一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法技术

技术编号:20177979 阅读:34 留言:0更新日期:2019-01-23 00:44
本发明专利技术公开了一种基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法,包括以下步骤:将管道外腐蚀指标体系的数据分为训练样本及测试样本,再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练,并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ,然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中,得预测值,再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性,当训练后广义回归神经网络的腐蚀预测模型较优时,则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中,得埋地管道的外腐蚀速率,该方法能够实现管道腐蚀速率的预测,并且可靠性较高。

A KPCA-BAS-GRNN-based prediction method for external corrosion rate of buried pipelines

The invention discloses a method for predicting the external corrosion rate of buried pipelines based on KPCA BAS GRNN, which includes the following steps: dividing the data of the external corrosion index system of pipelines into training samples and testing samples, then training the corrosion prediction model of generalized regression neural network through training samples, and optimizing the smoothness factor_of the corrosion prediction model by using longicorn search algorithm, but After that, the test samples are input into the corrosion prediction model of the trained generalized regression neural network, and the predicted values are obtained. Then the quality of the corrosion prediction model of the trained generalized regression neural network is judged according to the predicted values and the measured values. When the corrosion prediction model of the trained generalized regression neural network is better, the detection data of the external corrosion of the buried pipeline to be predicted are input into the training. In the corrosion prediction model of generalized regression neural network, the external corrosion rate of buried pipeline can be obtained. This method can realize the prediction of pipeline corrosion rate and has high reliability.

【技术实现步骤摘要】
一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法
本专利技术属于油气管道腐蚀防护技术邻域,涉及一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法。
技术介绍
改革开放后,中国油气管道企业也进入了改革发展的阶段,不仅引入大量国外油气管道相关先进技术,并且积极主动地学习国外先进管理经验,使得我国油气管道建设整体水平显著提高。川气东送工程是继我国西气东输工程后又一项天然气远距离管网输送工程。总投资626.76亿元,西起四川达州普光气田,跨越四川、重庆、湖北、江西、安徽、江苏、浙江、上海6省2市,管道总长2170公里,年输送天然气120亿立方米,相当于2009年中国天然气消费量的1/7。至今,我国已形成了横贯东西、纵贯南北的基本管道网络,对保障油气田稳定输送,满足工业生产和人民生活对油气能源的需要,确保社会经济持续、稳定、均衡发展,有着非常重要的意义。埋地管道在输送过程中,由于其所处地质情况复杂,受诸多腐蚀因素的影响,按性质可分为物理、化学、电化学和微生物四种腐蚀因素。其中,物理因素包括:含水量、容重、孔隙率、温度、质地等;化学因素包括:PH值、硫酸根含量、氯离子含量、硫化物含量等;电化学腐蚀主要包括:土壤电阻率、电位梯度、氧化还原电位等;微生物腐蚀包括:硫酸盐还原菌、中性硫化菌等。随着在役年限的增加,管道腐蚀深度会在上述的腐蚀因素下逐渐增长,所以准确预测管道的腐蚀速率,及时采取有效的防护措施,能够降低管道安全事故,为管道的更新维护工作提供理论依据。据统计,美国1992-2012年共计发生管道事故10798起,其中腐蚀导致的事故占18.5%;加拿大2000-2012年发生的所有管道事故中腐蚀泄漏事故占一半以上。我国油气管线的腐蚀问题也很突出,国内学者通过对四川省天然气管道事故的统计发现,39.5%的事故是由管道腐蚀所引起;2013年青岛发生的东黄输油管道泄漏爆炸特别重大事故中,调查显示腐蚀是导致管道穿孔泄漏的重要原因之一。所以,建立可靠的管道腐蚀速率预测模型对减少事故、避免人员伤亡具有重要意义。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点,提供了一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法,该方法能够实现管道腐蚀速率的预测,并且可靠性较高。为达到上述目的,本专利技术所述的基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法包括以下步骤:1)获取埋地管道外腐蚀的检测数据,再根据埋地管道外腐蚀的检测数据构建管道外腐蚀指标体系;2)构建广义回归神经网络的腐蚀预测模型;3)将步骤1)得到的管道外腐蚀指标体系的数据分为训练样本及测试样本,再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练,并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ,然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中,得预测值,再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性,当训练后广义回归神经网络的腐蚀预测模型较优时,则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中,得埋地管道的外腐蚀速率,当训练后的广义回归神经网络的腐蚀预测模型较劣时,则转至步骤1)中。设训练样本X={x1,x2,…,xn},xi∈Rp,Rp为输入空间,P为数据的维数,i=1,…,n,利用映射函数对输入空间进行映射Φ:Rp→F,x→X,其中,则特征空间中的协方差矩阵C为:求解特征空间中的协方差矩阵C的特征值λ及特征向量v,λ≥0,设特征空间中的协方差矩阵C的特征值为0≤λ1≤λ2≤…≤λn,对应的特征向量为v1,v2,…,νn,记作:将式(1)及式(2)代入中Φ(xi)·Cv=λ(Φ(xi)·v)中,并令K=(kij)n×n=(Φ(xi)·Φ(xj))(i,j=1,2,…,n),得Kα=nλα,其中,K为核矩阵,K的特征值为nλi,K的特征向量为α1,α2,…,αn,取前m个特征值对应的标准化特征向量α1,α2,…,αm,其中,在vr投影gr(xj)为:设则有选取式(3)中的前M个分量作为主成分,由KPCA降维,得提取后的主成分系数矩阵α,然后再利用提取后的主成分系数矩阵α对训练样本X进行线性变换,得最后利用线性变换后的训练样本X对广义回归神经网络的腐蚀预测模型进行训练。所述广义回归神经网络由输入层、隐含层及线性输出层组成。埋地管道外腐蚀的检测数据包括不同检测点处的土壤电阻率、氧化还原电位、氯离子含量、硫酸根离子含量、含水量、PH、含盐量、杂散电流、破损点密度、阴极保护率、自然电位及硫化物含量。本专利技术具有以下有益效果:本专利技术所述的基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法在具体操作时,采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ,减少参数选取时人为因素的影响,再将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型,得预测值,当预测值与实测值之间的误差小于等于预设值时,则说明训练后的广义回归神经网络的腐蚀预测模型正确,在实际预测时,即可将待预测埋地管道外腐蚀的检测数据输入到训练后的腐蚀预测模型中,得埋地管道的外腐蚀速率,可靠性较高,需要说明的是,天牛须搜索(beetleantennaesearch,BAS)算法是2017年提出的一种受到天牛觅食原理启发而开发的智能优化算法,根据天牛的左右须气味强度比较,调整天牛的位置,最终得到最优的输出值,与传统的遗传算法、粒子群算法及蚁群等智能优化算法相比,天牛须搜索算法可以避免陷入局部最优的问题,收敛速度相对较快。附图说明图1为广义回归神经网络的结构图;图2为天牛简化模型的示意图;图3为本专利技术的流程图;图4为仿真实验中埋地管道外腐蚀指标体系的示意图;图5为仿真实验中GRNN网络训练误差的效果图;图6为仿真实验中GRNN网络预测误差的效果图;图7为仿真实验中BAS-GRNN模型迭代过程图;图8为仿真实验中不同模型测试结果的对比图;图9为仿真实验中不同模型预测值的残差对比图。具体实施方式下面结合附图对本专利技术做进一步详细描述:参考图1,本专利技术所述的基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法包括以下步骤:1)获取埋地管道外腐蚀的检测数据,埋地管道外腐蚀的检测数据包括不同检测点处的土壤电阻率、氧化还原电位、氯离子含量、硫酸根离子含量、含水量、PH、含盐量、杂散电流、破损点密度、阴极保护率、自然电位及硫化物含量,再根据埋地管道外腐蚀的检测数据构建管道外腐蚀指标体系;2)构建广义回归神经网络的腐蚀预测模型;所述广义回归神经网络由输入层、隐含层及线性输出层组成,其中,在隐含层中,神经元的数量等同于学习样本的数量,并用dist距离公式计算网络输入与第一层的权重LW1,1之间的距离,该层Q个神经元的节点函数为高斯函数,n为样本个数,σ为光滑因子,在输出层,采用线性函数作为该层的传递函数,最终,GRNN网络输出的预测值表达式为:y=a2=purelin(LW2,1×a1/suma1)。3)将步骤1)得到的管道外腐蚀指标体系的数据分为训练样本及测试样本,再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练,并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ,然后将测试样本输入到训练后的广义回归神经网络的本文档来自技高网
...

【技术保护点】
1.一种基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法,其特征在于,包括以下步骤:1)获取埋地管道外腐蚀的检测数据,再根据埋地管道外腐蚀的检测数据构建管道外腐蚀指标体系;2)构建广义回归神经网络的腐蚀预测模型;3)将步骤1)得到的管道外腐蚀指标体系的数据分为训练样本及测试样本,再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练,并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ,然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中,得预测值,再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性,当训练后广义回归神经网络的腐蚀预测模型较优时,则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中,得埋地管道的外腐蚀速率,当训练后的广义回归神经网络的腐蚀预测模型较劣时,则转至步骤1)中。

【技术特征摘要】
1.一种基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法,其特征在于,包括以下步骤:1)获取埋地管道外腐蚀的检测数据,再根据埋地管道外腐蚀的检测数据构建管道外腐蚀指标体系;2)构建广义回归神经网络的腐蚀预测模型;3)将步骤1)得到的管道外腐蚀指标体系的数据分为训练样本及测试样本,再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练,并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ,然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中,得预测值,再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性,当训练后广义回归神经网络的腐蚀预测模型较优时,则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中,得埋地管道的外腐蚀速率,当训练后的广义回归神经网络的腐蚀预测模型较劣时,则转至步骤1)中。2.根据权利要求1所述的基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测方法,其特征在于,设训练样本X={x1,x2,…,xn},xi∈Rp,Rp为输入空间,P为数据的维数,i=1,…,n,利用映射函数对输入空间进行映射Φ:Rp→F,x→X,其中,则特征空间中的协方差矩阵C为:求解特征空间中的协方差矩阵C的特征值λ及特征向量v,λ≥0,设特征空间中的协...

【专利技术属性】
技术研发人员:骆正山姚梦月骆济豪王小完田珮琦秦越黄仁惠
申请(专利权)人:西安建筑科技大学
类型:发明
国别省市:陕西,61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1