基于组合模型的油气管道腐蚀速率预测

《基于组合模型的油气管道腐蚀速率预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、石油机械一18一CHINAPETROLEUMMACHINERY2010年第38卷第6期．．设计计算基于组合模型的油气管道腐蚀速率预测张甫仁张辉(1．重庆交通大学机电与汽车工程学院2．重庆大学三峡库区生态环境教育部重点实验室)摘要对预测管道腐蚀速率的2种主要方法——灰色预测方法和神经网络方法的优缺点进行分析，在此基础上，提出一种基于双改进的复合灰色神经网络预测方法。该算法总体思路为：首先计算灰色预测样本和真实值之间的残差，其次将残差作为神经网络的输入样本进行训练，然后利用马尔柯夫过程对预测残差进行修正，得到1组最终修正残差，最后根据灰色预测值和最终修正

2、残差确定下一时刻数据的预测值。通过实例应用，并与相关文献结果进行比较，结果表明，基于双改进的灰色神经网络组合预测模型预测精度更高。关键词灰色预测BP神经网络组合模型油气管道腐蚀速率但是精度不高，误差无法控制[23，且灰色理论预0引言测公式还存在重大缺陷，必须加以修正，否则就会引入理论误差，使预测变得繁琐而不可靠；BP在油气管道失效事故中，由于腐蚀导致的事故神经网络学习算法具有复杂的输入输出关系，为解占40％以上¨。因此，准确可靠地掌握和预测管决非线性问题和模拟未知系统的控制过程提供了新道腐蚀速率变化趋势，及时了解管道剩余寿命及剩思路，但由于该算法是在

3、梯度法的基础上推算出来余强度变化，并采取相应的防控措施，从而保证输的，所以存在收敛速度慢、易受局部极小点困扰的送管道的正常运行并降低事故发生率，显得尤为迫缺点。切和必要。对一个变量进行预测，可以选用多种不同的预目前对管道腐蚀速率、剩余寿命及剩余强度的测模型。这是因为每一种预测模型均包含一定的样研究主要可以分为以材料力学寿命为基础的计算方本信息，任何单个模型都难以全面地反映变量的变法和以预测理论为基础的预测方法。第1类方法科化规律。如果对多种预测模型进行有机合成，就能学可靠，但所需相关数据复杂，针对性强，通用性利用多种有用信息，更加全面地反映系统的变化

4、规差；第2类方法以相关产品和不同条件下的参数为律，减少随机性，提高预测精度J。据文献[5—基础进行预测，虽然可靠性差一点，但通用性极8]可知，现有灰色神经网络组合模型存在的问题强，所需数据少，目前在相关研究领域得到了较广主要有：仅仅是2种模型最基本的结合；没有针对泛的应用。因此，笔者将采用相关预测的方法来分灰色理论数据的光滑性进行改进；对神经网络涉及析管道的腐蚀速率。的收敛速度和预测精度没有考虑；没有以残差为灰预测管道腐蚀速率的方法主要有灰色预测方色理论预测的输人数据等。因此，笔者拟综合这2法、概率统计方法、BP神经网络方法和可靠度函种预测方法的特点

5、，提出一种基于双改进的复合灰数分析等⋯，其中灰色预测方法和BP神经网络方色神经网络预测方法，对油气管道腐蚀速率进行法较为突出。单纯的灰色理论预测方法虽然简单，预测$基金项目：国家自然科学基金项目“燃气管网泄漏定位理论及危险性评估系统研究”(50704041)；中国博士后科学基金特别资助项目“燃气管网泄漏传播动力学及多因素耦合作用下多变空间泄漏场研究”(200902290)；中国博士后科学基金“燃气管网泄漏定位及预警系统关键技术研究”(20080430752)；重庆市自然科学基金项目“燃气管道泄漏预警关键技术研究”(CSTC，2008BB6347)；重

6、庆交通大学博士启动基金项目“燃气管网系统泄漏安全性及定位预测的理论研究”。2010年第38卷第6期张甫仁等：基于组合模型的油气管道腐蚀速率预测一l9一⋯)。{rz∞‘’())(n>1，k=1，2,3，⋯)具有较l基于双改进的灰色神经网络组合预好的光滑度，因而可以对其用GM方法预测，再用测模型。g。{[。一o](”c，])。>，：，2，3，⋯，还原1．1GMBP预测模型的改进思路根据文献[9一lO]，时序预测GM(1，1)模即可。型的建模方法要求原始数列为光滑离散函数，其预(2)利用动态等维新信息灰色GM(1，1)预测精度和可靠性将取决于其光滑性；其次

7、，在解微测模型¨¨对处理后的数据列进行预测，并利用式分方程时有可能出现明显失效的情况；同时针对时(1)进行反向还原数据，所得结果即为预测结果。序预测时，存在数据老化的问题。因此，采用改进(3)建立灰色预测样本和真实值之间的残差，的新陈代谢灰色GM(1，1)预测模型就显得十分建立改进的GM(1，1)残差修正灰色预测模必要。型㈦。采用引入附加动量和自适应学习速率的改进设‘。’(k)=‘。()一‘。’()，(=1，BP神经网络模型，既在一定程度上弱化了原始数2，3，⋯，n)，其中‘。()和-九‘。()分别为据的随机性，容易找出数据变换规律，且具有建模原始序

8、列和预测序列。根据GM(1，1)建模原理所需样本少的优点，又使得数据始终保持更新，避可知，以(k)为原始序列