【技术实现步骤摘要】
本专利技术属于海底油气管道输送，特别涉及一种基于数据扩充策略的海底输油管道腐蚀速率预测方法。
技术介绍
1、管道运输因为其运输量大，运输成本低、操作简单等优点，已在全球范围内得到广泛应用。尽管海底管道运输有着众多的优点，但是相比其他的运输方式，它也面临着严峻的损坏问题，其损坏造成的后果要比其他运输方式严重得多。管道的腐蚀是造成管道损坏的重要原因之一。统计显示，在海底管道事故类型占比中，由腐蚀造成的事故占比高达37％。因此，采用合理有效的方法预测海底管道的腐蚀速率对预防管道损坏起着至关重要的作用。
2、现有对于海底输油管道腐蚀速率的预测模型包括经验模型、半经验模型以及机器学习模型。由于诸多影响因素间相互关联，导致各影响因素与腐蚀速率之间难以运用确定的函数关系来描述。并且经验模型和半经验模型都依赖人的主观性，在参数选取时造成模型的可靠性和泛化性不足。此外，对于可用样本量较小的问题，目前已知的解决方案为对使用管道剩余寿命先验条件来构建腐蚀预测模型。但是，该方法需要满足较高的前提条件，实用性不足。
3、现有研究表明，机器学习模型的预测效果优于经验模型和半经验模型；然而，各类机器学习模型具有不同的特点和适用性；同时，当面对数据样本较少的问题时，一般的机器学习模型的预测精度会受到影响，也就难以达到真正有效评估管道腐蚀速率的目的；因此，在研究海底输油管道腐蚀速率预测问题时，选择合适的机器学习模型对保证预测结果的可靠性至关重要。
技术实现思路
1、针对现有技术中存在的技术问
2、本专利技术是通过以下技术方案实现的，本专利技术提出一种基于数据扩充策略的海底输油管道腐蚀速率预测方法，所述方法包括以下步骤：
3、步骤一：获取若干组待预测海底输油管道的历史运行数据；
4、步骤二：利用双三插值法对采集的原始数据进行扩充，得到数量更多的训练集样本；
5、步骤三：利用核主成分分析算法kpca，对获取的若干组待预测海底输油管道的历史运行数据进行主成分分析，得到与管道腐蚀速率相关性更强的环境因素和数据；
6、步骤四：利用麻雀搜索算法ssa，对正则化极限学习模型relm进行参数寻优，构建ssa-relm的组合模型，结合上述输出的数据对模型进行训练，得到海底输油管道腐蚀速率预测模型；
7、步骤五：将待预测海底输油管道的实时运行数据，输入至海底输油管道腐蚀速率预测模型中，输出得到所述海底输油管道腐蚀速率预测结果。
8、进一步地，利用双三插值法，通过对两个相邻数据点的线性插值来得到一个中间点的估计值，然后再对这个估计值进行二次插值，从而对原始匮乏的数据量进行扩充。
9、进一步地，利用双三插值法对原始数据使用线性插值，得到更多数据的过程，具体如下：
10、构造一个用于获得权值的bicubic函数w(x)，所述函数根据近邻点与p点的相对位置来计算该点前的权值，权值函数数学表达式为：
11、
12、其中a取-0.5，根据所在位置和该位置所代表的权值构造插值计算公式：
13、
14、将监测得到的原始数据构建数据集；对原始腐蚀样本进行两次插值，扩充成包含管道腐蚀特征和剩余寿命的新的矩阵样本；将原始数据输入上述插值计算公式得到各被插值点的数据值。
15、进一步地，利用kpca算法，对获取的若干组待预测海底输油管道的历史运行数据进行核主成分分析，得到海底输油管道的主要运行数据的过程中，将累计贡献率为预设贡献率值的待预测海底输油管道的历史运行数据作为主成分，得到海底输油管道的主要运行数据。
16、进一步地，对获取的待预测海底输油管道的历史运行数据进行核主成分分析，得到海底输油管道的主要运行数据的过程，具体如下：构建待预测海底输油管道的历史运行数据集x，并确定待预测海底输油管道的历史运行数据集的数据空间rm；预设非线性映射φ，将待预测海底输油管道的历史运行数据集的数据空间rm映射到高维特征空间f中，得到高维特征空间f下的历史运行数据φ(xi)；获取高维特征空间f下的历史运行数据φ(xi)的协方差矩阵c；根据获取高维特征空间f下的历史运行数据φ(xi)的协方差矩阵c，定义满足mercer条件的核矩阵k；计算所述满足mercer条件的核矩阵k的特征值并对所述特征值按降序排列，得到特征值序列，并计算所述特征值序列中的每个特征值的贡献率li与累计贡献率q，保留累计贡献率q为预设贡献率值的前s个特征值和特征向量，得到所述海底输油管道的主要运行数据。
17、进一步地，利用ssa算法，对relm模型进行超参数优化的过程，具体如下：初始化麻雀种群，设群体中麻雀个数为n，要搜索的最优解维数为d，每只麻雀的位置为x，适应度为fi；评估个体适应度函数并划分发现者占比、跟随者占比，设定预警值；按照各个分工种群的位置更新发现者位置，更新追随者位置，更新侦察者位置；判断算法输出结果是否收敛，若收敛，则结束迭代并获得参数的最优解，若不收敛，则重新划分发现者和追随者进行迭代，直到收敛为止。
18、进一步地，构建relm模型，当ssa迭代次数更新完毕后，输出最终的最优解更新对relm模型进行训练，得到海底输油管道腐蚀速率预测模型的过程，具体如下：为了构建relm模型，将海底输油管道的主要运行数据，随机划分为训练集和测试集；利用训练集中的数据，对relm模型进行训练，得到训练后的relm模型，将测试集中的数据代入至训练后的relm模型，得到预测结果；计算所述预测结果与测试集中实际值的误差，判断所述误差是否满足预设阈值；若不满足，则返回继续训练，若满足，则输出训练后的relm模型，即得到所述海底输油管道腐蚀速率预测模型。
19、进一步地，将海底输油管道的历史运行数据划分为训练集和测试集的过程，具体如下：将若干组海底输油管道的历史运行数据，进行随机排序处理，将随机排序处理后的若干组待预测海底输油管道的历史运行数据的80％作为训练集，剩余20％作为测试集。
20、进一步地，所述误差包括预测结果与测试集中的实际值的平均绝对误差mae、均方根误差rmse、以及平均绝对百分比误差mape、平均偏差误差mbe。
21、进一步地，待预测海底输油管道的历史运行数据包括待预测海底输油管道内的温度、系统压力、二氧化碳分压、ph值、介质流速、氯离子浓度、二氧化碳浓度、碳酸氢根离子浓度、含水率及管道当前实际腐蚀速率值。
22、本专利技术具有的有益效果是：
23、本专利技术属于海底输油管道腐蚀预测领域，具体涉及一种基于数据扩充策略的海底输油管道腐蚀速率预测方法。本专利技术所述方法首先采集少量待预测海底输油管道的历史运行与腐蚀状态数据作为原始数据，并利用双三插值对原始数据进行扩充，得到大量海底管道腐蚀样本数据；然后考虑海本文档来自技高网...
【技术保护点】
1.一种基于数据扩充策略的海底输油管道腐蚀速率预测方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，利用双三插值法，通过对两个相邻数据点的线性插值来得到一个中间点的估计值，然后再对这个估计值进行二次插值，从而对原始匮乏的数据量进行扩充。
3.根据权利要求2所述的方法，其特征在于，利用双三插值法对原始数据使用线性插值，得到更多数据的过程，具体如下：
4.根据权利要求1所述的方法，其特征在于，利用KPCA算法，对获取的若干组待预测海底输油管道的历史运行数据进行核主成分分析，得到海底输油管道的主要运行数据的过程中，将累计贡献率为预设贡献率值的待预测海底输油管道的历史运行数据作为主成分，得到海底输油管道的主要运行数据。
5.根据权利要求4所述的方法，其特征在于，对获取的待预测海底输油管道的历史运行数据进行核主成分分析，得到海底输油管道的主要运行数据的过程，具体如下：构建待预测海底输油管道的历史运行数据集X，并确定待预测海底输油管道的历史运行数据集的数据空间RM；预设非线性映射Φ，将待预测海底输油管道的历史运
6.根据权利要求5所述的方法，其特征在于，利用SSA算法，对RELM模型进行超参数优化的过程，具体如下：初始化麻雀种群，设群体中麻雀个数为N，要搜索的最优解维数为D，每只麻雀的位置为X，适应度为fi；评估个体适应度函数并划分发现者占比、跟随者占比，设定预警值；按照各个分工种群的位置更新发现者位置，更新追随者位置，更新侦察者位置；判断算法输出结果是否收敛，若收敛，则结束迭代并获得参数的最优解，若不收敛，则重新划分发现者和追随者进行迭代，直到收敛为止。
7.根据权利要求6所述的方法，其特征在于，构建RELM模型，当SSA迭代次数更新完毕后，输出最终的最优解更新对RELM模型进行训练，得到海底输油管道腐蚀速率预测模型的过程，具体如下：为了构建RELM模型，将海底输油管道的主要运行数据，随机划分为训练集和测试集；利用训练集中的数据，对RELM模型进行训练，得到训练后的RELM模型，将测试集中的数据代入至训练后的RELM模型，得到预测结果；计算所述预测结果与测试集中实际值的误差，判断所述误差是否满足预设阈值；若不满足，则返回继续训练，若满足，则输出训练后的RELM模型，即得到所述海底输油管道腐蚀速率预测模型。
8.根据权利要求7所述的方法，其特征在于，将海底输油管道的历史运行数据划分为训练集和测试集的过程，具体如下：将若干组海底输油管道的历史运行数据，进行随机排序处理，将随机排序处理后的若干组待预测海底输油管道的历史运行数据的80％作为训练集，剩余20％作为测试集。
9.根据权利要求8所述的方法，其特征在于，所述误差包括预测结果与测试集中的实际值的平均绝对误差MAE、均方根误差RMSE、以及平均绝对百分比误差MAPE、平均偏差误差MBE。
10.根据权利要求1所述的方法，其特征在于，待预测海底输油管道的历史运行数据包括待预测海底输油管道内的温度、系统压力、二氧化碳分压、PH值、介质流速、氯离子浓度、二氧化碳浓度、碳酸氢根离子浓度、含水率及管道当前实际腐蚀速率值。
...【技术特征摘要】
1.一种基于数据扩充策略的海底输油管道腐蚀速率预测方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，利用双三插值法，通过对两个相邻数据点的线性插值来得到一个中间点的估计值，然后再对这个估计值进行二次插值，从而对原始匮乏的数据量进行扩充。
3.根据权利要求2所述的方法，其特征在于，利用双三插值法对原始数据使用线性插值，得到更多数据的过程，具体如下：
4.根据权利要求1所述的方法，其特征在于，利用kpca算法，对获取的若干组待预测海底输油管道的历史运行数据进行核主成分分析，得到海底输油管道的主要运行数据的过程中，将累计贡献率为预设贡献率值的待预测海底输油管道的历史运行数据作为主成分，得到海底输油管道的主要运行数据。
5.根据权利要求4所述的方法，其特征在于，对获取的待预测海底输油管道的历史运行数据进行核主成分分析，得到海底输油管道的主要运行数据的过程，具体如下：构建待预测海底输油管道的历史运行数据集x，并确定待预测海底输油管道的历史运行数据集的数据空间rm；预设非线性映射φ，将待预测海底输油管道的历史运行数据集的数据空间rm映射到高维特征空间f中，得到高维特征空间f下的历史运行数据φ(xi)；获取高维特征空间f下的历史运行数据φ(xi)的协方差矩阵c；根据获取高维特征空间f下的历史运行数据φ(xi)的协方差矩阵c，定义满足mercer条件的核矩阵k；计算所述满足mercer条件的核矩阵k的特征值并对所述特征值按降序排列，得到特征值序列，并计算所述特征值序列中的每个特征值的贡献率li与累计贡献率q，保留累计贡献率q为预设贡献率值的前s个特征值和特征向量，得到所述海底输油管道的主要运行数据。
6.根据权利要求5所述的方法，其特征在于，利用ssa算法，对relm模型进行超参数优化的过程，具体如下：初始化麻雀...
【专利技术属性】
技术研发人员：刘红兵，朱震昊，张境洋，吴桐，曲先强，张猛，谢耀国，程文强，
申请(专利权)人：烟台哈尔滨工程大学研究院，
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。