CN111339718A - 一种管件冲蚀速率计算方法、装置及服务器 - Google Patents

一种管件冲蚀速率计算方法、装置及服务器 Download PDF

Info

Publication number
CN111339718A
CN111339718A CN202010139081.9A CN202010139081A CN111339718A CN 111339718 A CN111339718 A CN 111339718A CN 202010139081 A CN202010139081 A CN 202010139081A CN 111339718 A CN111339718 A CN 111339718A
Authority
CN
China
Prior art keywords
erosion rate
flow field
parameter
target
training
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
Application number
CN202010139081.9A
Other languages
English (en)
Inventor
陈仕林
洪炳沅
吴建光
李晓平
狄国佳
赵长龙
宫敬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
China United Coalbed Methane Corp Ltd
Original Assignee
China University of Petroleum Beijing
China United Coalbed Methane Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing, China United Coalbed Methane Corp Ltd filed Critical China University of Petroleum Beijing
Priority to CN202010139081.9A priority Critical patent/CN111339718A/zh
Publication of CN111339718A publication Critical patent/CN111339718A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的管件冲蚀速率计算方法、装置及服务器，应用于油气管道技术领域，该方法在获取目标管件的目标流场参数的参数值之后，调用预训练的冲蚀速率计算模型，该冲蚀速率计算模型是以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到的，进一步的，将目标管件的目标流场参数的参数值输入冲蚀速率计算模型，通过冲蚀速率计算模型的计算，最终得到目标管件的冲蚀速率。本方法利用人工神经网络能够很好的解决非线性问题的特性，使用基于人工神经网络训练得到冲蚀速率计算模型对目标管件的冲蚀速率进行计算，计算结果准确度较高，能够为预测管件的使用寿命提供有效的参考依据，进而满足实际应用的需求。

Description

一种管件冲蚀速率计算方法、装置及服务器
技术领域
本发明涉及油气管道技术领域，具体涉及一种管件冲蚀速率计算方法、装置及服务器。
背景技术
随着油气管道的快速发展，管道事故数量逐渐增加，管道安全已经引起广泛关注。造成输气管道破坏失效的主要原因之一就是天然气中的固体颗粒对管道内壁的冲蚀磨损，导致管道弯头、三通等关键部位发生局部受损甚至发生穿孔破损，从而引起管道失效，无法继续使用。因此，对输气管道的典型管件，比如弯头和三通，开展冲蚀磨损研究，计算管道关键部件的冲蚀速率，对预测管道整体的使用寿命，确保管道安全运行等方面具有重要意义。
目前较为常用的冲蚀速率计算方法，大都基于对管件的线性分析得到，但在实际应用中，对管件冲蚀速率的影响因素众多，冲蚀过程属于复杂的非线性系统问题，因此，利用现有方法计算得到的管件冲蚀速率，准确度较低，难以满足实际应用需求。
发明内容
有鉴于此，本发明提供一种管件冲蚀速率计算方法、装置及服务器，通过基于人工神经网络得到的冲蚀速率计算模型对目标管件的冲蚀速率进行计算，所得计算结果更为准确，能够为预测管件的使用寿命提供参考依据，满足实际应用需求。
为实现上述目的，本发明实施例提供如下技术方案：
第一方面，本发明提供一种管件冲蚀速率计算方法，包括：
获取目标管件的目标流场参数的参数值；
调用预训练的冲蚀速率计算模型，所述冲蚀速率计算模型以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到；
将所述目标流场参数的参数值输入所述冲蚀速率计算模型，得到所述目标管件的冲蚀速率。
可选的，训练所述冲蚀速率计算模型的过程，包括：
获取多个训练样本，其中，所述训练样本包括目标流场参数的参数值和与所述目标流场参数的参数值相对应的标准冲蚀速率值；
分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差；
以各所述训练样本对应的误差处于预设范围内为训练目标，修正所述人工神经网络，得到所述冲蚀速率计算模型。
可选的，确定所述目标流场参数的过程，包括：
获取多组基础数据，所述基础数据包括：多个流场参数的参数值，以及与各所述参数值对应的冲蚀速率值；
针对每一所述流场参数，根据相应的参数值以及所述冲蚀速率值，进行该流场参数与冲蚀速率的相关性分析，得到各所述流场参数对应的相关性分析结果；
确定所述相关性分析结果满足预设筛选条件的流场参数为目标流场参数。
可选的，本发明第一方面提供的管件冲蚀速率计算方法，还包括：确定各所述基础数据中的冲蚀速率值为所述标准冲蚀速率值。
可选的，在所述分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差前，还包括：
对各所述训练样本进行归一化处理。
可选的，所述目标流场参数至少包括：颗粒速度、颗粒质量、撞击角度，以及碰撞面积。
第二方面，本发明提供一种管件冲蚀速率计算装置，包括：
第一获取单元，用于获取目标管件的目标流场参数的参数值；
调用单元，用于调用预训练的冲蚀速率计算模型，所述冲蚀速率计算模型以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到；
计算单元，用于将所述目标流场参数的参数值输入所述冲蚀速率计算模型，得到所述目标管件的冲蚀速率。
可选的，本发明第二方面提供的管件冲蚀速率计算装置，还包括:
第二获取单元，用于获取多个训练样本，其中，所述训练样本包括目标流场参数的参数值和与所述目标流场参数的参数值相对应的标准冲蚀速率值；
第一确定单元，用于分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差；
训练单元，用于以各所述训练样本对应的误差处于预设范围内为训练目标，修正所述人工神经网络，得到所述冲蚀速率计算模型。
可选的，本发明第二方面提供的管件冲蚀速率计算装置，还包括：
第三获取单元，用于获取多组基础数据，所述基础数据包括：多个流场参数的参数值，以及与各所述参数值对应的冲蚀速率值；
分析单元，用于针对每一所述流场参数，根据相应的参数值以及所述冲蚀速率值，进行该流场参数与冲蚀速率的相关性分析，得到各所述流场参数对应的相关性分析结果；
第二确定单元，用于确定所述相关性分析结果满足预设筛选条件的流场参数为目标流场参数。
第三方面，本发明提供一种服务器，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现本发明第一方面任一项所述的管件冲蚀速率计算方法。
基于上述技术方案，本发明提供的管件冲蚀速率计算方法，在获取目标管件的目标流场参数的参数值之后，调用预训练的冲蚀速率计算模型，该冲蚀速率计算模型是以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到的，进一步的，将目标管件的目标流场参数的参数值输入冲蚀速率计算模型，通过冲蚀速率计算模型的计算，最终得到目标管件的冲蚀速率。本发明提供的方法，利用人工神经网络能够很好的解决非线性问题的特性，使用基于人工神经网络训练得到冲蚀速率计算模型对目标管件的冲蚀速率进行计算，计算结果准确度较高，能够为预测管件的使用寿命提供有效的参考依据，进而满足实际应用的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种管件冲蚀速率计算方法的流程图；
图2是本发明实施例述及的神经网络的结构示意图；
图3是本发明实施例提供的一种管件冲蚀速率计算装置的结构框图；
图4是本发明实施例提供的另一种管件冲蚀速率计算装置的结构框图；
图5是本发明实施例提供的再一种管件冲蚀速率计算装置的结构框图；
图6是本发明实施例提供的服务器的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
可选的，参见图1，图1为本发明实施例提供的一种管件冲蚀速率计算方法的流程图，该方法可应用于电子设备，该电子设备可选如笔记本电脑、PC(个人计算机)等具有数据处理能力的电子设备，显然，该电子设备在某些情况下也可选用网络侧的服务器实现；参照图1，本发明实施例提供的管件冲蚀速率计算方法可以包括：
S100、获取目标管件的目标流场参数的参数值。
本发明实施例中所述及的目标管件，指的是需要进行冲蚀速率计算的任意结构和材质构成的管件，在实际施工中所使用的各种管件都可以作为本发明实施例中所述及的目标管件。
在现有的技术中，对目标管件的冲蚀速率计算会涉及到诸多的流场参数，比如三维速度、轴向速度、径向速度、雷诺数、湍动能、湍流密度、粘度、壁面剪切力等等，在本发明实施例所提供的计算方法中，计算过程所需要的目标流场参数至少包括：颗粒速度、颗粒质量、撞击角度以及碰撞面积。
在应用本发明实施例所提供的计算方法对目标管件的冲蚀速率进行计算时，只需要获取目标管件上述四个目标流场参数的参数值，即可完成目标管件冲蚀速率的计算。
对于在诸多流场参数中选取上述四个参数作为目标流场参数的原因，以及选取过程，将在后续内容中详细展开，此处暂不详述。
S110、调用预训练的冲蚀速率计算模型。
在获取上述四个目标流场参数的参数值之后，调用本发明实施例提供的冲蚀速率计算模型。本发明实施例提供的冲蚀速率计算模型以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到。
考虑到现有技术中管件冲蚀速率的计算方法大都基于对有限的参数变化导致的冲蚀规律进行研究，而管件的冲蚀过程又是一个复杂的非线性系统问题，本发明实施例所提供的计算方法，利用人工神经网络在处理非线性复杂系统问题的优势，基于大量的样本数据对人工神经网络进行训练，最终得到冲蚀速率计算模型。
对于冲蚀速率计算模型的具体训练过程，将在后续内容展开，此处暂不详述。
S120、将目标流场参数的参数值输入冲蚀速率计算模型，得到目标管件的冲蚀速率。
调用预训练的冲蚀速率计算模型后，将目标管件的目标流场参数的参数值输入该冲蚀速率计算模型之中，经过该计算模型的计算后，所得结果即为目标管件的冲蚀速率。
综上所述，本发明实施例提供的管件冲蚀速率计算方法，利用人工神经网络能够很好的解决非线性问题的特性，使用基于人工神经网络训练得到冲蚀速率计算模型对目标管件的冲蚀速率进行计算，计算结果准确度较高，能够为预测管件的使用寿命提供有效的参考依据，进而满足实际应用的需求。
下面对训练人工神经网络，并最终得到冲蚀速率计算模型的过程进行介绍。
如前所述，在管件冲蚀速率的计算领域，涉及大量的流场参数，这些流程参数都可以作为计算过程中的基础数据使用，为了训练人工神经网络，不仅需要尽可能全面的采集影响冲蚀速率计算的基础数据，即流场参数，同时，还要兼顾神经网络的训练周期和训练成本，即有必要在众多的基础数据中选取对冲蚀速率影响较大的参数对神经网络进行训练，从而在确保计算结果准确性的同时，缩短神经网络的训练周期。
为达到上述目的，首先需要尽可能多的获取影响管件冲蚀速率计算的基础数据。可选的，本发明实施例所提供的方法中，通过CFD数值模型获取管件的基础数据。具体包括如下步骤：
a、使用SolidWorks软件，对作为样本的管件进行几何建模，得到样本管件的几何模型；
使用SolidWorks软件对样本管件进行几何建模的过程，可以参照现有技术中SolidWorks软件的使用方法实现，此处不再赘述。
b、确定计算域，使用ICEM CFD 19.0软件对计算域所得样本管件的几何模型进行网格划分；
对于计算域的确定，以及对样本管件的几何模型进行网格划分的过程，均可以参照现有技术中应用CFD进行计算的相关方法进行，本发明对此不做具体限定。
c、使用ANSYS Fluent软件对前述步骤所得网格划分结果进行求解计算。
具体的，使用ANSYS Fluent软件中的Realizable k-epsilon湍流模型、离散相模型及通用冲蚀速率模型完成计算。针对每一个模型，确定边界条件和初始条件，确保气固两相流动过程中的方程组的收敛性和正确性，初始化并迭代计算求解，对气固两相管流的冲蚀磨损进行数值模拟。
其中，Realizable k-epsilon湍流模型：
本发明实施例选择Realizable k-epsilon湍流模型，其耗散率ε及湍动能k的计算如式(1)和(2)：
Figure BDA0002398393340000071
Figure BDA0002398393340000072
其中，
Figure BDA0002398393340000073
式中，C2和C1ε为常数；
Gk代表由于平均速度梯度而产生的湍动能；
Gb代表由浮力引起的湍动能；
YM代表可压缩湍流中脉动膨胀对总的耗散率的影响；
σk和σε代表湍动能k和耗散率ε的湍流普朗特常数；
Sij代表平均速度应变率张量。
在ANSYS 19.0Fluent中，默认C2ε＝1.9，σk＝1，σε＝1.2。
离散相模型，至少包括式(3)：
Figure BDA0002398393340000081
式中，mp代表颗粒质量；
Figure BDA0002398393340000086
代表气相流速；
Figure BDA0002398393340000085
代表颗粒速度；
ρ代表流体密度；
ρp代表颗粒密度；
Figure BDA0002398393340000082
代表其它作用力；
Figure BDA0002398393340000083
代表流体拖拽力即阻力，其中τp代表颗粒松弛时间。
通用冲蚀速率模型，至少包括式(4)：
Figure BDA0002398393340000084
式中，C(dp)代表颗粒直径函数；
γ代表颗粒轨迹与管道壁面的冲击角度；
f(γ)代表冲击角度函数；
v代表颗粒冲击速度；
b(vp)代表颗粒冲击速度函数；
Aface代表壁面单元表面积；
mp代表颗粒质量流量；
Nparticles代表撞击壁面单元表面积；
Aface的粒子数量；
Rerosion即为冲蚀率，其单位为kg/(m2·s)。
在默认情况下，C＝1.8×10-9，f＝1，b＝0。
通过上述计算过程后，在验证网格无关解之后，最终得出样本管件的压力场、速度场及颗粒在管内的分布情况和运动轨迹等至少86个流场参数以及对应的冲蚀速率。
对于同一样本管件，改变影响冲蚀速率的边界条件因素，如流速、砂粒质量流量、砂粒形状系数等，然后返回步骤c重复执行，即可得到同一样本管件的多组基础数据，且每一组基础数据中均包括至少86个流场参数的参数值和相应的冲蚀速率值。
进一步的，针对不同的样本管件，重复的执行上述步骤，即可得到不同规格样本管件，在不同工况下的基础数据，这些基础数据，都将作为后续分析的基础。
由于每一组基础数据中都至少包括86个流场参数的参数值，如果基于这些数据对人工神经网络进行训练，显然训练周期极为漫长，因此，有必要在这至少86个流场参数中，选取对冲蚀速率影响更为明显的流场参数，用于人工神经网络模型的训练。
可选的，本发明实施例所提供方法，针对每一个流场参数，根据相应的参数值以及对应的冲蚀速率值，进行该流场参数与冲蚀速率的相关性分析，得到各流场参数对应的相关性分析结果，最终确定相关性分析结果满足预设筛选条件的流场参数为目标流场参数。
具体的，本发明实施例选择皮尔逊相关系数来衡量流场各种参数与冲蚀速率的相关程度。皮尔森相关系数也称皮尔森秩相关系数，是一种线性相关系数，是最常用的一种相关系数。记为r，用来反映两个变量X和Y的线性相关程度，r值介于-1到1之间，绝对值越大表明相关性越强。
Figure BDA0002398393340000091
上式中，r表示皮尔森相关系数；
Xi是每一组数据中的流场参数值；
Figure BDA0002398393340000092
是相应流场参数的平均值；
Y是每一组数据中的冲蚀速率值；
Figure BDA0002398393340000093
是全部冲蚀速率值的平均值；
n是基础数据的组数。
经过相关性分析，排除掉86个参数中微相关(皮尔森系数r小于±0.30)的参数，剩下的参数作为目标流场参数，用于神经网络的训练。由前述内容可知，本发明实施例最终选定的目标流场参数至少包括颗粒速度、颗粒质量、撞击角度，以及碰撞面积。
经过上述内容，可以得到用于训练神经网络的大量样本，且每一样本中均包括有四个目标流场参数的参数值和与目标流场参数的参数值对应的标准冲蚀速率值。需要说明的是，在上述基于CFD获取流场参数的参数值的过程中，同时会得到与各工况对应的冲蚀速率值，该冲蚀速率值即作为相应样本数据的标准冲蚀速率值。
可选的，在得到多组样本数据后，往往不会全部用来训练神经网络，还可以流出一部分样本数据用于验证神经网络的预测能力，即将样本数据划分为训练样本和测试样本。其中，训练样本用来训练模型，通过训练样本的数据来确定拟合曲线的参数。测试样本则是为了测试已经训练好的模型的正确率，检验模型的预测能力。实际操作中，可以将训练样本与测试样本按照7:3的比例划分。为了保证随机性，将数据进行多次随机排序，打乱后再进行划分。并且，进行多次划分取平均值。将数据集进行划分是为了选择出一个相对较好的模型，划分出来的训练数据仍是原来的数据集，只是被分为了两个部分。
可选的，在得到训练样本之后，对模型进行训练之前，为加快神经网络的收敛速度，减少训练时间，还可以对各训练样本进行归一化处理，将有量纲的参数值转换为无量纲的参数值，即得到各目标流场参数在[0,1]或[-1,1]之间的概率分布。具体的，可利用下式对各目标流场参数的参数值进行归一化处理，得到对应的归一化处理后的y值：
y＝(x-min)/(max-min) (6)
上式中，x是目标流场参数的原始值；
min是x原始值中的最小值；
max是x原值值中的最大值；
y是x归一化后的值。
在对各训练样本进行归一化处理后，即可开始人工神经网络的训练。本发明实施例提供的训练方法，分别确定人工神经网络对各训练样本中目标流场参数的参数值的输出结果，到相应的训练样本中包含的标准冲蚀速率值之间的误差，从而得到各训练样本对应的误差；然后以各训练样本对应的误差处于预设范围内为训练目标，修正人工神经网络，最终得到冲蚀速率计算模型。
可选的，可以选用BP神经网络训练得到冲蚀速率计算模型。考虑到BP神经网络在建立网络时，初始的神经元之间的权值和阈值是随机生成的，导致不同的权值和阈值会出现不同的训练效果，因此，可以用遗传算法优化BP神经网络的初始权值和阈值，得到更好的网络初始权值和阈值。优化过程的基本思想就是用个体代表网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值，通过选择、交叉、变异操作寻找最优个体，即最优的BP神经网络初始权值。具体的优化过程，可以参照现有技术的实现方式实现，本发明对此不做限定。
可选的，参见图2，图2是本发明实施例述及的神经网络的结构示意图，在对BP神经网络进行50代的遗传优化后，最终得到新的权值和阈值，重新对优化后的BP网络进行训练。最终选用颗粒速度、颗粒质量、撞击角度、碰撞面积等4参数作为神经网络的输入参数，单个隐藏层，隐藏层神经元个数为40，传递函数使用softmax是柔性最大值传输函数，训练函数使用Trainlm LM算法，以决定系数R2作为评判标准，最终得到网络的预测能力R2为0.97，完全满足实际应用的需求，得到冲蚀速率计算模型。
下面对本发明实施例提供的管件冲蚀速率计算装置进行介绍，下文描述的管件冲蚀速率计算装置可以认为是为实现本发明实施例提供的管件冲蚀速率计算方法，在中央设备中需设置的功能模块架构；下文描述内容可与上文相互参照。
可选的，参见图3，图3是本发明实施例提供的一种管件冲蚀速率计算装置的结构框图，该装置包括：
第一获取单元10，用于获取目标管件的目标流场参数的参数值；
调用单元20，用于调用预训练的冲蚀速率计算模型，所述冲蚀速率计算模型以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到；
计算单元30，用于将所述目标流场参数的参数值输入所述冲蚀速率计算模型，得到所述目标管件的冲蚀速率。
可选的，参见图4，图4是本发明实施例提供的另一种管件冲蚀速率计算装置的结构框图，在图3所示实施例的基础上，该装置还包括：
第二获取单元40，用于获取多个训练样本，其中，所述训练样本包括目标流场参数的参数值和与所述目标流场参数的参数值相对应的标准冲蚀速率值；
第一确定单元50，用于分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差；
训练单元60，用于以各所述训练样本对应的误差处于预设范围内为训练目标，修正所述人工神经网络，得到所述冲蚀速率计算模型。
可选的，参见图5，图5是本发明实施例提供的再一种管件冲蚀速率计算装置的结构框图，在图4所示实施例的基础上，该装置还包括：
第三获取单元70，用于获取多组基础数据，所述基础数据包括：多个流场参数的参数值，以及与各所述参数值对应的冲蚀速率值；
分析单元80，用于针对每一所述流场参数，根据相应的参数值以及所述冲蚀速率值，进行该流场参数与冲蚀速率的相关性分析，得到各所述流场参数对应的相关性分析结果；
第二确定单元90，用于确定所述相关性分析结果满足预设筛选条件的流场参数为目标流场参数。
可选的，图6为本发明实施例提供的服务器的结构框图，参见图6所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图6所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
可选的，通信接口200可以为通信模块的接口，如GSM模块的接口；
处理器100可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300，存储有应用程序，可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器100具体用于执行存储器内的应用程序，以实现上述所述的管件冲蚀速率计算方法的任一实施例。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种管件冲蚀速率计算方法，其特征在于，包括：
获取目标管件的目标流场参数的参数值；
调用预训练的冲蚀速率计算模型，所述冲蚀速率计算模型以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到；
将所述目标流场参数的参数值输入所述冲蚀速率计算模型，得到所述目标管件的冲蚀速率。
2.根据权利要求1所述的管件冲蚀速率计算方法，其特征在于，训练所述冲蚀速率计算模型的过程，包括：
获取多个训练样本，其中，所述训练样本包括目标流场参数的参数值和与所述目标流场参数的参数值相对应的标准冲蚀速率值；
分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差；
以各所述训练样本对应的误差处于预设范围内为训练目标，修正所述人工神经网络，得到所述冲蚀速率计算模型。
3.根据权利要求2所述的管件冲蚀速率计算方法，其特征在于，确定所述目标流场参数的过程，包括：
获取多组基础数据，所述基础数据包括：多个流场参数的参数值，以及与各所述参数值对应的冲蚀速率值；
针对每一所述流场参数，根据相应的参数值以及所述冲蚀速率值，进行该流场参数与冲蚀速率的相关性分析，得到各所述流场参数对应的相关性分析结果；
确定所述相关性分析结果满足预设筛选条件的流场参数为目标流场参数。
4.根据权利要求3所述的管件冲蚀速率计算方法，其特征在于，还包括：确定各所述基础数据中的冲蚀速率值为所述标准冲蚀速率值。
5.根据权利要求2所述的管件冲蚀速率计算方法，其特征在于，在所述分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差前，还包括：
对各所述训练样本进行归一化处理。
6.根据权利要求1至5任一项所述的管件冲蚀速率计算方法，其特征在于，所述目标流场参数至少包括：颗粒速度、颗粒质量、撞击角度，以及碰撞面积。
7.一种管件冲蚀速率计算装置，其特征在于，包括：
第一获取单元，用于获取目标管件的目标流场参数的参数值；
调用单元，用于调用预训练的冲蚀速率计算模型，所述冲蚀速率计算模型以管件的目标流场参数为训练样本，以管件的冲蚀速率为样本标签，训练人工神经网络得到；
计算单元，用于将所述目标流场参数的参数值输入所述冲蚀速率计算模型，得到所述目标管件的冲蚀速率。
8.根据权利要求7所述的管件冲蚀速率计算装置，其特征在于，还包括:
第二获取单元，用于获取多个训练样本，其中，所述训练样本包括目标流场参数的参数值和与所述目标流场参数的参数值相对应的标准冲蚀速率值；
第一确定单元，用于分别确定所述人工神经网络对各所述目标流场参数的参数值的输出结果，到相应的所述标准冲蚀速率值之间的误差，得到各所述训练样本对应的误差；
训练单元，用于以各所述训练样本对应的误差处于预设范围内为训练目标，修正所述人工神经网络，得到所述冲蚀速率计算模型。
9.根据权利要求8所述的管件冲蚀速率计算装置，其特征在于，还包括：
第三获取单元，用于获取多组基础数据，所述基础数据包括：多个流场参数的参数值，以及与各所述参数值对应的冲蚀速率值；
分析单元，用于针对每一所述流场参数，根据相应的参数值以及所述冲蚀速率值，进行该流场参数与冲蚀速率的相关性分析，得到各所述流场参数对应的相关性分析结果；
第二确定单元，用于确定所述相关性分析结果满足预设筛选条件的流场参数为目标流场参数。
10.一种服务器，其特征在于，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现权利要求1至6任一项所述的管件冲蚀速率计算方法。
CN202010139081.9A 2020-03-03 2020-03-03 一种管件冲蚀速率计算方法、装置及服务器 Pending CN111339718A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010139081.9A CN111339718A (zh) 2020-03-03 2020-03-03 一种管件冲蚀速率计算方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010139081.9A CN111339718A (zh) 2020-03-03 2020-03-03 一种管件冲蚀速率计算方法、装置及服务器

Publications (1)

Publication Number Publication Date
CN111339718A true CN111339718A (zh) 2020-06-26

Family

ID=71183924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010139081.9A Pending CN111339718A (zh) 2020-03-03 2020-03-03 一种管件冲蚀速率计算方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN111339718A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881619A (zh) * 2020-07-13 2020-11-03 成都鹦鹉螺大数据科技有限公司 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法
CN115859508A (zh) * 2022-11-23 2023-03-28 北京百度网讯科技有限公司 流场分析方法、元件模型生成方法、训练方法及装置
CN117803375A (zh) * 2024-02-26 2024-04-02 中海油田服务股份有限公司 管柱侧向多孔冲蚀损坏处理方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239659A (zh) * 2013-06-07 2014-12-24 中国石油天然气集团公司 一种bp神经网络的碳钢腐蚀速率预测方法
CN108595905A (zh) * 2017-10-25 2018-09-28 中国石油化工股份有限公司 一种基于bp神经网络模型的冲蚀失效定量预测方法
CN110807540A (zh) * 2018-08-06 2020-02-18 中国石油天然气股份有限公司 天然气管道内腐蚀速率的预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239659A (zh) * 2013-06-07 2014-12-24 中国石油天然气集团公司 一种bp神经网络的碳钢腐蚀速率预测方法
CN108595905A (zh) * 2017-10-25 2018-09-28 中国石油化工股份有限公司 一种基于bp神经网络模型的冲蚀失效定量预测方法
CN110807540A (zh) * 2018-08-06 2020-02-18 中国石油天然气股份有限公司 天然气管道内腐蚀速率的预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
喻西崇,赵金洲,邬亚玲: "利用BP神经网络预测注水管道的腐蚀速率", no. 01, pages 14 - 16 *
姚仁太等: "《计算流体力学基础与STAR-CD工程应用》", 30 June 2015, 国防工业出版社, pages: 16 - 26 *
范磊;梅驷俊;宗晨;吕瑞军;: "基于Fluent的岸边集装箱起重机外流场数值模拟", 起重运输机械, no. 06, 20 June 2018 (2018-06-20), pages 93 - 96 *
阮哲: "深水油气田海底混输管道冲蚀数值模拟研究", 《中国优秀硕士学位论文全文数据库（基础科学辑）》, 15 February 2019 (2019-02-15), pages 1 - 130 *
陈思维;徐春野;尚凡坤;刘德绪;龚金海;: "普光高含硫气田集输管道冲蚀规律及预测模型研究", no. 12, pages 32 - 34 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881619A (zh) * 2020-07-13 2020-11-03 成都鹦鹉螺大数据科技有限公司 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法
CN115859508A (zh) * 2022-11-23 2023-03-28 北京百度网讯科技有限公司 流场分析方法、元件模型生成方法、训练方法及装置
CN115859508B (zh) * 2022-11-23 2024-01-02 北京百度网讯科技有限公司 流场分析方法、元件模型生成方法、训练方法及装置
CN117803375A (zh) * 2024-02-26 2024-04-02 中海油田服务股份有限公司 管柱侧向多孔冲蚀损坏处理方法、装置、设备及介质
CN117803375B (zh) * 2024-02-26 2024-05-24 中海油田服务股份有限公司 管柱侧向多孔冲蚀损坏处理方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111339718A (zh) 一种管件冲蚀速率计算方法、装置及服务器
Avudaiappan et al. Potential flow simulation through lagrangian interpolation meshless method coding
Yousif et al. Physics-guided deep learning for generating turbulent inflow conditions
Khodaparast et al. Fuzzy finite element model updating of the DLR AIRMOD test structure
CN113361156B (zh) 一种基于sph方法的飞机水箱投汲水数值模拟方法
CN115062519A (zh) 一种水底管道局部冲刷地貌分析方法
Erzin et al. The use of neural networks for the prediction of the settlement of pad footings on cohesionless soils based on standard penetration test
Norooz et al. A review of one-dimensional unsteady friction models for transient pipe flow
Melchers Simulation in time-invariant and time-variant reliability problems
Rahmanshahi et al. A hybrid model for predicting the energy dissipation on the block ramp hydraulic structures
CN117313568A (zh) 耦合领域知识和深度学习的排水管道淤积病害诊断方法
Peng et al. Predicting solid-particle erosion rate of pipelines using support vector machine with improved sparrow search algorithm
Rajabi et al. Intelligent prediction of turbulent flow over backward-facing step using direct numerical simulation data
CN115809491A (zh) 一种核电领域颗粒物的沉积分析方法及装置
Moghaddas et al. Combined APSO-ANN and APSO-ANFIS models for prediction of pressure loss in air-water two-phase slug flow in a horizontal pipeline
Prado et al. A transient shear stress model for the analysis of laminar water-hammer problems
CN117634331A (zh) 一种基于量子计算模拟流体力学问题的系统及云平台
CN111625987B (zh) 一种基于深度学习的湍流模型生成方法
Corsini et al. Machine learnt synthetic turbulence for LES inflow conditions
Abbasnia et al. Improvements on bed‐shear stress formulation for pier scour computation
CN114386188A (zh) 一种基于克里金代理模型的核电蒸汽安全阀阀瓣的优化设计方法
CN114329966A (zh) 一种天然气管道远维控制系统健康度评价方法及系统
Basara et al. On the calculation of external aerodynamics: Industrial Benchmarks
CN116975969B (zh) 爆炸荷载下混凝土坝裂缝扩展实时定位与损伤量化方法及系统
Soleiman Beygi et al. Simulation of free surface flows using volume of fluid method and genetic algorithm

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