【海洋工程管道专题】| 应用集成学习的双金属冶金复合管压缩应变能力预测

论文导读与观点概要

一、研究目的

随着陆地与浅水油气资源的逐渐枯竭，海洋油气勘探与开发逐渐走向深海。海底管道作为海洋石油天然气由水下生产系统输送到近岸或生产平台的主要方式，是海洋石油工业的生命线。双金属冶金复合管（Metallurgical Clad Pipes，简称MCP）因其优异的耐腐蚀性能和力学性能，成为解决深水油气田开发过程中运输高温高压以及高含二氧化碳、含硫化氢等腐蚀性介质的有效方案之一。然而，在MCP的铺设与工作过程中，管道通常会受到压缩、拉伸、弯曲、扭转或多种载荷的联合作用，环形焊缝位置处容易产生凹痕缺陷，从而显著降低管道的承载能力并引发局部屈曲失效。

现有的管道完整性评估规范主要是基于应力的设计方法，难以准确考虑管道受到位移和载荷联合控制的负载组合情况。当管道设计允许材料超过弹性极限并保持运行状态时，应力将成为塑性区域的无效失效指标。基于应变的管道完整性评估方法可以有效预测含缺陷管道的剩余承载能力，但现有的压缩应变能力（CSC）评估模型——包括DNV-ST-F101、CSA-Z662、API-RP-1111、University of Alberta（UOA）以及最新的CRES模型等——均未考虑焊缝位置处产生凹陷的情况，在环形焊缝含有凹痕缺陷的MCP应用中存在明显局限性。因此，亟需建立一种适用于焊缝含凹痕缺陷MCP的压缩应变能力评估方法，为实际工程中MCP剩余承载能力的预测提供科学依据。

二、研究方法

本文针对环形焊缝含有凹痕缺陷的双金属冶金复合管，提出了”数值模拟—理论分析—机器学习”三位一体的研究框架。

（1）有限元数值模拟。 基于非线性有限元软件ABAQUS，采用弧长法（RIKS）建立了焊缝含凹痕缺陷的双金属冶金复合管局部屈曲失效数值分析框架。模型考虑了内压、外压与轴向力联合作用下的复杂载荷工况，通过网格无关性验证确定了186520个网格单元的最优网格方案，系统求解了不同凹痕深度下MCP的临界屈曲载荷与归一化弯矩—曲率关系，揭示了含缺陷MCP从弹性阶段、非线性增长阶段、临界失效点到后屈曲阶段的完整力学响应过程。

（2）基于远场平均应变法的CSC新计算方法。 针对现有CRES模型在焊缝含凹痕位置处的应用局限性，基于远场平均应变法提出了一种新的压缩应变能力（CSC）计算方法。该方法通过选取远离焊缝凹陷中心区域的G—H段平均轴向应变作为CSC预测指标，有效克服了传统方法在焊缝局部区域应变梯度较大的不适定性问题，并通过与临界归一化曲率的对比验证了所提方法的正确性。

（3）集成学习CSC预测建模。 为进一步提升CSC预测的精度与效率，采用堆叠（Stacking）集成学习策略构建了CSC智能预测框架。以6种经典机器学习算法——决策树回归（DTR）、反向传播神经网络（BPNN）、轻量级梯度提升机（LGBM）、极限梯度提升算法（XGB）、支持向量回归（SVR）和随机森林（RF）——作为基学习器，以线性回归（LR）作为元学习器，通过排列组合构建了50组集成学习模型，并基于均方误差（MSE）、决定系数R²、解释方差（EV）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）等多维评价指标筛选出最优集成模型。同时，采用SHAP（SHapley Additive exPlanations）可解释性分析方法，从合作博弈论的Shapley值角度量化了各输入特征对模型预测结果的贡献度，提升了模型的透明度与工程可解释性。

三、研究结果

（1）有限元分析揭示了MCP环形焊缝含凹痕缺陷的局部屈曲失效演化规律。 研究发现，随着凹痕深度比的增大，MCP的临界承载能力显著下降。当凹痕深度比δ/D从1.5%增至9.2%时，基管与衬管的CSC值分别下降了61.4%和60.8%（CRES方法），降幅极为显著。归一化弯矩—曲率曲线清晰地展示了从弹性阶段、非线性增长阶段、临界失效点到后屈曲阶段的完整力学响应过程。

（2）新提出的基于远场平均应变法的CSC计算方法验证有效。 该方法计算的CSC值在不同凹痕深度下与临界归一化曲率的变化趋势高度一致，尤其在凹痕深度小于5%时，预测结果较CRES模型更为准确地反映了焊缝凹痕深度对MCP局部屈曲临界曲率的敏感性。同时，研究证实衬管的CSC值始终小于基管，因此选用衬管CSC值代表整个MCP的临界压缩应变能力。

（3）单一机器学习模型中SVR表现最优。 在六种单一机器学习模型中，SVR模型预测性能最佳，其MSE为0.0039，R²达到0.9913，MAE为4.09%，展现出最佳的预测精度与稳定性。LGBM与XGB模型紧随其后，R²均接近于1，而BPNN与DTR模型的预测精度与稳定性相对较差。

（4）集成学习模型显著提升了预测性能。 经筛选的8组最优集成模型中，R²均接近于1，预测精度全面超越单一模型。其中E7模型（SVR-RF-XGB-LR）表现最为优异，其集成策略不仅发挥了各基学习器的优势，还对预测性能较弱的单一模型（如BPNN、DTR）起到了显著的增强作用。值得注意的是，含有预测效果较差的BPNN与DTR的集成模型E4和E5，在堆叠集成后预测精度与稳定性均大幅提升，与其他高性能集成模型性能接近，充分证明了集成学习策略的鲁棒性与泛化能力。

（5）SHAP可解释性分析揭示了特征贡献机制。 在SVR单一模型中，长径比L/D、凹痕深度与管径比δ/D、临界曲率KEcr和外压Pe是对CSC预测起主要作用的特征，而内压Pi与凹痕偏移距离LD影响不明显。在最优集成模型E7中，长径比L/D、临界曲率KEcr、凹痕深度与管径比δ/D、外压Pe和内压Pi均发挥了重要作用，仅凹痕偏移距离LD影响较弱。该分析结果为工程实践中重点关注关键参数提供了理论依据。

四、研究结论

本文围绕环形焊缝含有凹痕缺陷的双金属冶金复合管压缩应变能力预测问题，系统开展了有限元数值模拟、理论方法创新与机器学习预测建模的综合性研究，主要结论如下：

（1） 提出了一种基于远场平均应变法的压缩应变能力评估新方法，该方法通过选取远场区域的平均轴向应变来表征MCP的局部屈曲应变能力，有效克服了CRES模型在焊缝含凹痕位置处的应用局限性。该方法计算简便、物理意义明确，为实际工程中焊缝含凹陷MCP剩余承载能力的快速评估提供了一种新的有效工具。

（2） 建立了基于六种单一机器学习算法的CSC预测模型，其中SVR模型预测性能最优（MSE=0.0039，R²=0.9913，MAE=4.09%），证明了机器学习方法在管道压缩应变能力预测中的巨大潜力，为后续集成学习建模奠定了坚实基础。

（3） 构建了基于Stacking集成学习策略的CSC预测框架，从50组候选模型中筛选出8组最优集成模型。集成模型较单一模型展现出更高的预测精度、更小的预测误差和更强的鲁棒性，特别是堆叠集成有效弥补了单一弱模型的不足，实现了”整体优于部分”的协同预测效果。

（4） SHAP可解释性分析揭示了输入特征对CSC预测的影响权重排序，为工程实践中关键参数的识别与控制提供了量化依据，增强了机器学习模型在工程安全评估中的可信度与可接受性。

本研究将有限元分析、理论力学方法与先进机器学习技术有机结合，为焊缝含凹痕缺陷的双金属冶金复合管剩余承载能力评估提供了一种高效、准确的智能化预测方法，对保障深海油气输送管道的工程安全具有重要的理论价值与工程应用前景。

相关图表

本文引用格式：杨仁杰, 何杨烨, 张玉, 等. 应用集成学习的双金属冶金复合管压缩应变能力预测[J]. 海洋工程, 2026, 44(5): 64-77.  (YANG Renjie, HE Yangye, ZHANG Yu, et al. Prediction of the compressive strain capacity of metallurgical clad pipes using ensemble learning[J]. The Ocean Engineering, 2026, 44(5): 64-77.  (in Chinese)）

通信作者简介：何杨烨   

何杨烨，博士，中国石油大学（北京）教授，硕士生导师。博士毕业于巴西里约热内卢联邦大学工程研究生院(COPPE/UFRJ)海洋工程系，长期从事深水和超深水动态复合柔性立管局部力学和非线性动力学基础理论和应用基础研究，参与和主持大型国际深水柔性立管工程研发项目、国家重点实验室开放基金立管项目、校优秀青年学者基金等基础科研项目及其他横向技术服务项目，以第一作者在海洋工程领域《Marine Structures》《Ocean Engineering》等知名期刊和海洋极地工程论坛等行业高水平国际会议发表学术论文20余篇，担任科学出版社《水下作业与装备》编委和《海洋工程》《中国海上油气》青年编委。2022年入选中国石油大学（北京）“优秀青年学者”、北京市科协2023—2025年度青年人才托举工程。

参考文献

1

CHONG T S， KUMAR S B， LAI M O， et al. Effects of elevated temperatures on the mechanical properties of nickel-based alloy clad pipelines girth welds［J］. Engineering Fracture Mechanics， 2016， 152： 174-192. 

2

SCHELL C A， LEVER E， GROTH K M. Strain-based design and assessment for pipeline integrity management： a review of applications and gaps［J］. International Journal of Pressure Vessels and Piping， 2023， 204： 104973. 

3

DNV. Submarine pipeline systems ［S］. Norway： Det Norske Veritas， 2021. 

4

贾鲁生， 侯富恒， 张琦， 等. 外压影响下含凹陷深海管道局部屈曲和压缩应变承载力研究［J］. 海洋工程， 2024， 42（6）： 170-177. 

JIA L S， HOU F H， ZHANG Q， et al. Study on the localized buckling and compressive strain capacity of deep-sea pipelines with dent defect under external pressure［J］. The Ocean Engineering， 2024， 42（6）： 170-177. （in Chinese）

5

CSA. CSA standard Z662‑23： oil and gas pipeline systems ［S］. Ontario， Canada： CSA Group， 2023. 

6

API. Design， construction， operation， and maintenance of offshore hydrocarbon pipelines （limit state design） ［S］. Washington，D.C.， USA： American Petroleum Institute， 2023. 

7

DOREY A B， MURRAY D W， ROGER CHENG J J. Critical buckling strain equations for energy pipelines： a parametric study［J］. Journal of Offshore Mechanics and Arctic Engineering， 2006， 128（3）： 248-255.

8

DOREY A B， MURRAY D W， ROGER CHENG J J. Material property effects on critical buckling strains in energy pipelines［C］//Proceedings of the 4th International Pipeline Conference， Parts A and B. Calgary， Canada： ASMEDC， 2002： 475-484. 

9

DOREY A B， MURRAY D W， ROGER CHENG J J. Initial imperfection models for segments of line pipe［J］. Journal of Offshore Mechanics and Arctic Engineering， 2006， 128（4）： 322-329. 

10

LIU M， ZHANG F， KOTIAN K， et al. Refined modeling processes and compressive strain capacity models［C］//Proceedings of the 10th International Pipeline Conference. Calgary， Canada： American Society of Mechanical Engineers， 2014： V004T11A002.

11

WANG Y Y， LIU M， HORSLEY D， et al. Overall framework of strain-based design and assessment of pipelines［C］//Proceedings of the 10th International Pipeline Conference. Calgary， Canada： American Society of Mechanical Engineers， 2014： V004T11A023.

12

YUAN L， WANG C Y， LUO Q S， et al. Collapse pressure prediction of mechanically lined pipes using FEM and machine learning techniques［J］. Ocean Engineering， 2023， 268： 113418.

13

ALRSAI M， ALSAHALEN A， KARAMPOUR H， et al. Integrated finite element analysis and machine learning approach for propagation pressure prediction in hybrid Steel-CFRP subsea pipelines［J］. Ocean Engineering， 2024， 311： 118808. 

14

谢鹏， 刘昊， 龚雨晗， 等. 基于深度学习的海底管道外腐蚀剩余强度评估［J］. 油气储运， 2021， 40（6）： 651-657.

XIE P， LIU H， GONG Y H， et al. Evaluation of residual strength of externally-corroded submarine pipelines based on deep learning［J］. Oil & Gas Storage and Transportation， 2021， 40（6）： 651-657. （in Chinese）

15

孙宝财， 朱蔡文， 凌晓. 基于SVR的含缺陷管道剩余强度研究［J］. 中国安全生产科学技术， 2022， 18（2）： 172-176. 

SUN B C， ZHU C W， LING X. Research on residual strength of pipeline with defects based on SVR［J］. Journal of Safety Science and Technology， 2022， 18（2）： 172-176. （in Chinese） 

16

徐鲁帅， 凌晓， 马娟娟， 等. 基于DE-BPNN模型的含腐蚀缺陷管道失效压力预测［J］. 中国安全生产科学技术， 2021， 17（3）： 91-96.

XU L S， LING X， MA J J， et al. Prediction on failure pressure of pipeline containing corrosion defects based on DE-BPNN［J］. Journal of Safety Science and Technology， 2021， 17（3）： 91-96. （in Chinese）

17

刘为， 张鹏， 沈豪， 等. 滑坡作用下埋地天然气管道的失效机理及预测［J］. 油气储运， 2025， 44（3）： 289-300. 

LIU W， ZHANG P， SHEN H， et al. Failure mechanism and prediction for buried natural gas pipeline under landslide effects［J］. Oil & Gas Storage and Transportation， 2025， 44（3）： 289-300. （in Chinese）

18

WANG Q K， LU H F. A novel stacking ensemble learner for predicting residual strength of corroded pipelines［J］. NPJ Materials Degradation， 2024， 8： 87.

19

何智成， 韩茳， 宋贤海， 等. 基于改进Stacking集成学习的高强度钢柱屈曲能力预测［J］. 计算力学学报， 2023， 40（4）： 585-593.

HE Z C， HAN J， SONG X H， et al. Prediction of buckling capacity of high-strength steel columns based on improved stacking ensemble learning［J］. Chinese Journal of Computational Mechanics， 2023， 40（4）： 585-593. （in Chinese）

20

阳志光， 郭晨宇， 杨帆， 等. 基于集成学习的冲击载荷识别与定位方法［J］. 强度与环境， 2022， 49（5）： 129-137.

YANG Z G， GUO C Y， YANG F， et al. Impact load identification and localization based on ensemble learning［J］. Structure & Environment Engineering， 2022， 49（5）： 129-137. （in Chinese）

21

高奡林， 吴兴文， 池茂儒. 应用集成学习算法的复合材料损伤定位研究［J］. 中国测试， 2024， 50（2）： 38-45. 

GAO A L， WU X W， CHI M R. Application of ensemble learning algorithm in damage localization of carbon fiber reinforced plastic［J］. China Measurement & Testing Technology， 2024， 50（2）： 38-45. （in Chinese）

22

YANG R J， HE Y Y， ZHANG Y， et al. Strain capability analysis of metallurgically clad pipe with girth welds under combined loads［C］//Proceedings of the ASME 2024 43rd International Conference on Ocean， Offshore and Arctic Engineering.Volume 3： Materials Technology； Subsea Technology. Singapore， Singapore： American Society of Mechanical Engineers， 2024： V003T04A053.