CN108537376A - 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 - Google Patents
基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 Download PDFInfo
- Publication number
- CN108537376A CN108537376A CN201810284535.4A CN201810284535A CN108537376A CN 108537376 A CN108537376 A CN 108537376A CN 201810284535 A CN201810284535 A CN 201810284535A CN 108537376 A CN108537376 A CN 108537376A
- Authority
- CN
- China
- Prior art keywords
- grnn
- pipeline
- pso
- soil corrosion
- value
- 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.)
- Granted
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 67
- 238000005260 corrosion Methods 0.000 title claims abstract description 67
- 239000002689 soil Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 19
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于RS‑PSO‑GRNN的埋地油气管道土壤腐蚀预测方法，包括以下步骤：1)构建原始样本集{xij|i＝1,2,L,m,j＝1,2,L,n}；2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；4)对步骤3)得到的管道核心指标样本集进行归一化处理；5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；6)将步骤5)得到的训练集输入至RS‑PSO‑GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚，该方法能够准确获取各监测点的管道年平均腐蚀壁厚。
Description
技术领域
本发明属于埋地油气管道风险评估技术领域，涉及一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法。
背景技术
近年来，随着我国地下管线铺设量增大，老管线服役时间过长，导致管道事故频发，埋地管道的安全性越来越受到人们广泛的关注。土壤腐蚀作为埋地管道面临失效风险的主要原因，由于其土壤成分繁多、结构复杂及腐蚀形式多样，使得准确评价管道的腐蚀状况并对管道进行安全性检测变得十分困难，同时管道所经某些地区，地广人稀，一旦发生泄漏，很难定位，可能引发连锁反应，造成极大的财产损失。因此，研究并掌握土壤的腐蚀规律和理化性质，建立具有普适性的土壤腐蚀预测新方法，以获取各监测点的管道年均腐蚀壁厚。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，该方法能够准确获取各监测点的管道年平均腐蚀壁厚。
为达到上述目的，本发明所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法包括以下步骤：
1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{xij|i＝1,2,L,m,j＝1,2,L,n}，其中，xij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；
2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；
3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；
4)对步骤3)得到的管道核心指标样本集进行归一化处理；
5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；
6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚。
步骤4)中归一化处理的结果为：
其中，max(xj)及min(xj)分别为第j个指标的最大值及最小值，为归一化后的指标特征值。
步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。
优化目标函数为：
其中，n为样本数，为第i个样本的GRNN的输出值，yi为第i个样本的实际值，fRMSE为GRNN的均方根误差。
改进粒子群算法具体为：
1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；
2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X1,X2,LXn)，其中，第i个粒子的位置向量及速度向量分别为Xi＝(xi1,xi2,L xiD)T及Vi＝(Vi1,Vi2,LViD)T，其历史迭代的最优位置Pi＝(Pi1,Pi2,L PiD)T，全体粒子的迭代最优位置Pg＝(Pg1,Pg2,L PgD)T，D为单个样本的维度；
3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；
4a)通过更新公式更新粒子的速度及位置；
5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；
6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。
步骤5a)中的择优保留公式为：
其中，为第i个粒子第k次迭代得到的适应度值，为第i个粒子第k+1次迭代得到的适应度值。
步骤4a)中的更新公式为：
其中，d＝1,2,L,D，i＝1,2L n，k为当前迭代次数，r1,r2在[0，1]区间随机取值。
步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，
其中，为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ωmax及ωmin分别为最大惯性权重及最小惯性权重，c1及c2均为学习因子，c1为单调递减函数，c2为单调递增函数，c1及c2的取值范围均为[0,2]。
本发明具有以下有益效果：
本发明所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法在具体操作时，先识别管道土壤腐蚀因素，再构建埋地管道土壤腐蚀指标体系，以提高本发明的适应性，另外，本通过采用RS理论中的属性约简删除决策表中的冗余指标，以减少预测的误差，最后构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚，操作简单，预测的精度较高，经验证，与常规的BP土壤腐蚀预测模型及RS-GRNN土壤腐蚀预测模型相比，本发明的准确率及预测精度均优于其它两种常规模型，表明本发明具有较强的工程适用性及良好的预测性能。
进一步，本发明分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，以提高粒子的迭代寻优能力，有效避免粒子后期容易早熟而陷入局部最优等问题，迭代性能较优。
附图说明
图1是本发明的架构图；
图2为本发明的GRNN结构图；
图3为粒子位置更新图；
图4为管壁腐蚀图；
图5为管壁表层脱落图；
图6为本法明的埋地管道土壤腐蚀指标体系图；
图7为仿真试验中3种模型相对误差的对比图；
图8为仿真试验中3种模型预测效果的对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法包括以下步骤：
1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{xij|i＝1,2,L,m,j＝1,2,L,n}，其中，xij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；
2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；
3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；
4)对步骤3)得到的管道核心指标样本集进行归一化处理；
5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；
6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚。
步骤4)中归一化处理的结果为：
其中，max(xj)及min(xj)分别为第j个指标的最大值及最小值，为归一化后的指标特征值。
步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。
优化目标函数为：
其中，n为样本数，为第i个样本的GRNN的输出值，yi为第i个样本的实际值，fRMSE为GRNN的均方根误差。
改进粒子群算法具体为：
1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；
2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X1,X2,LXn)，其中，第i个粒子的位置向量及速度向量分别为Xi＝(xi1,xi2,L xiD)T及Vi＝(Vi1,Vi2,LViD)T，其历史迭代的最优位置Pi＝(Pi1,Pi2,L PiD)T，全体粒子的迭代最优位置Pg＝(Pg1,Pg2,L PgD)T，D为单个样本的维度；
3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；
4a)通过更新公式更新粒子的速度及位置；
5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；
6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。
步骤5a)中的择优保留公式为：
其中，为第i个粒子第k次迭代得到的适应度值，为第i个粒子第k+1次迭代得到的适应度值。
步骤4a)中的更新公式为：
其中，d＝1,2,L,D，i＝1,2L n，k为当前迭代次数，r1,r2在[0，1]区间随机取值。
步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，
其中，为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ωmax及ωmin分别为最大惯性权重及最小惯性权重，c1及c2均为学习因子，c1为单调递减函数，c2为单调递增函数，c1及c2的取值范围均为[0,2]。
仿真试验
所选管道为中俄原油管道，中国境内全长933.11km，2011年投入使用，大部分管段埋入地下，且沿途气候恶劣，地质复杂，多处已发生较为严重的腐蚀，如附图4及图5所示，本发明选取该管道典型监测点中的35组腐蚀数据进行实证分析及研究，将管道年均腐蚀壁厚作为预测结果，其部分数据如下表1所示。
表1
设GRNN非线性回归公式主方程为：
其中，估计值为所有样本观测值的加权平均值，观测值Yi的每个权重因子由对应于样本X与Xi间距离的平方决定，GRNN模型由四层构成，如图2所示，图中，Yi为第i个年均腐蚀壁厚的输出值，由计算得出。
由附图7、图8、表2及表3可知，本发明与BP模型相比，经RS理论处理的样本数据摒弃了土壤腐蚀因素间的冗杂性，RS-PSO-GRNN模型的均方根误差、平均相对误差及希尔系数分别低于BP模型的6.49％、9.87％及2.25％，说明RS理论能充分挖掘高维数据的耦合信息及冗余规律，提高了模型的预测精度。本发明与RS-SVM模型相比，其三种指标值分别降低了3.31％、4.49％及0.12％，表明GRNN比SVM更加适合埋地管道土壤腐蚀的建模研究。
表2
表3
本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术。
以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图，但是本领域的技术人员可以理解；在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化、修改都是可能的。因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定，而不应局限于最佳实施例和附图所公开的内容。
Claims (8)
1.一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，包括以下步骤：
1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{xij|i＝1,2,L,m,j＝1,2,L,n}，其中，xij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；
2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；
3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；
4)对步骤3)得到的管道核心指标样本集进行归一化处理；
5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；
6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚。
2.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤4)中归一化处理的结果为：
其中，max(xj)及min(xj)分别为第j个指标的最大值及最小值，为归一化后的指标特征值。
3.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。
4.根据权利要求3所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，优化目标函数为：
其中，n为样本数，为第i个样本的GRNN的输出值，yi为第i个样本的实际值，fRMSE为GRNN的均方根误差。
5.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，改进粒子群算法具体为：
1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；
2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X1,X2,L Xn)，其中，第i个粒子的位置向量及速度向量分别为Xi＝(xi1,xi2,L xiD)T及Vi＝(Vi1,Vi2,L ViD)T，其历史迭代的最优位置Pi＝(Pi1,Pi2,L PiD)T，全体粒子的迭代最优位置Pg＝(Pg1,Pg2,LPgD)T，D为单个样本的维度；
3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；
4a)通过更新公式更新粒子的速度及位置；
5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；
6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。
6.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤5a)中的择优保留公式为：
其中，为第i个粒子第k次迭代得到的适应度值，为第i个粒子第k+1次迭代得到的适应度值。
7.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤4a)中的更新公式为：
其中，d＝1,2,L,D，i＝1,2L n，k为当前迭代次数，r1,r2在[0，1]区间随机取值。
8.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，
其中，为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ωmax及ωmin分别为最大惯性权重及最小惯性权重，c1及c2均为学习因子，c1为单调递减函数，c2为单调递增函数，c1及c2的取值范围均为[0,2]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810284535.4A CN108537376B (zh) | 2018-04-02 | 2018-04-02 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810284535.4A CN108537376B (zh) | 2018-04-02 | 2018-04-02 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537376A true CN108537376A (zh) | 2018-09-14 |
| CN108537376B CN108537376B (zh) | 2022-02-11 |
Family
ID=63482786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810284535.4A Expired - Fee Related CN108537376B (zh) | 2018-04-02 | 2018-04-02 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537376B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359783A (zh) * | 2018-11-26 | 2019-02-19 | 中南大学 | 一种基于ngbm-pso模型的矿井涌水量预测方法 |
| CN111595247A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
| CN112183884A (zh) * | 2020-10-19 | 2021-01-05 | 河南工业大学 | 一种粮食储藏品质预测方法及装置 |
| CN114818927A (zh) * | 2022-04-26 | 2022-07-29 | 北京化工大学 | 数据驱动的设备腐蚀预测方法 |
| CN115952857A (zh) * | 2023-03-13 | 2023-04-11 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN117879412A (zh) * | 2024-03-12 | 2024-04-12 | 宝士达新能源科技(苏州)有限公司 | 基于负载功率变化的柴油发电机转速自适应升降控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102679048A (zh) * | 2012-05-23 | 2012-09-19 | 重庆大学 | 可预测和预警管道腐蚀深度的多层复合管道 |
| CN103942434A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 |
| CN105138729A (zh) * | 2015-07-24 | 2015-12-09 | 南京信息工程大学 | 基于pso-grnn风电场风电机缺损风速值填充方法 |
| CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
| US20180089566A1 (en) * | 2015-05-22 | 2018-03-29 | Huawei Technologies Co., Ltd. | Method and apparatus for positioning of artificial neural network |
-
2018
- 2018-04-02 CN CN201810284535.4A patent/CN108537376B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102679048A (zh) * | 2012-05-23 | 2012-09-19 | 重庆大学 | 可预测和预警管道腐蚀深度的多层复合管道 |
| CN103942434A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 |
| US20180089566A1 (en) * | 2015-05-22 | 2018-03-29 | Huawei Technologies Co., Ltd. | Method and apparatus for positioning of artificial neural network |
| CN105138729A (zh) * | 2015-07-24 | 2015-12-09 | 南京信息工程大学 | 基于pso-grnn风电场风电机缺损风速值填充方法 |
| CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHIQIANG GAO，ETC.: "Sea Clutter Sequences Regression Prediction Based on PSO-GRNN Method", 《2015 8TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
| 衣治安等: "基于改进粒子群算法的模糊神经网络", 《计算机系统应用》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359783A (zh) * | 2018-11-26 | 2019-02-19 | 中南大学 | 一种基于ngbm-pso模型的矿井涌水量预测方法 |
| CN111595247A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
| CN111595247B (zh) * | 2020-03-24 | 2021-11-02 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
| CN112183884A (zh) * | 2020-10-19 | 2021-01-05 | 河南工业大学 | 一种粮食储藏品质预测方法及装置 |
| CN114818927A (zh) * | 2022-04-26 | 2022-07-29 | 北京化工大学 | 数据驱动的设备腐蚀预测方法 |
| CN114818927B (zh) * | 2022-04-26 | 2024-07-16 | 北京化工大学 | 数据驱动的设备腐蚀预测方法 |
| CN115952857A (zh) * | 2023-03-13 | 2023-04-11 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN115952857B (zh) * | 2023-03-13 | 2023-08-08 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN117879412A (zh) * | 2024-03-12 | 2024-04-12 | 宝士达新能源科技(苏州)有限公司 | 基于负载功率变化的柴油发电机转速自适应升降控制方法 |
| CN117879412B (zh) * | 2024-03-12 | 2024-06-04 | 宝士达新能源科技(苏州)有限公司 | 基于负载功率变化的柴油发电机转速自适应升降控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537376B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537376B (zh) | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 | |
| CN110108328B (zh) | 一种供水管网漏损区域漏水量的获取方法 | |
| CN113971463A (zh) | 一种供热管线风险分布分析方法与巡检路径规划系统 | |
| CN110929359B (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
| CN103914792B (zh) | 一种计及输电线路运行不确定性的综合风险评估方法 | |
| Deng et al. | Risk evaluation model of highway tunnel portal construction based on BP fuzzy neural network | |
| CN104239489A (zh) | 利用相似性搜索和改进bp神经网络预测水位的方法 | |
| CN113836634B (zh) | 一种大差异性气动数据的深度神经网络建模方法 | |
| CN106779320A (zh) | 一种基于模糊数学的燃气管道第三方破坏风险评估方法 | |
| CN108536926A (zh) | 基于改进自适应gev分布的腐蚀油气管道剩余寿命分析方法 | |
| CN113221439B (zh) | 一种基于bp神经网络的排水系统实时率定与动态预测方法 | |
| CN201229289Y (zh) | 一种腐蚀预测装置 | |
| CN111583413A (zh) | 一种路面病害bim参数化建模与增强现实移动巡检方法 | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
| CN105824987A (zh) | 一种基于遗传算法的风场特征统计分布模型建立方法 | |
| CN108615098B (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
| CN108280289A (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
| CN115358102B (zh) | 引入内检测数据的地震作用下腐蚀管道失效概率分析方法 | |
| CN102567640A (zh) | 矿井瓦斯监测方法 | |
| CN116050603A (zh) | 基于混合智能方法的暗挖隧道变形预测和优化方法及设备 | |
| CN107153881A (zh) | 一种钻井风险的预测方法 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| CN107844679A (zh) | 一种分段式高炉铁水硅含量预测方法及装置 | |
| Vítkovský et al. | Leak detection and calibration of water distribution systems using transients and genetic algorithms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220211 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |