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。     

BP神经网络模型的改进及其在海底管道外腐蚀速率预测中的应用

针对海底油气管道外腐蚀问题构建模型预测其腐蚀速率，建立基于改进鹈鹕优化算法(Improvement Pelican Optimization Algorithm, IPOA)的BP神经网络(Back Propagation Neural Network, BPNN)腐蚀速率预测模型。通过Logistic-Tent混沌映射初始种群与收敛因子非线性化的方法提高鹈鹕算法(POA)的全局搜索能力和寻优精度，采用IPOA算法优化BPNN的权值和阈值，提升模型的预测精度与鲁棒性。以实海挂片试验数据为基础，建立POA-BPNN和BPNN模型作为对比。结果表明：IPOA-BPNN模型的决定系数R²为0.966 4,均方误差为0.235 3,平均相对误差为3.16%,均优于其余两个模型，模型的鲁棒性较未改进有较大的提升。这表明IPOA-BPNN模型能够为海底管道的维修与更换提供决策支持。     

内腐蚀海底管道剩余强度的FOA-GRNN模型

为探究内腐蚀海底管道剩余强度,保证管道安全运营,基于管道壁厚、直径,腐蚀深度、长度、宽度和极限抗拉强度等影响因素,提出果蝇优化算法(FOA)优化广义回归神经网络(GRNN)的剩余强度计算方法,应用GRNN构建剩余强度预测模型;采用FOA优化模型,人为设置光滑因子的负面影响;通过有限元模拟生成影响因素和剩余强度数据库,并采用FOA-GRNN模型训练和预测;以巴西国家石油研究中心的极限强度爆破试验数据为例,分析验证预测模型。结果表明:FOAGRNN模型对有限元模拟数据的剩余强度预测平均相对误差(ARE)为16.53%,对试验数据预测ARE为7.81%,预测结果合理、准确。     

基于误差补偿的GM-RBF海底管道腐蚀预测模型

为准确预测海底油气管道腐蚀剩余寿命,构建基于误差补偿原理的灰色径向基函数(GM-RBF)神经网络腐蚀速率预测模型。首先,建立腐蚀速率的灰色模型(GM),将腐蚀速率灰色预测值作为径向基(RBF)神经网络的输入,残差作为输出,训练神经网络得到误差补偿器;其次,补偿新的灰色预测值,得到腐蚀速率的最终预测值;然后,根据预测结果计算出年腐蚀深度,结合剩余强度准则,计算管道剩余寿命;最后,以某海底管道为实例,验证模型的预测有效性。结果表明:单一使用GM模型预测的相对误差为17.48%,用GM-RBF模型预测的相对误差为6.37%,并预测出管道的剩余寿命为5.4年,GM-RBF模型提高了预测精度,且能够较好地描述腐蚀发展趋势。     

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...     

基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。     

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

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。     

基于改进多种群遗传算法的尾矿坝形变预测

针对遗传神经网络(GA-BP)建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术(CLS),完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。     

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TVR的腐蚀油气管道失效概率及安全寿命研究

为避免因腐蚀导致油气管道失效,针对因管道特性和腐蚀尺寸的不确定性使得管道剩余强度成为概率模型的特点,建立了腐蚀管道强度损失随机模型;借助可靠性理论,通过分析管道腐蚀进程的时变性特点,将管道系统由损伤积累和抗力衰减导致的剩余强度随机化;提出基于穿越率的腐蚀油气管道失效评定及安全寿命预测方法。研究结果表明:腐蚀速率和运行压力对管道失效概率及安全寿命影响显著,管道尺寸影响适中,而相关系数和拉伸强度影响较小;若腐蚀速率Va=0.2 mm/a,VL=10 mm/a或局部腐蚀缺陷半径达到管道壁厚的0.5倍时,建议作为重点风险段监测并检修。所建方法是对腐蚀油气管道运营监控和风险评估的有益补充。     

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。     

基于SVR的含缺陷管道剩余强度研究

针对采用标准预测含缺陷管道剩余强度误差较大这一问题,在Matlab中建立基于SVR的含缺陷管道剩余强度预测模型,并基于60组含缺陷管道爆破试验数据进行训练测试,以验证模型的实际性能.结果表明:SVR模型预测测试集结果的最小相对误差为0.55％,最大相对误差为10.35％,平均相对误差为2.63％,预测结果的R2高达0....     

GSK-XGBoost模型在井底风温预测中的应用*

为防治矿井热害,针对矿井井底风温在预测过程中精度较低的问题,提出1种网格搜索法结合K折交叉验证优化XGBoost的预测模型。通过分析确定影响井底风温的主要因素,使用网格搜索算法结合K折交叉验证,进行迭代缩小搜索范围并调参,选取最优参数配置,实现对XGBoost模型的优化,得到预测结果并与其他模型进行比较。研究结果表明:初始参数经优化后,当最大回归树深度为3且学习速率为0.1时,XGBoost回归模型性能最佳,与随机森林模型、BP神经网络模型、T-S模糊神经网络模型相比,平均相对误差分别降低了2.12%,0.88%,0.3%,均方根误差分别降低了0.66,0.24,0.11 ℃。     

城市燃气管网泄漏事故分析知识图谱构建及应用研究*

为深入认识燃气管网泄漏事故的发生发展机理,提高事故分析预测的自动化、智能化、数字化水平,利用知识图谱对燃气管网泄漏事故进行研究。在事故案例分析的基础上,从人-物-环-管的角度对燃气泄漏过程以及火灾爆炸次生事故的相关实体进行归纳梳理,对实体间的逻辑关系和非逻辑关系进行辨识,并对实体的属性进行分类,进而构建出较为全面的燃气管网泄漏事故知识图谱。在此基础上,搭建BP神经网络模型,基于已知实体或属性状态,预测相关联其他实体或属性的状态。研究结果表明:燃气管网知识图谱能够有效展示燃气管网泄漏事故发展的动态过程及相关要素,结合BP神经网络能够有效预测事故的发展路径及相关状态,从而提高燃气管网泄漏事故的分析预测水平与效率。     

城市供水管网漏损动态预测的Bootstrap-Lee-Carter模型*

为对某城市供水片区的不同管径和管材的管道漏点率进行动态预测,考虑城市供水管网漏损时变特征,采用Bootstrap方法估计Lee-Carter参数模型。针对供水管网漏点率进行经典Lee-Carter模型预测,并通过残差等高线图及其同方差性质检验,比较分析最小二乘法和加权最小二乘法估计Lee-Carter模型参数的拟合效果;考虑供水管网漏损时变引起的模型参数不确定性扰动,利用残差Bootstrap方法抽样模拟Lee-Carter模型参数置信区间和模型改进后的供水管网漏损预测结果。结果表明:Bootstrap-Lee-Carter模型相比经典Lee-Carter模型具有更高的预测精度。     

An optimization of artificial neural network modeling methodology for the reliability assessment of corroding natural gas pipelines

A fast calculation of the reliability is meaningful to the in-line inspection of corroding natural gas pipelines. However, the traditional Monte Carlo simulation(MCS) method is time consuming for the low possibilities of the pipeline failure. The artificial neural network(ANN) is preferable for the complex nonlinear situation. An optimization of artificial neural network modeling methodology for the reliability assessment of corroding natural gas pipelines is proposed in this paper. To reduce the influence of training sets random behaviors on the calculation results, some algorithms are used to optimize the sequence of the training samples and the initial parameters of ANN models. The optimized model is applied to the reliability assessment of a corroded pipe with two successive inline inspections. According to the physical parameters of the pipeline, the trend of corroding pipeline reliability in time is predicted. The comparison between the trained ANN model, the MCS method and non-optimized ANN model shows the advantages the proposed modeling process. The methodology given in this paper is general and it can be applied to evaluate the reliability of other kind of structure safeties in practical systems.     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。