【技术实现步骤摘要】
本专利技术涉及海洋工程结构物腐蚀预测，特别涉及一种海洋工程结构物外腐蚀预测方法，其基于多源数据融合与深度学习方法来实现。
技术介绍
1、近年来，随着我国海洋石油产业的发展，我国已经建立起了许多海上采油平台，这些平台承担着海上石油生产的重任，然而时至今日许多海洋工程结构物已服役较长时间并且由于海洋环境恶劣，出现了严重的腐蚀破坏，海洋立管穿孔，导管架腐蚀失效等情况时有发生，造成大量经济损失与人员伤亡，污染海洋环境，危及海上石油开采作业的安全。
2、海洋工程结构物外腐蚀预测能够有效的提供因海洋环境造成的外腐蚀缺陷数据，是降低海洋工程结构物腐蚀失效发生概率，减缓腐蚀事故后果的有效手段。建立海洋工程结构物外腐蚀预测模型，对保证海洋工程结构物长期平稳运行具有重要意义。
3、现有的预测方法多是针对某一单一结构物对象进行腐蚀预测，然而海洋工程结构物多种多样，即使是同种结构物，由于所处地理环境以及设计参数的不同也表现出不同的规律，单一结构物的预测方法适用性不强。其次，不同预测方法有着各自的优缺点，对数据的利用效率存在差异，海洋工程结构物多源数据十分冗杂，并且许多数据的获取并不容易，因此存在对结构物建立预测模型数据需求量大，计算资源消耗高等在实际工程应用中难以解决的问题，因而往往不能满足腐蚀预测的要求。
技术实现思路
1、本专利技术实施例提供了一种海洋工程结构物外腐蚀预测方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确
2、本专利技术实施例提供了一种海洋工程结构物外腐蚀预测方法，包括：
3、(1)收集海洋工程结构物外腐蚀检测数据以及水位信息，对数据进行数字化表示制定原始样本集；
4、(2)根据pca算法对数字化表示后的原始样本集进行降维处理，得到海洋工程结构物外腐蚀的主成分因素组成的样本数据集；
5、(3)对步骤(2)得到的样本集数据进行归一化处理；
6、(4)将步骤(3)所得归一化样本集分为训练样本集与测试样本集；
7、(5)构建pca-pso-bp海洋工程结构物外腐蚀预测模型，将步骤(4)得到的训练集通过pca-pso-bp算法模型训练，得到海洋工程结构物外腐蚀预测模型并通过测试集验证预测误差；
8、(6)将海洋工程结构物腐蚀多源数据输入海洋工程结构物外腐蚀预测模型得到各个海洋工程结构物的外腐蚀程度。
9、优选的，所述步骤(1)包括收集海洋工程结构物外腐蚀检测数据以及水位信息，划分海洋腐蚀区域(大气区、飞溅区、潮差区、全浸区)，结合海洋工程结构物历史数据以及相关参数制定海洋工程结构物外腐蚀因素指标，对数据进行数字化表示制定原始样本集x＝{x1,x2,x3…xn}
10、优选的，所述步骤(2)包括如下步骤：
11、(2-1)计算原始数据样本集每一列均值，xmean，对原始数据样本进行零均值化处理xnew＝x-xmean；
12、(2-2)计算新样本矩阵xnew的协方差矩阵，(2-1)零均值化处理完成后，协方差矩阵可以表示为：
13、
14、(2-3)计算协方差矩阵的特征值与特征向量，按特征值由大到小排列特征向量，设λj为协方差矩阵的特征值，lj为λj对应的特征向量。
15、(2-4)根据特征值，计算其对应的贡献率以及累计贡献率，计算方法为：
16、
17、
18、其中，p为样本矩阵维数，lj为第j项数据对应的贡献率，k为累计贡献率；
19、按特征值由大到小(λ1≥λ2≥λ3≥…≥λp)排列特征向量，则取前k项特征值对应的特征向量组成转换矩阵l＝{l1,l2…li…lk}t；个体极值为单个粒子每次迭代都会改变位置，在位置运动过程中该粒子的适应度最优点，群体极值为种群中所有粒子适应度最优的那个粒子位置。
20、(2-5)将原始样本矩阵向转换矩阵投影得降维后的样本矩阵y：
21、y＝l·x。
22、优选的，所述步骤(3)样本归一化公式为：xk＝(xk-xmin)/(xmax-xmin)式中，xmin为数据序列中的最小数；xmax为数据序列中的最大数。
23、优选的，所述步骤(5)包括构建pca-pso-bp海洋工程结构物外腐蚀预测模型，将步骤(4)得到的训练集通过pca-pso-bp算法模型训练，得到海洋工程结构物外腐蚀预测模型并通过测试集验证预测误差。pso可以在bp算法训练前优化bp算法中初始的权值、阈值参数。bp神经网络在实际应用中，由于网络收敛速度慢，容易陷入局部优化，且训练样本少容易出现拟合问题，因此利用粒子群的全局搜索能力优化bp神经网络的权重和阈值，用粒子群优化bp神经网络可以降低陷入局部优化的可能性，同时提高网络的收敛速度和预测精度。
24、pca是一种数据降维方法，只保留原始数据中的主要成分，去除噪声减少特征之间的相关性降低样本维度，作为bp网络学习的样本数据预处理方法。步骤(5)是在表述pso优化bp的权值阈值的内容。
25、进一步的，所述步骤(5)粒子群优化bp神经网络权值阈值算法为：
26、(5-1)初始化一个种群数目为n，最大迭代数量为n，在d维的搜索空间中随机生成由n个粒子组成的种群x＝(x1，x2,…,xn)，其中，由计算机随机生成种群数目为n，设定迭代次数n，第i个粒子表示为一个d维的向量x＝(xi1,xi2,…,xid)t代表该粒子在d维搜索空间中的位置，亦代表最佳权值阈值的一种可能；
27、(5-2)以bp网络的绝对值误差为优化目标，计算得到粒子的初始粒子适应度值，寻找粒子个体极值pid和群体极值pgd；
28、(5-3)通过更新公式更新粒子位置和速度；
29、(5-4)比较当前各粒子适应度值与上一代最优粒子适应度值，记录比较后最优粒子值赋予bp网络，更新粒子的位置与速度进行下一次迭代；
30、其中，每次迭代后都会更新粒子位置x，该最优粒子指比较迭代后当前的各粒子的适应度值与上一代最优粒子适应度的值，得到的适应度最优的那个粒子即为新一代最优粒子。
31、(5-5)判断迭代精度是否达到精度要求，亦或迭代次数是否达到预设次数，若精度达到要求或迭代次数达到预设次数，停止寻优，输出最优结果，否则转至(5-3)；
32、其中，迭代终止条件为选最大迭代次数或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。人为设定最小适应阈值，如预测误差0.005，当预测的误差小于设定适应度阈值0.005则表示适应度值达到精度要求，停止训练，否则一直重复(5-3)到(5-5)直到达到预设的循环次数。
33、进一步的，所述步骤(5-3)中粒子更新公式为：
<本文档来自技高网...【技术保护点】
1.一种海洋工程结构物外腐蚀预测方法，其特征在于，包括：
2.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(1)包括收集海洋工程结构物外腐蚀检测数据以及水位信息，划分海洋腐蚀区域，结合海洋工程结构物历史数据以及相关参数制定海洋工程结构物外腐蚀因素指标，对数据进行数字化表示制定原始样本集X＝{x1,x2,x3…xn}。
3.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(2)PCA主成分分析过程包括如下步骤：
4.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(3)样本归一化公式为：
5.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(5)包括构建PCA-PSO-BP海洋工程结构物外腐蚀预测模型，将步骤(4)得到的训练集通过PCA-PSO-BP算法模型训练，得到海洋工程结构物外腐蚀预测模型并通过测试集验证预测误差。
6.根据权利要求5所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(5)粒子群优化BP神经网络权值阈值算
7.根据权利要求6所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(5-3)中粒子更新公式为：
8.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(5)根据BP输出结果所计算误差包括预测结果与实际值得平均绝对误差、均方根误差；
9.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述PCA-PSO-BP海洋工程结构物外腐蚀预测模型以BP网络输出的均方根误差最小为优化目标函数，以PSO算法作为BP网络初始权值、阈值优化方法，以PCA算法作为样本数据降维预处理算法。
...【技术特征摘要】
1.一种海洋工程结构物外腐蚀预测方法，其特征在于，包括：
2.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(1)包括收集海洋工程结构物外腐蚀检测数据以及水位信息，划分海洋腐蚀区域，结合海洋工程结构物历史数据以及相关参数制定海洋工程结构物外腐蚀因素指标，对数据进行数字化表示制定原始样本集x＝{x1,x2,x3…xn}。
3.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(2)pca主成分分析过程包括如下步骤：
4.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(3)样本归一化公式为：
5.根据权利要求1所述的海洋工程结构物外腐蚀预测方法，其特征在于，所述步骤(5)包括构建pca-pso-bp海洋工程结构物外腐蚀预测模型，将步骤(4)得到的训练集通过...
【专利技术属性】
技术研发人员：杨冬平，史小东，高莎莎，朱丽国，胡芳芳，常琳，王芫芫，时宪，王安鹏，胡孟杰，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
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。