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0.994 9,相比于其他模型,该模型具有更优的预测性能。     

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0.98585,...     

基于粗糙集——粒子群神经网络的建设项目安全预测研究

回顾施工项目安全管理和安全管理研究现状,建立建设项目安全管理指标体系。利用人工神经网络非线性函数逼近能力,对项目风险因素程度预测。针对该网络当数据量大时,其结构复杂、收敛慢,易陷入局部最优的缺点,引入粗糙集对影响建设项目安全目标的不确定性因素进行约简,找出最小不确定性风险因素集,大大简化网络输入信息的表达空间维数。并结合粒子群算法收敛速度快、全局最优的寻优能力强的优点,建立基于粗糙集——粒子群神经网络的建设项目安全预测系统。通过实例验证该系统的科学性和有效性。     

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...     

海洋大气环境下架空管道腐蚀失重预测

为提高海洋大气环境下油气管道腐蚀失重预测精度,提出了一种基于IWOA-DGM(1, 1,λ)的架空管道腐蚀失重预测模型。首先用佳点集理论优化鲸鱼优化算法(Whale Optimization Algorithm, WOA)初始种群的布局以增强寻优能力,并用非线性自适应权重和改进黄金正弦算法避免WOA模型的随机性,以提高收敛速度。然后利用指数变换、变权弱化缓冲算子和新陈代谢改进离散灰色模型(Discrete Grey Model, DGM(1, 1)),指数变换可以提高原始数据的光滑度,变权弱化缓冲算子可以抵消冲击扰动的干扰,加入新陈代谢可以实现动态的中长期预测。再用改进鲸鱼优化算法(Improve Whale Optimization Algorithm, IWOA)对改进DGM(1,1,λ)模型中的参数λ进行寻优,最后建立改进鲸鱼优化算法的优化离散灰色预测模型(IWOA-DGM(1, 1,λ)),并用该模型对西沙Q235碳钢管道腐蚀失重情况进行预测。结果表明,改进模型的灰色绝对关联度、平均绝对百分比误差和拟合度分别为98.99%、2.43%和98.73%,各项评价指标均优于其他对比模...     

压力管道腐蚀及防护分析

对压力管道的腐蚀机理进行了具体分析,并提出了相应的腐蚀防护措施。     

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。     

基于IWOA-PNN模型的管道焊缝腐蚀剩余强度预测

针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)的概率神经网络(Probabilistic Neural Network, PNN)剩余强度预测模型。首先,通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度;然后,利用IWOA算法优化PNN的光滑因子,构建IWOA-PNN预测模型;最后,以水压爆破试验数据为基础,使用MATLAB软件进行仿真试验,并与另外2个模型进行对比分析。结果表明：IWOA-PNN模型的E_RMS为0.633 1,E_AR为2.19%,R²为0.954 6,均优于PNN和鲸鱼优化算法(Whale Optimization Algorithm, WOA)-PNN模型;IWOA-PNN模型与传统模型相比误差更小,能够更为准确地预测焊缝腐蚀后剩余强度,为管道的维修和更换提供参考。     

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EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

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。     

腐蚀缺陷管道评价标准保守性对比分析

针对标准SY/T6477-2000和标准API RP579-2007 中腐蚀缺陷管道评价判据问题,研究了标准中各项判据及其算法,计算了不同评价标准对于同一腐蚀缺陷的评价结果,并对比分析了不同参数变化情况与评价结果保守性关系。结果表明,不同评价标准所得的缺陷管道判据参数值之间存在差异,即各评价标准的保守性不同,不同评价标准适用于不同的均匀腐蚀或局部腐蚀缺陷管道情况。以此有效防止使用标准时造成差错,同时为今后相关标准的修订尽可能提供有益的帮助。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。     

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。     

Leak location of pipelines based on transient model and PSO-SVM

An improved and integrated approach of support vector machine and particle swarm optimization theory (PSO-SVM) is first used to detect the leak location of pipelines and overcome the problem of multiple leaks. The calibration and predictive ability of improved PSO-SVM is investigated and compared with that of other common method, back-propagation neural network (BPNN). Two conditions are evaluated. One with a leak involves a set of 20 samples, while another with two leaks has 127 samples. Both internal and external validations are performed to validate the performance of the resulting models. The results show that, for the two conditions, the values calculated by improved PSO-SVM are in good agreement with those simulated by transient model, and the performances of improved PSO-SVM models are superior to those of BPNN. This paper provides a new and effective method to inspect the multiple leak locations, and also reveals that improved PSO-SVM can be used as a powerful tool for studying the leak of pipeline.