捕集、利用与封存(carbon capture, utilization and storage,CCUS)是应对全球气候变化的关键技术。到2050年,仍有30%左右的碳排放无法通过减排消除,除去自然碳汇后,有(10~20)亿t的二氧化碳需要通过CCUS技术来处理。管道输送是将CO₂从捕集地输送到利用地和封存地最经济、高效的方式之一^[1-3],输送过程中,45%的管道失效源于腐蚀,因此腐蚀速率的准确预测对于保障CO₂输送管道安全运行意义重大^[4]。

当前,构建含杂质不同CO₂相态输送工况的腐蚀预测模型是亟需解决的科学问题^[5]。一方面,由于油气开采、输送管道腐蚀体系与CO₂输送管道腐蚀体系存在本质区别^[6],导致现有的基于油气开采和输送环境建立的CO₂腐蚀预测模型^[7-13]并不适用于CO₂输送体系;另一方面,CO₂管道腐蚀的影响因素众多,包括输送相态(超临界态、气态、液态)、管材材质以及杂质(H₂O、SO₂、O₂、NO₂等)^[14-23],相态-材质-杂质耦合下腐蚀机理的研究尚属起步阶段,行业内尚未有预测精度较高、适用范围较广的腐蚀预测模型。虽然有少数学者针对特定工况建立了相应的腐蚀预测模型,但模型在其他工况条件下的预测精度有所不足。Xiang等^[24]通过腐蚀薄液膜对腐蚀体系的影响,建立了含SO₂、O₂、H₂O杂质的超临界态CO₂腐蚀预测模型,该模型与部分实验结果吻合度高,但不适用于液态和气态CO₂以及其他杂质(NO₂、H₂S)工况条件。因此,有必要建立一套适用于不同CO₂输送相态和杂质工况的腐蚀预测模型。

近年来,作为一种新兴的演化计算技术,群智能优化算法得到了快速的发展。群智能优化算法以昆虫、兽群、鸟群和鱼群等生物种群为研究对象,通过描述种群不同个体间协作分工表现的进化、觅食等群体行为,将其抽象为问题的搜索和优化过程,最终实现求得最优解。常见的群体智能算法有蚁群优化算法(ant colony optimization, ACO)^[25]、人工蜂群优化算法(artificial bee colony optimization algorithm, ABC)^[26]、蜣螂优化算法(dung beetle optimizer, DBO)^[27]、萤火虫算法(firefly algorithm, FA)^[28]、蝙蝠算法(bat algorithm, BA)^[29]、狐猴优化算法(lemur optimization algorithm, LO)^[30]、灰狼优化算法(grey wolf optimization algorithm, GWO)^[31]、鲸鱼优化算法(whale optimization algorithm, WOA)^[32]、麻雀优化算法(sparrow search algorithm, SSA)^[33]、孔雀优化算法(peacock optimization algorithm, POA)^[34]等。一些学者将群智能优化算法应用到腐蚀预测领域,通过将群智能优化算法(或改进后)与支持向量机(support vector machine,SVM)、BP神经网络(back propagation neural network,BPNN)、核极限学习机(kernel extreme learning machine,KELM)等算法进行结合,构建了相应的腐蚀预测模型,均取得了较为不错的预测效果。吴小平等^[35]通过在海鸥优化算法(seagull optimization algorithm,SOA)中加入混沌算子、改进非线性收敛因子以及调整螺旋系数等混合策略对算法进行优化,建立了一种基于RS-ISOA-KELM模型的天然气输送管道内腐蚀预测模型,均方误差0.002 1 mm/年;张佳等^[36]通过将种群变异策略和领域搜索延伸策略应该到鲸鱼优化算法(WOA)中,在此基础上建立了基于IWOA-LSSVM算法的管道腐蚀剩余强度预测模型,均方根误差为0.003 2 mm/年。

现针对CO₂输送管道特定的腐蚀体系,首先对DBO算法进行多策略改进,具体包括:①融合Tent混沌映射和反向学习策略初始化种群;②动态螺旋搜索策略优化繁育阶段局部最佳位置;③Lévy飞行策略进行扰动,并用贪婪策略更新位置,提升算法跳出局部最优解的能力,形成多策略改进的蜣螂优化算法(multi-strategy improved dung beetle optimization,MIDBO)。然后使用13种CEC2005测试函数对MIDBO算法进行有效性测试。最后将MIDBO算法与支持向量回归算法(support vector regression,SVR)结合,建立基于MIDBO-SVR算法的CO₂输送管道腐蚀预测模型,通过和DBO-SVR、GWO-SVR、SSA-SVR、POA-SVR算法进行预测精度对比,来验证所建立模型的优越性。

1 蜣螂优化算法(DBO)

蜣螂优化算法^[27]是一种新型群智能优化算法,相比较其他群智能优化算法,在全局探索、局部开发、快速收敛、高精度求解等方面具有一定的优势^[37-38]。DBO算法通过模拟蜣螂的滚球、繁育、觅食、偷窃4种行为,将种群分成滚球蜣螂,繁育蜣螂,觅食蜣螂,偷窃蜣螂,每一种行为都实现群体位置的迭代更新,最终得到最优解。

1.1 滚球蜣螂

蜣螂通过将粪便滚成球体,然后将其滚动到理想的位置。滚球过程中,蜣螂在太阳光、月亮、偏振光为代表的天体线索的指引下,尽可能地以直线方向去运动,但如果受到了风或者不平整路面等自然因素的影响,蜣螂也会偏离直线运动。在滚动过程中,滚球蜣螂的位置被更新,数学模型可表示为

(1)

x i (t + 1) = x i (t) + α k x i (t - 1) + b Δ x Δ x = x i (t) - X w

式(1)中:x_i(t)为第i只蜣螂第t次迭代后的位置;k为偏转系数,数值范围在(0,0.2];b为介于(0,1)之间的常数;X_w为全局最差位置;Δx为表征光强的变化;α为自然系数,表征自然风和不平整路面对运动路线的影响,α=1时表示不偏离原有路线,α=-1时表示偏离原有路线,α的赋值为

(2)α=

1, η > λ - 1, η ≤ λ

式(2)中:λ为概率值,一般取值为0.9;η为0~1的随机自然数。

当遇到障碍物时,蜣螂通过跳舞来重新获得路线,用正切函数来描述描述蜣螂跳舞的行为。数学模型可表示为

(3)x_i(t+1)=x_i(t)+tanθ

x i (t) - x i (t - 1)

式(3)中:θ为偏转角,数值范围[0,π],当θ = 0、π/2、π时,tanθ=0,即位置不更新。

1.2 繁育蜣螂

粪球被滚到安全的位置后,雌性蜣螂会在一部分粪球上进行产卵繁衍后代。产卵区域数学模型可表示为

(4)

L b * = m a x [X * (1 - R), L b] U b * = m a x [X * (1 + R), U b]

式(4)中:X^*为局部最佳位置;Lb为产卵区的下界;Ub为产卵区的上界;Lb^*为所优化问题的下界;Ub^*为所优化问题的上界;R= 1-t/T_max,其中,T_max为最大迭代次数。

一旦确定产卵位置,雌蜣螂会选择在此区域内产卵,卵球的位置为

(5)B_i(t+1)=X^*+b₁[B_i(t)-Lb^*]+b₂[B_i(t)-Ub^*]

式(5)中:B_i(t)为第i只繁育球第t次迭代后的位置;b₁、b₂为随机数。

当繁育球超出安全的产卵区域后,对位置进行约束,约束公式为

(6)B_i(t)=

U b *, B i (t) > U b * L b *, B i (t) < L b *

1.3 小蜣螂

小蜣螂长大后,会从地底下钻出去觅食。最佳觅食区域数学模型可表示为

(7)

L b b = m a x [X b (1 - R), L b] U b b = m a x [X b (1 + R), U b]

式(7)中:X^b为全局最佳位置;Lb^b为最佳觅食区域的下界;Ub^b为最佳觅食区域的上界。

从而小蜣螂的位置更新为

(8)x_i(t+1)=x_i(t)+C₁[x_i(t)-Lb^b]+C₂[x_i(t)-Ub^b]

式(8)中:x_i(t)为第i只小蜣螂第t次迭代后的位置;C₁为符合正态分布的随机数;C₂为数值范围在0~1的随机数。

1.4 偷窃蜣螂

一些蜣螂(偷窃蜣螂)会从其他蜣螂身上偷窃粪球,偷窃过程数学模型可表示为

(9)x_i(t+1)=X^b+Sg[

x i (t) - X *

x i (t) - X b

]

式(9)中:g为符合正态分布的随机数;S为常数。

2 多策略改进的蜣螂优化算法

针对DBO算法收敛速度较慢、全局探索和局部开发能力不平衡等缺点,提出了3种改进DBO算法的策略:①融合Tent混沌映射和反向学习策略;②动态螺旋搜索策略;③Lévy飞行策略和贪婪策略。

2.1 融合Tent混沌映射与反向学习策略

(1)Tent混沌映射。混沌映射是一种可以在确定性系统产生随机性序列的数学工具。通过混沌映射将种群进行初始化,可以较为显著地增加全局搜索性能,避免陷入局部最优解,同时也可以提高算法的探索效率和提升算法的收敛速度。常见的混沌映射算法有Logistic映射、Sine映射、Tent映射、Bernoulli映射等,综合考虑对初始条件的敏感性和全局遍历性,选择Tent混沌映射对蜣螂种群进行初始化。Tent混沌映射数学表达式为

(10)x_n₊₁=f(x_n)=

x n / α, x n ∈ [0, α) (1 - x n) / (1 - α), x n ∈ [α, 1]

式(10)中:α为Tent映射参数,是介于0~1的随机数,本文中α取值0.499。

(2)反向学习策略。反向学习策略(opposition-based learning, OBL)是一种群智能优化算法改进策略。基本思想是:在种群寻优的过程中,根据当前解产生一个反向解,然后比较当前解与反向解的目标函数值,择优进入下一次迭代,数学表达式为

(11)P'_i=K(P_max+P_min)-P_i

式(11)中:P_i为初始解;P'_i为与初始解P_i对应的逆解;P_max、P_min分别为初始解中的最大值和最小值;K为介于0~1的随机数。

种群初始化策略如下:在使用Tent混沌映射生成初始解的同时,引入反向学习策略,从而提升种群的初始最佳位置。

2.2 动态螺旋搜索策略

蜣螂繁育阶段,繁育球在产卵区域内部根据局部最优位置进行位置更新,种群虽然短时间内可以快速收敛,但同时也会导致种群的多样性降低,容易使算法陷入局部最优,因此,需要对式(5)进行改进。

受鲸鱼优化算法(WOA)中座头鲸气泡网捕食猎物机制的启发,对式(5)进行改进。在迭代过程中,座头鲸以对数螺旋的搜索路径来更新与猎物的位置,数学表达式为

(12)X(t+1)=X^*(t)+D'e^clcos(2πl) D'=

X * (t) - X (t)

式(12)中:D'为鲸鱼和猎物之间的距离;X^*(t)为当前最佳位置;l为-1~1的随机数;c为螺旋搜索形状系数。

但该策略受螺旋搜索形状系数c的影响较大,c较大时算法衰减过快,导致算法陷入局部最优,c较小时算法收敛速度缓慢。为了解决这个问题,引入了动态螺旋搜索形状参数c',数学表达式为

(13)c'=5cos

π t T m a x

由式(13)可知,随着迭代次数增大,c'逐渐减小,也就是说螺旋搜索的形状逐渐较小。算法前期,鲸鱼以较大的螺旋形状搜寻目标,鲸鱼尽可能多地去探索全局最优解,提升算法的全局最优搜寻能力;算法后期,鲸鱼以小螺旋形状搜寻目标,提升算法的寻优精度。

将式(12)、式(13)代入式(5),得

(14)B_i(t+1)=X^*+

e 5 l c o s π t T m a x

cos(2πl)×[B_i(t)-Lb^*]+

e 5 l c o s π t T m a x

×cos(2πl)[B_i(t)-Ub^*]

2.3 levy飞行策略和贪婪策略

算法迭代后期,蜣螂个体快速同化,蜣螂种群分布在当前最佳位置附近,在该区域不断搜索,存在陷入局部最优的可能性。因此,引入Lévy飞行策略,对个体的探索过程进行扰动,提高种群多样性的同时,使得个体跳出当前位置进入全局空间进行搜索,以求得全局最佳位置。

Lévy飞行是以法国数学家Paul Lévy命名,基本思想是模拟自然界中某些生物在搜索食物或资源时所表现出的短距离探索与偶尔长距离行走相间的随机游走行为,是一种步长的概率分布为重尾分布的随机行走方式。数学表达式为

(15)

s i = μ υ 1 / β μ ~ N (0, δ μ 2), υ ~ N (0, δ υ 2) δ μ 2 = Γ (1 + β) s i n π β / 2) Γ [(1 + β) / 2] 2 (β - 1) / 2 β 1 / β δ υ = 1

式(15)中:s_i为Lévy飞行产生的步长;μ、υ分别为服从特定正态分布的随机变量;β为Lévy飞行的重要参数,通常取值在 (0,2] 范围,它决定了Lévy飞行的步长分布特性;Γ(·)为伽马函数;

δ μ 2

和

δ υ 2

为随机变量μ和υ服从正态分布的方差。

考虑到迭代后期探索步长不应过大,避免收敛速度降低,加入校正系数C来减小搜索步长。从而优化后的位置数学表达式为

(16)x_i(t+1)=X^b+[X^b-x_i(t)]CS_i

Lévy飞行机制结束后,采用贪婪策略优化全局最佳位置,如果优化后的种群适应度小于前一代适应度,则对全局最佳位置进行替换。

3 改进策略有效性分析

为了验证多策略改进的蜣螂优化算法(MIDBO)算法的优越性,与DBO算法和3种单策略优化的DBO算法对比分析。其中,融合Tent混沌映射和反向学习策略改进的DBO算法命名为IDBO1;动态螺旋搜索策略改进的DBO算法命名为IDBO2;Lévy飞行策略和贪婪策略改进的DBO算法命名为IDBO3。

相关测试参数统一设定为:种群数量为30,最大迭代次数为500,测试函数选择CEC2005函数集中的前13种测试函数,同时测试算法的开发能力、全局搜索以及局部逃逸能力。每种算法独立运行30次,详细记录每次实验的结果,并计算最优值、平均值以及标准差。

单次测试结果和30次测试结果分别如图1和表1所示。由图1可知,MIDBO算法在寻优速度和精度上均普遍最优,3种改进算法次之,DBO最差。同时由表1可知,改进后的MIDBO、IDBO1、IDBO2以及IDBO3算法在13种测试函数中的测试结果基本上都优于DBO算法。具体来说,相比较DBO算法,MIDBO算法在F₁~F₁₃函数上的适应度均更低,IDBO1算法在F₁~F₇、F₉、F₁₂~F₁₃函数上的适应度更低,IDBO2算法在F₁~F₆、F₈~F₁₀、F₁₂~F₁₃函数上的适应度更低,IDBO3算法在F₁~F₇、F₉、F₁₁~F₁₂函数上的适应度更低。综合对比5种算法在13种函数中的测试结果,MIDBO算法的整体适应度最低,寻优结果最佳,IDBO3算法次之,IDBO1和IDBO2算法紧随其后,DBO算法最差。因此,本文多策略改进的算法有效性得到了验证。

4 腐蚀预测模型构建

将MIDBO的最佳寻优结果分别赋值给支持向量回归算法中(SVR)中的惩罚系数c和核函数参数g,从而建立基于MIDBO-SVR算法的CO₂腐蚀速率预测模型,流程图如图2所示。

5 模型预测精度验证

5.1 数据库建立及预处理

为了建立预测精度高、适应范围广的CO₂腐蚀预测模型,综合考虑气源(杂质组成不同)、材质、输送相态、管道条件等因素的影响,建立指标体系如图3所示。由图3可知,指标体系基本覆盖了影响CO₂腐蚀的主要因素,具体包括:温度、压力、实验时间、流速、倾角、管材表面粗糙度以及杂质(H₂O、O₂、NO₂、SO₂、H₂S)。

以文献[39]中的X65钢、含杂质CO₂相腐蚀数据为基础数据样本,对各参数的数值范围进行筛选,以更加贴切现场实际的输送工况。各参数数值范围如表2所示。通过筛选,构建得到CO₂输送管道腐蚀数据库,共有原始实验数据202组。

数据处理阶段,针对因缺乏统一标准导致腐蚀速率结果差异性显著问题,如不同的学者在相同或相近实验条件下的腐蚀速率结果相差较大,有的甚至相差一个数量级,采用以下数据处理原则进行处理。

(1)当相同或相近实验条件下的实验组数达到3组及以上时,取腐蚀速率的中值作为最终腐蚀速率,并删除其他组数据。

(2)当实验组数为2组时,若两组腐蚀速率相差1倍及以上,整体删除该实验组数据,反之则取平均值作为最终腐蚀速率,处理后剩余数据为105组。

经过清洗,数据库剩余105组数据。

5.2 模型预测精度对比

为了验证MIDBO-SVR模型的预测精度,将该模型与DBO-SVR、GWO-SVR、SSA-SVR、POA-SVR模型进行对比分析。其中,GWO-SVR、SSA-SVR、POA-SVR依次为基于灰狼优化算法、麻雀优化算法、孔雀优化算法3种群智能优化算法建立的预测模型。

随机选取80%的数据作为训练集,剩余20%作为验证集。分别采用MIDBO-SVR、DBO-SVR、GWO-SVR、SSA-SVR、POA-SVR模型进行训练和预测。计算误差采用均绝对误差(mean absolute error,MAE)、均方误差(mean squared error,MSE)和平均相对误差(mean absolute percentage error,MAPE)3个指标来表征,计算公式分别为

(17)MAE=

1 n ∑ i = 1 n y i - x i

(18)MSE=

1 n ∑ i = 1 n (y i - x i) 2

(19)MAPE=

1 n ∑ i = 1 n y i - x i y i

式中:x_i为第i个预测值; y_i为第i个实际值; n为数据总量。

腐蚀速率实验值和预测值关系曲线如图4所示。由图4可知,MIDBO-SVR算法的预测结果最佳,DBO-SVR算法次之,GWO-SVR、SSA-SVR、POA-SVR算法较差。具体来说,MIDBO-SVR算法的数据点基本上都分布在斜率为1的直线附近,表明该算法的预测值和实验值相近,两者R²(相关系数的平方)为0.997;DBO-SVR算法除少数数据点外,大部分数据点都较为集中地分布在斜率为1的直线附近;而相比较MIDBO-SVR算法和DBO-SVR算法,GWO-SVR、SSA-SVR、POA-SVR算法偏离斜率为1的直线的数据点明显增多,且个别数据点的偏离程度更高,表明这3种算法的预测结果不太理想。

5种算法的误差分析结果如表3所示,由表3可知,MIDBO-SVR的MAE、MSE、MAPE值均最低,依次为0.010 0、0.000 2、13.21,表明预测精度最高;DBO-SVR的MAE、MSE、MAPE值较低,依次为0.012 1、0.000 2、17.18;其他3种群优化算法MAE、MSE、MAPE值较高,分别为:GWO-SVR的MAE、MSE、MAPE依次为0.028 5、0.001 3、42.77,SSA-SVR的MAE、MSE、MAPE依次为0.024 4、0.000 9、36.18,POA-SVR的MAE、MSE、MAPE依次为0.030 0、0.001 5、43.43。5种算法的预测精度从高到低依次为MIDBO-SVR、DBO-SVR、POA-SVR、GWO-SVR、SSA-SVR。

MIDBO-SVR算法相对误差相对概率柱状图及其对应的分布曲线如图5所示。由图5所示,相对误差符合均值为13.21%,标准差为9.14%的正态分布,表明本文建立的MIDBO-SVR算法可靠性和稳定性满足要求。

6 结论

(1)针对DBO算法收敛速度较慢、全局探索和局部开发能力不平衡等缺点,提出了多策略改进的蜣螂优化算法(MIDBO),改进策略包括:①融合Tent混沌映射和反向学习策略初始化种群;②动态螺旋搜索策略;③Lévy飞行策略和贪婪策略。

(2)对MIDBO算法进行测试,结果表明:相比较DBO算法和单策略改进的DBO算法,MIDBO算法在13种CEC2005测试函数中都具有更佳的寻优性能,从而验证了多策略改进的有效性。

(3)将MIDBO算法和支持向量回归算法(SVR)相结合,建立了基于MIDBO-SVR算法的CO₂腐蚀预测模型。与DBO-SVR和GWO-SVR、SSA-SVR、POA-SVR算法进行了预测精度对比,结果表明:MIDBO-SVR算法的均绝对误差(MAE)、均方误差(MSE)和平均相对误差(MAPE)分别为0.010 0、0.000 2、13.21,均低于其他4套模型,表明该腐蚀预测模型具有较高的预测精度。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	陈兵, 赵琼, 郭焕焕. 孔隙率对埋地超临界CO₂管道泄漏扩散的影响[J]. 科学技术与工程, 2022, 22(19): 8313-8319.

[2]	Chen Bing, Zhao Qiong, Guo Huanhuan. The influence of porosity on the leakage and diffusion of buried supercritical CO₂ pipelines[J]. Science Technology and Engineering, 2022, 22(19): 8313-8319.

[3]	Jiang X, Song X L, Qu D R. Impact of O₂ content on the corrosion behavior of X65 mild steel in the gaseous, liquid, and supercritical CO₂ streams[J]. Corrosion: the Journal of Science and Engineering, 2023, 79(8): 915-934.

[4]	左甜, 刘小辉, 蒋秀, 等. 超临界CO₂输送管道的腐蚀研究进展[J]. 石油化工腐蚀与防护, 2011, 28(6): 1-3, 12.

[5]	Zuo Tian, Liu Xiaohui, Jiang Xiu, et al. Research progress on corrosion of supercritical CO₂ transportation pipelines[J] Corrosion and Protection in Petrochemical Industry, 2011, 28(6): 1-3, 12.

[6]	蒋秀, 宋晓良, 屈定荣, 等. X70钢输送气态和超临界状态CO₂时的腐蚀行为研究[J]. 中国腐蚀与防护学报, 2016, 36(3): 225-230.

[7]	Jiang Xiu, Song Xiaoliang, Qu Dingrong, et al. Research on the corrosion behavior of X70 steel during the transportation of gaseous and supercritical CO₂[J]. Chinese Journal of Corrosion and Protection, 2016, 36(3): 225-230.

[8]	李玉星, 刘兴豪, 王财林. 含杂质气态CO₂输送管道腐蚀研究进展[J]. 金属学报, 2021, 57(3): 283-294.

[9]	Li Yuxing, Liu Xinghao, Wang Cailin. Research progress on corrosion of gas CO₂ transportation pipelines containing impurities[J]. Journal of Metals, 2021, 57(3): 283-294.

[10]	孙冲. 杂质对超临界CO₂输送管线X65钢腐蚀的影响研究[D]. 青岛: 中国石油大学(华东), 2016.

[11]	Sun Chong. Research on the influence of impurities on the corrosion of X65 steel in supercritical CO₂ transportation pipeline[D]. Qingdao: China University of Petroleum (East China), 2016.

[12]	Wang C, Xu X, Liu C, et al. Improvement on the CO₂ corrosion prediction via considering the corrosion product performance[J]. Corrosion Science, 2023, 217(1): 1-15.

[13]	Alsalem M M, Ryan M P, Campbell A N, et al. Modelling of CO₂ corrosion and FeCO₃ formation in NaCl solutions[J]. Chemical Engineering Journal, 2023, 451(1): 1-14.

[14]	Waard C D, Lotz U, Milliams D E. Predictive model for CO₂ corrosion engineering in wet natural gas pipelines[J]. Corrosion (Houston), 2012, 47(12): 976-985.

[15]	Choi Y S, Farelas F, Paolinelli L, et al. Effect of H₂S on CO₂ corrosion of mild steel in high-temperature supercritical CO₂ conditions[J]. Corrosion, 2023, 79(9): 1052-1063.

[16]	Eslami M, Choi Y S, NešiĆ S, et al. Effect of formic acid (HCOOH) on the corrosion protectiveness of magnetite (Fe₃O₄) at elevated temperature[J]. Corrosion Science, 2024, 229: 1-13.

[17]	Kahyarian A, Singer M, NešiĆ S. Modeling of uniform CO₂ corrosion of mild steel in gas transportation systems: a review[J]. Journal of Natural Gas Science and Engineering, 2016, 29(1): 530-549.

[18]	NešiĆ S, Kahyarian A, Choi Y S. Implementation of a comprehensive mechanistic prediction model of mild steel corrosion in multiphase oil and gas pipelines[J]. Corrosion, 2019, 75(3): 274-291.

[19]	Hua Y, Barker R, Neville A. The influence of SO₂ on the tolerable water content to avoid pipeline corrosion during the transportation of supercritical CO₂[J]. International Journal of Greenhouse Gas Control, 2015, 37: 412-423.

[20]	Jiang X, Qu D, Song X, et al. Impact of water content on corrosion behavior of CO₂ transportation pipeline[C]// Corrosion Conference and Expo. Texas: OnePetro, 2015: 05422.

[21]	Jiang X, Song X, Qu D. Impact of O₂ content on corrosion behavior of X65 mild steel in gaseous, liquid and supercritical CO₂ environments[J]. Journal of Science and Engineering, 2023, 79(8): 915-934.

[22]	Jiang T, Sun J B, Li J H, et al. Changes in corrosion of X70 steel in water-saturated supercritical CO₂ system caused by impurity[J]. Materials Science Forum, 2019, 44(2): 981-990.

[23]	Dugstad A, Clausen S, Morland B. Transport of dense phase CO₂ in C-steel pipelines-when is corrosion an issue?[C]// Corrosion 2011. Texas: OnePetro, 2011: 1-15.

[24]	Dugstad A, Halseid M, Morland B. Effect of SO₂ and NO₂ on corrosion and solid formation in dense phase CO₂ pipelines[J]. Energy Procedia, 2013, 37(1): 2877-2887.

[25]	Dugstad A, Halseid M, Morland B. Experimental techniques used for corrosion testing in dense phase CO₂ with flue gas impurities[C]// Corrosion 2014. Texas: OnePetro, 2014: 1-11.

[26]	Sun C, Wang Y, Sun J, et al. Effect of impurity on the corrosion behavior of X65 steel in water-saturated supercritical CO₂ system[J]. Journal of Supercritical Fluids, 2016, 116: 70-82.

[27]	Sun J, Sun C, Zhang G, et al. Effect of O₂ and H₂S impurities on the corrosion behavior of x65 steel in water-saturated supercritical CO₂ system[J]. Corrosion Science, 2016, 107: 31-40.

[28]	Sun C, Sun J, Wang Y, et al. Synergistic effect of O₂, H₂S and SO₂ impurities on the corrosion behavior of X65 steel in water-saturated supercritical CO₂ system[J]. Corrosion Science, 2016, 107(1): 193-203.

[29]	Xiang Y, Wang Z, Xu M H, et al. A mechanistic model for pipeline steel corrosion in supercritical CO₂-SO₂-O₂-H₂O environments[J]. The Journal of Supercritical Fluids, 2013, 82(10): 1-12.

[30]	Dorigo M, Birattari M, Thomas S. Ant colony optimization[J]. IEEE Computational Intelligence Magazine, 2006, 1(4): 28-39.

[31]	Basturk B, Karaboga D. An artificial bee colony (ABC) algorithm for numeric function optimization[C]// IEEE Swarm Intelligence Symposium. New York: IEEE, 2006: 12-14.

[32]	Xue J, Shen B. Dung beetle optimizer: a new meta-heuristic algorithm for global optimization[J]. Journal of Supercomputing, 2022, 79(7): 730-733.

[33]	Yang S X. Firefly algorithm, stochastic test functions and design optimization[J]. International Journal of Bio-Inspired Computation, 2010, 2(2): 78-84.

[34]	Yang S X. A new metaheuristic bat-inspired algorithm[J]. Computer Knowledge & Technology, 2010, 284(1): 65-74.

[35]	Abasi A K, Makhadmeh S N, Alaetar M A, et al. Lemurs optimizer: a new metaheuristic algorithm for global optimization[J]. Journal of International Environmental Application and Science, 2022, 12(1): 1-24.

[36]	Mirjalili S, Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69(3): 46-61.

[37]	Mirjalili S, Lewis A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 31(1): 51-67.

[38]	Xue J, Shen B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science and Control Engineering, 2020, 8(1): 22-34.

[39]	Wang J B, Yang B, Chen Y J, et al. Novel phasianidae inspired peafowl (pavo muticus/cristatus) optimization algorithm: design, evaluation, and SOFC models parameter estimation[J]. Sustainable Energy Technologies and Assessments, 2021, 50(1): 1-13.

[40]	吴小平, 杨罗, 田晓龙. 基于RS-ISOA-KELM的输气管道内腐蚀速率预测方法[J]. 油气储运, 2024, 43(2): 180-188, 221.

[41]	Wu Xiaoping, Yang Luo, Tian Xiaolong, et al. Prediction method of corrosion rate in gas pipeline based on RS-ISOA-KELM[J]. Oil and Gas Storage and Transportation, 2024, 43(2): 180-188, 221.

[42]	张佳, 李林峰, 王浩杰, 等. 基于IWOA-LSSVM的管道腐蚀剩余强度预测研究[J]. 机械强度, 2024, 46(2): 468-475.

[43]	Zhang Jia, Li Linfeng, Wang Haojie, et al. Prediction of residual strength of pipeline corrosion based on IWOA-LSSVM [L]. Mechanical Strength, 2024, 46(2): 468-475.

[44]	王乐遥, 顾磊. 多策略融合改进的蜣螂优化算法[J]. 计算机系统应用, 2024, 33(2): 224-231.

[45]	Wang Leyao, Gu Lei. Dung beetle optimization algorithm based on multi-strategy fusion[J]. Applications of Computer Systems, 2024, 33(2): 224-231.

[46]	匡鑫, 阳波, 马华, 等. 多策略改进的蜣螂优化算法[J]. 计算机工程, 2024, 7(1): 1-20.

[47]	Kuang Xin, Yang Bo, Ma Hua, et al. Multi-strategy improved dung beetle optimization algorithm[J]. Computer Engineering, 2024, 7(1): 1-20.

[48]	Sun H, Wang H, Zeng Y, et al. Corrosion challenges in supercritical CO₂ transportation, storage, and utilization—a review[J]. Renewable and Sustainable Energy Reviews, 2023, 179(1): 1-21.