CN112032578A - 一种管道中腐蚀点的参数测量方法及其设备 - Google Patents

一种管道中腐蚀点的参数测量方法及其设备 Download PDF

Info

Publication number
CN112032578A
CN112032578A CN202011067309.4A CN202011067309A CN112032578A CN 112032578 A CN112032578 A CN 112032578A CN 202011067309 A CN202011067309 A CN 202011067309A CN 112032578 A CN112032578 A CN 112032578A
Authority
CN
China
Prior art keywords
trained
corrosion
code
training samples
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.)
Granted
Application number
CN202011067309.4A
Other languages
English (en)
Other versions
CN112032578B (zh
Inventor
李焰
蒋涛
姚万鹏
吴承昊
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 East China
Original Assignee
China University of Petroleum East China
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 East China filed Critical China University of Petroleum East China
Priority to CN202011067309.4A priority Critical patent/CN112032578B/zh
Publication of CN112032578A publication Critical patent/CN112032578A/zh
Application granted granted Critical
Publication of CN112032578B publication Critical patent/CN112032578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • 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
    • G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本说明书实施例公开了一种管道中腐蚀点的参数测量方法及其设备。与现有技术相比，相较于传统的点蚀信号的计算方法，本方案首先基于实际中腐蚀点的参数，建立多个训练样本，训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签，并且基于训练样本来调整神经网络的初始权值和阈值，并根据调整后的初始权值和阈值实现对神经网络模型的训练，在训练得到目标模型之后，即可以基于待预测的腐蚀点的电场指纹特征值和所述目标模型直接预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。

Description

一种管道中腐蚀点的参数测量方法及其设备
技术领域
本说明书涉及工程控制领域，尤其涉及一种管道中腐蚀点的参数测量方法及其设备。
背景技术
在石油管道、炼化工业、桥梁监测等工程应用中，依据被测对象表面微小的电场特征变化，对金属结构的缺陷、裂纹、腐蚀以及他们的扩展情况进行高精度检测，是一种已经被广泛应用的技术。
但是，在实际应用中，对于腐蚀点的确定和数据解析时面临蚀坑参数的多值性问题，即检测区域内小面积、大深度的蚀坑与大面积、小深度的蚀坑具有相同的特征。同时，传统方案中还不能直接给出对于蚀坑的半径预测。
基于此，需要一种更为准确的管道中腐蚀点的参数测量方案。
发明内容
本发明的目的在于，提供一种更为准确的管道中腐蚀点的参数测量方案。
为解决上述技术问题，本发明采用如下技术方案，一种管道中腐蚀点的参数测量方案，所述方法包括：
获取包含多个训练样本的集合，其中，所述训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签；
根据所述集合中的训练样本，对神经网络模型的参数的初始值进行调整，得到所述参数的目标初始值，其中，所述参数的初始值包括神经网络中输入层与隐含层之间的初始权值、隐含层与输出层之间的初始权值、隐含层神经元的初始阈值或者输出层神经元的初始阈值中的至少一个；
根据所述集合中的训练样本，对包含所述参数的目标初始值的神经网络模型进行训练，当达到预设的训练截止条件时，确定此时的神经网络模型为目标模型；
获取待预测的腐蚀点的电场指纹特征值，基于所述目标模型预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。
本申请实施例还提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前述任一项所述的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
与现有技术相比，相较于传统的点蚀信号的计算方法，本方案首先基于实际中腐蚀点的参数，建立多个训练样本，训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签，并且基于训练样本来调整神经网络的初始权值和阈值，并根据调整后的初始权值和阈值实现对神经网络模型的训练，在训练得到目标模型之后，即可以基于待预测的腐蚀点的电场指纹特征值和所述目标模型直接预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。本申请的方案中可以直接确定出点蚀的腐蚀深度h和腐蚀半径r，并且反演算法误差较小，检测精度更高，适应于危险性较高、需要重点监控的工程中的敏感管道中。
附图说明
图1a为本申请实施例所涉及的一种系统的正面示意图；
图1b为本申请实施例所涉及的一种系统的截面示意图；
图2为本申请实施例所提供的一种管道中腐蚀点的参数测量的流程示意图；
图3为本申请所训练得到的目标模型的回归系数R值的示意图；
图4为本申请所提供的神经网络模型的训练以及应用的流程示意图；
图5a为本申请实施例所提供的对于已确定腐蚀点的半径r的相对误差直方图；
图5b为本申请实施例所提供的对于已确定腐蚀点的深度h的相对误差直方图；
图6a为本申请的方案与传统方案对于腐蚀点的半径反演数据对比图；
图6b为本申请的方案与传统方案对于腐蚀点的深度的反演数据对比图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。
本申请是基于神经网络模型的训练来得到目标模型，进而基于目标模型来预测一个已经确定发生了腐蚀的腐蚀点的参数(即腐蚀深度h和腐蚀半径r)。神经网络模型的训练可以分为两个方面：第一方面，获得训练样本；第二方面，基于训练样本对于模型的参数进行训练。
在神经网络模型的训练中，获取训练样本是最为基础的一步。不同的训练样本得到的模型即很有可能不相同。本申请中的训练样本对应于预先被确定的腐蚀点，在训练样本中以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签。
以下结合附图对本申请的方案进行说明。如图2所示，图2为本申请实施例所提供的一种管道中腐蚀点的参数测量的流程示意图，包括：
S201，获取包含多个训练样本的集合，其中，所述训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签。
首先，本申请是应用于表面已经被设置了多个电极的可能发生腐蚀的管道中。
电极可以根据实际需要以各种形式被设置于管道表面，多个电极可以是以均匀分布的阵列式被设置于管道的表面。例如对于一个4*7的电极阵列，其设置方式参见图1a和图1b中。如图1a所示，图1a为本申请实施例所涉及的一种系统的正面示意图。从正面上看，管道上每隔20nm即设置了一个电极。图中单位均为mm，340、360表示电极矩阵X的坐标值(管道左侧横截面圆中心为坐标原点)，数字20表示每个电极矩阵电极点的间隔距离，数字①-⑥表示由7个电极所对应的6个电极对。
图1b为本申请实施例所涉及的一种系统的截面示意图。从管道的横截面上看，管道上每隔管道外表面20mm弧长被设置了一个电极。截面图圆中心点为坐标原点，横向为Y坐标轴，纵向为Z坐标轴，图中的数字代表电极矩阵电极的(y，z)坐标，数字①-④表1-4行电极行。
进而，可以在管道还没有任何损伤的时候即对各电极进行电场特征(包括各电极的电压、电流等等)的测量，从而得到无缺陷管道的电场特征，并作为多个电极所对应的标准特征值。
以电压为例，可以确定在无损管道时的各电极的电压作为标准电压，并且确定相邻的两个电极所组成的电极对所对应标准电压差作为该电极对的标准特征值，逐一计算多个电极对，即可以得到多个电极所对应的标准特征值。假设一个电极阵列为N*M的电极阵列的矩阵，那么容易知道，对应存在N*(M-1) 组电极对，即标准特征值可以是一个N*(M-1)的矩阵。
具体而言，即针对第i个电极对，可以采用如下方式确定电场指纹特征值 FCi，
Figure BDA0002714153120000041
其中，U1为第i个电极对的标准特征值，U2为第i个电极对的测量特征值，k为预设的放大系数，例如k＝1000。
进而，基于前述方式，可以设置不同的腐蚀深度及半径的尺寸变化，提取电压计算得到在不同的腐蚀情形下的腐蚀点的电场指纹特征(Fingerprint Coefficients，FC)，并建立点蚀尺寸参数与FC值分布一一对应的关系数据库。从而得到包含多个训练样本的集合。
例如，以腐蚀点的深度h变化范围为1.5.00～4.00mm，步长为0.05mm；腐蚀点的半径r变化范围为1.5～4.0mm，步长为0.05mm。数据库共包括2601 个的训练样本，如表1所示，每个训练样本中包含点蚀形态参数和FC值等2 类参数，其中，点蚀形态参数包括深度h以及半径r，而FC值可以包括点蚀发生位置处及其周围8个相邻电极对(即左L、右R、上U、下B、左上LU、右上RU、左下LB和右下RB)的FC值。
表1样本数据表
Figure BDA0002714153120000051
模拟过程中未改变点蚀发生的空间位置，仅考察点蚀形态参数与FC值的不同。从而，通过这种方式得到了2601个训练样本，当然，在实际应用中，可以根据需要，设置不同的点蚀尺寸参数，而得到更多的训练样本，训练样本越多，训练得到的目标模型就越不容易发生过拟合，泛化性能就越好，
S203，根据所述集合中的训练样本，对神经网络模型的参数的初始值进行调整，得到所述参数的目标初始值，其中，所述参数的初始值包括神经网络中输入层与隐含层之间的初始权值、隐含层与输出层之间的初始权值、隐含层神经元的初始阈值或者输出层神经元的初始阈值中的至少一个。
在本申请中，首先确定神经网络模型的拓扑结构为包含多个输入层节点数、隐含层节点数和输出层节点数的神经网络模型，具体而言，隐含层确定为 1层，神经元个数为9个；隐含层传递函数为正切S型传递函数，输出层的传递函数为线性函数；训练函数设置为最速下降BP算法，目标误差为0.001，最大训练次数设置为100次。
由于在神经网络进行模型训练时，包含的多个参数的初始值都是随机的，参数的初始值包括神经网络中输入层与隐含层之间的初始权值、隐含层与输出层之间的初始权值、隐含层神经元的初始阈值或者输出层神经元的初始阈值中的至少一个。因此，还可以预先根据训练样本对神经网络的参数的初始值进行调整。
具体而言，在确定了网络的拓扑结构之后，即可以生成包含与所述参数一一对应的编码片段的待训练编码，并对待训练编码进行实数编码，从而将如何得到较优的初始值的问题，转换为如何得到较优的待训练编码的问题。
根据神经网络的拓扑结构，在本申请中对所述待训练编码采用实数编码，其中，所述待训练编码的长度根据所述神经网络模型的拓扑形式确定：S＝n1× n2+n2×n3+n2+n3，其中，n1为所述神经网络模型的输入层节点数、n2为隐含层节点数、n3为输出层节点数，S为待训练编码的长度。
每个待训练编码为一个实数串，由神经网络模型的所有参数(包括权值和阈值)所对应的编码片段组成。例如，当n1＝9，n2＝9，n3＝2时，即网络为9-9-2 的结构时，待训练编码的长度为110。在最初设置待训练编码时，可以预先设置一个包含多个待训练编码的集合，并对集合中的各待训练编码基于各权值和阈值的可能范围，在所述可能范围内对多个待训练编码分别进行不同的编码。
在调整时，根据包含所述待训练编码所对应的参数的神经网络模型，对所述训练样本预测输出数据，确定目标函数
Figure BDA0002714153120000061
其中，Ojk为第j个训练样本在第k个输出层节点的预测值；Yjk为第j个训练样本在第k个输出层节点的期望输出，n为训练样本数量，n3输出节点数，K0为预定义的常数，例如K0＝1/2。
由于训练的进化是朝着适应度大的方向，因此，将目标函数的倒数作为适应度函数F＝E—1，用于确定每个待训练编码的适应度。
从而可以基于适应度来对于每个待训练编码进行随机选择，每个待训练编码被选中的概率为
Figure BDA0002714153120000071
其中，Fi为第i个待训练编码的适应度，可以看到，待训练编码的适应度越大，则被选中的概率越大。
进而，还可以在待训练编码的编码集合中随机选取两个待训练编码进行如下交叉操作，生成新的待训练编码：
Figure BDA0002714153120000072
其中，
Figure BDA0002714153120000073
和
Figure BDA0002714153120000074
为随机选取的第i个和第j个待训练编码，
Figure BDA0002714153120000075
和
Figure BDA0002714153120000076
为生成的新的待训练编码；β为 [0，1]之间的均匀分布的随机数，t为交叉操作的次数，l为所述第i个和第j 个待训练编码交换编码的起始位置。
例如，当l＝50时，被随机选取的两个长度为110的待训练编码，即可以互相交换其50至110位的编码。
以及，还可以在待训练编码中进行变异操作，变异操作可以实现局部的随机搜索加速向最优解收敛，保持待训练编码的多样性。具体而言，可以确定变异的待训练编码中的参数所对应的编码片段的取值范围(编码片段实际上对应了某个权值或者阈值)为[xmin，xmax]，对发生变异的待训练编码进行变异操作：
Figure BDA0002714153120000077
其中，
Figure BDA0002714153120000078
Figure BDA0002714153120000079
为变异后的待训练编码，
Figure BDA00027141531200000710
为变异前的待训练编码，g为当前迭代次数；Gmax为最大进化迭代次数；λ、η为[0，1]之间的均匀分布随机数。
在经过前述设方式可以得到适应度最高的待训练编码，从而将该待训练编码中的编码片段所对应的权值和阈值确定为目标模型中各参数的目标初始值，包括目标初始权值和目标初始阈值。
由于一般神经网络模型的初始权值和阈值是随机的，通过前述方式进行选择、交叉、变异等操作可以寻找相对于训练样本全局的最优适应度并赋值给神经网络模型，从而可以优化神经网络模型的参数的初始值，进而提高其训练精度。
S205，根据所述集合中的训练样本，对包含所述参数的目标初始值的神经网络模型进行训练，当达到预设的训练截止条件时，确定此时的神经网络模型为目标模型。
如图3所示，图3为本申请所训练得到的目标模型的回归系数R值的示意图，训练后的R值非常接近于1，R值表征目标模型对于训练样本集合的标签预测值与真实值的一致性程度，R值越接近1，说明神经网络的训练结果,越较理想。
进一步地，还可以基于表1中的已确定腐蚀点对目标模型进行误差检验，如图5a和图5b所示，图5a为本申请实施例所提供的对于已确定腐蚀点的半径r的相对误差直方图，图5b为本申请实施例所提供的对于已确定腐蚀点的深度h的相对误差直方图，二者皆呈对称分布。
本申请所得到的目标模型在检验中，腐蚀点的深度h和腐蚀点的半径r的相对误差小于3％的样本占比分别为96.8％和99.1％，明显优于常规方法；点蚀形态参数的绝对误差绝大多数情况下小于0.15mm，并且腐蚀点的深度和半径的最大绝对误差分别小于0.16mm(±1.6％管道厚度，Wall Thickness，WT，) 和0.10mm(±1％WT)，远超管道实际检测时的精度要求。
S207，获取待预测的腐蚀点的电场指纹特征值，基于所述目标模型预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。
在确定了目标模型之后，即可以将目标模型部署至系统中，并且随时将检测得到待预测的腐蚀点的电场指纹特征值作为目标模型的输入，从而目标模型可以直接输入该待预测的腐蚀点的腐蚀深度h和腐蚀半径r。参见图4，图4 为本申请所提供的神经网络模型的训练以及应用的流程示意图。
与现有技术相比，相较于传统的点蚀信号的计算方法，本方案首先基于实际中腐蚀点的参数，建立多个训练样本，训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签，并且基于训练样本来调整神经网络的初始权值和阈值，并根据调整后的初始权值和阈值实现对神经网络模型的训练，在训练得到目标模型之后，即可以基于待预测的腐蚀点的电场指纹特征值和所述目标模型直接预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。本申请的方案中可以直接确定出腐蚀半径r，并且反演算法误差较小，检测精度更高，适应于危险性较高、需要重点监控的工程中的敏感管道中
进一步地，本申请实施例还基于国家标准GB/T 18590-2001金属和合金的腐蚀-点蚀评定方法中关于点蚀的评价等级，制备了含有人造点蚀的参考试样，并将前述方法应用在该参考试样中进行了检测。
试样材质为20号碳钢，长度为600mm，宽度为200mm，厚度为10mm。在参考试样的一侧制作了4个符合该标准不同评价等级的椭球状点蚀坑，在把规定的蚀坑面积换算成半径后，将点蚀坑的形态参数列于表2中。参考试样的另一侧布置采集电极矩阵，采集电极间距为20mm×20mm。
将参考试样连接电场指纹腐蚀检测系统中，进行数据采集,检测获得的四个人造点蚀坑的信号特征值亦如表2所示。
表2人造腐蚀点位置、尺寸及特征信号数据表
Figure BDA0002714153120000091
Figure BDA0002714153120000101
进一步地，以所述FCMax及其附近的FC值作为本申请的目标模型的输入，并确定得到4个腐蚀点各自对应的腐蚀点的半径和腐蚀点的深度分别为表2中所示。
如图6a和6b所示。图6a为本申请的方案与传统方案对于腐蚀点的半径反演数据对比图，图6b为本申请的方案与传统方案对于腐蚀点的深度的反演数据对比图。
由于传统的点蚀计算方法只计算腐蚀深度，所以图6a中没有给出用于对比的蚀坑半径反演数据。可以看出，本申请所预测得到的点蚀尺寸都与实际情况非常接近，且明显优于传统计算方法；最大相对误差(p1处)为6％，但绝对误差仅为0.06mm，相当于0.6％WT。因为点蚀尺寸非常小，采集到低电平信号易受外界干扰，故相对误差较高；而当点蚀变大时，这一情况得到明显改善。
对应的，本申请实施例还提供一种计算机设备，所述设备包括包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前所述的管道中腐蚀点的参数测量方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和介质类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，这里就不再一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤或模块可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

Claims (10)

1.一种管道中腐蚀点的参数测量方法，包括：
获取包含多个训练样本的集合，其中，所述训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签；
根据所述集合中的训练样本，对神经网络模型的参数的初始值进行调整，得到所述参数的目标初始值，其中，所述参数的初始值包括神经网络中输入层与隐含层之间的初始权值、隐含层与输出层之间的初始权值、隐含层神经元的初始阈值或者输出层神经元的初始阈值中的至少一个；
根据所述集合中的训练样本，对包含所述参数的目标初始值的神经网络模型进行训练，当达到预设的训练截止条件时，确定此时的神经网络模型为目标模型；
获取待预测的腐蚀点的电场指纹特征值，基于所述目标模型预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。
2.如权利要求1所述的方法，所述腐蚀点的电场指纹特征值，通过如下方式得到：
确定管道中的腐蚀点所对应的两个电极所组成的电极对；
获取所述电极对中的两个电极的电压差，将所述电压差确定为所述电极对的测量特征值；
根据所述电极对所对应的测量特征值和预设的标准特征值确定该电极对的电场指纹特征；
将该电极对的电场指纹特征确定为所述腐蚀点的电场指纹特征。
3.如权利要求2所述的方法，根据所述电极对所对应的测量特征值和预设的标准特征值确定该电极对的电场指纹特征，包括：
针对第i个电极对，采用如下方式确定电场指纹特征FCi，
Figure FDA0002714153110000011
其中，U2为第i个电极对的测量特征值，U1为第i个电极对的标准特征值，k为预设的放大系数。
4.如权利要求1所述的方法，根据所述集合中的训练样本，对神经网络模型的参数的初始值进行调整，包括：
确定包含多个待训练编码的编码集合，所述待训练编码中包含与所述参数一一对应的编码片段；
对所述待训练编码采用实数编码，确定所述待训练编码；
根据所述集合中的训练样本，对所述待训练编码进行调整，根据调整后的待训练编码得到所述参数的目标初始值；
其中，所述待训练编码的长度根据所述神经网络模型的拓扑形式确定：S＝n1×n2+n2×n3+n2+n3，其中，n1为所述神经网络模型的输入层节点数、n2为隐含层节点数、n3为输出层节点数，S为待训练编码的长度。
5.如权利要求4所述的方法，根据所述集合中的训练样本，对所述待训练编码进行调整，包括：
确定包含所述待训练编码所对应的参数的所述神经网络模型对于所述训练样本的预测输出和期望输出，确定目标函数
Figure FDA0002714153110000021
其中，Ojk为第j个训练样本在第k个输出层节点的预测值；Yjk为第j个训练样本在第k个输出层节点的期望输出；n为训练样本数量，K0为预定义的常数；
将所述目标函数的倒数确定为适应度函数F＝E—1，用于确定每个待训练编码的适应度。
6.如权利要求5所述的方法，根据所述集合中的训练样本，对所述待训练编码进行调整，包括：
确定每个待训练编码被选中的概率为
Figure FDA0002714153110000022
其中，Fi为第i个待训练编码的适应度。
7.如权利要求6所述的方法，根据所述集合中的训练样本，对所述待训练编码进行调整，包括：
从所述编码集合中随机选取两个待训练编码进行如下交叉操作，生成新的待训练编码：
Figure FDA0002714153110000031
其中，
Figure FDA0002714153110000032
和
Figure FDA0002714153110000033
为随机选取的第i个和第j个待训练编码，
Figure FDA0002714153110000034
和
Figure FDA0002714153110000035
为生成的新的待训练编码；β为[0，1]之间的均匀分布的随机数，t为交叉操作的次数，l为所述第i个和第j个待训练编码交换编码的起始位置。
8.如权利要求7所述的方法，根据所述集合中的训练样本，对所述待训练编码进行调整，还包括：
确定变异的待训练编码中的参数所对应的编码片段的取值范围为[xmin，xmax]，对发生变异的待训练编码进行变异操作：
Figure FDA0002714153110000036
其中，
Figure FDA0002714153110000037
Figure FDA0002714153110000038
为变异后的待训练编码，
Figure FDA0002714153110000039
为变异前的待训练编码，g为当前迭代次数；Gmax为最大进化迭代次数；λ、η为[0，1]之间的均匀分布随机数。
9.如权利要求1所述的方法，所述预设的训练截止条件包括：
对于所述神经网络模型的迭代次数达到预设次数；或者，
对于所述训练样本的标签的预测准确率达到预设阈值。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至9任一所述的方法。
CN202011067309.4A 2020-10-05 2020-10-05 一种管道中腐蚀点的参数测量方法及其设备 Active CN112032578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011067309.4A CN112032578B (zh) 2020-10-05 2020-10-05 一种管道中腐蚀点的参数测量方法及其设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011067309.4A CN112032578B (zh) 2020-10-05 2020-10-05 一种管道中腐蚀点的参数测量方法及其设备

Publications (2)

Publication Number Publication Date
CN112032578A true CN112032578A (zh) 2020-12-04
CN112032578B CN112032578B (zh) 2022-05-31

Family

ID=73573013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011067309.4A Active CN112032578B (zh) 2020-10-05 2020-10-05 一种管道中腐蚀点的参数测量方法及其设备

Country Status (1)

Country Link
CN (1) CN112032578B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797577A (zh) * 2023-06-27 2023-09-22 西咸新区康元燃气有限公司 天然气管道腐蚀速率的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063588A (zh) * 2014-06-12 2014-09-24 东北大学 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法
CN104299032A (zh) * 2014-08-25 2015-01-21 国家电网公司 一种预测变电站接地网土壤腐蚀速率的方法
WO2018160331A1 (en) * 2017-02-28 2018-09-07 Microsoft Technology Licensing, Llc Multi-function unit for programmable hardware nodes for neural network processing
CN109034641A (zh) * 2018-08-10 2018-12-18 中国石油大学(北京) 管道缺陷预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063588A (zh) * 2014-06-12 2014-09-24 东北大学 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法
CN104299032A (zh) * 2014-08-25 2015-01-21 国家电网公司 一种预测变电站接地网土壤腐蚀速率的方法
WO2018160331A1 (en) * 2017-02-28 2018-09-07 Microsoft Technology Licensing, Llc Multi-function unit for programmable hardware nodes for neural network processing
CN109034641A (zh) * 2018-08-10 2018-12-18 中国石油大学(北京) 管道缺陷预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陶新鹏: "基于FSM的金属管道缺陷检测及应用研究", 《万方学位论文》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797577A (zh) * 2023-06-27 2023-09-22 西咸新区康元燃气有限公司 天然气管道腐蚀速率的预测方法
CN116797577B (zh) * 2023-06-27 2024-02-13 西咸新区康元燃气有限公司 天然气管道腐蚀速率的预测方法

Also Published As

Publication number Publication date
CN112032578B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN109255490B (zh) 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN109165421B (zh) 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN112032578B (zh) 一种管道中腐蚀点的参数测量方法及其设备
CN114841080A (zh) 一种基于bp神经网络和sd耦合的输气管道内腐蚀预测方法
CN113361090A (zh) 一种露天矿边坡位移量预测模型的建立方法
CN115640744A (zh) 一种油田集输管道外腐蚀速率预测方法
CN115271204A (zh) 一种基于高频智能巡检数据的路面性能动态预测方法
Zhi et al. Long-term prediction on atmospheric corrosion data series of carbon steel in China based on NGBM (1, 1) model and genetic algorithm
Wang et al. Damage identification of offshore jacket platforms in a digital twin framework considering optimal sensor placement
Zeng et al. Effects of size parameters of stepwise corrosion pit on stress concentration of steel and its computation model establishment
CN110674915B (zh) 基于改进粒子群算法的不规则管道缺陷的反演方法
CN117470967A (zh) 一种基于声发射感知的路面裂缝评价方法及系统
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
CN117150925A (zh) 一种水电工程高陡边坡岩体力学参数反分析方法
CN109784590B (zh) 一种基于cagm(1,1)-bpnn的在役油气管道腐蚀预测方法
CN112033890B (zh) 一种管道的腐蚀检测方法及其设备
CN114970813A (zh) 一种溶解氧浓度数据修复及预报方法
CN113361209A (zh) 一种高温合金表面缺陷磁异常定量分析方法
Akhtari-Goshayeshi et al. Prediction of Corrosion Rate for Carbon Steel in Soil Environment by Artificial Neural Network and Genetic Algorithm
CN113973403A (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
CN112649354A (zh) 一种多传感器测量金属管道腐蚀的综合评价方法
CN110794469A (zh) 基于最小地质特征单元约束的重力反演方法
CN110889249A (zh) 一种基于种群进化算法电阻率溶洞识别方法

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