天然气管道内腐蚀速率的预测方法技术

本发明专利技术公开了一种天然气管道内腐蚀速率的预测方法，属于天然气管道领域。其包括：获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据；通过灰关联分析法分析样本数据，确定影响目标天然气管道内腐蚀的敏感因素；将敏感因素数据归一化；根据数据归一化后的敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化；将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，根据数据归一化后的敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型；根据天然气管道内腐蚀速率预测模型，对内腐蚀速率进行预测，预测内腐蚀速率的精度高。

Prediction method of internal corrosion rate of natural gas pipeline

【技术实现步骤摘要】
天然气管道内腐蚀速率的预测方法
本专利技术涉及天然气管道领域，特别涉及一种天然气管道内腐蚀速率的预测方法。
技术介绍
天然气管道用于输送油品和天然气，但是油品和天然气中含有含硫物质(例如二氧化硫、硫化氢等)和游离水等，随着天然气管道的运行，含硫物质和游离水等物质将会腐蚀天然气管道的内壁，致使天然气管道泄露、停输等，影响油品和天然气的正常集输和生产。因此，有必要对天然气管道内腐蚀速率进行预测，以在天然气管道失效之前，对天然气管道进行修复或者更换。相关技术中，通过以下方法来对天然气管道内腐蚀速率进行预测：选取一根管道作为模拟天然气管道，在模拟天然气管道内输入天然气，将该模拟天然气管道置于箱体内，并使箱体内的温度与天然气管道所处环境的温度相同。在间隔一段时间后，检测模拟天然气管道壁厚的减少量(腐蚀深度)，计算天然气管道的内腐蚀速率。在间隔不同时间后，分别计算天然气管道内腐蚀速率。将得到的多个不同的天然气管道内腐蚀率和时间拟合，得到天然气管道内腐蚀速率预测模型。根据天然气管道内腐蚀速率预测模型对天然气管道内腐蚀速率进行预测。专利本文档来自技高网...

【技术保护点】
1.一种天然气管道内腐蚀速率的预测方法，其特征在于，所述方法包括：/n获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据；/n通过灰关联分析法分析所述样本数据，确定影响所述目标天然气管道内腐蚀的敏感因素；/n将所述敏感因素数据归一化；/n根据数据归一化后的所述敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化；/n将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的所述敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型；/n根据所述天然气管道内腐蚀速率预测模型，对所述目...

【技术特征摘要】
1.一种天然气管道内腐蚀速率的预测方法，其特征在于，所述方法包括：
获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据；
通过灰关联分析法分析所述样本数据，确定影响所述目标天然气管道内腐蚀的敏感因素；
将所述敏感因素数据归一化；
根据数据归一化后的所述敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化；
将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的所述敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型；
根据所述天然气管道内腐蚀速率预测模型，对所述目标天然气管道的内腐蚀速率进行预测。


2.根据权利要求1所述的方法，其特征在于，所述通过灰关联分析法分析所述样本数据，确定影响所述目标天然气管道内腐蚀的敏感因素，包括：
将所述样本数据中的内腐蚀速率数据作为母因素，内腐蚀因素数据作为子因素，对所述母因素和所述子因素进行无量纲化处理；
根据公式(1)对无量纲化处理后的所述母因素和所述子因素进行关联系数计算：



其中，k＝1，2，……，L；i＝1，2，3，……，N；ρ为分辨系数，取值范围在0～1之间；y0为母因素；Xi为一个子因素；关联系数ξ0,i(k)是Xi对y0在第k个时刻的关联系数；
根据公式(2)计算每个子因素的灰关联度：



其中，ri为灰关联度；
对不同子因素所对应的灰关联度进行排序，确定影响所述目标天然气管道内腐蚀的敏感因素。


3.根据权利要求1所述的方法，其特征在于，所述将所述敏感因素数据归一化，包括：
通过公式(3)对所述敏感因素数据进行数据归一化处理：



其中，为数据归一化之后的数值；x为数据归一化之前的数值；xmax为敏感因素各输入/输出列属性的最大值；xmin为敏感因素各输入/输出列属性的最小值。


4.根据权利要求1所述的方法，其特征在于，所述根据归一化后的所述敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化，包括：
根据数据归一化后的所述敏感因素，建立网络训练样本、以及所述网络训练样本对应的期望输出，将所述网络训练样本和所述网络训练样本对应的期望输出输入至所述小波神经网络中；
预先设定初始种群的大小、遗传算法的终止条件、选择概率、交叉概率、变异概率；所述初始种群包括：输入层到隐含层的连接权值wij，隐含层到输出层的连接权值wjk，伸缩因子aj以及平移因子bj；
对所述初始种群进行初始化编码；
计算初始种群中每个个体的适应度，并判断每个个体的适应度是否满足所述终止条件：
若是，输出优化后的种群；
若否，顺次按照所述选择概率、所述交叉概率、所述变异概率选择当代种群中的新个体，并插入上一代种群中，以形成新一代种群，计算新一代种群中每个个体的适应度，直至每个个体的适应度满足所述终止条件为止，输出优化后的种群；
将优化后的种群进行解码，得到优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj。


5.根据权利要求4所述的方法，其特征在于，每个种群包括的个体数目为R：
R＝IN×HN+HN×ON+HN+HN(4)
其中，IN、HN、ON分别为输入层、隐含层和输出层...

【专利技术属性】
技术研发人员：舒洁，秦林，高健，吴冠霖，刘畅，孙啸，林冬，王毅辉，王飞，万泽君，李施奇，唐静，齐昌超，范小霞，张轶茗，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：北京;11