CN113239504A - 一种基于优化神经网络的管道腐蚀缺陷预测方法 - Google Patents

一种基于优化神经网络的管道腐蚀缺陷预测方法 Download PDF

Info

Publication number
CN113239504A
CN113239504A CN202110734468.3A CN202110734468A CN113239504A CN 113239504 A CN113239504 A CN 113239504A CN 202110734468 A CN202110734468 A CN 202110734468A CN 113239504 A CN113239504 A CN 113239504A
Authority
CN
China
Prior art keywords
pipeline
neural network
corrosion
prediction model
iteration
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
CN202110734468.3A
Other languages
English (en)
Other versions
CN113239504B (zh
Inventor
贾文龙
杨帆
李长俊
吴瑕
宋硕硕
张员瑞
林友志
李晓宇
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202110734468.3A priority Critical patent/CN113239504B/zh
Publication of CN113239504A publication Critical patent/CN113239504A/zh
Application granted granted Critical
Publication of CN113239504B publication Critical patent/CN113239504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Pipeline Systems (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种基于优化神经网络的管道腐蚀缺陷预测方法，步骤如下：采集管道内腐蚀缺陷信息、输送介质条件、管道本体及运行参数；对数据进行集成、清理、转换，形成腐蚀缺陷数据训练和测试样本；初始化BP神经网络模型；基于隐含层神经元取值优化、有限储存BFGS算法和学习率自适应动态调整优化神经网络模型，通过样本训练、测试得到最优化神经网络预测模型；将待预测管道的输送介质条件、管道本体及运行参数等输入预测模型，预测得到管内腐蚀缺陷的环向分布和尺寸大小。本发明充分考虑了管道内腐蚀影响因素，优化神经网络结构、存储空间、迭代速度以及稳定性，为在役天然气管道剩余寿命预测、腐蚀失效风险评估以及修复等提供可靠的参考依据。

Description

一种基于优化神经网络的管道腐蚀缺陷预测方法
技术领域
本发明属于油气管道技术领域，尤其涉及一种基于优化神经网络的管道腐蚀缺陷预测方法。
背景技术
在石油与天然气工业中，腐蚀通常会引起管道表面形成大量的减薄、裂纹等缺陷，不但会降低管道承压能力，还易引发气体泄漏或爆炸等重大安全事故，严重威胁天然气管道本体安全。准确掌握在役天然气管道的腐蚀缺陷位置分布以及尺寸特征对于管道腐蚀失效风险评估、采取合理的修复措施都具有重要的指导意义。
目前，在役管道的腐蚀缺陷主要依靠漏磁检测、超声波检测以及涡流检测等技术手段来获取。虽然这种方式可为管道完整性评价提供大量的缺陷信息，真实反应管道本体的安全状态，但随着管道服役年限和检测频率的增加，管体缺陷的检测也将耗费更多的人力和财力。在开发的机理模型和经验模型中，现有方法主要应用于管道腐蚀速率和剩余寿命的预测，而影响管道腐蚀缺陷形成的因素众多、作用机理复杂，这类方法很难通过建立机理或经验模型来解决大量腐蚀缺陷的位置分布和尺寸预测问题。
随着我国油气管道数字化、智能化建设加快，在线监测、物联网、移动互联、人工智能等信息技术在管道输送中深度应用，为获得更全面的管道腐蚀信息和数据挖掘奠定了基础。在智能算法模型方面，已公布的一种管道缺陷预测方法及装置（CN 109034641 A）基于影响管道缺陷等级的多种特征数据和随机森林模型来预测管道的缺陷等级，该方法本质上是利用数据挖掘对管道缺陷风险等级进行判定，尚不能解决管道腐蚀缺陷的位置分布和尺寸的预测问题。人工神经网络以其强大的非线性映射能力、高度的自适应学习能力以及并行处理能力，特别适用于处理内部作用机制复杂的多因素关联问题。因此，如果能够整合输送介质条件、管道工艺参数、腐蚀缺陷信息等多源数据，基于人工神经网络方法深入挖掘这些数据的联系，则有望建立考虑多腐蚀影响因素的管道腐蚀缺陷预测方法。然而，人工神经网络预测模型的性能、精确性都与其网络结构、迭代寻优过程紧密相关。对于BP神经网络而言，其结构的设定至今没有形成完整的理论指导体系，特别是对于隐含层神经元数量，大多依靠经验设定，若数量设置过多会降低训练效率、出现过拟合现象，而设置过少，又可能导致算法不收敛。此外，传统BP神经网络模型普遍利用梯度下降法来更新网络的权重值和阈值，其迭代计算过程往往需要储存大量的高维矩阵，降低了算法的收敛速度；而学习率作为调节算法收敛速度的重要因素之一，取值过小同样会降低算法收敛速度，但取值太大又会引起神经网络模型的不稳定。
发明内容
本发明的目的是针对现有技术中管道腐蚀缺陷分布和尺寸预测方法的不足，充分考虑管道内腐蚀关联因素，提出一种基于优化神经网络的管道腐蚀缺陷预测方法。该发明对神经网络的结构、存储空间、迭代速度、稳定性方面进行优化，通过对大量管道腐蚀缺陷数据的深入挖掘，提供一种方便快捷、易于实现的管道腐蚀缺陷分布和尺寸的预测方法。
本发明是通过以下技术方案实现的：
上述的一种基于优化神经网络的管道腐蚀缺陷预测方法，包括以下步骤：
步骤一、采集管道内腐蚀缺陷信息及其所属管道的输送介质条件、管道本体及运行参数；
步骤二、对步骤一采集的数据进行集成、清理、转换处理，形成腐蚀缺陷数据训练和测试样本；
步骤三、BP神经网络预测模型初始化，设定模型结构及参数初值，包括确定输入层和输出层神经元参量、神经元激励函数、BP神经网络的权重和阈值初值、最大网络迭代次数；
步骤四、神经网络预测模型优化、训练和测试，包括基于隐含层神经元取值优化、有限储存BFGS算法和学习率自适应动态调整优化神经网络预测模型，并利用腐蚀缺陷数据训练和测试样本对模型进行训练、测试，得到最优化神经网络预测模型；
步骤五、根据步骤三确定的输入层神经元参量，将待预测管道的参数输入最优化神经网络预测模型，得到待预测管道内腐蚀缺陷的环向时钟分布、轴向长度、峰值深度占比。
一种基于优化神经网络的管道腐蚀缺陷预测方法，所述步骤一中，采集的管道内腐蚀缺陷信息包括缺陷的轴向长度、峰值深度占比、绝对距离、环向时钟方位；采集缺陷所属管道的输送介质条件包括液态水含量、Cl-、CO2和H2S浓度；采集的含腐蚀缺陷管道本体及运行参数包括管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度；
所述步骤二的具体过程如下：
S21，数据集成：将步骤一中采集的管道腐蚀缺陷信息与所属管道的输送介质条件、管道本体及运行参数进行逐一匹配、合并，形成腐蚀缺陷初始数据集；
S22，将腐蚀缺陷数初始数据集划分为两组，其中80%的数据作为初始训练样本，20%为初始测试样本；
S23，数据清理：a)缺失信息填补，对于初始训练样本和初始测试样本中缺失的管道腐蚀缺陷信息，分别采用该样本内同一管道的其他缺陷的样本数据的均值进行填充；b)离群数据剔除，对于样本内管道腐蚀缺陷信息的离群值，基于最小二乘法和正态分布假设对缺陷的轴向长度值拟合，确定其均值μ和标准差σ，剔除轴向长度分布在(0,μ+3σ)范围外的腐蚀缺陷及其匹配的所有数据；
S24，数据转换：先将经过数据清理后的管道缺陷时钟方位、管材两个变量的特征值转换为数值型数据；进一步地，为消除量纲的影响，对经过前述处理的所有训练样本和测试样本进行归一化处理，最终形成腐蚀缺陷数据训练和测试样本；进一步地，参数归一化的计算式为：
Figure 483887DEST_PATH_IMAGE002
，其中
Figure 193217DEST_PATH_IMAGE004
和x i 分别为转换前后的样本数值，x imin 和x imax 分别表示转换前样本中的最小值和最大值。
所述步骤三中，BP神经网络预测模型初始化，设定模型结构及参数初值的具体步骤包括：
S31，以液态水含量、Cl-、CO2、H2S浓度、管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度、缺陷的绝对距离参量作为输入层神经元；
S32，以缺陷的环向时钟方位、轴向长度、峰值深度占比作为输出层神经元；
S33，设定神经元激励函数f(x)：隐含层激励函数为tansig(x)，输出层激励函数为logsig(x)；
S34，为消除权重和阈值参数的相关性，利用Nguyen-Widrow方法确定神经网络预测模型权重
Figure 2910DEST_PATH_IMAGE006
和阈值
Figure 354257DEST_PATH_IMAGE008
初值，其中i表示神经网络第p层神经元，j表示第p+1层的神经元，记输入层、隐含层、输出层分别为神经网络第1、2、3层；在此基础上将隐含层至输出层的阈值设定为0，权重参数设定为1；最大网络迭代次数为1000。
所述步骤四中，神经网络预测模型优化、训练和测试的具体过程为：
S41，通过经验式
Figure 565796DEST_PATH_IMAGE010
确定隐含层神经元数量N hid ，其中，N in 为输入层神经单元个数，N out 为输出层神经单元个数，l为经验参数，初次迭代计算时l取1；
S42，训练参数初始化，包括设定允许误差
Figure DEST_PATH_IMAGE012AAAA
、初始正定矩阵
Figure 570661DEST_PATH_IMAGE014
为单位矩阵、最近迭代次数m=6、迭代指标k=0、误差下降梯度
Figure 8595DEST_PATH_IMAGE016
、学习率
Figure 163633DEST_PATH_IMAGE018
；
S43，将训练样本输入神经网络预测模型，计算当前迭代误差
Figure 370624DEST_PATH_IMAGE020
，其中
Figure 952915DEST_PATH_IMAGE022
和y n 分别为输出层第n个神经元的输出值和实测值；如果
Figure 471621DEST_PATH_IMAGE024
成立，则返回最优权重值
Figure 430349DEST_PATH_IMAGE026
，并执行步骤S48，否则继续执行下一步；
S44，调整当前迭代方向
Figure 757425DEST_PATH_IMAGE028
；仅当k≥1时，按以下方式调整学习率
Figure 776197DEST_PATH_IMAGE030
：计算系数
Figure 47778DEST_PATH_IMAGE032
，当η>0.01时，取
Figure 544619DEST_PATH_IMAGE034
（0<β<1）；当η<0时，取
Figure 460622DEST_PATH_IMAGE036
（2>γ>1）；
S45，更新权重值
Figure 650295DEST_PATH_IMAGE038
；
S46，当k>m时保留最近m次迭代的曲率信息
Figure 143593DEST_PATH_IMAGE040
和第(k-m+1)次迭代误差
Figure 444125DEST_PATH_IMAGE042
；当k≤m时保留最近k次曲率信息
Figure 214635DEST_PATH_IMAGE043
和第k次迭代误差
Figure 699843DEST_PATH_IMAGE045
，其中
Figure 821382DEST_PATH_IMAGE047
，
Figure 925605DEST_PATH_IMAGE049
；
S47，利用two-loop recursion算法更新误差下降梯度：
Figure 816200DEST_PATH_IMAGE051
，其中
Figure 206730DEST_PATH_IMAGE053
为海森近似矩阵；更新迭代指标k=k+1，转步骤S43；
S48，更新经验参数l=l+1，当l≤10时，转步骤S41；否则比较迭代误差
Figure 549987DEST_PATH_IMAGE054
、
Figure 457900DEST_PATH_IMAGE055
，以迭代误差最小确定隐含层神经元数N hid 以及相应模型为最优化神经网络预测模型；
S49，利用腐蚀缺陷数据测试样本对最优化神经网络预测模型进行精度测试，得到模型预测精度。
所述步骤五中，输入最优化神经网络预测模型的待预测管道参数具体包括液态水含量、Cl-、CO2、H2S浓度、管道服役时长、管材、管道内径、缺陷的绝对距离、管道输送流量、输送压力、输送温度。
本发明由于采取以上技术方案，可以达到以下有益效果：
（1）本发明方法提供的一种基于优化神经网络的管道腐蚀缺陷预测方法，首先结合经验方法和迭代误差最小化目标建立优化神经网络隐含层的神经元数量的框架，接着在算法框架内耦合了有限储存BFGS算法以调整神经网络权值、减小迭代过程所需的存储空间，在此过程中还引入了学习率自适应动态调整方法以保持神经网络迭代过程的稳定性、提高模型学习速率和精度；经上述优化后的神经网络预测模型实现了网络结构、存储空间、迭代速度、稳定性方面的改善，能够用于大量管道腐蚀缺陷数据的深入挖掘。
（2）本发明方法提供的一种基于优化神经网络的管道腐蚀缺陷预测方法，充分考虑了管道内液态水含量、Cl-、CO2和H2S浓度、管道服役时长、管材、管道输送流量、输送压力、输送温度等多种管道腐蚀关联因素对腐蚀缺陷分布和尺寸的影响；能够方便、快捷地预测在役天然气管道内大量腐蚀缺陷的环向时钟方位、轴向长度、峰值深度占比信息，克服了现有技术无法预测上述信息的不足，预测结果可为在役天然气管道剩余寿命的预测、管道腐蚀失效风险评估以及修复等提供可靠的参考依据，并在一定程度上降低天然气管道腐蚀缺陷的检测频率。
附图说明
图1是本发明实施例提供的一种基于优化神经网络的管道腐蚀缺陷预测方法步骤图。
图2是本发明实施例提供的神经网络结构图。
图3是本发明实施例提供的神经网络预测模型优化、训练和测试流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
参考图1，本发明实施例提供的一种基于优化神经网络的管道腐蚀缺陷预测方法，包括以下步骤：
步骤一、采集管道内腐蚀缺陷信息及其所属管道的输送介质条件、管道本体及运行参数；其中采集的管道内腐蚀缺陷信息包括缺陷的轴向长度、峰值深度占比、绝对距离、环向时钟方位；采集缺陷所属管道的输送介质条件包括液态水含量、Cl-、CO2和H2S浓度；采集的含腐蚀缺陷管道本体及运行参数包括管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度。
步骤二、对步骤一采集的数据进行集成、清理、转换处理，形成腐蚀缺陷数据训练和测试样本，具体实施步骤如下：
S21，数据集成：将步骤一中采集的管道腐蚀缺陷信息与所属管道的输送介质条件、管道本体及运行参数进行逐一匹配、合并，形成腐蚀缺陷初始数据集；本实施例中，集成后的部分数据见表1；
表1 集成后的部分数据
Figure 203002DEST_PATH_IMAGE057
S22，将腐蚀缺陷数初始数据集划分为两组，其中80%的数据作为初始训练样本，20%为初始测试样本；
S23，数据清理：a)缺失信息填补，对于初始训练样本和初始测试样本中缺失的管道腐蚀缺陷信息，分别采用该样本内同一管道的其他缺陷的样本数据的均值进行填充；b)离群数据剔除，对于样本内管道腐蚀缺陷信息的离群值，基于最小二乘法和正态分布假设对缺陷的轴向长度值拟合，确定其均值μ和标准差σ，剔除轴向长度分布在(0,μ+3σ)范围外的腐蚀缺陷及其匹配的所有数据；
S24，数据转换：先将经过数据清理后的管道缺陷时钟方位、管材两个变量的特征值转换为数值型数据，其中时钟方位特征值的分钟数按小时数转化，案例见表2；
表2 管道腐蚀缺陷所在时钟方位特征值转换
Figure 30013DEST_PATH_IMAGE059
其中管材特征值为离散型变量，采用独热编码技术进行转换，当清理后的数据集中含有Q种管材时，确定管材参数具有Q位编码，第Q种管材的第Q位标记为1，其余均标记为0，转换规则见表3；
表3 管材特征值转换
Figure 860565DEST_PATH_IMAGE061
进一步地，为消除量纲的影响，对经过前述处理的所有训练样本和测试样本进行归一化处理，最终形成腐蚀缺陷数据训练和测试样本；进一步地，参数归一化的计算式为：
Figure 41011DEST_PATH_IMAGE002
，其中
Figure 906199DEST_PATH_IMAGE004
和x i 分别为转换前后的样本数值，x imin和x imax 分别表示转换前样本中的最小值和最大值。
步骤三、BP神经网络预测模型初始化，设定模型结构及参数初值，包括确定输入层和输出层神经元参量、神经元激励函数、BP神经网络的权重和阈值初值、最大网络迭代次数，具体实施步骤包括：
S31，以液态水含量、Cl-、CO2、H2S浓度、管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度、缺陷的绝对距离参量作为输入层神经元，即神经网络结构图2中的x 1、x 2
Figure DEST_PATH_IMAGE063AA
x in ；
S32，以缺陷的环向时钟方位、轴向长度、峰值深度占比作为输出层神经元，即神经网络结构图2中的y 1、y 2、y 3；
S33，设定神经元激励函数f(x)：隐含层激励函数为tansig(x)，输出层激励函数为logsig(x)；
S34，为消除权重和阈值参数的相关性，利用Nguyen-Widrow方法确定神经网络预测模型权重
Figure 372952DEST_PATH_IMAGE064
和阈值
Figure 690801DEST_PATH_IMAGE065
初值，其中i表示神经网络第p层神经元，j表示第p+1层的神经元，记输入层、隐含层、输出层分别为神经网络第1、2、3层；在此基础上将隐含层至输出层的阈值设定为0，权重参数设定为1；最大网络迭代次数为1000。
步骤四、神经网络预测模型优化、训练和测试，包括基于隐含层神经元取值优化、有限储存BFGS算法和学习率自适应动态调整优化神经网络预测模型，并利用腐蚀缺陷数据训练和测试样本对模型进行训练、测试，得到最优化神经网络预测模型；
参考图3，所述步骤四中，神经网络预测模型优化、训练和测试的具体实施步骤如下：
S41，通过经验式
Figure 799572DEST_PATH_IMAGE066
确定隐含层神经元数量N hid ，其中，N in 为输入层神经单元个数，N out 为输出层神经单元个数，l为经验参数，初次迭代计算时l取1；
S42，训练参数初始化，包括设定允许误差
Figure DEST_PATH_IMAGE012AAAAA
、初始正定矩阵
Figure 988107DEST_PATH_IMAGE067
为单位矩阵、最近迭代次数m=6、迭代指标k=0、误差下降梯度
Figure 156921DEST_PATH_IMAGE068
、学习率
Figure 962066DEST_PATH_IMAGE069
；
S43，将训练样本输入神经网络预测模型，计算当前迭代误差
Figure 749893DEST_PATH_IMAGE071
，其中
Figure 324094DEST_PATH_IMAGE072
和y n 分别为输出层第n个神经元的输出值和实测值；如果
Figure 663808DEST_PATH_IMAGE073
成立，则返回最优权重值
Figure 690670DEST_PATH_IMAGE074
，并执行步骤S48，否则继续执行下一步；
S44，调整当前迭代方向
Figure 282188DEST_PATH_IMAGE075
；仅当k≥1时，按以下方式调整学习率
Figure 710896DEST_PATH_IMAGE076
：计算系数
Figure 221511DEST_PATH_IMAGE077
，当η>0.01时，取
Figure 735669DEST_PATH_IMAGE078
（0<β<1）；当η<0时，取
Figure 865299DEST_PATH_IMAGE079
（2>γ>1）；
S45，更新权重值
Figure 273147DEST_PATH_IMAGE080
；
S46，当k>m时保留最近m次迭代的曲率信息
Figure 95610DEST_PATH_IMAGE081
和第(k-m+1)次迭代误差
Figure 97064DEST_PATH_IMAGE082
；当k≤m时保留最近k次曲率信息
Figure 764805DEST_PATH_IMAGE083
和第k次迭代误差
Figure 292739DEST_PATH_IMAGE084
，其中
Figure 286102DEST_PATH_IMAGE085
，
Figure 509273DEST_PATH_IMAGE086
；
S47，利用two-loop recursion算法更新误差下降梯度：
Figure 511864DEST_PATH_IMAGE087
，其中
Figure 769670DEST_PATH_IMAGE088
为海森近似矩阵；更新迭代指标k=k+1，转步骤S43；
S48，更新经验参数l=l+1，当l≤10时，转步骤S41；否则比较迭代误差
Figure 527411DEST_PATH_IMAGE082
、
Figure 503457DEST_PATH_IMAGE084
，以迭代误差最小确定隐含层神经元数N hid 以及相应模型为最优化神经网络预测模型；
S49，利用腐蚀缺陷数据测试样本对最优化神经网络预测模型进行精度测试，得到模型预测精度。
步骤五、根据步骤三确定的输入层神经元参量，将待预测管道的参数输入最优化神经网络预测模型，得到待预测管道内腐蚀缺陷的环向时钟分布、轴向长度、峰值深度占比。本实施例中，将待预测管道的参数即液态水含量、Cl-、CO2、H2S浓度、管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度、缺陷的绝对距离输入最优化神经网络预测模型，得到待预测管道形成腐蚀缺陷的环向时钟方位、轴向长度、峰值深度占比信息，部分预测结果见表4所示，为便于描述和理解，该表中的输入参量和预测结果仍然保留归一化前的格式。
表4部分预测结果
Figure 778581DEST_PATH_IMAGE090
进一步地，表5给出了表4中预测结果的精度分析，其中环向时钟方位、轴向长度、峰值深度占比的预测值与实测值的相对偏差分别在0.8%~2.2.%，2.4%~9.7%，5.6%~8.9%范围内，在一定程度上反映了本方法的精确性。
表5 部分预测值的精度分析
Figure 484369DEST_PATH_IMAGE092
与现有技术相比，本发明具有以下有益效果：1）结合经验方法和迭代误差最小化目标优化隐含层的神经单元数量；2）在神经网络预测模型优化算法框架内耦合了有限储存BFGS算法以调整神经网络权值、减小迭代过程所需的存储空间，使模型更适用于处理大量的高维管道腐蚀缺陷数据；3）引入学习率自适应动态调整方法以保持神经网络迭代过程的稳定性、提高模型学习速率和精度；4）神经网络预测模型的优化和训练过程巧妙融合了上述三方面的改进，在优化隐含层神经元数量的同时节省了神经网络预测模型的存储空间，保障了模型学习过程的迭代速度和稳定性，使模型的整体性能得到提升；5）从应用的角度看，该方法充分考虑了管道内的液态水含量、Cl-、CO2和H2S浓度、管道服役年限、管材、管道输送流量、输送压力、输送温度等多种管道腐蚀关联因素对腐蚀缺陷形成的影响，能够方便、快捷地预测在役天然气管道腐蚀缺陷的环向时钟方位、长度以及深度信息，结果可为天然气管道剩余寿命预测、管道腐蚀失效风险评估以及管道修复提供基础数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于优化神经网络的管道腐蚀缺陷预测方法，其特征在于，包括以下步骤：
步骤一、采集管道内腐蚀缺陷信息及其所属管道的输送介质条件、管道本体及运行参数；采集的管道内腐蚀缺陷信息包括缺陷的轴向长度、峰值深度占比、绝对距离、环向时钟方位；采集缺陷所属管道的输送气质条件包括液态水含量、Cl-、CO2和H2S浓度；采集的含腐蚀缺陷管道本体及运行参数包括管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度；
步骤二、对步骤一采集的数据进行集成、清理、转换处理，形成腐蚀缺陷数据训练和测试样本；
步骤三、BP神经网络预测模型初始化，设定模型结构及参数初值，包括确定输入层和输出层神经元参量、神经元激励函数、BP神经网络的权重和阈值初值、最大网络迭代次数，具体步骤为：
S31，以液态水含量、Cl-、CO2、H2S浓度、管道服役时长、管材、管道内径、管道输送流量、输送压力、输送温度、缺陷的绝对距离参量作为输入层神经元；
S32，以缺陷的环向时钟方位、轴向长度、峰值深度占比作为输出层神经元；
S33，设定神经元激励函数f(x)：隐含层激励函数为tansig(x)，输出层激励函数为logsig(x)；
S34，为消除权重和阈值参数的相关性，利用Nguyen-Widrow方法确定神经网络预测模型权重
Figure 742472DEST_PATH_IMAGE002
和阈值
Figure 269269DEST_PATH_IMAGE004
初值，其中i表示神经网络第p层神经元，j表示第p+1层的神经元，记输入层、隐含层、输出层分别为神经网络第1、2、3层；在此基础上将隐含层至输出层的阈值设定为0，权重参数设定为1；最大网络迭代次数为1000；
步骤四、神经网络预测模型优化、训练和测试，包括基于隐含层神经元取值优化、有限储存BFGS算法和学习率自适应动态调整优化神经网络预测模型，并利用腐蚀缺陷数据训练和测试样本对模型进行训练、测试，得到最优化神经网络预测模型；
步骤五、根据步骤三确定的输入层神经元参量，将待预测管道的参数输入最优化神经网络预测模型，得到待预测管道内腐蚀缺陷的环向时钟分布、轴向长度、峰值深度占比；其中输入最优化神经网络预测模型的管道参数具体包括液态水含量、Cl-、CO2、H2S浓度、管道服役时长、管材、管道内径、缺陷的绝对距离、管道输送流量、输送压力、输送温度。
2.如权利要求1所述的一种基于优化神经网络的管道腐蚀缺陷预测方法，其特征在于，所述步骤四中神经网络预测模型优化、训练和测试过程包括如下步骤：
S41，通过经验式
Figure 406989DEST_PATH_IMAGE006
确定隐含层神经元数量N hid ，其中，N in 为输入层神经单元个数，N out 为输出层神经单元个数，l为经验参数，初次迭代计算时l取1；
S42，训练参数初始化，包括设定允许误差
Figure DEST_PATH_IMAGE008A
、初始正定矩阵
Figure 259407DEST_PATH_IMAGE010
为单位矩阵、最近迭代次数m=6、迭代指标k=0、误差下降梯度
Figure 216999DEST_PATH_IMAGE012
、学习率
Figure 219590DEST_PATH_IMAGE014
；
S43，将训练样本输入神经网络预测模型，计算当前迭代误差
Figure 70871DEST_PATH_IMAGE016
，其中
Figure 766295DEST_PATH_IMAGE018
和y n 分别为输出层第n个神经元的输出值和实测值；如果
Figure 211183DEST_PATH_IMAGE020
成立，则返回最优权重值
Figure 751885DEST_PATH_IMAGE022
，并执行步骤S48，否则继续执行下一步；
S44，调整当前迭代方向
Figure 988832DEST_PATH_IMAGE024
；仅当k≥1时，按以下方式调整学习率
Figure 527260DEST_PATH_IMAGE026
：计算系数
Figure 521761DEST_PATH_IMAGE028
，当η>0.01时，取
Figure 928472DEST_PATH_IMAGE030
（0<β<1）；当η<0时，取
Figure 692028DEST_PATH_IMAGE032
（2>γ>1）；
S45，更新权重值
Figure 666938DEST_PATH_IMAGE034
；
S46，当k>m时保留最近m次迭代的曲率信息
Figure 883155DEST_PATH_IMAGE036
和第(k-m+1)次迭代误差
Figure 93557DEST_PATH_IMAGE038
；当k≤m时保留最近k次曲率信息
Figure 711620DEST_PATH_IMAGE036
和第k次迭代误差
Figure DEST_PATH_IMAGE040
，其中
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
；
S47，利用two-loop recursion算法更新误差下降梯度：
Figure DEST_PATH_IMAGE046
，其中
Figure DEST_PATH_IMAGE048
为海森近似矩阵；更新迭代指标k=k+1，转步骤S43；
S48，更新经验参数l=l+1，当l≤10时，转步骤S41；否则比较迭代误差
Figure 185327DEST_PATH_IMAGE038
、
Figure 951157DEST_PATH_IMAGE040
，以迭代误差最小确定隐含层神经元数N hid 以及相应模型为最优化神经网络预测模型；
S49，利用腐蚀缺陷数据测试样本对最优化神经网络预测模型进行精度测试，得到模型预测精度。
CN202110734468.3A 2021-06-30 2021-06-30 一种基于优化神经网络的管道腐蚀缺陷预测方法 Active CN113239504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110734468.3A CN113239504B (zh) 2021-06-30 2021-06-30 一种基于优化神经网络的管道腐蚀缺陷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110734468.3A CN113239504B (zh) 2021-06-30 2021-06-30 一种基于优化神经网络的管道腐蚀缺陷预测方法

Publications (2)

Publication Number Publication Date
CN113239504A true CN113239504A (zh) 2021-08-10
CN113239504B CN113239504B (zh) 2022-01-28

Family

ID=77141204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110734468.3A Active CN113239504B (zh) 2021-06-30 2021-06-30 一种基于优化神经网络的管道腐蚀缺陷预测方法

Country Status (1)

Country Link
CN (1) CN113239504B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806902A (zh) * 2021-10-10 2021-12-17 西南石油大学 一种管道腐蚀人工智能预警方法
CN114370612A (zh) * 2022-01-19 2022-04-19 安徽欧泰祺智慧水务科技有限公司 基于随机森林模型的供水管道状态监测方法
CN114492232A (zh) * 2022-01-08 2022-05-13 西南石油大学 一种海底管道内腐蚀敏感因素分析方法
CN114878582A (zh) * 2022-07-01 2022-08-09 苏州翔楼新材料股份有限公司 一种特钢的缺陷检测分析方法及系统
CN115293054A (zh) * 2022-10-08 2022-11-04 西南石油大学 一种基于神经网络的凹痕管道失效评价方法
CN115879267A (zh) * 2022-10-13 2023-03-31 新疆敦华绿碳技术股份有限公司 一种管道腐蚀缺陷预测方法和系统
CN115983116A (zh) * 2022-12-22 2023-04-18 新疆敦华绿碳技术股份有限公司 一种二氧化碳混相驱油腐蚀检测方法
CN116384253A (zh) * 2023-04-20 2023-07-04 中国石油大学(北京) 管道漏磁检测缺陷深度预测模型建立、预测方法及装置
US11879599B2 (en) 2022-12-16 2024-01-23 Chengdu Qinchuan Iot Technology Co., Ltd. Methods, Internet of Things systems, and mediums for assessing electrochemical corrosion of smart gas pipeline
WO2024041669A1 (zh) * 2022-11-11 2024-02-29 常州大学 一种海上溢油面积预测方法、系统和介质
CN117744926A (zh) * 2023-12-20 2024-03-22 广东腾安机电安装工程有限公司 一种制冷机房装配式管道的施工管理方法及系统
CN117850491A (zh) * 2024-03-06 2024-04-09 韵京厦(四川)能源科技研究院(有限合伙) 用于燃气输配的自动调压控制方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156089A (zh) * 2011-01-18 2011-08-17 中国石油天然气股份有限公司 一种埋地管道内腐蚀评价方法
CN103455682A (zh) * 2013-09-12 2013-12-18 西南石油大学 一种预测高温高压井腐蚀套管剩余寿命的方法
WO2014142825A1 (en) * 2013-03-13 2014-09-18 Bp Corporation North America Inc. Virtual in-line inspection of wall loss due to corrosion in a pipeline
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
CN105260784A (zh) * 2015-08-16 2016-01-20 东北石油大学 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法
CN109255490A (zh) * 2018-09-28 2019-01-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN110334733A (zh) * 2019-05-29 2019-10-15 中国石油大学(华东) 一种基于ConvLSTM的地下空间管道腐蚀程度预警方法
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
CN110823113A (zh) * 2019-12-19 2020-02-21 大连理工大学 一种基于长周期光纤光栅套筒结构的钢筋长期腐蚀监测传感器
CN111783354A (zh) * 2020-05-22 2020-10-16 浙江理工大学 Rbf神经网络模型的流致腐蚀特性预测及寿命评估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156089A (zh) * 2011-01-18 2011-08-17 中国石油天然气股份有限公司 一种埋地管道内腐蚀评价方法
WO2014142825A1 (en) * 2013-03-13 2014-09-18 Bp Corporation North America Inc. Virtual in-line inspection of wall loss due to corrosion in a pipeline
CN103455682A (zh) * 2013-09-12 2013-12-18 西南石油大学 一种预测高温高压井腐蚀套管剩余寿命的方法
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
CN105260784A (zh) * 2015-08-16 2016-01-20 东北石油大学 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法
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
CN109255490A (zh) * 2018-09-28 2019-01-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN110334733A (zh) * 2019-05-29 2019-10-15 中国石油大学(华东) 一种基于ConvLSTM的地下空间管道腐蚀程度预警方法
CN110823113A (zh) * 2019-12-19 2020-02-21 大连理工大学 一种基于长周期光纤光栅套筒结构的钢筋长期腐蚀监测传感器
CN111783354A (zh) * 2020-05-22 2020-10-16 浙江理工大学 Rbf神经网络模型的流致腐蚀特性预测及寿命评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN, XIAOXU等: ""Principal Component Analysis Based Dynamic Fuzzy Neural Network for Internal Corrosion Rate Prediction of Gas Pipelines"", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
何湋 等: ""基于首轮内检测数据的成品油管道内腐蚀分析及对策"", 《油气储运》 *
胡松青 等: ""基于BP神经网络的输油管道内腐蚀速率预测模型"", 《油气储运》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806902A (zh) * 2021-10-10 2021-12-17 西南石油大学 一种管道腐蚀人工智能预警方法
CN114492232A (zh) * 2022-01-08 2022-05-13 西南石油大学 一种海底管道内腐蚀敏感因素分析方法
CN114492232B (zh) * 2022-01-08 2024-04-05 西南石油大学 一种海底管道内腐蚀敏感因素分析方法
CN114370612A (zh) * 2022-01-19 2022-04-19 安徽欧泰祺智慧水务科技有限公司 基于随机森林模型的供水管道状态监测方法
CN114370612B (zh) * 2022-01-19 2022-10-14 安徽欧泰祺智慧水务科技有限公司 基于随机森林模型的供水管道状态监测方法
CN114878582A (zh) * 2022-07-01 2022-08-09 苏州翔楼新材料股份有限公司 一种特钢的缺陷检测分析方法及系统
CN115293054A (zh) * 2022-10-08 2022-11-04 西南石油大学 一种基于神经网络的凹痕管道失效评价方法
CN115293054B (zh) * 2022-10-08 2022-12-13 西南石油大学 一种基于神经网络的凹痕管道失效评价方法
CN115879267A (zh) * 2022-10-13 2023-03-31 新疆敦华绿碳技术股份有限公司 一种管道腐蚀缺陷预测方法和系统
WO2024041669A1 (zh) * 2022-11-11 2024-02-29 常州大学 一种海上溢油面积预测方法、系统和介质
US11879599B2 (en) 2022-12-16 2024-01-23 Chengdu Qinchuan Iot Technology Co., Ltd. Methods, Internet of Things systems, and mediums for assessing electrochemical corrosion of smart gas pipeline
CN115983116A (zh) * 2022-12-22 2023-04-18 新疆敦华绿碳技术股份有限公司 一种二氧化碳混相驱油腐蚀检测方法
CN115983116B (zh) * 2022-12-22 2024-05-24 新疆敦华绿碳技术股份有限公司 一种二氧化碳混相驱油腐蚀检测方法
CN116384253B (zh) * 2023-04-20 2024-04-05 中国石油大学(北京) 管道漏磁检测缺陷深度预测模型建立、预测方法及装置
CN116384253A (zh) * 2023-04-20 2023-07-04 中国石油大学(北京) 管道漏磁检测缺陷深度预测模型建立、预测方法及装置
CN117744926A (zh) * 2023-12-20 2024-03-22 广东腾安机电安装工程有限公司 一种制冷机房装配式管道的施工管理方法及系统
CN117850491A (zh) * 2024-03-06 2024-04-09 韵京厦(四川)能源科技研究院(有限合伙) 用于燃气输配的自动调压控制方法及系统
CN117850491B (zh) * 2024-03-06 2024-05-10 韵京厦(四川)能源科技研究院(有限合伙) 用于燃气输配的自动调压控制方法及系统

Also Published As

Publication number Publication date
CN113239504B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113239504B (zh) 一种基于优化神经网络的管道腐蚀缺陷预测方法
CN109783906B (zh) 一种管道内检测漏磁数据智能分析系统及方法
US11488010B2 (en) Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection
CN110044554A (zh) 一种基于声发射信号的金属压力容器泄漏的在线检测方法
CN109828089B (zh) 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法
CN109255490A (zh) 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN110807540A (zh) 天然气管道内腐蚀速率的预测方法
CN109886506B (zh) 一种供水管网爆管风险分析方法
CN105975678B (zh) 一种基于参数化模型的油气管道剩余强度预测方法
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
CN113343402B (zh) 基于多层卷积稀疏编码的管道腐蚀等级评估方法
CN116050241A (zh) 基于pca-tso-bpnn模型的海底管道腐蚀速率预测方法
CN114091320B (zh) 一种天然气管道腐蚀失效时间预测方法及装置
CN117073933B (zh) 一种用于燃气管网的管道压力监测方法及系统
CN113051828A (zh) 一种工艺参数驱动的天然气水露点在线预测方法
CN117688725A (zh) 一种预测油气管道腐蚀破裂压力的方法及装置
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
CN109027700B (zh) 一种漏点探漏效果的评估方法
CN116050571A (zh) 基于Transformer稀疏注意力机制的水质预测方法
CN114722702A (zh) 一种耦合bpnn回归和bn分类的供水管道破损预测模型的建立方法
CN115310258A (zh) 一种基于lstm的地下管道寿命预测方法
CN110807511A (zh) 粗糙集理论-循环神经网络模型结构
Aldosari et al. Generative adversarial neural network and genetic algorithms to predict oil and gas pipeline defect lengths
CN111737879B (zh) 一种阴保电位数据的实时风险评价方法
CN109521176B (zh) 一种基于改进深度极限学习机的虚拟水质监测方法

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