元坝高酸性气田地面管道内腐蚀预测_孙天礼.pdf

40检测与完整性|Inspection&Integrity2023 年 1 月第 42 卷 第 1 期网络出版时间：2022-11-16T16:09:03网络出版地址：http:/ BP 神经网络腐蚀预测模型。该模型以温度、CO2分压、H2S 分压、pH 值、Cl-含量、总矿化度、液气比、缓蚀剂残余量 8 种影响因素的数据作为输入量，再将腐蚀速率作为输出量，通过现场实测获得大量历史样本数据，对 BP 神经网络进行训练，实现了地面管道的腐蚀速率预测，并利用该模型对元坝高酸性气田地面管道各腐蚀因素的重要程度进行评判。结果表明：随机抽取工况参数，模型预测值与实测值的平均绝对误差在 10以内，预测模型具有较高的准确性和可靠性；影响元坝高酸性气田地面管道腐蚀速率的主控因素为 H2S 分压，CO2分压、缓蚀剂残余量次之。研究成果可为类似气田地面管道的内腐蚀评估提供技术借鉴。（图 2，表 3，参 22）关键词：高含硫气田；站内管道；腐蚀速率预测；BP 神经网络；主控因素中图分类号：TE88文献标识码：A文章编号：1000-8241（2023）01-0040-06DOI：10.6047/j.issn.1000-8241.2023.01.006Internal corrosion prediction of ground pipeline of Yuanba high-sour gasfieldSUN Tianli1,HAN Xue2,HUANG Shilin1,ZHAO Chunlan2,HE Huan1,ZENG Dezhi21.No.2 Gas Production Plant,SINOPEC Southwest Oil&Gas Company;2.Southwest Petroleum University/State Key Laboratory of Oil and Gas Reservoir Geology and ExploitationAbstract:To study the internal corrosion of ground pipelines in Yuanba high-sour gasfield,a corrosion prediction model based on BP neural network was proposed with consideration to multiple factors.In the model,the input was 8 types of working condition data,i.e.,the temperature,CO2 partial pressure,H2S partial pressure,pH value,Cl-concentration,total salinity,liquid-to-gas ratio and the residue of corrosion inhibitor,while the output was the corrosion rate.Specifically,the BP neural network was trained with a large amount of historical sample data from field measurement to realize the prediction of the corrosion rate of ground pipelines.Besides,the model was used to evaluate the importance of various factors affecting the corrosion of ground pipelines in Yuanba high-sour gasfield.As shown in the results,the predicted model is highly accurate and reliable,as the average absolute error between the predicted value of the model and the measured value is within 10%for random working condition parameters.In addition,H2S partial pressure is the main control factor of the corrosion rate of ground pipelines in Yuanba high-sour gasfield,followed by CO2 partial pressure and corrosion inhibitor.Generally,the research results could provide technical reference for the internal corrosion assessment of ground pipelines in similar gas fields.(2 Figures,3 Tables,22 References)Key words:high-sulfur gas field,pipelines in the station,corrosion rate prediction,BP neural network,main control factors元坝气田作为高含 H2S、CO2特大型海相气田1，日生产净化气可达 230104 m3，为西气东输提供了能源保障，有力推动了四川的经济发展2。天然气在采出过程中伴随产生 H2S 和 CO2，溶于水后生成弱酸，使油井管柱及设备处于腐蚀性极强的环境之中，金属构件发生氢去极化反应，油气田开采设备将受到严重腐蚀，大大缩短管柱及设备实际使用寿命，加大油气田开采难度，并将引发安全隐患。因此，建立腐蚀速率预测模型，有效预测材料的腐蚀行为并及时采取防护措施势在必行。目前，涉及 H2S 的腐蚀预测模型多聚焦于 H2S致开裂，而考虑 H2S 分压对腐蚀速率影响的预测模型较少3。CO2环境条件下的腐蚀速率预测模型较引文：孙天礼，韩雪，黄仕林，等.元坝高酸性气田地面管道内腐蚀预测J.油气储运，2023，42（1）：40-45.SUN Tianli,HAN Xue,HUANG Shilin,et al.Internal corrosion prediction of ground pipeline of Yuanba high-sour gasfieldJ.Oil&Gas Storage and Transportation,2023,42(1):40-45.41Inspection&Integrity|检测与完整性多，其中应用最为广泛的包括 De waard 半经验模型、BP(Cassandra)半经验模型、NORSOK 经验模型4。其中，De waard 半经验模型常用于测量内部坑蚀，仅考虑了温度、CO2分压、pH 值，当温度较高时，预测值将小于实际值，误差较大5；BP(Cassandra)半经验模型基于 De waard 模型建立，可预测高温下的腐蚀，但CO2分压的适用范围较小6；不考虑 H2S 的影响时，采用 NORSOK 经验模型可较为准确地预测 CO2腐蚀环境下的最大腐蚀速率7。可见，现有模型大多结构简单，泛化性较弱8。在实际生产过程中，油气管道腐蚀往往是多个因素共同作用导致的。对于元坝高酸性气田地面管道，温度、H2S 分压、CO2分压、pH 值、Cl-含量、总矿化度、缓蚀剂残余量、液气比等因素均可对腐蚀行为造成影响9。在此，综合分析各影响因素，应用 BP 神经网络算法对采集到的样本数据进行训练，建立适用于元坝高酸性气田地面管道的内腐蚀预测模型，实现管道腐蚀速率的预测与效果评价，并分析各影响因素的权重，以期为油气田地面系统的管道完整性管理提供理论依据。1BP 神经网络腐蚀速率预测模型 1.1BP 神经网络结构结合元坝高酸性气田地面管道内腐蚀工况，明确主要腐蚀影响因素为：温度、CO2分压、H2S 分压、pH值、Cl-含量、总矿化度、缓蚀剂残余量、液气比。以YB205-1 集气站内规格为 141.3 mm8.8 mm（直径壁厚）的 L360 管道为研究对象，采用腐蚀挂片法和电阻探针法监测管道腐蚀速率，挂片暴露时间为 3 个月。取出挂片后，使用失重法计算平均腐蚀速率，并根据管道腐蚀情况调整挂片放置于管道中的时间，从而进行周期性监测。以电阻探针记录每月腐蚀速率，整理监测点对应的腐蚀速率，与挂片测试结果进行对比，验证测量结果可靠性，减小探针监测误差。以 2018 年 12 月至 2021 年 5 月监测得到的数据为样本数据，剔除离散值以减小测量时的随机误差10，每间隔1个月选取样本数据的90作为训练样本(表1)，期数代表每个月对应的时间点，用于训练神经网络模型；剩余 10样本数据作为测试样本(表 2)，用于验证训练后的神经网络。表 1BP 神经网络腐蚀速率预测模型训练样本数据表Table 1Sample data for training of corrosion rate prediction model based on BP neural network期数温度/CO2分压/MPa H2S 分压/MPa pH 值Cl-含量/(mgL-1)总矿化度/(mgL-1)缓蚀剂残余量/(mgL-1)液气比腐蚀速率/(mma-1)150.190.3120.3426.75730.471 879.203 249.151.8010-50.001 99358.170.3130.3736.50762.302 067.274 025.401.7410-50.002 12556.820.3080.3206.50658.631 689.293 719.251.8510-50.002 26776.130.3010.3126.50690.571 723.402 345.891.8510-50.002 41978.110.2650.3028.57780.002 348.703 487.911.8210-50.002 581164.710.2790.2996.00788.902 455.781 129.801.8210-50.002 521356.230.2980.3016.75900.303 789.982 335.781.8510-50.002 451550.030.2900.3007.45650.401 678.694 556.901.8510-50.002 411750.190.3240.3118.57 1 100.652 999.893 446.791.8510-50.003 601971.320.3020.3566.511 111.783 011.902 445.671.8110-50.003 602170.060.3220.3456.461 322.503 059.783 456.901.5710-50.003 612360.190.3160.3725.501 417.954 031.361 210.061.5910-50.003 622549.980.2980.3345.761 000.243 567.09900.231.7310-50.003 292753.120.3010.3456.001 200.983 011.381 090.801.8510-50.002 99表 2BP 神经网络腐蚀速率预测模型测试样本数据表Table 2Sample data for test of corrosion rate prediction model based on BP neural network期数温度/CO2分压/MPa H2S 分压/MPa pH 值Cl-含量/(mgL-1)总矿化度/(mgL-1)缓蚀剂残余量/(mgL-1)液气比腐蚀速率/(mma-1)2862.450.3110.3696.00520.40864.88818.251.5510-50.002 602960.190.3040.3856.50560.451 443.89739.471.6710-50.002 523078.710.3160.3467.38491.485 895.92924.871.6610-50.002 74孙天礼，等：元坝高酸性气田地面管道内腐蚀预测42检测与完整性|Inspection&I2023 年 1 月第 42 卷 第 1 期综合考虑各因素对管道腐蚀速率的影响程度，确定以温度、CO2分压、H2S 分压、pH 值、Cl-含量、总矿化度、液气比、缓蚀剂残余量作为输入量11，腐蚀速率实测值作为输出量12，建立腐蚀速率预测的神经网络模型13（图 1）。其为三层神经网络模型，结构为 8-L-1 形式，即输入层有 8 个节点，隐含层有L个节点，输出层有 1 个节点。通过经验公式和实际操作的不断尝试，L设计为14：Lnm （1）式中：n为输入层节点数；m为输出层节点数；为110 范围内的调节常数。为消除量纲，简化计算程序，在未开始 BP 神经网络训练时，对样本数据进行归一化处理。使用 Matlab软件中的 mapminmax 函数将所有样本数据归一至-1，1区间内。mapminmax 函数的表达式为15：y2（xxmin）xmaxxmin-1 （2）式中：y为进行归一化处理之后的样本值；x为原始样本值；xmax、xmin分别为原始样本值中的最大、最小值。为得到较小的网络训练均方差，通过对数据进行不断处理，最终确定隐层节点为 5。利用 S 型的 logsig函数将数据由输入层传递到隐含层，采用 purelin 函数将隐含层传递到输出层，学习速率设为 0.05，选择trainlm 函数进行网络训练。为减小网络训练中的震荡趋势，改善收敛性和抑制陷入局部极小值等现象，将最终动量系数设为 0.9。为保证训练结果达到一定精度，防止网络出现过拟合现象，最终确定目标误差为0.005。为了提高腐蚀监测结果的精准性，对 BP 神经网络预测结果进行反归一化处理16：v12（1+v）（vmaxvmin）+vmin （3）式中：v 为真实的腐蚀监测结果；v 为 BP 神经网络的预测结果；vmax、vmin分别为训练数据样本中腐蚀速率的最大、最小值。1.2影响因素重要程度判别通过神经网络训练得到的结果只能简单反映各层神经元之间的相关关系，为进一步确定输入因素对输出因素的决策权重，需要在整体结果分析的基础上，对各神经元之间的权重进行深入处理17，求得代表权重的绝对影响系数Sij18：Siji=1mRijRij （4）Rij1erij1erij （5）rijk=1LWik 1eWjk1eWjk （6）式中：Rij为相关系数；rij为相关显著性系数；i为神经网络输入单元，i1，n；j为神经网络输出单元，j1，m；k 为神经网络的隐含单元，k1，L；L为隐含层节点数；Wik为输入层神经元i与隐含层神经元k 之间的权系数；Wjk为输出层神经元j与隐含层神经元 k 之间的权系数。2结果与讨论 2.1BP 神经网络预测精度BP 神经网络训练完毕后，可分别得到输入层到隐含层的权值矩阵A、隐含层的阈值矩阵B、隐含层到输出层的权值矩阵C、输出层的阈值矩阵D：图 1元坝高酸性气田地面管道内腐蚀速率预测模型 BP 神经网络结构示意图Fig.1BP neural network structure of internal corrosion rate prediction model for ground pipelines in Yuanba high-sour gasfieldA1.461-1.538-1.294-1.916-0.985-2.724-0.310-2.133-1.3030.6170.6311.266-0.596-0.096-0.4101.2152.1751.1720.3131.901-0.0580.233-1.4582.2351.9071.2331.3931.937-0.6331.070-0.159-0.3251.640-1.053-0.857-1.6641.703-0.7901.546-0.852 （7）43Inspection&Integrity|检测与完整性B-1.8911.225-0.0822.0673.355 （8）C0.407-1.5020.4030.9290.758 （9）D-0.686 （10）根据 BP 神经网络所采用的函数，得到腐蚀速率为：vq=18CpL 1e-p=15ApqxqBp D （11）式中：xq为第q个影响因素的数值；Apq为输入层到隐含层的权值矩阵中第p行、第q列的元素值；CpL为隐含层到输出层的权值矩阵中第p行、第L列的元素值；Bp为隐含层的阈值矩阵中第p行的元素值。根据腐蚀速率预测值和实际腐蚀值计算相对误差，并计算预测结果的平均绝对百分比误差EMAP，对结果进行误差评估：vzvzvz100 （12）EMAP1a za vzvzvz100 （13）式中：vz为第z个腐蚀速率预测值；vz为第z个实际腐蚀速率值；a为样本期数。对训练样本和测试样本数据进行预测，经反归一化处理，得到腐蚀速率预测值，且将其与腐蚀速率实际监测值进行对比（图 2）。可见，腐蚀预测值与腐蚀监测真实值的走势基本一致，数值较为接近，拟合效果较好。各预测期数的均小于 1，训练样本与测试样本的EMAP均小于 10，可见 BP 神经网络腐蚀速率预测模型的精度较高，预测效果较好。2.2主控因素分析将式（7）、式（9）代入式（4）式（6）中，计算获得YB205-1 集气站各腐蚀影响因素的权重(表 3)，可见该集气站管道腐蚀影响因素从大到小依次为 H2S 分压、CO2分压、缓蚀剂残余量、温度、Cl-含量、pH 值、液气比、总矿化度，其中 H2S 分压为腐蚀主控因素19。有研究表明当 CO2分压与 H2S 分压之比小于 20 时，腐蚀行为受 H2S 影响较大，由 H2S 主导控制腐蚀过程，腐蚀产物主要为 FeS20。通常，适量缓蚀剂可以使金属基体表面形成连续致密的腐蚀产物膜，加入少量即可有效减缓金属腐蚀速率，起到防腐效果；Cl-具有较强的吸附性和选择通过性，可透过腐蚀产物膜在界面富集，促使膜下蚀坑纵向发展，造成腐蚀穿孔21。温度虽可影响腐蚀产物膜结构，但由于站内管道温度变化范围较小，该因素的影响程度可以忽略。综上，对于元坝高酸性气田，实际生产过程中应重点关注 H2S 分压和 CO2分压的动态变化，为进一步做好站内管道的防护工作，结合各腐蚀影响因素权重结果，建议采用“抗硫管材+站场缓蚀剂连续加注+站外管道缓蚀剂批处理涂膜+智能清管”的内防腐工艺，同时需加强对管道腐蚀状况的实时监测22。3结论（1）综合考虑 CO2分压、H2S 分压、Cl-含量、pH值、总矿化度、缓蚀剂残余量、液气比 8 种腐蚀影响因素，基于大量样本数据，采用 BP 神经网络算法，建立了适用于元坝高酸性气田地面管道内腐蚀速率预测模型，得到的腐蚀速率预测值与真实值吻合良好，EMAP小于10，模型具有较高的可靠性和稳定性，研究成果可为油气田地面系统的管道完整性管理提供理论依据。（2）通过腐蚀影响因素重要程度判别方法计算得到腐蚀速率影响因素权重，对腐蚀速率影响最大的因素为 H2S 分压，其次为 CO2分压和缓蚀剂残余量。建图 2元坝高酸性气田地面管道内腐蚀速率真实值与 BP 神经网络模型预测值对比图Fig.2Comparison diagram of the real corrosion rate value of ground pipelines in Yuanba high-sour gasfield with the prediction value of BP neural network model表 3元坝高酸性气田地面管道内腐蚀速率影响因素权重表Table 3Weights of factors affecting corrosion rate of ground pipelines in Yuanba high-sour gasfield影响因素权重影响因素权重温度0.168 8Cl-含量0.152 3CO2分压0.189 3总矿化度0.121 2H2S 分压0.190 6缓蚀剂残余量0.188 7pH 值0.151 2液气比0.136 8孙天礼，等：元坝高酸性气田地面管道内腐蚀预测44检测与完整性|Inspection&I2023 年 1 月第 42 卷 第 1 期议在生产过程中实时监控 H2S 分压和 CO2分压的动态变化，优化缓蚀剂加注量及加注工艺，选取合适的防腐工艺，并加强管道腐蚀监测。（3）研究成果弥补了现有的经验模型、半经验模型等泛化能力较弱的缺陷，提供了一种综合考虑多个腐蚀影响因素的 BP 神经网络内腐蚀预测模型，判别了元坝高酸性气田的腐蚀影响因素重要程度，优化防腐工艺，可为类似高酸性气田的腐蚀防护工作提供技术指导。参考文献：1 陈琛，曹阳.元坝气田超深高含硫水平井测试投产一体化技术J.特 种 油 气 藏，2013，20（1）：129-131，138.DOI：10.3969/j.issn.1006-6535.2013.01.035.CHEN C,CAO Y.Integral string technology of test and production for horizontal wells in super deep reservoirs with high content of SJ.Special Oil&Gas Reservoirs,2013,20(1):129-131,138.2 刘言.元坝超深高含硫气田开发关键技术J.特种油气藏，2015，22（4）：94-97.DOI：10.3969/j.issn.1006-6535.2015.04.024.LIU Y.Key development techniques for Yuanba ultra-deep high-sulfur gas fieldJ.Special Oil&Gas Reservoirs,2015,22(4):94-97.3 DONG B J,ZENG D Z,YU Z M,TAN S Z,JIANG J J,ZHANG Q,et al.Effects of heat-stable salts on the corrosion behaviours of 20 steel in the MDEA/H2S/CO2 environmentJ.Corrosion Engineering,Science and Technology,2019,54(4):339-352.DOI:10.1080/1478422X.2019.1591737.4 崔钺，兰惠清，康正凌，何仁洋，黄辉，林楠.基于流场计算的天然气集输管线 CO2腐蚀预测模型J.石油学报，2013，34（2）：386-392.DOI：10.7623/syxb201302024.CUI Y,LAN H Q,KANG Z L,HE R Y,HUANG H,LIN N.Improvement of a CO2 corrosion prediction model for natural gas pipelines based on flow field calculationJ.Acta Petrolei Sinica,2013,34(2):386-392.5 王勇，郑鹤.长宁页岩气区块集输站场风险评价技术研究J.石油与天然气化工，2021，50（3）：134-138.DOI：10.3969/j.issn.1007-3426.2021.03.022.WANG Y,ZHENG H.Study on risk assessment technology of gathering and transportation station in Changning shale gas blockJ.Chemical Engineering of Oil and Gas,2021,50(3):134-138.6 王彦然，肖杰，范永昭，张寅晖，田源，李珊.酸性气田中 CO2和 H2S 的腐蚀预测模型研究进展J.材料保护，2022，55（3）：130-135.DOI：10.16577/j.issn.1001-1560.2022.0079.WANG Y R,XIAO J,FAN Y Z,ZHANG Y H,TIAN Y,LI S.Research progress on CO2 and H2S corrosion prediction models in sour gas fieldJ.Materials Protection,2022,55(3):130-135.7 经建芳，李康春，邓富康，唐兴中，黄福川.油气管道腐蚀的灰色线性回归组合预测模型J.油气储运，2015，34（12）：1300-1304.DOI：10.6047/j.issn.1000-8241.2015.12.010.JING J F,LI K C,DENG F K,TANG X Z,HUANG F C.Prediction model of oil and gas pipeline corrosion based on grey-linear regression combinationJ.Oil&Gas Storage and Transportation,2015,34(12):1300-1304.8 DANA M M,JAVIDI M.Corrosion simulation via coupling computational fluid dynamics and NORSOK CO2 corrosion rate prediction model for an outlet header piping of an air-cooled heat exchangerJ.Engineering Failure Analysis,2021,122:105285.DOI:10.1016/j.engfailanal.2021.105285.9 ZHANG N Y,ZENG D Z,ZHANG Z,ZHAO W T,YAO G J.Effect of flow velocity on pipeline steel corrosion behaviour in H2S/CO2 environment with sulphur depositionJ.Corrosion Engineering,Science and Technology,2018,53(5):370-377.DOI:10.1080/1478422X.2018.1476818.10 郑丽群.电阻探针实时监测数据的误差分析与处理J.石油化工腐蚀与防护，2010，27（2）：31-34.DOI：10.3969/j.issn.1007-015X.2010.02.009.ZHENG L Q.Data errors analysis of real-time electric resistance probe and treatmentJ.Corrosion&Protection in Petrochemical Industry,2010,27(2):31-34.11 许宏良，殷苏民.基于改进 BP 神经网络优化的管道腐蚀速率预测模型研究J.表面技术，2018，47（2）：177-181.DOI：10.16490/ki.issn.1001-3660.2018.02.028.XU H L,YIN S M.Prediction model of pipeline corrosion rate based on improved BP neural networkJ.Surface Technology,2018,47(2):177-181.12 谢鹏，刘昊，龚雨晗，倪芃芃，合曼阿澧.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.DOI：10.6047/j.issn.1000-8241.2021.06.007.XIE P,LIU H,GONG Y H,NI P P,HEMAN A L.Evaluation of residual strength of externally-corroded submarine pipelines based on deep learningJ.Oil&Gas Storage and Transportation,2021,40(6):651-657.13 田源，肖杰，李珊，闫静，莫林.含硫气田集输管道腐蚀预测软件应用J.石油与天然气化工，2021，50（1）：83-86.DOI：45Inspection&Integrity|检测与完整性10.3969/j.issn.1007-3426.2021.01.014.TIAN Y,XIAO J,LI S,YAN J,MO L.Application of corrosion rate prediction software in sour gas gathering and transportation pipelineJ.Chemical Engineering of Oil and Gas,2021,50(1):83-86.14 马良涛，董海防，朱刚，李进.神经网络预测海洋环境下金属腐蚀速率的应用及研究J.材料保护，2018，51（9）：35-39.DOI：10.16577/ki.42-1215/tb.2018.09.008.MA L T,DONG H F,ZHU G,LI J.Application and research of neural network in predicting metal corrosion rate in marine environmentJ.Materials Protection,2018,51(9):35-39.15 梁生荣，李文君，翁军利，郝丽，杨琴，夏勇，等.基于 BP 神经网络的天然气采气管线甲醇加注量预测及其分配管网优化J.石油与天然气化工，2020，49（6）：45-52.DOI：10.3969/j.issn.1007-3426.2020.06.008.LIANG S R,LI W J,WENG J L,HAO L,YANG Q,XIA Y,et al.Quantitative prediction of the methanol injection for natural gas production pipelines based on BP artificial neural networks and optimization of the distribution networkJ.Chemical Engineering of Oil and Gas,2020,49(6):45-52.16 万里平，徐友红，冯兆阳，孔斌，杨兵.基于遗传算法优化 BP 神经网络预测 CO2/H2S 环境中套管钢的腐蚀速率J.腐蚀与防护，2017，38（9）：727-731，736.DOI：10.11973/fsyfh-201709014.WAN L P,XU Y H,FENG Z Y,KONG B,YANG B.Application of genetic algorithms BP neural networks to predicting corrosion rate of carbon steel in CO2/H2S environmentJ.Corrosion and Protection,2017,38(9):727-731,736.17 梁平，黎龙轩，唐柯.输气管线内腐蚀速度的逐步回归预测J.天然气工业，2001，21（2）：100-103.DOI：10.3321/j.issn:1000-0976.2001.02.025.LIANG P,LI L X,TANG K.Prediction of internal corrosion velocity in gas transmission pipeline by stepwise regression methodJ.Natural Gas Industry,2001,21(2):100-103.18 毕傲睿，骆正山，乔伟，孙阳阳.基于主成分和粒子群优化支持向量机的管道内腐蚀预测J.表面技术，2018，47（9）：133-140.DOI：10.16490/ki.issn.1001-3660.2018.09.018.BI A R,LUO Z S,QIAO W,SUN Y Y.Prediction of pipeline inner-corrosion based on principal component analysis and particle swarm optimization-support vector machineJ.Surface Technology,2018,47(9):133-140.19 DONG B J,ZENG D Z,YU Z M,CAI L L,SHI S Z,YU H Y,et al.Corrosion mechanism and applicability assessment of N80 and 9Cr steels in CO2 auxiliary steam driveJ.Journal of Materials Engineering and Performance,2019,28(2):1030-1039.DOI:10.1007/s11665-018-3847-z.20 ZHANG N Y,ZENG D Z,XIAO G Q,SHANG J F,LIU Y Z,LONG D C,et al.Effect of Cl accumulation on corrosion behavior of steels in H2S/CO2 methyldiethanolamine(MDEA)gas sweetening aqueous solutionJ.Journal of Natural Gas Science and Engineering,2016,30:444-454.DOI:10.1016/j.jngse.2016.02.055.21 田刚，易勇刚，韩雪，蔡乐乐，于会永，曾德智.CO2复合蒸汽驱采出井中抽油杆的腐蚀规律及腐蚀预测J.腐蚀与防护，2021，42（8）：21-26.DOI：10.11973/fsyfh-202108004.TIAN G,YI Y G,HAN X,CAI L L,YU H Y,ZENG D Z.Corrosion law and corrosion prediction of sucker rod in CO2 composite steam flooding production wellJ.Corrosion and Protection,2021,42(8):21-26.22 SHAFEEK H,SOLTAN H A,ABDEL-AZIZ M H.Corrosion monitoring in pipelines with a computerized systemJ.Alexandria Engineering Journal,2021,60(6):5771-5778.DOI:10.1016/j.aej.2021.04.006.（收稿日期：2021-09-15；修回日期：2022-11-11；编辑：张腾）开放科学（资源服务）标识码（OSID）