基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法技术

本发明专利技术涉及一种基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法，包括以下步骤：(1)搜集颗粒碰撞平面靶材侵蚀量的实验数据，搜集的实验自变量包括7个，分别为颗粒密度ρ，颗粒直径D，颗粒硬度H

【技术实现步骤摘要】
基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法


[0001]本专利技术属于油气能源输运领域中，流体携带固体颗粒碰撞管壁，造成管道侵蚀问题，具体涉及一种基于优化的反向传播神经网络的颗粒碰撞靶材造成的侵蚀量的预测方法。

技术介绍

[0002]关于颗粒碰撞平面靶材引起的侵蚀，由于碰撞过程中参数众多，准确快速预测各种情况下的颗粒侵蚀量具有挑战性，前人从实验研究、理论分析和数值模拟等方面进行了大量研究。对于实验方法，其覆盖范围较小，会耗费大量人力物力，且实验周期较长；理论方面，往往对某一问题做出一定假设，很可能造成与真实情况的偏差；数模方面，同样会有一些简化处理，模型与真实情况存在差距，同时会消耗较大的计算机资源，有时也会遇到计算不收敛问题。另外，由实验或理论得出的一些经验或半经验公式，往往包括较多的参数，需要实验确定，不便于操作，同时，得出的公式的预测精度，也仅限于实验者本人进行的实验，公式的普适性差。目前人工智能以其计算速度快，结果稳定，能够处理大量数据等优势，开始应用于油气能源输运问题。但目前，利用人工智能方法，针对颗粒碰撞造成平面靶材的侵蚀问题，只关注某种靶材或某种侵蚀颗粒，适用范围较小。另外，在人工智能领域，反向传播神经网络是研究最成熟的神经网络算法之一，它具有良好的自学习、自适应、鲁棒性和泛化能力。三层反向传播神经网络就可以以任意精度逼近任意非线性函数。反向传播神经网络在模式识别、函数逼近、图像处理等领域得到了广泛的应用，但反向传播算法也存在收敛速度差、容易陷入局部极小值等缺点。因此，本专利技术在利用反向传播神经网络时需要对其进行一定的优化，以适应本问题，达到较好的预测效果。
[0003]参考文献
[0004][1]Oka Y I,Okamura K,Yoshida T,Practical Estimation of Erosion Damage Caused by Solid Particle Impact:Part 1:Effects of Impact Parameters On a Predictive Equation[J],WEAR,2005,259(1):95
‑
101.
[0005][2]Oka Y I,Yoshida T,Practical Estimation of Erosion Damage Caused by Solid Particle Impact:Part 2:Mechanical Properties of Materials Directly Associated with Erosion Damage[J],WEAR,2005,259(1):102
‑
9.
[0006][3]Huang C,Chiovelli S,Minev Pet al.,A Comprehensive Phenomenological Model for Erosion of Materials in Jet Flow[J],POWDER TECHNOL,2008,187(3):273
‑
9.

技术实现思路

[0007]本专利技术的目的是提供一种适应性广更为安全可靠、预测速度和精度都较高的颗粒碰撞靶材侵蚀量的预测方法。本专利技术建立了一种基于优化的反向传播神经网络，能够预测较大参数变化范围的平面靶材侵蚀的预测模型，而不是仅仅针对某一种颗粒或某一种靶材
材料的侵蚀。为实现以上目的，本专利技术采用的技术方案如下：
[0008]一种基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法，包括以下步骤：
[0009](1)搜集颗粒碰撞平面靶材侵蚀量的实验数据，搜集的实验自变量包括7个，分别为颗粒密度ρ，颗粒直径D，颗粒硬度H
p
，入射速度V，入射角度α，靶材硬度H
t
，颗粒与靶材硬度比H
p
/H
t
，因变量为靶材侵蚀量；
[0010](2)为消除不同变量间量级差异对权重分配的影响，对所搜集的实验数据标准化，包括不同自变量之间的标准化和因变量取对数后的标准化，并划分训练和测试数据集；对于作为因变量的靶材侵蚀量，首先对其取对数，再进行标准化；将各变量的变化范围均转化为0
‑
1之间；
[0011](3)搭建反向传播神经网络结构，所搭建的反向传播神经网络结构，输入层的神经元节点分别对应实验自变量，输出层1个神经元节点对应因变量即靶材侵蚀量。
[0012](4)确定神经网络预测结果的评价指标
[0013]采用决定系数R2作为神经网络预测结果的评价指标：
[0014][0015]式中：y
i
为侵蚀量实验值；p
i
为侵蚀量预测值；n为数据个数；i为数据标号；表示数据集侵蚀量实验值的平均值；
[0016](5)网络模型训练优化，采用Adam梯度下降算法，根据神经网络预测结果的评价指标选取最优网络模型：输入层为步骤(1)所搜集的全部实验自变量；隐藏层激活函数为relu，初始化方式为He初始化，最优网络模型为最终预测颗粒碰撞造成的靶材侵蚀模型。
[0017]进一步地：步骤(2)对所搜集的实验数据标准化，包括不同自变量之间的标准化和因变量取对数后的标准化；对于作为因变量的靶材侵蚀量，对其取对数，再进行标准化；将各变量的变化范围均转化为0
‑
1之间。
[0018]进一步地：步骤(3)所搭建的反向传播神经网络结构分为五层，每层神经元节点个数分别为7、20、15、10、1。
[0019]进一步地：其特征在于：步骤(5)的方法为：固定输出层激活函数为sigmoid，对比隐藏层激活函数分别为sigmoid、tanh和relu时网络测试集预测结果；对比不同输入变量个数时网络预测效果；对比不同初始化方式时网络预测效果，其中隐藏层激活函数为sigmoid或tanh时采用Xavier初始化方法，隐藏层激活函数为relu时采用He初始化方法，获得经过Adam梯度下降算法优化的最优网络模型。
[0020]本专利技术有以下优点：
[0021](1)本专利技术从四方面对传统反向传播神经网络进行了优化，分别是采用梯度下降的优化算法、改变激活函数、采用优化的权重初始化方式以及增加自变量个数。使得反向传播神经网络，收敛速度更快、波动更小，使权重和偏置矩阵更好地收敛于全局最优值。本专利技术方法计算速度快、计算结果的稳定。
[0022](3)本专利技术方法能够预测较大的参数变化范围、多种侵蚀颗粒以及多种平面靶材的侵蚀量，而不是仅仅针对某一种颗粒或某一种靶材材料的侵蚀，这往往是传统实验和数
值模拟方面的短板，适用范围较广。
[0023](4)本专利技术方法的靶材侵蚀预测精度远高于现有公式，更加安全可靠；相较于传统公式中众多参数需实验确定，本专利技术应用更加便捷，只需给出七个自变量(包括颗粒密度，颗粒直径，颗粒硬度，入射速度，入射角度和靶材硬度)，即可快速计算出靶材侵蚀量。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法，包括以下步骤：(1)搜集颗粒碰撞平面靶材侵蚀量的实验数据，搜集的实验自变量包括7个，分别为颗粒密度ρ，颗粒直径D，颗粒硬度H
p
，入射速度V，入射角度α，靶材硬度H
t
，颗粒与靶材硬度比H
p
/H
t
，因变量为靶材侵蚀量；(2)为消除不同变量间量级差异对权重分配的影响，对所搜集的实验数据标准化，包括不同自变量之间的标准化和因变量取对数后的标准化，并划分训练和测试数据集；对于作为因变量的靶材侵蚀量，首先对其取对数，再进行标准化；将各变量的变化范围均转化为0
‑
1之间；(3)搭建反向传播神经网络结构，所搭建的反向传播神经网络结构，输入层的神经元节点分别对应实验自变量，输出层1个神经元节点对应因变量即靶材侵蚀量。(4)确定神经网络预测结果的评价指标采用决定系数R2作为神经网络预测结果的评价指标：式中：y
i
为侵蚀量实验值；p
i
为侵蚀量预测值；n为数据个数；i为数据标号；表示数据集侵蚀量实验值的平均值；(5)网络...

【专利技术属性】
技术研发人员：肖忠，刘军，卫宪，
申请(专利权)人：天津大学，
类型：发明
国别省市：