一种油田集输管道外腐蚀速率预测方法技术

本发明专利技术提供了一种油田集输管道外腐蚀速率预测方法，包括：将待测管道的实际检测数据输入至训练好的管道外腐蚀速率预测模型中进行预测；管道外腐蚀速率预测模型的确定方法为：获取样本油田集输管道组的样本检测数据；基于灰色关联分析法对样本检测数据进行分析，并确定训练集和测试集；根据训练集建立SVM神经网络，并对SVM神经网络的SVM参数进行初始化；基于麻雀搜索算法优化SVM参数，并对SVM神经网络进行训练，得到SSA

【技术实现步骤摘要】
一种油田集输管道外腐蚀速率预测方法


[0001]本专利技术涉及油气管道腐蚀与防护
，特别是涉及一种油田集输管道外腐蚀速率预测方法。

技术介绍

[0002]众所周知，土壤所处环境复杂，油田集输管道受多种因素影响，会导致管道外腐蚀速率加剧，因此，管道外腐蚀速率预测对管道安全运行具有重要意义。
[0003]管道土壤腐蚀的影响因素具有不确定性和模糊性，这就形成了一个灰色系统，而灰色关联分析法(Grey Relational Analysis，GRA)对检测数据分析可以克服预测中主观性较强的缺点，在样本数量和规律分布方面要求比较宽松，在工程实际中有广泛的应用；麻雀搜索算法(Sparrow Search algorithm，SSA)是受麻雀的觅食行为和反捕食行为的启发而提出的，该算法比较新颖，在优化神经网络模型方面具有寻优能力强、收敛速度快的优点；而支持向量机(Support Vector Machine，SVM)在管道腐蚀速率预测等方面应用较为广泛，具有计算效率高、算法简单等优点。现有技术中并未将上述三者算法结合应用于油田集输管道外腐蚀速率预测领域中，从而造成了预测精度较低，预测效果较差，不能满足研究需求。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术的目的是提供一种油田集输管道外腐蚀速率预测方法。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种油田集输管道外腐蚀速率预测方法，包括：
[0007]获取待测管道的实际检测数据；所述实际检测数据包括实际腐蚀速率值和影响管道外腐蚀速率的环境因素；
[0008]将所述实际检测数据输入至训练好的管道外腐蚀速率预测模型中，得到预测结果；所述管道外腐蚀速率预测模型是由灰色关联分析法、麻雀搜索算法和支持向量机构建得到的；所述管道外腐蚀速率预测模型的确定方法为：
[0009]获取样本油田集输管道组的样本检测数据；
[0010]基于所述灰色关联分析法对所述样本检测数据进行分析，得到样本数据集；
[0011]根据所述样本数据集确定训练集和测试集；
[0012]根据所述训练集建立SVM神经网络，并对所述SVM神经网络的SVM参数进行初始化；
[0013]基于所述麻雀搜索算法优化所述SVM参数，并对所述SVM神经网络进行训练，得到SSA
‑
SVM预测模型；
[0014]将所述测试集输入至所述SSA
‑
SVM预测模型中进行测试，得到测试好的所述管道外腐蚀速率预测模型。
[0015]优选地，所述基于所述灰色关联分析法对所述样本检测数据进行分析，得到样本
数据集，包括：
[0016]分别计算所述样本检测数据中的实际腐蚀速率与pH、含水率、总含盐量、土壤电阻率、氧化还原电位、自腐蚀电位、Na
+
含量和Cl
‑
含量的相关性，得到各个关联度系数；
[0017]将所述关联度系数大于预设阈值确定为影响因素；所述影响因素为所述SVM神经网络的输入变量；
[0018]将所述影响因素和所述样本检测数据中的实际腐蚀速率进行组合，得到所述样本数据集。
[0019]优选地，所述分别计算所述样本检测数据中的实际腐蚀速率与pH、含水率、总含盐量、土壤电阻率、氧化还原电位、自腐蚀电位、Na
+
含量和Cl
‑
含量的相关性，得到各个关联度系数，包括：
[0020]在管道不同管段位置情况下，确定由实际腐蚀速率构成的母序列x
j
(j＝1,2,3,
…
,p)和由影响因素构成的子序列x
i
(i＝1,2,3,
…
,n)；所述母序列的公式为：x
j
＝{x
j
(k)}＝{x
j
(1),x
j
(2),x
j
(3),
…
,x
j
(m)}；子序列的公式为x
i
＝{x
i
(k)}＝{x
i
(1),x
i
(2),x
i
(3),
…
,x
i
(m)}；其中，x
j
为所述母序列，x
j
为所述子序列，p为母序列指标的数量，j为母序列第j个指标，i为子序列第i个指标，n为子序列指标的数量，m为特征数量，k＝1，2，3，
…
，m；
[0021]对所述母序列和所述子序列的各个指标进行归一化处理；所述归一化处理的公式为：其中，y
j
为归一化后的母序列，y
i
为归一化后的子序列；
[0022]计算所述子序列中各个指标与所述母序列的关联系数：所述关联系数的计算公式为：其中，ξ(k)为所述关联系数，α为分辨系数；
[0023]计算影响因素相对于实际腐蚀速率的关联度系数；所述关联度系数的计算公式为其中，R
ij
为所述关联度系数。
[0024]优选地，所述将所述测试集输入至所述SSA
‑
SVM预测模型中进行测试，得到测试好的所述管道外腐蚀速率预测模型，包括：
[0025]将待检测的测试集带入所述SSA
‑
SVM预测模型中，得到预测值；
[0026]计算所述预测值与实测值之间的误差，若所述误差大于误差阈值，则返回步骤“基于所述麻雀搜索算法优化所述SVM参数，并对所述SVM神经网络进行训练，得到SSA
‑
SVM预测模型”；若所述误差小于或等于所述误差阈值，则将所述SSA
‑
SVM预测模型确定为所述管道外腐蚀速率预测模型。
[0027]优选地，所述SVM神经网络的拟合函数的公式为优选地，所述SVM神经网络的拟合函数的公式为其中，f(x)为所述拟合函数；a
i
、a
i*
均为拉格朗日乘子，k(x
i
,y
j
)为核函数，b为常数，i＝1，2，3，
…
，n，其中n为随机数。
[0028]优选地，基于所述麻雀搜索算法优化所述SVM参数，包括：
[0029]通过所述训练集中的数据对麻雀种群进行初始化参数设置，得到麻雀初始种群；
[0030]计算所述麻雀初始种群的适应度值，设种群中有n只麻雀；麻雀的种群表示为：
[0031]其中，X为所述麻雀的种群，d为待优化问题变量的维数，n为麻雀的数量；
[0032]适应度函数表示：
[0033]其中，F
x
为所述适应度函数，f表示为适应度值，d是待优化问题变量的维数；
[0034]计算适应度值，根据所述适应度值判断是否更新麻雀种群发现者、追随者和警戒者的位置，若得到优于上次迭代的适应度值，则更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油田集输管道外腐蚀速率预测方法，其特征在于，包括：获取待测管道的实际检测数据；所述实际检测数据包括实际腐蚀速率值和影响管道外腐蚀速率的环境因素；将所述实际检测数据输入至训练好的管道外腐蚀速率预测模型中，得到预测结果；所述管道外腐蚀速率预测模型是由灰色关联分析法、麻雀搜索算法和支持向量机构建得到的；所述管道外腐蚀速率预测模型的确定方法为：获取样本油田集输管道组的样本检测数据；基于所述灰色关联分析法对所述样本检测数据进行分析，得到样本数据集；根据所述样本数据集确定训练集和测试集；根据所述训练集建立SVM神经网络，并对所述SVM神经网络的SVM参数进行初始化；基于所述麻雀搜索算法优化所述SVM参数，并对所述SVM神经网络进行训练，得到SSA
‑
SVM预测模型；将所述测试集输入至所述SSA
‑
SVM预测模型中进行测试，得到测试好的所述管道外腐蚀速率预测模型。2.根据权利要求1所述的油田集输管道外腐蚀速率预测方法，其特征在于，所述基于所述灰色关联分析法对所述样本检测数据进行分析，得到样本数据集，包括：分别计算所述样本检测数据中的实际腐蚀速率与pH、含水率、总含盐量、土壤电阻率、氧化还原电位、自腐蚀电位、Na
+
含量和Cl
‑
含量的相关性，得到各个关联度系数；将所述关联度系数大于预设阈值确定为影响因素；所述影响因素为所述SVM神经网络的输入变量；将所述影响因素和所述样本检测数据中的实际腐蚀速率进行组合，得到所述样本数据集。3.根据权利要求2所述的油田集输管道外腐蚀速率预测方法，其特征在于，所述分别计算所述样本检测数据中的实际腐蚀速率与pH、含水率、总含盐量、土壤电阻率、氧化还原电位、自腐蚀电位、Na
+
含量和Cl
‑
含量的相关性，得到各个关联度系数，包括：在管道不同管段位置情况下，确定由实际腐蚀速率构成的母序列x
j
(j＝1,2,3,
…
,p)和由影响因素构成的子序列x
i
(i＝1,2,3,
…
,n)；所述母序列的公式为：x
j
＝{x
j
(k)}＝{x
j
(1),x
j
(2),x<...

【专利技术属性】
技术研发人员：谢飞，张庆晗，王丹，孙东旭，杜懿杰，
申请(专利权)人：辽宁石油化工大学，
类型：发明
国别省市：