CN112949190A - 基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法 - Google Patents
基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法 Download PDFInfo
- Publication number
- CN112949190A CN112949190A CN202110249428.XA CN202110249428A CN112949190A CN 112949190 A CN112949190 A CN 112949190A CN 202110249428 A CN202110249428 A CN 202110249428A CN 112949190 A CN112949190 A CN 112949190A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- random
- crack defect
- reliability
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于R6‑FAD和BP‑MCS的含裂纹缺陷管道的模糊随机可靠度评估方法,该方法基于R6规范的失效评定图,将BP神经网络和蒙特卡洛模拟结合起来应用于带裂纹缺陷管道的模糊随机可靠度评估。主要包括:步骤1:输入实际工况载荷、裂纹缺陷尺寸、材料性能的概率分布类型及参数以及最大模拟次数N,建立模糊极限状态方程;步骤2:确定基本参数,构建初始化BP神经网络;步骤3:训练神经网络,保证能够较好逼近模糊极限状态方程;步骤4:随机抽样,运用蒙特卡洛原理计算失效概率及可靠度指标。本发明可以简化模糊可靠度随机化过程并得到模拟精度较高的数值解;同时考虑了结构的模糊随机耦合不确定性,更加符合工程实际,对结构的安全评估具有指导意义。
Description
技术领域
本发明涉及一种含裂纹缺陷管道的模糊随机可靠度评估方法。
背景技术
油气管道裂纹缺陷扩展会导致其发生断裂破坏,直接影响管道的安全运营。因此对含裂纹缺陷的管道进行可靠性分析具有重要意义。自20世纪70年代起,可靠性工程学就已逐渐应用于管道评定技术中。国内外也开始建立并逐渐完善相应的评定规范。经过不断改进和发展,目前最常用的有R6,BS7910和SINTAP。概率断裂分析只考虑参数的随机性,将一些变量视为服从某种统计规律的随机变量的断裂分析。而在实际工程设计中,变量通常同时具有随机和模糊两种不确定性因素,故在研究结构可靠性过程中应当引入模糊数学理论,研究模糊随机耦合不确定性条件下的结构可靠度。再者,目前基于R6规范的结构模糊-随机耦合可靠度的研究很少。传统的度量结构处于可靠性状态的程度的方法就是计算评定点的安全裕量。通过安全裕量的大小反应结构安全(可靠)程度或者接近失效的程度。但R6规范并没有给出安全裕量的统一取值。
发明内容
本发明目的是为了解决油气管道的断裂失效模式以及失效分析过程中存在的模糊和随机耦合不确定性问题,提供了一种基于R6规范的失效评定图,结合BP神经网络和蒙特卡洛模拟求解带裂纹缺陷管道模糊随机可靠度及其安全评估的方法。
本发明所采用的技术方案是:
本发明一种基于R6-FAD和BP-MCS的含裂纹缺陷管道的模糊随机可靠度评估方法,其特征在于,所述方法包括如下主要步骤:步骤1:输入管道内压及其他实际工况载荷、裂纹缺陷尺寸以及材料性能的概率分布类型及参数以及最大模拟次数N,建立模糊极限状态方程;步骤2:数据预处理,确定基本参数,构建初始化BP神经网络;步骤3:训练神经网络,当能够较好逼近模糊极限状态方程Z~=0时,执行步骤4,否则,返回步骤2重新调试网络;步骤4:随机抽样,输入训练后的BP神经网络,运用蒙特卡洛原理计算出失效概率Pf以及可靠度指标β。
本发明的优点:可以简化模糊可靠度随机化过程并且得到模拟精度较高的数值解;同时考虑了结构的模糊和随机耦合不确定性,更加符合工程实际,对结构的安全评估具有指导意义。
附图说明
图1是本发明一种基于R6-FAD和BP-MCS的含裂纹缺陷管道的模糊随机可靠度计算流程图。图1中:步骤S1属于原始材料数据输入环节;步骤S2和S3属于模糊随机化数据处理过程;步骤S4和S5属于可靠度指标求解以及基于R6-FAD的结构安全性评估流程。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示,本发明一种基于R6-FAD和BP-MCS的含裂纹缺陷管道的模糊随机可靠度评估方法,详细步骤:步骤S1:输入管道内压及其他实际工况外载荷、裂纹缺陷尺寸以及材料性能的概率分布类型及参数以及最大模拟次数N,建立模糊极限状态方程;步骤S2:数据预处理,确定基本参数,构建初始化BP神经网络;步骤S3:训练神经网络,当能够较好逼近模糊极限状态方程时,执行步骤S4,否则,返回步骤S2重新调试网络;步骤S4:计j=1,M=0,生成[0,1]区间均匀分布随机数F(xij),由这些随机数从各给定的概率分布函数,得到一组随机数(x1j,x2j,…,xnj),并计算g(Lr,Kr),若g(Lr,Kr)<0,计M=M+1;步骤S5:判断j是否达到最大模拟次数N,若是,计算失效概率Pf以及可靠度指标β。否则,返回步骤S4继续。
Claims (1)
1.一种基于R6-FAD和BP-MCS的含裂纹缺陷管道的模糊随机可靠度评估方法,其特征在于,所述方法包括如下步骤:步骤S1:输入管道内压及其他实际工况外载荷、裂纹缺陷尺寸以及材料性能的概率分布类型及参数以及最大模拟次数N,建立模糊极限状态方程;步骤S2:数据预处理,确定基本参数,构建初始化BP神经网络;步骤S3:训练神经网络,当能够较好逼近模糊极限状态方程时,执行步骤S4,否则,返回步骤S2重新调试网络;步骤S4:计j=1,M=0,生成[0,1]区间均匀分布随机数F(xij),由这些随机数从各给定的概率分布函数,得到一组随机数(x1j,x2j,…,xnj),并计算g(Lr,Kr),若g(Lr,Kr)<0,计M=M+1;步骤S5:判断j是否达到最大模拟次数N,若是,计算失效概率Pf以及可靠度指标β,否则,返回步骤S4继续。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249428.XA CN112949190A (zh) | 2021-03-08 | 2021-03-08 | 基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249428.XA CN112949190A (zh) | 2021-03-08 | 2021-03-08 | 基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949190A true CN112949190A (zh) | 2021-06-11 |
Family
ID=76230007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110249428.XA Pending CN112949190A (zh) | 2021-03-08 | 2021-03-08 | 基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949190A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468757A (zh) * | 2021-07-16 | 2021-10-01 | 西南石油大学 | 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183249A (zh) * | 2007-11-26 | 2008-05-21 | 天津大学 | 一种燃气管网事故预警方法 |
CN105653794A (zh) * | 2015-12-30 | 2016-06-08 | 北京航空航天大学 | 一种含初始缺陷矩形板结构的时变可靠性设计方法 |
CN106251001A (zh) * | 2016-07-18 | 2016-12-21 | 南京工程学院 | 一种基于改进模糊聚类算法的光伏功率预测方法 |
CN108920421A (zh) * | 2018-06-15 | 2018-11-30 | 西安建筑科技大学 | 一种点腐蚀作用下油气管道系统的随机失效概率评估方法 |
WO2019201177A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤监测方法和系统 |
CN111444588A (zh) * | 2018-12-28 | 2020-07-24 | 中国石油化工股份有限公司 | 一种基于应变的管道环焊缝可靠性评价方法 |
-
2021
- 2021-03-08 CN CN202110249428.XA patent/CN112949190A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183249A (zh) * | 2007-11-26 | 2008-05-21 | 天津大学 | 一种燃气管网事故预警方法 |
CN105653794A (zh) * | 2015-12-30 | 2016-06-08 | 北京航空航天大学 | 一种含初始缺陷矩形板结构的时变可靠性设计方法 |
CN106251001A (zh) * | 2016-07-18 | 2016-12-21 | 南京工程学院 | 一种基于改进模糊聚类算法的光伏功率预测方法 |
WO2019201177A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤监测方法和系统 |
CN108920421A (zh) * | 2018-06-15 | 2018-11-30 | 西安建筑科技大学 | 一种点腐蚀作用下油气管道系统的随机失效概率评估方法 |
CN111444588A (zh) * | 2018-12-28 | 2020-07-24 | 中国石油化工股份有限公司 | 一种基于应变的管道环焊缝可靠性评价方法 |
Non-Patent Citations (3)
Title |
---|
俞树荣 等: "人工神经网络与失效评定图在压力容器安全评定中的应用", 《化工机械》 * |
段楠 等: "用蒙特卡洛法计算可靠度时模拟次数的选择", 《煤矿机械》 * |
王磊: "一种虑模糊性与随机性的既有RC梁桥时变可靠性研究方法", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468757A (zh) * | 2021-07-16 | 2021-10-01 | 西南石油大学 | 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782144B (zh) | 一种重金属污染土壤固化/稳定化修复效果的评价方法 | |
CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
CN104915779A (zh) | 基于贝叶斯网络的抽样试验设计方法 | |
CN101847834A (zh) | 电站小样本及无失效数据部件失效率的可靠性评估方法 | |
CN113468757B (zh) | 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法 | |
CN112949190A (zh) | 基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法 | |
Zhang et al. | Reliability analysis of structures based on a probability‐uncertainty hybrid model | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
CN111539142B (zh) | 一种管道裂纹扩展驱动力计算方法及系统 | |
CN115081287A (zh) | 基于结构易损性理论滑坡作用下输气管道的评价方法 | |
CN117877646B (zh) | 基于不同评价指标的轮轨材料滚动接触疲劳损伤预测方法 | |
CN114021078A (zh) | 一种大坝监测量最佳统计模型优选方法 | |
CN117874955A (zh) | 一种基于有限元分析的齿轮寿命疲劳预测方法 | |
CN113785186B (zh) | 蠕变强度分析考核方法与计算机设备 | |
CN112489194A (zh) | 在三维场景下台账信息和锅炉四管信息的展现方法及系统 | |
Liu et al. | A modeling method of stochastic parameters’ inverse gauss process considering measurement error under accelerated degradation test | |
Wu et al. | Assessment for integrity of structures containing defects | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
CN115640652A (zh) | 一种轴向柱塞泵剩余寿命预测方法 | |
Jiang et al. | A dynamic failure mode and effect analysis (FMEA) method for CNC machine tool in service | |
CN109784590B (zh) | 一种基于cagm(1,1)-bpnn的在役油气管道腐蚀预测方法 | |
CN113822538A (zh) | 基于ahp-critic中小型土石坝运行评估方法 | |
CN112241843A (zh) | 一种带腐蚀缺陷油套管剩余强度评价方法 | |
CN111341396A (zh) | 一种大气环境对材料腐蚀安全评估方法及系统 | |
CN114491911A (zh) | 管道可靠度评估方法、装置、设备及可读存储介质 |
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: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |