化工厂各工艺设备之间通常靠管道进行连接。因此，管道被誉为化工厂设备单中的“血管”，充当着各项工艺介质输送的职责，在运行过程中管道的破坏往往是由腐蚀引起的。据统计，我国每年因为金属腐蚀引起的损失超过400亿元。因此对管道的腐蚀开展研究具有十分可观的经济效益。

高效的腐蚀监测及预警能力，可以有效预防管道腐蚀，从而避免相关事故的发生。管道在运行过程中，面临着介质冲刷、酸性离子腐蚀以及氢腐蚀。管道腐蚀随工艺环境及工艺介质的不同而发生变化，腐蚀机理也较为复杂。

改进工艺条件、设备材料可提高管道的安全管理，除此之外，通过预测腐蚀速率提前预警管道的腐蚀失效也可以为安全管理人员制定管道维修管理计划提供有力的理论依据。

1 人工神经网络

神经网络模仿大脑中神经元和突触的结构，将数据模型转化为如图1所示的网络结构。隐藏层及权值函数的存在，使得神经网络的复杂性大为提高。在训练过程中，输入层的数据经过权值求和后输送到下一层的神经元当中，然后经过激活函数映射后具备了非线性的表达能力。

图1 三层神经网络示意图

2 循环神经网络

循环神经网络（RNN）是在神经网络的基础之上对序列特征的数据做了改进，将隐藏层的神经元结构通过新的权值连接起来，使得隐藏层之间的神经元不在是独立的个体，而是与序列前一步的神经元相关，如图2所示。

图2 三层RNN示意图

权值连接使隐藏层的神经元具有携带一序列神经元信息和处理时间序列数据的能力。其中，隐藏层神经元的数学表达式为：S(t)=f[wx·x(t)+ws·x(t-1)]，式中：S(t)为t时刻隐藏层神经元的值；f(x)为激活函数；w为权值；x(t)为t时刻输入端的时间序列值。

对于输出层来说，其满足数学表达式：y(t)=g[wy·S(t)]，式中：y(t)为t时刻输出层的结果；g(x)为激活函数；w为权值。

将时序数据作为输入层输入到RNN中进行训练预测建模，下一时刻输出端数据y(t+1)就由当前时刻输出端数据y(t)及(t-n)时刻的输入端数据经过权值训练后得到。训练结束即完成腐蚀速率的RNN时序模型建立，根据此模型就可以计算出下一时刻的数据，从而实现对管道腐蚀速率的预测。

3 案例演示

采用某化工厂腐蚀探针监测到的1000小时内的腐蚀速率数据建立RNN时序模型并对其有效性进行了验证。选取前90%数据作为训练数据进行RNN建模运算，后10%数据作为测试数据以验证预测模型的有效性。

在RNN训练建模过程中，将训练数据中的前七组数据作为输入端数据，第八组数据作为输出端数据进行训练。隐藏层神经元数量设置为15个，迭代次数为2000次。训练结果如图3所示。

图3 训练数据的拟合结果

从图3中可以看出，经过迭代训练之后，基于RNN的输出值能够拟合训练数据的真实值。因此，经过训练后的RNN的输出结果可以反映训练数据中腐蚀速率的变化规律。

图4 训练数据拟合结果的相对误差

由图4可以看出，训练数据拟合结果的相对误差较小，因此可认为此时通过RNN已经构建起了以900组腐蚀速率训练数据为基础的数学预测模型，且该模型已学习到了腐蚀速率的变化规律。

将腐蚀速率后10%的数据作为测试数据用于验证RNN预测模型的有效性。将测试数据中的前七组数据作为输入端数据输入训练完毕的RNN模型当中，输出结果即为预测结果，将其与第八组数据即真实值进行比较，结果如图5所示。

图5 测试数据的预测结果

从测试数据的预测结果可以看到，基于RNN预测的腐蚀速率与真实的腐蚀速率趋势一致，预测结果反映了腐蚀速率的变化规律。测试数据与预测值之间的最大相对误差在15%以内，如图6所示。并且计算得到二者的均方误差为0.00824%。

图6 测试数据的相对误差

因此，测试数据的预测结果可以证明通过RNN建立的腐蚀速率预测模型的有效性，该RNN模型可以根据前7小时的腐蚀速率预测第八个小时的腐蚀速率，为工厂的腐蚀预警管理决策提供信息。

结论

RNN隐藏层神经元可以传递前序列数据的信息到下一层神经元中，这为腐蚀速率的预测提供了理论基础。将现场腐蚀探针监测的数据作为研究数据输入RNN中进行训练建模以及验证。结果表明RNN在经过迭代训练后，可以学习腐蚀速率的变化特征，预测下一时刻的腐蚀速率，为现场腐蚀决策提供有效的预警信息。