基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测

为提高海洋油气管道外腐蚀速率预测的精度和效率,建立基于因子分析(FA)和天牛须搜索算法(BAS)的极限学习机(ELM)腐蚀速率预测模型。利用FA对影响因素数据集进行降维处理,确定预测模型的输入变量;建立ELM预测模型,并采用BAS对ELM模型的参数进行优化,避免参数取值随机性对模型预测性能的影响;以实海挂片试验为例,通过建模仿真评价模型的预测性能,并与其他模型进行对比分析。结果表明:FA-BAS-ELM预测模型的平均绝对误差(MAPE)仅为1.92%,决定系数R²高达0.9949,相比于其他模型,该模型具有更优的预测性能。     

基于灰色支持向量机的湿天然气集输管道腐蚀研究

湿天然气集输管道系统运行时间长,管道腐蚀严重,失效泄漏事故频发,其系统风险评价面临诸多问题,因而研究其腐蚀率预测有重要意义。基于灰色支持向量机(GSVM)方法,综合考虑管道材质及其各种影响因素,对其进行灰色相关分析,并根据结果选取有较高相关度的影响因子作为输入变量,将腐蚀率作为目标输出函数,建立湿天然气集输管道腐蚀预测模型。并通过实证分析比较,发现用该模型计算出的管道腐蚀率平均相对误差较小,其预测结果与实际值吻合程度较高,使预测精度得到提高。     

基于DE-BPNN模型的含腐蚀缺陷管道失效压力预测*

为提升含腐蚀缺陷管道失效压力预测精度,准确把控管道状态,建立基于DE-BPNN的含腐蚀缺陷管道失效压力预测模型,有效避免BPNN模型陷入局部最优问题,提升预测精度。基于61组管道爆破实验数据,分别用DE-BPNN与BPNN模型进行仿真计算。结果表明:DE-BPNN预测结果平均相对误差为3.26%,R²为0.985 85,预测精度较BPNN模型有明显提升。应用DE-BPNN模型预测含腐蚀缺陷的管道失效压力可为长输管道运输调配和检维修提供决策支持。     

深部矿山锚杆腐蚀失效风险评估研究

为解决地下矿山锚杆腐蚀失效问题,提出一种基于预测锚杆腐蚀失效速率的数学模型。收集矿山腐蚀失效锚杆相关数据,采用主成分分析法和梯度提升树方法,从原始数据中提取有用信息,并结合支持向量机(SVM)模型,预测复杂矿山环境中锚杆的腐蚀失效概率,利用具有连续特征和空间数据的数据集测试该模型,分析各环境因素对腐蚀失效影响权重,并与SVM、GTB-SVM这2种模型进行对比分析。研究结果表明：基于主成分分析的特征变换是可靠的风险预测方法,PCA-SVM模型在预测精度和结果的稳健性方面表现优越,训练集AUC值达到0.84、测试集达到0.83。该模型作为一个有用的在线工具,能够支持过程系统的安全和数字化。文中提出的主成分分析SVM模型,能够准确预测锚杆腐蚀失效的腐蚀概率。     

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度，建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征，应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型，并采用SSA对模型参数进行迭代寻优，避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明，经小波KPCA特征提取后得到包含98.73%原信息的3项主成分，SSA-ELM模型的预测结果与实际值基本吻合，其均方根误差(E_RMS)为0.009 3,平均绝对百分比误差(E_MAP)为0.336 0%,决定系数(R²)高达0.991 2,较其他3种对比模型性能更优。研究表明，所建模型具有强泛化性能和高预测精度，能够有效预测盐穴储气库注采管柱的内腐蚀速率，为盐穴储气库注采系统的完整性评价和风险预警...     

IAFSA-GRNN在油田集输管道CO2腐蚀速率预测中的应用

为提高油田集输管道CO₂腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO₂腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。     

管道腐蚀安全评价模型特性研究

目前最常用的油气管道腐蚀安全评价方法为ASME B31G Modified、DNV RP F01、PCORRC、SHELL92。为了研究腐蚀管安全评价模型的特性,根据模型中使用的主要参数,研究了腐蚀缺陷长度、深度以及管道材料力学性能参数与管道失效压力之间的关系,并结合文献试验测试数据。结果表明:管道材料对模型预测结果影响最明显,四种模型中DNV RP F101的预测结果最接近实验值,SHEEL92模型预测结果最安全;ASME B31G Modified预测结果误差变化最大。本研究对于选择恰当的腐蚀管道安全评价模型,具有一定的指导意义。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

兰成渝腐蚀管道失效压力的GA-BP 神经网络组合预测方法

为准确掌握管道失效压力,保证管道安全运行,根据神经网络的非线性和良好的函数逼近特性,提出了基于遗传算法（GA）优化的BP神 经网络组合模型的腐蚀长输管道失效压力预测模型。组合模型将最佳组合阀值与权值隐含在网络的连接中,兼具遗传算法、人工神经网络预测 的优点,并克服了原始数据少对预测精度的影响,同时避免了神经网络容易陷入局部寻优的缺陷,也增强了网络的适应性,改善网络的收敛性 ,在客观地反应腐蚀油气管道失效压力变化趋势方面具有一定的优势。通过实例分析,结果表明:BP神经网络的预测值和Modified B31G计算结 果与真实值误差均较大,而GA-BP的预测值与实际结果的相对误差最大为6.12%,有很好的一致性,为管道的预防性维修提供了理论依据。     

基于GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

建筑施工事故非线性灰色伯努利模型预测

为提高建筑施工事故灰色预测模型精度,在传统GM(1,1)模型基础上,建立非线性灰色伯努利模型(NGBM),并采用粒子群优化(PSO)算法对参数进行优选。以2001—2011年全国建筑事故死亡人数统计数据为基础,运用该模型对2012—2013年的相应人数进行预测,并与GM(1,1)模型和灰色Verhulst模型的结果相对比。结果表明,NGBM拟合精度最好,平均相对误差仅为2.65%,验证了模型的可行性和准确性。     

基于遗传-神经网络算法的含均匀腐蚀缺陷油气管线爆破压力预测研究*

为提高含均匀腐蚀缺陷油气管线爆破压力的预测精度，保障长输油气管线的安全运行，将遗传算法和BP神经网络相结合，建立含均匀腐蚀缺陷油气管线爆破压力预测的遗传-BP神经网络（GA-BPNNs）模型。采用已有文献实验数据，分析对比该模型与AGA NG-18，ASME B31G，修正B31G，PCORRC，DNV RP-F101和SHELL 92等方法用于X46，X52，X60，X65，X80等材质油气管线含均匀腐蚀缺陷时爆破压力的计算误差。结果表明:GA-BPNNs模型用于含均匀腐蚀缺陷油气管线爆破压力预测时，误差在-7.78%～6.06%之间，预测精度明显高于目前国内外通用规范的计算结果；该模型操作简单，适用范围广，工程实用性好，为含缺陷压力管道爆破压力的预测提供更好的思路和方案。     

粒子群优化算法在源强反算问题中的应用研究

在危险化学品泄漏事故中泄漏源强是预测事故后果的主要影响参数,也是事故应急救援决策的基础。为了在化学品泄漏事故过程中快速准确地获取泄漏源强数据,将粒子群优化(PSO)算法应用于危险化学品泄漏源强的反算中。利用高斯烟羽扩散模型和下风向浓度测量数据,将计算浓度与测量浓度的误差平方和作为目标函数,采用粒子群算法来优化,以确定源强并通过模拟的测量浓度数据进行算法有效性验证。结果表明,PSO算法及其参数改进算法不依赖于初值的选择,计算速度快,能满足事故应急响应救援的需要。     

基于改进PSO-BPNN的输油管道内腐蚀速率研究

为解决输油管道易腐蚀,且腐蚀程度难以测量的问题,提出使用改进的粒子群算法（PSO）优化误差反向传播神经网络（BPNN）对输油管道内腐蚀速率进行预测。改进的PSO算法提升了自身搜索到全局最优的能力,可为BPNN提供最优初始权值和阈值,从而有效避免BPNN易陷入局部最优的问题发生。以某条输油管线为例,分别运用标准的BPNN模型、PSO-BPNN以及改进的PSO-BPNN对该管线内腐蚀速率进行预测。结果表明:基于改进的PSO-BPNN的预测结果平均相对误差为5.57%,预测精度较BPNN和PSO-BPNN有明显提升。使用改进的PSO-BPNN预测输油管道的腐蚀速率可为管道的检测维修提供可靠的理论和技术支撑。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

故障树法和改进PSO-PNN网络的电梯故障诊断模型

针对电梯故障问题,提出一种将故障树分析法、改进的粒子群优化算法和概率神经网络相结合的方法用于电梯的故障诊断。以电梯的安全回路系统为例,用故障树法对回路进行分析,获得训练样本与故障类型;使用粒子群算法对概率神经网络的平滑因子进行优化,在优化过程中,针对粒子群算法存在易陷入局部最优的缺陷,提出对惯性权重的改进策略;采用相对误差对诊断效果做出评估,并与传统的概率神经网络和基本粒子群算法优化的概率神经网络在各种故障类型输出和最大相对误差等方面进行比较,结果表明:该模型能够有效诊断电梯故障。