基于小波包熵与AFSA-SVM的压力管道泄漏识别

为了快速、准确地诊断出输气压力管道不同的泄漏状态,提出了一种基于小波包熵与人工鱼群优化支持向量机(AFSA-SVM)相结合的压力管道泄漏模式识别方法。该方法首先对管道泄漏时产生的声发射信号进行小波包分解,并对分解的最后一层节点重构信号进行相关性分析,以获得敏感的节点信号。然后求取这些敏感节点信号的小波包熵值,作为管道不同泄漏信号的特征向量。最后将小波包熵值输入到SVM中,并运用AFSA方法对SVM分类器中惩罚因子C与核函数参数g进行全局优化,以提高其分类准确率。实验结果表明,该方法能准确地识别压力管道不同的泄漏状态,为天然气管道泄漏状态监测提供新方法。     

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。