魯青龍1 青鵬2 陳利瓊2

1.西南管道分公司； 2.西南石油大學(xué)

摘要：針對目前油氣管道高后果區(qū)識別標(biāo)準(zhǔn)在數(shù)據(jù)采集方法是靜態(tài)間歇的特點(diǎn)，分析結(jié)果與管道實(shí)際環(huán)境的變化不能同步、缺乏前瞻性等局限。分析在大數(shù)據(jù)和智能管道建設(shè)的前提下， HCA特征數(shù)據(jù)庫來源，提出應(yīng)用大數(shù)據(jù)獲取識別和風(fēng)險(xiǎn)管理參數(shù)特征信息的思路。利用移動通訊大數(shù)據(jù)和數(shù)據(jù)挖掘工具，分析人口密集型高后果區(qū)特征參數(shù)，為HCA第三方人為破壞風(fēng)險(xiǎn)管理提供更合理的數(shù)據(jù)依據(jù)；利用交通和城鄉(xiāng)規(guī)劃大數(shù)據(jù)，分析違章施工發(fā)展趨勢；利用海量管道焊縫檢測和內(nèi)檢測數(shù)據(jù)，提煉管道施工缺陷特征參數(shù)，分析施工質(zhì)量與特征參數(shù)的關(guān)聯(lián)性。

關(guān)鍵詞：高后果區(qū)；管道泄漏；大數(shù)據(jù)；特征信息

管道高后果區(qū)（High Consequence Areas，HCA）是指管道泄漏會嚴(yán)重危及公眾安全或造成較大環(huán)境破壞的區(qū)域。近幾年來，我國油氣管道事故頻發(fā)，造成了嚴(yán)重的人員傷亡和財(cái)產(chǎn)損失。所以，正確識別油氣管道高后果區(qū)，保障高后果區(qū)的安全非常重要。

高后果區(qū)會隨管道周邊社會和環(huán)境變化而同時(shí)發(fā)生變化，故高后果區(qū)的識別和管理是個(gè)動態(tài)的過程。目前，我國在油氣管道高后果區(qū)的識別和管理均遵循GB 32167―2015《油氣輸送管道完整性管理規(guī)范》和SY/T 7380―2017《輸氣管道高后果區(qū)完整性管理規(guī)范》。但現(xiàn)有方法仍然存在一定的局限性，例如：①對管道高后果區(qū)沒有明確定義；②識別標(biāo)準(zhǔn)不明確；③多考慮了特定地區(qū)、人口和建筑物因素；④忽略了人的干預(yù)（管理與操作）對后果的影響；⑤忽略了初始泄漏發(fā)生后外界對致災(zāi)軌跡的影響；⑥只考慮了人口密度的影響，但沒考慮人口組成和素質(zhì)；⑦缺乏對管道高后果區(qū)識別程序的說明。

針對識別標(biāo)準(zhǔn)中數(shù)據(jù)采集是靜態(tài)間歇的特點(diǎn)，分析識別結(jié)果與管道實(shí)際環(huán)境的變化不能同步、缺乏前瞻性等局限，以及在大數(shù)據(jù)和智能管道建設(shè)前提下，HCA特征數(shù)據(jù)庫來源，提出應(yīng)用大數(shù)據(jù)獲取識別和風(fēng)險(xiǎn)管理參數(shù)特征信息的思路。

1 大數(shù)據(jù)在油氣管道方面的應(yīng)用現(xiàn)狀

油氣管道大數(shù)據(jù)包括管道基礎(chǔ)數(shù)據(jù)、檢驗(yàn)數(shù)據(jù)和風(fēng)險(xiǎn)分析數(shù)據(jù)等。國外專家學(xué)者采用多種大數(shù)據(jù)分析方法對管道泄漏、腐蝕速率、剩余壽命、缺陷類型和失效機(jī)理等進(jìn)行預(yù)測。 Liao等使用粒子群優(yōu)化遺傳算法和BP神經(jīng)網(wǎng)絡(luò)去預(yù)測濕天然氣集輸管線的內(nèi)腐蝕速率[1]。 Timashev等使用純生和純滅的馬爾可夫過程來描述管道的多種腐蝕缺陷的生長和減少[2]。 Abbasy 等使用人工神經(jīng)網(wǎng)絡(luò)建立了基于歷史檢驗(yàn)數(shù)據(jù)的模型，來對海上油氣管道狀況進(jìn)行評價(jià)和預(yù)測[3]。 Castellanos等開發(fā)了一個(gè)綜合多種算法的失效分析專家系統(tǒng)，可以確定陸上管道的可能失效機(jī)理[4]。 Layouni等使用小波分析和人工神經(jīng)網(wǎng)絡(luò)來處理管道漏磁檢測信號，以確定管道缺陷類型和估計(jì)深度[5]。

國內(nèi)大數(shù)據(jù)應(yīng)用研究還處于探索階段。林現(xiàn)喜等構(gòu)建了在大數(shù)據(jù)下的管道內(nèi)檢測模型，提出了在大數(shù)據(jù)下對內(nèi)檢測數(shù)據(jù)的深度挖掘與應(yīng)用[6]。吳琋瑛通過大數(shù)據(jù)理論結(jié)合案例分析得出了現(xiàn)場設(shè)備與數(shù)據(jù)之間的相關(guān)關(guān)系[7]。董紹華等建立了適合于未來發(fā)展的管道系統(tǒng)大數(shù)據(jù)管理架構(gòu)模型，提出了基于大數(shù)據(jù)的管道數(shù)據(jù)算法模型，為大數(shù)據(jù)在管道行業(yè)的發(fā)展建立了基礎(chǔ)[8]。顧曉婷等人給出了基于大數(shù)據(jù)管道安全評估的模式，為初步判斷管道的安全性能提供了理論基礎(chǔ)，同時(shí)介紹了基于大數(shù)據(jù)的管道可靠性評估方法[9]。王新穎等人從管道大數(shù)據(jù)中挖掘有效信息，高效準(zhǔn)確地識別管道存在的風(fēng)險(xiǎn)，建立城市管網(wǎng)風(fēng)險(xiǎn)預(yù)測體系，結(jié)合深度置信網(wǎng)絡(luò)，提出了基于深度置信網(wǎng)絡(luò)的管道風(fēng)險(xiǎn)預(yù)測方法[10]。

由此可見，基于大數(shù)據(jù)的管道高后果區(qū)識別技術(shù)將替代傳統(tǒng)的識別方法，各類標(biāo)準(zhǔn)也將重新確立，這必定會改變現(xiàn)有的管道完整性評估和管理運(yùn)營模式。

2 大數(shù)據(jù)獲取和應(yīng)用

2.1 特征數(shù)據(jù)來源

為了建立完整的高后果區(qū)特征數(shù)據(jù)庫，需要綜合各系統(tǒng)和數(shù)據(jù)庫資源。以智能管道系統(tǒng)和數(shù)據(jù)庫作為基礎(chǔ)，包括管道的基礎(chǔ)數(shù)據(jù)如：管材、焊接工藝、管徑壁厚、輸送介質(zhì)、埋深鋪管等；管道的運(yùn)營數(shù)據(jù)如：工作壓力、溫度變化、清管泄壓、內(nèi)外檢測數(shù)據(jù)等；管道的評價(jià)數(shù)據(jù)：腐蝕缺陷、剩余強(qiáng)度檢測、維修檢測、風(fēng)險(xiǎn)評價(jià)等[11]。還包括地質(zhì)災(zāi)害圖形庫和預(yù)警系統(tǒng)數(shù)據(jù)，現(xiàn)場監(jiān)控的實(shí)時(shí)更新數(shù)據(jù)，預(yù)警、決策數(shù)據(jù)庫的評價(jià)預(yù)測數(shù)據(jù)，以及其他相關(guān)的大數(shù)據(jù)來源。特征數(shù)據(jù)庫建立如圖 1所示。

2.2 大數(shù)據(jù)在高后果區(qū)的應(yīng)用思路

采用大數(shù)據(jù)的油氣管道高后果區(qū)識別與管理，可以綜合利用人口、交通設(shè)施、環(huán)境因素等歷史數(shù)據(jù)資料和實(shí)時(shí)數(shù)據(jù)更新，反饋給管道檢測系統(tǒng)，及時(shí)動態(tài)捕捉管道狀態(tài)，分析出不同級別和危險(xiǎn)程度的高后果區(qū)。

利用大數(shù)據(jù)信息的高后果區(qū)風(fēng)險(xiǎn)防控重要影響因素特征參數(shù)動態(tài)采集與統(tǒng)計(jì)，其中數(shù)據(jù)信息來源包括：手機(jī)信號、管道高后果區(qū)高清攝像、地質(zhì)災(zāi)害圖形庫和預(yù)警系統(tǒng)數(shù)據(jù)、完整性檢測數(shù)據(jù)、氣象預(yù)報(bào)等；重要影響參數(shù)：人口密度、人類活動（車輛、農(nóng)耕、施工等）、第三方破壞、自然災(zāi)害、管道本體特征等。分為管道本體、人口密度和環(huán)境因素三部分，如圖 2所示。

通過數(shù)據(jù)共享和實(shí)時(shí)反饋，將管道狀態(tài)數(shù)字化，將高后果區(qū)的識別和分級分類動態(tài)化，更加真實(shí)地模擬出管道在不同環(huán)境下的危險(xiǎn)程度，從而針對不同管道進(jìn)行風(fēng)險(xiǎn)評價(jià)，提出不同狀態(tài)下的風(fēng)險(xiǎn)控制和減緩措施。

3 特征信息分析與利用

3.1 人口信息

通過對移動信號的定位追蹤和處理，能快速和便利地獲取用戶的地理信息和其他信息，從而分析統(tǒng)計(jì)得出人口信息。首先需要構(gòu)建相關(guān)高后果區(qū)地圖信息模型，將移動設(shè)備基站看作是坐標(biāo)的定位記錄點(diǎn)，所有基站共同組成了信號范圍的覆蓋區(qū)，建立網(wǎng)絡(luò)拓?fù)淇蚣埽�通過移動設(shè)備的數(shù)據(jù)互聯(lián)，得到用戶的實(shí)時(shí)位置坐標(biāo)。基于此構(gòu)建高后果區(qū)范圍內(nèi)的人口密度模型，通過移動設(shè)備的位置信息更新和對用戶信息的采 集整理，動態(tài)統(tǒng)計(jì)人口密度和時(shí)空分布，并分析人員組成、人員行為特征、人員綜合素質(zhì)等[12]。其次，利用高清攝像頭和社會公共監(jiān)控系統(tǒng)統(tǒng)計(jì)分析人口流入和流出、駐留時(shí)長、來往密度等數(shù)據(jù)信息，形成人口數(shù)量的數(shù)據(jù)視圖[13]，分析管道高后果區(qū)潛在影響區(qū)內(nèi)公眾出行時(shí)空特征，確定實(shí)時(shí)人口密度。

3.2 違章施工信息

通過遠(yuǎn)程視頻監(jiān)控系統(tǒng)對現(xiàn)場作業(yè)區(qū)全方位、無死角監(jiān)控，進(jìn)一步規(guī)范現(xiàn)場施工程序，及時(shí)發(fā)現(xiàn)現(xiàn)場違章行為。

3.3 地質(zhì)災(zāi)害信息

根據(jù)管道沿線地理地質(zhì)條件、地質(zhì)災(zāi)害等自然環(huán)境情況分布及變化趨勢，確定管道周邊環(huán)境特征參數(shù)�；�于地理信息系統(tǒng)（GIS），參考地質(zhì)災(zāi)害圖形庫，與地質(zhì)災(zāi)害預(yù)警系統(tǒng)聯(lián)動，從而實(shí)現(xiàn)管道的災(zāi)害預(yù)警和及時(shí)防控。建立基于大數(shù)據(jù)的地質(zhì)災(zāi)害信息管理系統(tǒng)，能便捷有效地整合多源、海量的地質(zhì)數(shù)據(jù)，使用戶快速查詢到相關(guān)地質(zhì)災(zāi)害信息，并可以通過三維可視化的方式展示查詢結(jié)果，實(shí)現(xiàn)動態(tài)的地質(zhì)災(zāi)害類型檢索，災(zāi)點(diǎn)查詢，地質(zhì)信息更新，災(zāi)害預(yù)警等目的[14]。

3.4 管道缺陷信息

通過大數(shù)據(jù)采集方式，收集和保存油氣管道設(shè)計(jì)施工階段管材制造、焊縫、現(xiàn)場施工、人員操作等缺陷數(shù)據(jù)；運(yùn)營時(shí)期管材、管徑和運(yùn)行壓力等數(shù)據(jù)；管道內(nèi)外檢測、管道腐蝕、失效泄漏等缺陷數(shù)據(jù)。將各管道公司的多源數(shù)據(jù)對齊匹配，建立完整共享的管道缺陷信息庫和動態(tài)的管道缺陷信息網(wǎng)，為管道缺陷成因和變化趨勢提供重要的數(shù)據(jù)源。

4 高后果區(qū)風(fēng)險(xiǎn)動態(tài)管控流程

利用大數(shù)據(jù)提煉油氣管道高后果識別和管理的關(guān)鍵參數(shù)后，便可部分實(shí)現(xiàn)管道動態(tài)風(fēng)險(xiǎn)管控。即結(jié)合管道智能化建設(shè)成果，辨識出管道高后果區(qū)后果和失效影響因素，確定風(fēng)險(xiǎn)的類別和影響因素的重要性；完成管道風(fēng)險(xiǎn)/安全評價(jià)，確定管道風(fēng)險(xiǎn)等級；針對不同風(fēng)險(xiǎn)類別和不同等級，研究風(fēng)險(xiǎn)管控方法，并提出基于不同情景下的事故應(yīng)急處置措施。

基于大數(shù)據(jù)的油氣管道高后果區(qū)風(fēng)險(xiǎn)動態(tài)管控流程如圖 3所示。

5 結(jié)語

油氣長輸管道在運(yùn)行過程中會產(chǎn)生大量數(shù)據(jù)，這些數(shù)據(jù)是分析、評價(jià)與管理管道運(yùn)行的基礎(chǔ)，借助大數(shù)據(jù)分析與多年運(yùn)行管理積累的經(jīng)驗(yàn)，結(jié)合管道企業(yè)的現(xiàn)實(shí)需求，建立大數(shù)據(jù)分析模型和信息化管理平臺，對油氣管道進(jìn)行高后果區(qū)識別和管理具有重要意義。基于大數(shù)據(jù)條件下的油氣管道高后果區(qū)識別技術(shù)將替代傳統(tǒng)的識別方法，這必定會改變現(xiàn)有的管道完整性評估和管理運(yùn)營模式。

參考文獻(xiàn)：

[1] Liao K, Yao Q, Wu X, et a1. A Numerical CorrosionRate Prediction Method for Direct Assessment ofWet Gas Gathering Pipelines Internal Corrosion[J].Energies, 2012, 5(10): 3892-3907.

[2] Timashev S A, Bushinskaya A V. Markov approachto early diagnostics, reliability assessment, residuallife and optimal maintenance of pipeline systems[J].Structural Safety, 2015(56): 68-79.

[3] El-Abbasy M S, Senouci A, Zayed T, et a1. Artificialneural network models for predicting condition ofoffshore oil and gas pipelines[J]. Automation inConstruction, 2014(45): 50-65.

[4] Castellanos V Albiter A, Barrera G. Failure analysisexpert system for onshore pipelines． Part-II: EndUser interface and algorithm[J]. Expert Systems withApplications, 201l, 38(9): 11091-11104.

[5] Layouni M， Hamdi M S, Tahar S. Detection andsizing of metal-loss defects in oil and gas pipelinesusing pattern-adapted wavelets and machinelearning[J]. Applied Soft Computing, 2016, 52.

[6] 林現(xiàn)喜，李銀喜，周信，等. 大數(shù)據(jù)環(huán)境下管道內(nèi)檢測數(shù)據(jù)管理[J]. 油氣儲運(yùn)， 2015， 34 (4):349-353.

[7] 吳琋瑛. 大數(shù)據(jù)在管道運(yùn)行中的應(yīng)用探討[J]. 天然氣與石油， 2015， 33(3)： 15-17.

[8] 董紹華，安宇. 基于大數(shù)據(jù)的管道系統(tǒng)數(shù)據(jù)分析模型及應(yīng)用[J]. 油氣儲運(yùn)， 2015， 34(10)： 1027-1032.

[9] 顧曉婷，王秋妍，孫萍萍，等. 大數(shù)據(jù)在管道安全評估中的應(yīng)用[J]. 消防科學(xué)與技術(shù)， 2017，36(3)： 398-400.

[10] 王新穎，張惠然，張瑞程，等. 基于深度學(xué)習(xí)的大數(shù)據(jù)管網(wǎng)風(fēng)險(xiǎn)評價(jià)方法[J]. 消防科學(xué)與技術(shù)，2019， 33(6)： 902-904.

[11] 袁鵬斌，劉鳳艷，舒江，等. 大數(shù)據(jù)時(shí)代油氣管道的安全與防護(hù)[J]. 無損檢測， 2015， 37(4)： 51-55.

[12] 溫騰龍. 移動通信大數(shù)據(jù)在鄉(xiāng)鎮(zhèn)人口統(tǒng)計(jì)監(jiān)測中的應(yīng)用分析[J]. 海峽科技與產(chǎn)業(yè)， 2019(3)： 48-49.

[13] 符傳健. 基于大數(shù)據(jù)的人流量監(jiān)控系統(tǒng)研究[J]. 科技創(chuàng)新與應(yīng)用， 2016(28)： 97.

[14] 簡銳敏. 基于大數(shù)據(jù)的地質(zhì)災(zāi)害信息管理系統(tǒng)開發(fā)與關(guān)鍵技術(shù)[J]. 經(jīng)緯天地， 2019(02)： 3-5+7.

作者簡介：魯青龍， 1987年生，畢業(yè)于中國石油大學(xué)（華東）材料科學(xué)與工程專業(yè)，碩士研究生，中國石油西南管道公司管道處主管，現(xiàn)主要從事管道完整性管理相關(guān)工作。聯(lián)系方式： 17790261009， luqinglong@