管道腐蚀速率随时间变化的改进DGM(1,1)模型建立与验证

为了进一步探究管道腐蚀速率随时间的变化规律,采用灰色系统理论建立了改进DGM(1, 1)模型。以具有振荡特性的不同时间下管道腐蚀速率实测数据为研究对象,在分析DGM(1, 1)模型的基本原理和建模步骤的基础上,引入弱化缓冲算子D₁和D₂对该模型进行改进,对比分析了传统DGM(1, 1)模型和改进DGM(1, 1)模型的精度。结果表明：对于不同的腐蚀速率实测数据而言,传统模型计算值和实测值的平均相对误差差异较大;原始序列经过缓冲算子D₁和D₂作用后,所得改进DGM(1, 1)模型一和DGM(1, 1)模型二的精度均高于传统模型,其中改进DGM(1, 1)模型二的精度最高;应用改进DGM(1, 1)模型研究具有振荡特性的管道腐蚀速率完全可行,且该模型具有精度高、易于计算的优点。     

改进灰色模型在含蜡原油管道蜡沉积厚度预测中的应用研究

为了对含蜡原油管道中的蜡沉积厚度进行准确预测,分别基于函数cos(x^T)变换与函数cot(x^T)变换建立了GM(1, 1)蜡沉积厚度预测模型。通过理论证明比较了函数cos(x^T)变换和函数cot(x^T)变换对原始数据光滑度的提升能力。以现场管道结蜡数据和室内环道结蜡数据为例,对比了传统GM(1, 1)模型、基于函数cos(x^T)变换及基于函数cot(x^T)变换建立的GM(1, 1)模型之间的预测精度,并分析了T的取值变化对GM(1, 1)模型预测精度的影响。结果表明：原始数据经函数cos(x^T)变换相比函数cot(x^T)变换具有更好的光滑度;基于函数cos(x^T)变换的GM(1, 1)模型精度最高,其次是基于函数cot(x^T)变换建立的GM(1, 1)模型,而传统GM(1, 1)模型精度最差;在所取T范围内,基于函数cos(x^T)变换与基于函数co...     

回转反吹袋式除尘器袋内的反吹流场

为了描述反吹风条件下回转反吹袋式除尘器袋内气流的流动规律,应用不可压缩粘性气体流动能量方程,对反吹风时形成的袋内气流流场进行了理论分析,得到了袋内气流轴向风速和径向反吹风速的计算公式.通过对直径为100mm、长6000mm的滤袋模型实际轴向风速的测定,表明实测结果与理论计算值吻合较好.根据对袋内径向反吹风速分布的分析,提出较好保证径向反吹风速均匀分布的临界滤袋长径比值,为合理确定滤袋尺寸提供了依据.     

毛细管气相色谱法测定大气中的苯系物

大口径毛细管气相色谱法测定大气中的苯系物，采用活性炭吸附，二硫化碳解析，30m×0．53mm×0．88μmHP-1型大口径毛细管分离测定，苯的最低检出限为0．18ng。该方法分离效果好，灵敏度高，是测定大气中苯系物的理想方法。     

不同比例尺下耕地质量分等结果的差异及影响因素研究

近年来,耕地质量保护问题已逐渐成为我国最突出的问题之一,而耕地质量管理工作需在不同层次上进行,同时也要求有不同比例尺的耕地质量分等成果,但不同比例尺下的耕地质量分等结果在等别面积、空间分布、等别组合以及精度上均存在差异。因此,分析不同比例尺耕地质量分等结果的尺度差异,研究其影响因素,对于提高土地质量管理水平具有重要意义。论文采用计量经济学模型和二元Logistic回归模型,以江苏省东海县为例,对1∶5 000(大比例尺)、1∶100 000(中比例尺)和1∶500 000(小比例尺)3种比例尺下耕地分等结果的差异及其影响因素进行了研究。结果表明:1)不同比例尺下耕地质量分等结果在面积数量、空间分布以及表达精度上均存在一定差异,且比例尺越大,结果越精确;2)导致不同比例尺间耕地质量分等结果差异的影响因素,主要有高程、植被覆盖度、耕地连通度、耕地面积占比、耕地图斑数、坡度、路网密度以及耕地集聚度等,不同比例尺之间的耕地等别差异影响因素是不一致的,且各因素对结果差异的影响力大小也有一定的差别。综合以上结论,可以得出:由于耕地质量分等结果比例尺差异明显,并受多因素影响,所以不同比例尺下耕地分等数据转换与组织十分重要。     

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。