CN108204944A - 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 - Google Patents
基于apso优化的lssvm的埋地管道腐蚀速率预测方法 Download PDFInfo
- Publication number
- CN108204944A CN108204944A CN201810039763.5A CN201810039763A CN108204944A CN 108204944 A CN108204944 A CN 108204944A CN 201810039763 A CN201810039763 A CN 201810039763A CN 108204944 A CN108204944 A CN 108204944A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- formula
- model
- apso
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法。该方法基于自适应粒子群(APSO)优化的最小二乘支持向量机(LSSVM)应用于埋地管道腐蚀速率预测中。本发明方法对改善埋地管道腐蚀速率的预测效果显著,LSSVM模型在建模过程中具有更快的学习速度,同时,采用APSO进行参数优化,提高了模型的预测精度和泛化能力,在埋地管道腐蚀速率预测中可用性很强。
Description
技术领域
本发明涉及一种基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法。
背景技术
埋地油气输送管道在运行一定时间后会因腐蚀穿孔而漏油漏气,这将干扰整个输送系统的正常运行,因此,急需预测埋地油气管道腐蚀速率,以便为其检测与维护提供重要依据。目前,有关埋地油气管道腐蚀速率的预测方法主要有灰色理论、回归模型、神经网络模型等。
然而,神经网络建模过程还是存在计算量较大、学习效率低等缺点。而支持向量机(SVM)是近年来提出的一种新的建模方法,具有计算效率高、算法简单等特点。然而在SVM建模过程中需要求解二次规划问题,当训练样本数目很大时,计算极为费时。
为此,发明采用一种基于APSO优化的LSSVM建模方法建立埋地油气管道腐蚀速率预测模型,该方法简化了模型结构,加快了模型的计算速度,并采用APSO优化模型参数。最后,以国内某埋地油气管道为研究对象,建立LSSVM埋地管道腐蚀速率预测模型,结果表明LSSVM模型预测值与实际结果有很好的一致性。
发明内容
本发明的目的在于提供一种基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法,该方法简化了模型结构,加快了模型的计算速度,并采用APSO优化模型参数;最后,以埋地油气管道为研究对象,建立LSSVM埋地管道腐蚀速率预测模型,结果表明LSSVM模型预测值与实际结果有很好的一致性。
为实现上述目的,本发明的技术方案是:一种基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法,该方法应用于埋地管道腐蚀速率预测模型中,简化了模型结构,加快了模型的计算速度,该方法实现如下:
步骤S1、选择含水率、HCO3 -含量、Cl-含量、SO4 2-含量、氧化还原电位、pH值、土壤电阻率7个影响因素作为输入变量;
步骤S2、以埋地输气管线为研究对象,通过对管道沿线土壤理化性质的测试及对管线的检测,获得样本数据;
步骤S3、随机选择若干组样本数据作为训练样本,建立埋地管道腐蚀速率预测模型,将余下的样本数据作为测试样本,以测试所建立模型的预测效果;
步骤S4、建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型;
步骤S5、根据评价指标对模型预测效果进行评价。
在本发明一实施例中,步骤S4中,建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型,具体实现步骤如下:
(1)基于SVM的算法思想,对于第i个样本的t个输入变量用一个向量表示为:
xi=[xi(1),xi(2),…,xi(t)] (1-1)
而第i个样本对应的输出变量用yi表示;假定共有N个样本,则输入与输出之间的关系可表示为如下形式:
式中,y=[y1,y2,…,yN],w是权系数向量,是输入空间到高维空间的映射,b是阈值;
(2)为得到函数(1-2)的精确表达式,可在如下约束条件确定优化目标:
式中,为松弛变量,ε为不敏感度,即误差允许范围;
进而其优化目标:
式中,γ为惩罚因子,表示当超过不敏感度ε时对样本的惩罚程度,用以平衡模型的精度与模型的复杂度;
(3)通过构造拉格朗日函数,并引入核函数K(xi,xj),将式(1-4)变成:
约束条件为:
(4)得到回归函数的表达式如下:
(5)考虑到相比于SVM算法,LSSVM的计算速度有很大的提高,因此采用LSSVM算法,其算法描述如下:
对于给定样本(xi,yi),xi∈Rn表示输入,yi∈R表示单个输出;LSSVM特征空间F的优化问题及约束条件为:
式中,表示映射,γ是惩罚因子,将输入映射到高维特征空间,b为偏置,et为误差;
(6)LSSVM采用了与标准SVM不同的损失函数,并且将对约束优化问题的求解转化为无约束的优化问题进行求解,引入拉格朗日函数:
式中,βt为拉格朗日算子;
根据KKT最优化条件有:
式(1-10)中消去w,e得到β和b的方程:
Vγ为对角阵,
在特征空间中,根据Mercer’s条件,可选择核函数为径向基函数:
对式(1-11)进行求解得到参数β和b,则所求的LSSVM回归模型为:
在本发明一实施例中,还包括将所求的LSSVM回归模型应用APSO优化模型参数进行优化的过程,具体如下,
首先在可解空间中初始化一群粒子,并且用速度位置和适应度值来表征粒子,每个粒子通过迭代来寻求最优解,粒子在解空间中,通过跟踪个体极值和群体极值来更新个体的位置;
在D维搜索空间中,假设S=(S1,S2,...,SN)表示种群由N个粒子组成;Si=(si1,si2,...,siD)T表示粒子i的位置,根据目标函数可以求得Si对应的适应度值;Qi=(qi1,qi2,...,qiD)T表示粒子i的飞行速度;Pi=(Pi1,Pi2,...,PiD)T表示个体极值;Pg=(Pg1,Pg2,...,PgD)T表示全局极值;粒子每一次迭代根据式(1-14)进行速度和位置更新,最终找到最优值;
式中,k表示当前迭代次数;d=1,2,...,D;i=1,2,...,N;Qid表示粒子的速度;c1、c2表示学习因子;r1、r2表示分布于[0,1]的随机数,ωk表示惯性权重;
然而,PSO算法在解决复杂优化问题时也会出现早熟等问题,因此,根据PSO迭代过程实时进化速度,对粒子惯性权重因子进行自适应动态调整,提出APSO算法;惯性权重ωk的调整过程如式(1-15)所示;
式中,Tmax为最大迭代次数,ωmax=0.9,ωmin=0.5。
相较于现有技术,本发明具有以下有益效果:本发明方法方法简化了模型结构,加快了模型的计算速度,并采用APSO优化模型参数;最后,以埋地油气管道为研究对象,建立LSSVM埋地管道腐蚀速率预测模型,结果表明LSSVM模型预测值与实际结果有很好的一致性。
附图说明
图1为本发明采用的APSO优化算法流程图。
图2为四种模型训练结果。
图3为四种模型测试结果。
图4为四种模型预测结果残差。
具体实施方式
下面结合附图1,对本发明的技术方案进行具体说明。
本发明的一种基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法,该方法应用于埋地管道腐蚀速率预测模型中,简化了模型结构,加快了模型的计算速度,该方法实现如下:
步骤S1、选择含水率、HCO3 -含量、Cl-含量、SO4 2-含量、氧化还原电位、pH值、土壤电阻率7个影响因素作为输入变量;
步骤S2、以埋地输气管线为研究对象,通过对管道沿线土壤理化性质的测试及对管线的检测,获得样本数据;
步骤S3、随机选择若干组样本数据作为训练样本,建立埋地管道腐蚀速率预测模型,将余下的样本数据作为测试样本,以测试所建立模型的预测效果;
步骤S4、建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型;
步骤S5、根据评价指标对模型预测效果进行评价。
本发明方法的步骤S4中,建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型,具体实现步骤如下:
(1)基于SVM的算法思想,对于第i个样本的t个输入变量用一个向量表示为:
xi=[xi(1),xi(2),…,xi(t)] (1-1)
而第i个样本对应的输出变量用yi表示;假定共有N个样本,则输入与输出之间的关系可表示为如下形式:
式中,y=[y1,y2,…,yN],w是权系数向量,是输入空间到高维空间的映射,b是阈值;
(2)为得到函数(1-2)的精确表达式,可在如下约束条件确定优化目标:
式中,为松弛变量,ε为不敏感度,即误差允许范围;
进而其优化目标:
式中,γ为惩罚因子,表示当超过不敏感度ε时对样本的惩罚程度,用以平衡模型的精度与模型的复杂度;
(3)通过构造拉格朗日函数,并引入核函数K(xi,xj),将式(1-4)变成:
约束条件为:
(4)得到回归函数的表达式如下:
(5)考虑到相比于SVM算法,LSSVM的计算速度有很大的提高,因此采用LSSVM算法,其算法描述如下:
对于给定样本(xi,yi),xi∈Rn表示输入,yi∈R表示单个输出;LSSVM特征空间F的优化问题及约束条件为:
式中,表示映射,γ是惩罚因子,将输入映射到高维特征空间,b为偏置,et为误差;
(6)LSSVM采用了与标准SVM不同的损失函数,并且将对约束优化问题的求解转化为无约束的优化问题进行求解,引入拉格朗日函数:
式中,βt为拉格朗日算子;
根据KKT最优化条件有:
式(1-10)中消去w,e得到β和b的方程:
式中:y=[y1,y2,...,yn]T;In=[1,1,...,1]T;β=[β1,β1,...,βn];
Vγ为对角阵,
在特征空间中,根据Mercer’s条件,可选择核函数为径向基函数:
对式(1-11)进行求解得到参数β和b,则所求的LSSVM回归模型为:
还包括将所求的LSSVM回归模型应用APSO优化模型参数进行优化的过程,具体如下,
首先在可解空间中初始化一群粒子,并且用速度位置和适应度值来表征粒子,每个粒子通过迭代来寻求最优解,粒子在解空间中,通过跟踪个体极值和群体极值来更新个体的位置;
在D维搜索空间中,假设S=(S1,S2,...,SN)表示种群由N个粒子组成;Si=(si1,si2,...,siD)T表示粒子i的位置,根据目标函数可以求得Si对应的适应度值;Qi=(qi1,qi2,...,qiD)T表示粒子i的飞行速度;Pi=(Pi1,Pi2,...,PiD)T表示个体极值;Pg=(Pg1,Pg2,...,PgD)T表示全局极值;粒子每一次迭代根据式(1-14)进行速度和位置更新,最终找到最优值;
式中,k表示当前迭代次数;d=1,2,...,D;i=1,2,...,N;Qid表示粒子的速度;c1、c2表示学习因子;r1、r2表示分布于[0,1]的随机数,ωk表示惯性权重;
然而,PSO算法在解决复杂优化问题时也会出现早熟等问题,因此,根据PSO迭代过程实时进化速度,对粒子惯性权重因子进行自适应动态调整,提出APSO算法;惯性权重ωk的调整过程如式(1-15)所示;
式中,Tmax为最大迭代次数,ωmax=0.9,ωmin=0.5。
以下为本发明的具体实施例。
通过对比本发明方法建立的埋地管道腐蚀速率预测模型,RBFNN、SVM以及常规LSSVM埋地管道腐蚀速率预测模型,对比各方法的预测效果,具体如下:
选择含水率、HCO3 -含量、Cl-含量、SO4 2-含量、氧化还原电位、pH值、土壤电阻率等7个影响因素作为输入变量。以国内某埋地输气管线为研究对象,通过对管道沿线土壤理化性质的测试及对管线的检测,共获得87组样本数据。随机选择其中59组数据作为训练样本,建立埋地管道腐蚀速率预测模型,剩下的28组数据作为测试样本,用于测试所建立模型的预测效果。
模型训练:首先建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型,同时建立RBFNN、SVM以及常规LSSVM埋地管道腐蚀速率预测模型,用于对比预测效果。模型训练结果如图2所示,模型测试结果如图3所示,模型预测结果残差如图4:
预测结果分析:
以最大误差(Emax)、平均相对误差(MRE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标来对模型的预测性能进行评价,四种指标定义分别为:
式中,N为样本数量,yi为实际值,为预测值。
根据上述四个评价指标,得出四种模型预测效果性能,如表1所示。
表1四种模型预测效果性能比较
从图2、图3、图4及表1可以看出,采用RBFNN方法和SVM方法建立的埋地管道腐蚀速率预测模型其预测效果均较差,采用LSSVM方法建立的预测模型其预测值虽然较为接近实际值,但其精度仍有待提高;而采用基于APSO优化的LSSVM方法建立的预测模型,其预测精度均高于其它三种模型,表明基于APSO优化的LSSVM建模方法在埋地管道腐蚀速率预测方面具有较高的预测精度。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (3)
1.一种基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法,该方法应用于埋地管道腐蚀速率预测模型中,简化了模型结构,加快了模型的计算速度,其特征在于:该方法实现如下:
步骤S1、选择含水率、HCO3 -含量、Cl-含量、SO4 2-含量、氧化还原电位、pH值、土壤电阻率7个影响因素作为输入变量;
步骤S2、以埋地输气管线为研究对象,通过对管道沿线土壤理化性质的测试及对管线的检测,获得样本数据;
步骤S3、随机选择若干组样本数据作为训练样本,建立埋地管道腐蚀速率预测模型,将余下的样本数据作为测试样本,以测试所建立模型的预测效果;
步骤S4、建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型;
步骤S5、根据评价指标对模型预测效果进行评价。
2.根据权利要求1所述的基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法,其特征在于:步骤S4中,建立基于APSO优化的LSSVM埋地管道腐蚀速率预测模型,具体实现步骤如下:
(1)基于SVM的算法思想,对于第i个样本的t个输入变量用一个向量表示为:
xi=[xi(1),xi(2),…,xi(t)] (1-1)
而第i个样本对应的输出变量用yi表示;假定共有N个样本,则输入与输出之间的关系可表示为如下形式:
式中,y=[y1,y2,…,yN],w是权系数向量,是输入空间到高维空间的映射,b是阈值;
(2)为得到函数(1-2)的精确表达式,可在如下约束条件确定优化目标:
式中,为松弛变量,ε为不敏感度,即误差允许范围;
进而其优化目标:
式中,γ为惩罚因子,表示当超过不敏感度ε时对样本的惩罚程度,用以平衡模型的精度与模型的复杂度;
(3)通过构造拉格朗日函数,并引入核函数K(xi,xj),将式(1-4)变成:
约束条件为:
(4)得到回归函数的表达式如下:
(5)考虑到相比于SVM算法,LSSVM的计算速度有很大的提高,因此采用LSSVM算法,其算法描述如下:
对于给定样本(xi,yi),xi∈Rn表示输入,yi∈R表示单个输出;LSSVM特征空间F的优化问题及约束条件为:
式中,表示映射,γ是惩罚因子,将输入映射到高维特征空间,b为偏置,et为误差;
(6)LSSVM采用了与标准SVM不同的损失函数,并且将对约束优化问题的求解转化为无约束的优化问题进行求解,引入拉格朗日函数:
式中,βt为拉格朗日算子;
根据KKT最优化条件有:
式(1-10)中消去w,e得到β和b的方程:
式中:y=[y1,y2,...,yn]T;In=[1,1,...,1]T;β=[β1,β1,...,βn];
Vγ为对角阵,
在特征空间中,根据Mercer’s条件,可选择核函数为径向基函数:
i,j=1,2,...,n
对式(1-11)进行求解得到参数β和b,则所求的LSSVM回归模型为:
3.根据权利要求1所述的基于APSO优化的LSSVM的埋地管道腐蚀速率预测方法,其特征在于:还包括将所求的LSSVM回归模型应用APSO优化模型参数进行优化的过程,具体如下,
首先在可解空间中初始化一群粒子,并且用速度位置和适应度值来表征粒子,每个粒子通过迭代来寻求最优解,粒子在解空间中,通过跟踪个体极值和群体极值来更新个体的位置;
在D维搜索空间中,假设S=(S1,S2,...,SN)表示种群由N个粒子组成;Si=(si1,si2,...,siD)T表示粒子i的位置,根据目标函数可以求得Si对应的适应度值;Qi=(qi1,qi2,...,qiD)T表示粒子i的飞行速度;Pi=(Pi1,Pi2,...,PiD)T表示个体极值;Pg=(Pg1,Pg2,...,PgD)T表示全局极值;粒子每一次迭代根据式(1-14)进行速度和位置更新,最终找到最优值;
式中,k表示当前迭代次数;d=1,2,...,D;i=1,2,...,N;Qid表示粒子的速度;c1、c2表示学习因子;r1、r2表示分布于[0,1]的随机数,ωk表示惯性权重;
然而,PSO算法在解决复杂优化问题时也会出现早熟等问题,因此,根据PSO迭代过程实时进化速度,对粒子惯性权重因子进行自适应动态调整,提出APSO算法;惯性权重ωk的调整过程如式(1-15)所示;
式中,Tmax为最大迭代次数,ωmax=0.9,ωmin=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810039763.5A CN108204944A (zh) | 2018-01-13 | 2018-01-13 | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810039763.5A CN108204944A (zh) | 2018-01-13 | 2018-01-13 | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108204944A true CN108204944A (zh) | 2018-06-26 |
Family
ID=62605249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810039763.5A Pending CN108204944A (zh) | 2018-01-13 | 2018-01-13 | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108204944A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
CN109284877A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于aiga-wlssvm埋地管道腐蚀速率预测方法 |
CN110553376A (zh) * | 2019-09-18 | 2019-12-10 | 福州大学 | 基于cqpso算法的vav空调系统温度控制方法 |
CN111310348A (zh) * | 2020-02-25 | 2020-06-19 | 江西理工大学 | 一种基于pso-lssvm的材料本构模型预测方法 |
CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN111444629A (zh) * | 2020-04-15 | 2020-07-24 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
CN113742987A (zh) * | 2021-09-09 | 2021-12-03 | 安徽理工大学 | 基于最小二乘-粒子群策略的直流电阻率联合反演方法 |
CN113807598A (zh) * | 2021-09-26 | 2021-12-17 | 辽宁石油化工大学 | 基于pso-woa混合优化的svm稠油管道腐蚀速率预测方法 |
CN115099151A (zh) * | 2022-07-01 | 2022-09-23 | 西南石油大学 | 基于gwo-bp修正机理模型的管道腐蚀速率预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463381A (zh) * | 2015-01-04 | 2015-03-25 | 福州大学 | 基于kpca与wlssvm的建筑能耗预测方法 |
CN106503788A (zh) * | 2016-10-28 | 2017-03-15 | 中国矿业大学 | 基于自适应粒子群的最小二乘支持向量机预测方法 |
-
2018
- 2018-01-13 CN CN201810039763.5A patent/CN108204944A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463381A (zh) * | 2015-01-04 | 2015-03-25 | 福州大学 | 基于kpca与wlssvm的建筑能耗预测方法 |
CN106503788A (zh) * | 2016-10-28 | 2017-03-15 | 中国矿业大学 | 基于自适应粒子群的最小二乘支持向量机预测方法 |
Non-Patent Citations (4)
Title |
---|
吴洲等: "基于APSO-LSSVM的软测量建模研究", 《自动化技术与应用》 * |
耿立艳、梁毅刚: "基于灰色自适应粒子群LSSVM的铁路货运量预测", 《西南交通大学学报》 * |
耿立艳等: "自适应粒子群最小二乘支持向量机在铁路货运量预测中的应用", 《中国市场》 * |
陈翀、赵超: "基于AIGA-WLSSVM的埋地管道腐蚀速率预测方法", 《管道技术与设备》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
CN109284877A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于aiga-wlssvm埋地管道腐蚀速率预测方法 |
CN110553376A (zh) * | 2019-09-18 | 2019-12-10 | 福州大学 | 基于cqpso算法的vav空调系统温度控制方法 |
CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN111366291B (zh) * | 2020-02-14 | 2021-12-21 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN111310348A (zh) * | 2020-02-25 | 2020-06-19 | 江西理工大学 | 一种基于pso-lssvm的材料本构模型预测方法 |
CN111444629A (zh) * | 2020-04-15 | 2020-07-24 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
CN113742987A (zh) * | 2021-09-09 | 2021-12-03 | 安徽理工大学 | 基于最小二乘-粒子群策略的直流电阻率联合反演方法 |
CN113742987B (zh) * | 2021-09-09 | 2023-06-27 | 安徽理工大学 | 基于最小二乘-粒子群策略的直流电阻率联合反演方法 |
CN113807598A (zh) * | 2021-09-26 | 2021-12-17 | 辽宁石油化工大学 | 基于pso-woa混合优化的svm稠油管道腐蚀速率预测方法 |
CN115099151A (zh) * | 2022-07-01 | 2022-09-23 | 西南石油大学 | 基于gwo-bp修正机理模型的管道腐蚀速率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
Alzoubi et al. | Prediction of environmental indicators in land leveling using artificial intelligence techniques | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
CN111723516A (zh) | 基于自适应dnn替代模型的多目标海水入侵管理模型 | |
CN115060625A (zh) | 浆液密度的获取方法、装置、电子设备及存储介质 | |
CN109284877A (zh) | 基于aiga-wlssvm埋地管道腐蚀速率预测方法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN110851911A (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
CN116956744A (zh) | 基于改进粒子群算法的多回路沟槽电缆稳态温升预测方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN113987904A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
Lin et al. | The design of TSK‐type fuzzy controllers using a new hybrid learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180626 |
|
RJ01 | Rejection of invention patent application after publication |