随着原油劣质化和炼化装置大型化的发展趋势,管道和设备腐蚀失效引发的安全问题日益增多,造成的后果越来越严重。因此,腐蚀防护在预防生产事故发生和提高设备安全可靠性方面显得更加重要。随着“大数据”时代的来临,依据大量的生产数据进行腐蚀预测从而指导现阶段的防腐工作正成为腐蚀研究的一个重要发展方向。本文在中石油某炼化厂常减压装置的腐蚀检查结果的基础上,结合生产实际,进行了腐蚀分析和腐蚀预测技术研究。首先,研究了常减压装置工艺流程、材质回路和主要腐蚀机理,将设备和管线划分为5个腐蚀回路,并在此基础上展开了基于腐蚀回路的腐蚀分析,并根据腐蚀检查结果确定了两处重点腐蚀部位。其次,根据腐蚀检查结果筛选出两处重点腐蚀部位开展进一步的腐蚀机理研究、腐蚀形貌分析和腐蚀产物垢样分析,提出改进措施和防腐建议,为重点腐蚀部位设计在线监测布点方案。然后,研究了 BP神经网络、Elman神经网络和遗传算法等人工智能算法的原理和训练过程,总结和归纳出3种算法的适用性、优缺点以及算法设计时应遵循的原则和注意的问题。并通过腐蚀在线监测系统采集数据并对数据进行了预处理,为腐蚀预测模型建立提供理论基础和数据支撑。最后,通过建立BP神经网络模型、Elman神经网络模型和基于遗传算法优化的BP神经网络模型等3个腐蚀速率预测模型达到了腐蚀预测的效果,经过模型训仿真验证和模型对比分析,基于遗传算法优化的BP神经网络模型具有最佳的拟合效果和稳定性,在用于重点腐蚀部位腐蚀预测效果最佳。