Prediction of Remaining Strength of Corroded Oil and Gas Pipeline Based
on Improved GA-BP Algorithm

doi:10. 3863/j. issn. 1674 – 5086. 2013. 03. 023

Abstract

Abstract:

The remaining strength of the in-service corroded oil and gas pipeline was predicted based on artificial neural network’s
ability to approximate complex function. But artificial neural network has drawbacks as follows：the initial distribution
of weight and threshold value is a stochastic process and it was the local optimization algorithm，and that the local minimum
solution tends to appear in the convergence process. Therefore，the weight and threshold value of BP neural network using L-M
algorithm were optimized based on the global search ability and independence of the gradient information of genetic algorithm，
and with consideration of the influencing factors of failure pressure of oil and gas pipeline determined by sensitivity analysis，
the GA-BP（L-M）network model was built. The network was trained using sample of Modified ASME B31G and predictions
were made. The results show that the GA-BP（L-M）network model can better predict failure pressure of oil and gas pipeline，
which proves to be a more scientific and accurate model.

Key words: genetic algorithm, neural network, GA-BP（L-M）network, oil and gas pipeline, remaining strength

Sun Baocai1, Wu Jianwen1, Li Lei2, She Zhigang3. Prediction of Remaining Strength of Corroded Oil and Gas Pipeline Based
on Improved GA-BP Algorithm[J]. 西南石油大学学报(自然科学版), DOI: 10. 3863/j. issn. 1674 – 5086. 2013. 03. 023.

0
/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: http://journal15.magtechjournal.com/Jwk_xnzk/EN/10. 3863/j. issn. 1674 – 5086. 2013. 03. 023

http://journal15.magtechjournal.com/Jwk_xnzk/EN/Y2013/V35/I3/160

References

[1] Ahammed M. Prediction of remaining strength of corroded

pressurised pipelines[J]. International Journal of Pressure

Vessels and Piping，1997，71（3）：213–217.

[2] 王明春，练章华，代娟，等. 管道承压能力逆转原因探

讨[J]. 西南石油大学学报，2007，29（3）：126–129.

Wang Mingchun，Lian Zhanghua，Dai Juan，et al. A

prode inpipes pressuree reversal[J]. Journal of Southwest

Petroleum University，2007，29（3）：126–129.

[3] Li Shuxin，Yu Shurong，Zeng Hailong，et al. Predicting

corrosion remaining life of underground pipelines

with a mechanically-based probabilistic model[J]. Journal

of Petroleum Science and Engineering，2009，63（3–4）：

162–166.

[4] 王海涛，韩恩厚，柯伟. 基于人工神经网络模型的铝

合金大气腐蚀的预测[J]. 中国腐蚀与防护学报，2006，

26（5）：272–274，281.

Wang Haitao，Han Enhou，Ke Wei. Predictive model for

atmospheric corrosion of aluminium alloy by artificial

neural network[J]. Journal of Chinese Society for Corrosion

and Protection，2006，26（5）：272–274，281.

[5] 胡世鹏，吴小林，马利敏，等. 基于BP 神经网络和遗

传算法的天然气脱水装置能耗优化[J]. 天然气工业，

2012，32（11）：89–94.

Hu Shipeng，Wu Xiaolin，Ma Limin，et al. BP and

GA based energy consumption optimization of gas dehydration

plants[J]. Natural Gas Industry，2012，32（11）：

89–94.

[6] 杨志力，周路，彭文利，等. BP 神经网络技术在声波测

井曲线重构中的运用[J]. 西南石油大学学报：自然科

学版，2008，30（1）：63–66.

Yang Zhili，Zhou Lu，Peng Wenli，et al. Application of

BP neural network technology in soniclog date rebuilding[

J]. Journal of Southwest Petroleum University：Science

& Technology Edition，2008，30（1）：63–66.

[7] 刘文超，卢祥国，刘进祥，等. 一种基于BP 神经网络的

调驱增油预测方法[J]. 西安石油大学学报：自然科学

版，2012，27（1）：47–52.

Liu Wenchao，Lu Xiangguo，Liu Jinxiang，et al. Prediction

method of oil increment of profile-control and flooding

measures using BP neural network based on core

flooding parameters[J]. Journal of Xi’an Shiyou University：

Natural Science Edition，2012，27（1）：47–52.

[8] Silva R C C，Guerreiro J N C，Loula A F D. A study

of pipe interacting corrosion defects using the FEM and

neural networks[J]. Advances in Engineering Software，

2007，38（11–12）：868–875.

[9] 王金峰，罗省贤，李录明. 改进的神经网络并行算法及

其在地震初至拾取中的应用[J]. 成都理工大学学报：

自然科学版，2007，34（3）：348–353.

Wang Jinfeng，Luo Shengxian，Li Luming. An improvedeural

network its application in picking papallel

arithmetic and seismic first break[J]. Journal of Chengdu

University of Technology：Science & Technology Edition，

2007，34（3）：348–353.

[10] 杨中宝，彭省临，李朝艳. 基于GIS 的人工神经网络

矿产预测系统设计及应用[J]. 地球科学与环境学报，

2005，27（1）：30–33.

Yang Zhongbao，Peng Shenglin，Li Chaoyan. Design of

the ore prospecting system based on the integrated technology

of GIS and ANN[J]. Journal of Earth Seiences and

Environmen，2005，27（1）：30–33.

[11] 王磊，顾宏伟，姚恒申. 基于人工神经网络的油气

产量组合预测方法[J]. 新疆石油地质，2005，26（5）：

557–558，561.

Wang Lei，Gu Hongwei，Yao Hengshen. Artificial neural

network based combination forecast method for oilgas

production[J]. Xinjiang Petroleum Geology，2005，

26（5）：557–558，561.

[12] 柴毅，尹宏鹏，李大杰，等. 基于改进遗传算法的BP 神

经网络自适应优化设计[J]. 重庆大学学报：自然科学

版，2007，30（4）：91–96.

Chai Yi，Yin Hongpeng，Li Dajie，et al. Self-adaptation

optimize BP neural network design based on the genetic

algorithms[J]. Journal of Chongqing University：Naturl

Science Edition，2007，30（4）：91–96.

[13] 商杰，朱战立. 基于遗传算法的神经网络在预测油管

钢腐蚀速率中的应用[J]. 腐蚀科学与防护技术，2007，

19（3）：225–228.

Shang Jie，Zhu Zhanli. Application of genetic algorithms

neural networks in predicting corrosion rate of carbon

steel[J]. Corrosion Science and Protection Technology，

2007，19（3）：225–228.

[14] 傅立军，包忠诩，陈泽中，等. 正交试验法、神经网络

和遗传算法的结合[J]. 南昌大学学报：工科版，2003，

25（1）：79–82.

Fu Lijun，Bao Zongxu，Chen Zezhong，et al. Combination

of orthogonal experimental method，neural networks

and genetic algorithms[J]. Journal of Nanchang University：

Engineering & Technology，2003，25（1）：79–82.

[15] 李自力，孙云峰，张子波，等. 基于遗传算法的气田集

输管网整体优化方法[J]. 天然气工业，2011，31（8）：

86–89.

Li Zili，Sun Yunfeng，Zhang Zibo，et al. A global optimization

method based on genetic algorithms for gas gathering

pipeline network in a gas field[J]. Natural Gas Industry，

2011，31（8）：86–89.

[16] 李卫华，李长俊. 基于遗传算法的天然气集输管网参

数优化设计[J]. 天然气工业，2005，25（2）：158–160.

Li Weihua，Li Changjun. Parameter-optimized design of

gas gathering and transmission system by heredity solution[

J]. Natural Gas Industry，2005，25（2）：158–160.

[17] 杨建军，战红，刘扬，等. 星状原油集输管网拓扑优化

的混合遗传算法[J]. 西南石油大学学报：自然科学版，

2008，30（4）：166–169.

Yang Jianjun，Zhan Hong，Liu Yang，et al. Hybrid genetic

algorithm for topology optimization of stellated oil

gathering and transportation pipeline network[J]. Journal

of Southwest Petroleum University：Science & Technology

Edition，2008，30（4）：166–169.

[18] ASME—B31G. A supplement of ASME B31G code for

pressure piping，1995，Manual for determining the remaining

strength of corroded pipelines[S]. New York：

American Society for Mechanical Engineers，1995.

[19] 阎平凡，张长水. 人工神经网络与模拟进化计算[M].

第2 版. 北京：清华大学出版社，2005.

[20] 王小平，曹立明. 遗传算法理论、应用及软件实现[M].

西安：西安交通大学出版社，2002.