一種輸氣管道內腐蝕速率的預測方法
2024-04-12 20:14:05
1.本發明涉及輸氣管道腐蝕與防護技術領域，特別是涉及一種輸氣管道內腐蝕速率的預測方法。
背景技術：
2.輸氣管道內腐蝕速率的預測一直以來都是國內外學者研究的熱點，腐蝕速率預測模型的研究對管道的基礎設計以及未來的安全運行都有重大的意義。目前對輸氣管道內腐蝕速率預測的方法主要有經驗模型，半經驗模型，灰色理論法和神經網絡模型。
3.然而，部分神經網絡建模的過程還是存在所需信息量較大、學習率低等缺點，從而造成了腐蝕速率的預測效果差，預測速率慢。
技術實現要素：
4.為了克服現有技術的不足，本發明的目的是提供一種輸氣管道內腐蝕速率的預測方法。
5.為實現上述目的，本發明提供了如下方案：
6.一種輸氣管道內腐蝕速率的預測方法，包括：
7.獲取待檢測數據；
8.將所述待檢測數據輸入至訓練好的腐蝕速率預測模型中，得到腐蝕速率預測結果；
9.所述腐蝕速率預測模型的訓練方法包括：
10.獲取由管道檢測樣本數據構成的檢測數據集；所述管道檢測樣本數據包括對輸氣管道產生的內腐蝕行為的相關的環境影響因素和腐蝕速率檢測結果；
11.基於灰色關聯度分析方法對所述檢測數據集進行篩選，得到環境影響因素數據集，並根據所述環境影響因素數據集和所述腐蝕速率檢測結果構建樣本數據集；
12.根據所述樣本數據集對支持向量機模型進行訓練，並利用禿鷹搜索算法對所述向量機模型進行優化，得到所述腐蝕速率預測模型。
13.優選地，將所述樣本數據集輸入至支持向量機模型中進行訓練，並利用禿鷹搜索算法對所述向量機模型進行優化，得到所述腐蝕速率預測模型之後，還包括：
14.根據所述腐蝕速率預測模型的預測結果進行誤差計算，得到計算結果；所述計算結果包括：均方根誤差、平均絕對誤差和相關係數。
15.根據所述計算結果進行模型評估。
16.優選地，所述環境影響因素包括管道壓力、溫度、co2分壓、持液率、流體流速和ph。
17.優選地，所述基於灰色關聯度分析方法對所述檢測數據集進行篩選，得到樣本數據集，包括：
18.確定由腐蝕速率檢測結果構成的母序列和由環境影響因素構成的子序列；
19.分別對所述母序列和子序列中的各個指標進行歸一化處理，得到所述母序列的歸
一化指標值和所述子序列的歸一化指標值；
20.計算所述子序列中的各個所述歸一化指標值與所述母序列的歸一化指標值的關聯繫數；
21.根據各個所述關聯繫數計算各個環境影響因素相對於所述腐蝕速率檢測結果的關聯度；
22.對各個所述關聯度進行排序，並根據排序結果去掉所述關聯度最小的環境影響因素，將剩餘的環境影響因素確定為所述環境影響因素數據集。
23.優選地，所述根據所述樣本數據集對支持向量機模型進行訓練，並利用禿鷹搜索算法對所述向量機模型進行優化，得到所述腐蝕速率預測模型，包括：
24.基於非線性映射關係，根據所述樣本數據集確定初始回歸函數；
25.基於多元統計分析理論，根據所述初始回歸函數函數確定svm回歸函數和所述svm回歸函數的約束條件；
26.利用拉格朗日乘數法對所述svm回歸函數對偶性變量進行約束優化，得到最終回歸函數；
27.利用所述最終回歸函數構建所述向量機模型；
28.根據所述禿鷹搜索算法優化所述向量機模型的懲罰因子和核函數，得到所述腐蝕速率預測模型。
29.優選地，根據所述環境影響因素數據集和所述腐蝕速率檢測結果構建樣本數據集之後，還包括：
30.按照預設比例將所述樣本數據集劃分為訓練集和測試集；所述訓練集用於構建所述支持向量機模型；所述測試集用於對所述腐蝕速率預測模型進行測試。
31.根據本發明提供的具體實施例，本發明公開了以下技術效果：
32.本發明提供了一種輸氣管道內腐蝕速率的預測方法，包括：獲取待檢測數據；將所述待檢測數據輸入至訓練好的腐蝕速率預測模型中，得到腐蝕速率預測結果；所述腐蝕速率預測模型的訓練方法包括：獲取由管道檢測樣本數據構成的檢測數據集；所述管道檢測樣本數據包括對輸氣管道產生的內腐蝕行為的相關的環境影響因素和腐蝕速率檢測結果；基於灰色關聯度分析方法對所述檢測數據集進行篩選，得到環境影響因素數據集，並根據所述環境影響因素數據集和所述腐蝕速率檢測結果構建樣本數據集；根據所述樣本數據集對支持向量機模型進行訓練，並利用禿鷹搜索算法對所述向量機模型進行優化，得到所述腐蝕速率預測模型。本發明能夠有效的解決現有輸氣管道內腐蝕速率預測模型對基礎數據要求量大且預測可靠性不足的問題，並且獲得精度更高，誤差更小，擬合程度更好的預測模型，大大減少了輸氣管道的經濟支出，提高了輸氣管道的安全運行和維護。
附圖說明
33.為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
34.圖1為本發明實施例提供的方法流程圖；
35.圖2為本發明實施例提供的gra-bes-svm預測模型的流程圖；
36.圖3為本發明實施例提供的gra-svm預測模型的結構圖；
37.圖4為本發明實施例提供的bes-svm預測模型的收斂曲線圖；
38.圖5為本發明實施例提供的四種模型的測試集預測結果的對比圖。
具體實施方式
39.下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
40.在本文中提及「實施例」意味著，結合實施例描述的特定特徵、結構或特性可以包含在本技術的至少一個實施例中。在說明書中的各個位置出現該短語並不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領域技術人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結合。
41.本技術的說明書和權利要求書及所述附圖中的術語「第一」、「第二」、「第三」和「第四」等是用於區別不同對象，而不是用於描述特定順序。此外，術語「包括」和「具有」以及它們任何變形，意圖在於覆蓋不排他的包含。例如包含了一系列步驟、過程、方法等沒有限定於已列出的步驟，而是可選地還包括沒有列出的步驟，或可選地還包括對於這些過程、方法、產品或設備固有的其它步驟元。
42.本發明的目的是提供一種輸氣管道內腐蝕速率的預測方法，能夠有效的解決現有輸氣管道內腐蝕速率預測模型對基礎數據要求量大且預測可靠性不足的問題，並且獲得精度更高，誤差更小，擬合程度更好的預測模型，大大減少了輸氣管道的經濟支出，提高了輸氣管道的安全運行和維護。
43.為使本發明的上述目的、特徵和優點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發明作進一步詳細的說明。
44.圖1為本發明實施例提供的方法流程圖，如圖1所示，本實施例提供了一種輸氣管道內腐蝕速率的預測方法，包括：
45.步驟100：獲取待檢測數據；
46.步驟200：將所述待檢測數據輸入至訓練好的腐蝕速率預測模型中，得到腐蝕速率預測結果；
47.所述腐蝕速率預測模型的訓練方法包括：
48.步驟201：獲取由管道檢測樣本數據構成的檢測數據集；所述管道檢測樣本數據包括對輸氣管道產生內腐蝕行為的相關的環境影響因素和腐蝕速率檢測結果；
49.步驟202：基於灰色關聯度分析方法(grey relation analysis，gra)對所述檢測數據集進行篩選，得到環境影響因素數據集，並根據所述環境影響因素數據集和所述腐蝕速率檢測結果構建樣本數據集；
50.步驟203：根據所述樣本數據集對支持向量機(support vector machines，svm)模型進行訓練，並利用禿鷹搜索算法(bald eagle search，bes)對所述向量機模型進行優化，得到所述腐蝕速率預測模型。
51.圖2為本發明實施例提供的gra-bes-svm預測模型的流程圖，如圖2所示，本實施例中的實現流程如以下步驟：
52.流程一、獲取對待評估輸氣管道產生內腐蝕行為的相關的環境影響因素和實際腐蝕速率檢測結果。
53.流程二、以輸氣管道為研究對象，將全部與內腐蝕有關的環境影響因素和實際的腐蝕速率值的檢測數據建立一個數據模型，並且通過gra(灰色關聯度分析)的方法，按照影響因素對實際腐蝕速率的重要程度進行排序，篩選得到關聯程度係數不低於0.7的環境影響因素數據集。
54.流程三、基於流程二建立的樣本數據集，按照0.7的比例劃分訓練集和測試集。將所劃分的訓練集和測試集代入建立的svm(支持向量機)的模型中，得到初始化後的訓練集和測試集。圖3為gra-svm預測模型結構圖。
55.流程四、通過bes算法優化得到的c和g，將c和g代入初始化後的svm模型中，建立bes-svm的腐蝕速率預測模型。
56.流程五、根據相關的評價指標對模型預測效果進行評價。
57.優選地，所述環境影響因素包括管道壓力、溫度、co2分壓、持液率、流體流速和ph。
58.可選地，本實施例中通過灰色關聯度分析的方法，計算得到環境影響因素與實際腐蝕速率的關聯度係數，如表1所示。
59.表1影響因素與實際腐蝕速率的關聯度
60.影響因素xi關聯度r
ij
溫度0.7265壓力0.8004持液率0.7891co2分壓0.8002流體流速0.6313ph0.8046
61.優選地，所述基於灰色關聯度分析方法對所述檢測數據集進行篩選，得到環境影響因素數據集，包括：
62.確定由腐蝕速率檢測結果構成的母序列和由環境影響因素構成的子序列；
63.分別對所述母序列和子序列中的各個指標進行歸一化處理，得到所述母序列的歸一化指標值和所述子序列的歸一化指標值；
64.計算所述子序列中的各個所述歸一化指標值與所述母序列的歸一化指標值的關聯繫數；
65.根據各個所述關聯繫數計算各個環境影響因素相對於所述腐蝕速率檢測結果的關聯度；
66.對各個所述關聯度進行排序，並根據排序結果去掉所述關聯度最小的環境影響因素，將剩餘的環境影響因素確定為所述環境影響因素數據集。
67.具體的，本實施例中中實際腐蝕速率作為數據集的輸出變量，通過灰色關聯分析方法計算環境影響因素與實際腐蝕速率之間的關聯度，選擇關聯度係數不低於0.7的影響因素作為數據集的輸入變量，包括如下步驟：
68.確定由實際腐蝕速率構成的母序列xj(j＝1，2，3，
…
，p)和由影響因素構成的子序列xi(i＝1，2，3，
…
，n)：
69.母序列：xj＝{xj(k)}＝{xj(1)，xj(2)，xj(3)，
…
，xj(m)}；
70.子序列：xi＝{xi(k)}＝{xi(1)，xi(2)，xi(3)，
…
，xi(m)}；
71.對母序列和子序列的各個指標進行歸一化處理：
[0072][0073]
計算子序列中各個指標與母序列的關聯繫數：
[0074][0075]
計算影響因素相對於實際腐蝕速率的關聯度：
[0076][0077]
進行關聯度排序，根據排序結果，去掉最小關聯度的影響因素，確定剩餘的環境因素為輸入變量。
[0078]
優選地，根據所述樣本數據集對支持向量機模型進行訓練，並利用禿鷹搜索算法對所述向量機模型進行優化，得到所述腐蝕速率預測模型，包括：
[0079]
基於非線性映射關係，根據所述樣本數據集確定初始回歸函數；
[0080]
基於多元統計分析理論，根據所述初始回歸函數函數確定svm回歸函數和所述svm回歸函數的約束條件；
[0081]
利用拉格朗日乘數法對所述svm回歸函數對偶性變量約束優化，得到最終回歸函數；
[0082]
利用所述最終回歸函數構建所述向量機模型；
[0083]
根據所述禿鷹搜索算法優化所述向量機模型的懲罰因子和核函數，得到所述腐蝕速率預測模型。
[0084]
可選地，本實施例中將流程二中的數據代入svm模型中，進行數據的初始化，支持向量機模型能夠通過非線性映射把樣本空間映射到一個高維乃至於無窮維的特徵空間(hilbert空間)，使在特徵空間中可以應用線性學習機的方法解決樣本空間中的高維非線性分類和回歸等問題。具體步驟如下：
[0085]
假設樣本為(x1，x2，x3，...，xn)∈rn，(y1，y2，y3，...，yn)，x∈r為輸入參數，y∈r為輸出參數，n為樣本個數，svm的轉化過程就是建立一個非線性映射φ，將數據x映射到高維特徵空間，回歸函數為：
[0086][0087]
根據多元統計分析理論，可通過以下目標數極小化確定svm回歸函數：
[0088][0089]
約束條件為：
[0090][0091]
拉格朗日乘數法對偶性變量約束優化：
[0092][0093][0094]
約束條件為：
[0095][0096]
式中：ai，ai*為拉格朗日係數；αi，βi為拉格朗日算子；b為臨界值；ω為權值矢量；ξ，ξ
*
為非負鬆弛變量；c為懲罰變量；ε為不敏感損失函數參數；k(xi，xj)為svm的核函數。
[0097]
核函數是計算兩個向量在隱式映射空間中的內積函數，將低維空間中的向量通過變換得到高維空間的向量內積值，選用高斯徑向基函數，即：k(xi，xj)＝exp(-g|x
i-xj|2)，g為核函數的參數寬度。
[0098]
最終回歸函數為：
[0099][0100]
對於新的輸入參數x可通過該式計算得到相應的輸出值。
[0101]
進一步地，本實施例中流程四中使用禿鷹搜索算法對svm模型進行優化，具體步驟如下：
[0102]
bes搜索算法流程：
[0103]
step1.初始化禿鷹算法參數，初始化種群
[0104]
step2.計算適應度值
[0105]
step3.禿鷹選擇搜索空間，禿鷹隨機選擇搜索區域，通過判斷獵物數目來確定最佳搜尋位置，便於搜索獵物，該階段禿鷹位置p
i，new
更新由隨機搜索的先驗信息乘以α來確定，該行為數學模型描述為：
[0106]
p
i，new
＝p
best
+α*r(p
meαn-pi)；
[0107]
式中：α表示控制位置變化參數，變化範圍為(1.5，2)；r為(0，1)間隨機數；p
best
為當前禿鷹搜索確定的最佳搜索位置；p
mmean
為先前搜索結束後禿鷹的平均分布位置；pi為第i只禿鷹。
[0108]
step4：禿鷹在搜索空間搜索獵物：禿鷹在選定搜索空間內以螺旋形狀飛行搜索獵物，加速搜索進程，尋找最佳俯衝捕獲位置。螺旋飛行數學模型採用極坐標方程進行位置更新，利用如下所示的公式更新位置：
[0109]
θ(i)＝α*π*rand；
[0110]
r(i)＝θ(i)+r*rand；
[0111]
xr(i)＝r(i)*sin(θ(i))；
[0112]
xr(i)＝r(i)*cos(θ(i))；
[0113]
x(i)＝xr(i)/max(|xr|)；
[0114]
y(i)＝yr(i)/max(|yr|)；
[0115]
其中：θi與r(i)分別為螺旋方程的極角與極徑；a與r是控制螺旋軌跡的參數，變化範圍分別為(0，5)、(0.5，2)；rand為(0，1)內隨機數，x(i)與y(i)表示極坐標中禿鷹位置，取值均為(-1，1)。禿鷹位置更新如下：
[0116]
p
i，new
＝pi+x(i)*(p
i-p
mean
)+y(i)*(p
i-p
i+1
)；
[0117]
step5：禿鷹俯衝：禿鷹從搜索空間的最佳位置快速俯衝飛向目標獵物，種群其他個體也同時向最佳位置移動並攻擊獵物，運動狀態仍用極坐標方程描述，如下：利用下式更新位置：
[0118]
θ(i)＝α*π*rand；
[0119]
r(i)＝θ(i)；
[0120]
xr(i)＝r(i)*sin h(θ(i))；
[0121]
xr(i)＝r(i)*cos h(θ(i))；
[0122]
x1(i)＝xr(i)/max(|xr|)；
[0123]
y1(i)＝yr(i)/max(|yr|)；
[0124]
俯衝中禿鷹位置更新公式為：
[0125][0126]
p
i，new
＝rand*p
best
+δ
x
+δy；
[0127]
式中：c1與c2表示禿鷹向最佳與中心位置的運動強度，取值均為(1，2)。
[0128]
step6：判斷是否達到結束條件，如果達到則輸出最優結果，否則重複步驟step2-step6。
[0129]
具體的，由圖4可知，bes算法優化svm的懲罰因子和核函數，優化後的c和g分別為25.0099和8.311。
[0130]
優選地，將所述樣本數據集輸入至支持向量機模型中進行訓練，並利用禿鷹搜索算法對所述向量機模型進行優化，得到所述腐蝕速率預測模型之後，還包括：
[0131]
根據所述腐蝕速率預測模型的預測結果進行誤差計算，得到計算結果；所述計算結果包括：均方根誤差、平均絕對誤差和相關係數。
[0132]
根據所述計算結果進行模型評價。
[0133]
進一步地，本實施例中計算預測結果的誤差，其誤差分別為均方根誤差、平均絕對誤差和相關係數，計算方法如下：
[0134]
均方根誤差：
[0135][0136]
平均絕對誤差：
[0137][0138]
相關係數：
[0139][0140]
其中，yi為真實值，為預測值，為平均值，n為測試集中測試樣本的組數。
[0141]
更進一步地，本實施例根據相關的評價指標對模型預測效果進行評價。下面是本方案訓練完畢的腐蝕速率預測模型的數據對比，其中mae和rmse的設定是越小越好，而r2的設定要求則為越接近1為越好。經過對比，本實施例的模型與其他模型的預測數據如表2所示。
[0142]
表2腐蝕速率預測模型的數據對比
[0143]
模型maermser2svm0.0733420.0932780.894pso-svm0.0210590.0305680.90612bes-svm0.0145780.0201990.93459gra-bes-svm0.00579490.00616930.97999
[0144]
從圖5及表2可以看出，gra-bes-svm預測模型與bes-svm、pso-svm和svm三種模型比較，平均絕對誤差和均方根誤差都小於其他三種預測模型，而相關係數則大於其他三種預測模型，表明基於gra-bes-svm建立的預測模型在輸氣管道內腐蝕速率預測方面有較好的預測性能。
[0145]
本發明的有益效果如下：
[0146]
本發明所述的基於gra-bes-svm的一種輸氣管道內腐蝕速率的預測方法在具體實施時，通過灰色關聯度分析方法對檢測數據集進行分析，去除關聯度最小的影響因素；採用禿鷹搜索算法優化svm神經網絡的懲罰因子c和核函數g，再將測試集輸入訓練好的預測模型中，得到預測結果，若預測值與實測值之間的誤差較小，說明訓練後的腐蝕速率預測模型達到較好的預測效果；在實際預測時，可將待預測的檢測數據輸入訓練好的預測模型中，得到輸氣管道的內腐蝕速率，其預測精度較高。
[0147]
本說明書中各個實施例採用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。
[0148]
本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想；同時，對於本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用範圍上均會有改變之處。綜上所述，本說明書內容不應理解為對本發明的限制。