CN113268883A - 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 - Google Patents
一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 Download PDFInfo
- Publication number
- CN113268883A CN113268883A CN202110617937.3A CN202110617937A CN113268883A CN 113268883 A CN113268883 A CN 113268883A CN 202110617937 A CN202110617937 A CN 202110617937A CN 113268883 A CN113268883 A CN 113268883A
- Authority
- CN
- China
- Prior art keywords
- corrosion rate
- crude oil
- oil pipeline
- abc
- 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.)
- Pending
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 148
- 238000005260 corrosion Methods 0.000 title claims abstract description 148
- 239000010779 crude oil Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 241000257303 Hymenoptera Species 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 235000012907 honey Nutrition 0.000 claims description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 3
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000011575 calcium Substances 0.000 claims description 3
- 229910001424 calcium ion Inorganic materials 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 3
- 229910001425 magnesium ion Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012706 support-vector machine Methods 0.000 description 24
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于PCA‑ABC‑SVM模型的海底原油管道腐蚀速率预测方法，其包括如下步骤：获取待评估的海底原油管道包含实际腐蚀速率值在内的检测数据；根据获取的检测数据，通过PCA算法建立海底原油管道腐蚀指标体系；根据海底原油管道腐蚀指标体系，通过SVM算法和ABC算法得到训练完毕的腐蚀速率预测模型；将检测数据代入训练完毕的腐蚀速率预测模型中，得到腐蚀速率预测结果。本发明能够解决现有技术中海底原油管道腐蚀速率预测模型对基础数据要求量大且预测可靠性不足的问题，分析速度快、准确性高、可靠性强，能为海底原油管道腐蚀失效风险预警提供科学依据与技术支持。
Description
技术领域
本发明涉及海底油气管道输送技术领域，具体涉及一种基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法。
背景技术
随着我国海洋油气技术的不断发展，海底原油管道的数量不断增加。海底原油管道承担着海洋原油运输的重要任务，然而，由于恶劣的海洋环境，加之输送介质，服役年限等特点，管道腐蚀损伤长度不断增加，因腐蚀引起的管道穿孔、泄漏爆炸事故时有发生，造成大量人员伤亡、经济损失和严重的环境污染。统计显示，在海底管道事故类型占比中，由腐蚀造成的事故占比高达37％。腐蚀速率预测能够从统计角度提供可靠的管道腐蚀缺陷数据，是降低海底原油管道腐蚀事故发生概率，减缓腐蚀事故后果的有效手段。建立海底原油管道腐蚀速率预测模型，对保障管道长期平稳服役具有重要意义。
现有对于海底原油管道腐蚀速率的预测模型包括单一预测模型的预测方法和多种模型结合的预测方法。由于影响海底管道腐蚀的因素众多且关系错综复杂，且很多用于模型中的数据本身的获取难度较大，使得依赖固定部分数据的单一预测模型的其预测可靠性欠佳。
其次，多种模型结合的预测方法由于不同模型自身的优缺点，对于原始数据的利用是存在差异的，难以将其直接结合；且由于部分数据监测困难，在实际应用中常常难以获取，因此，简单的对多个预测模型进行整合，存在需要数据量较大，对数据采集要求较高，在实际应用中，常常难以满足的问题，因而也难以达到真正有效评估管道腐蚀速率的目的。
发明内容
本发明针对现有技术中的上述不足，提供了一种能够解决现有技术中海底原油管道腐蚀速率预测模型对基础数据要求量大且预测可靠性不足的问题的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法。
为解决上述技术问题，本发明采用了下列技术方案：
提供了一种基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其包括如下步骤：包括如下步骤：
S1、获取待评估的海底原油管道包含实际腐蚀速率值在内的检测数据；
S2、根据获取的检测数据，通过PCA算法建立海底原油管道腐蚀指标体系；
S3、根据海底原油管道腐蚀指标体系，通过SVM算法和ABC算法得到训练完毕的腐蚀速率预测模型；
S4、将检测数据代入训练完毕的腐蚀速率预测模型中，得到腐蚀速率预测结果。
本发明提供的上述基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法的主要有益效果在于：
本发明针对海底原油管道，提出基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，能够在较小样本数据下更加真实地反映海底原油管道腐蚀速率；相对于现有基于常规检测数据的预测方法所需要的至少数千组数据，本方法所需要的数据量显著降低。
实际应用中，能够提供大量数据的海底管道，其实际工作时间较长，在数据检测和获取方面有各种缺陷，因而实际上难以提供现有方法中需要的大量数据。而本方案对数据量要求较小，对数据种类的要求也更低，即使年份较早的海底管道，也能满足本方案的数据量要求，因而本方案的适用范围远大于现有技术。
且通过PCA算法对检测数据进行预先分析，将实际对腐蚀速率贡献较低的参数剔除，一方面，进一步减小了对数据量的要求，贴合实际应用中的需求；另一方面，由于PCA算法筛选后的数据都是对腐蚀速率有较高实际贡献的，其预测准确性也显著提高。
相对于现有技术中直接通过腐蚀速率值对未来腐蚀速率进行预测的方法，本方法获取的数据及其变化能更好的反映影响腐蚀速率的各因素各自的变化，由于腐蚀速率本身就是受大量因素影响的一个计算结果，因而直接依靠腐蚀速率值进行预测的方法，其缺乏对影响腐蚀速率的实际各因素的评估，其在中长期预测的实际可靠性将显著低于本方案。
进一步地，本方案通过将人工蜂群算法，即ABC算法，与SVM算法结合，与传统的粒子群算法、遗传算法等群智能优化算法相比，全局寻优能力强，收敛速度较快，从而显著提高SVM算法的准确性和可靠性。
本发明可准确、快速的预测海底原油管道腐蚀速率，且可靠性较高，能为海底原油管道腐蚀失效风险预警提供科学依据与技术支持。
附图说明
图1是本方案提供的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法的流程图。
图2是海底原油管道腐蚀速率预测方法与各算法模型的关系图。
图3是用于预测海底原油管道腐蚀速率的SVM算法的结构示意图。
图4是ABC算法优化海底原油管道腐蚀速率预测模型参数的流程图。
图5是SVM算法训练的模型对海底原油管道腐蚀速率的预测结果。
图6是PCA-ABC-SVM算法训练的模型对海底原油管道腐蚀速率的预测结果。
具体实施方式
下面结合附图对本发明作进一步说明：
如图1所示，其为本方案提供的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法的结构示意图。
本发明的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法包括如下步骤：
S1、获取待评估的海底原油管道包含实际腐蚀速率值在内的检测数据。
进一步地，检测数据至少包括管道内含水率、二氧化碳含量、硫化氢含量、氯离子含量、钙镁离子含量、溶解氧含量、pH值、温度、压力、流速和实际腐蚀速率值。
在本方案的一些实施例中，检测数据至少有100组。
由于实际应用中不同管道的数据采集难度不同，因此，能够获得的检测数据量也各不相同。理想情况下，检测数据越多，腐蚀速率的预测准确性越高。但通过反复验证，本方案要求的最低数据量为每一种数据至少包括100项。此时的预测精度即能满足一般预测要求。
而现有技术中的方法，通常数据需求量在300组以上，否则起可靠性和准确性就无法通过一般预测要求。
S2、根据获取的检测数据，通过PCA算法建立海底原油管道腐蚀指标体系。
如图2所示，海底原油管道腐蚀指标体系中的指标为基于所述检测数据进行主成分分析后，提取主成分分析得到的累计贡献率为设定值的至少两个指标。
具体的，通过主成分分析(principal component analysis，简称PCA)算法，对检测数据进行预先分析，将实际对腐蚀速率贡献较低的参数剔除，减小后续分析中的数据需求量，同时降低计算复杂度，提高分析效率。
进一步地，建立海底原油管道腐蚀指标体系的方法包括如下步骤：
S2-1、设检测数据的数据集为X＝{x1,x2,…,xn}，建立检测数据的原始矩阵(A)n*p：
其中，xij为第i组检测数据的第j项，n为检测数据总组数，p为样本维数，即检测数据的种类数。
S2-2、对原始矩阵进行标准化处理，建立标准化矩阵Y：
其中，
为第j项数据的均值，Sj为第j项数据的标准差。
S2-3、根据标准化矩阵Y，计算其对应的相关阵R：
其中，yki为第k行i列的数值；
为第i行平均值；ykj为第k行j列的数值；
为第j行平均值。
S2-4、计算相关阵R的特征值和特征向量，并对将特征值降序排列处理，满足：
其中，λj为计算出来的第j列的特征值，E为单位矩阵。
S2-5、根据特征值，计算其对应的贡献率与累计贡献率，其计算方法为：
式中，lj为第j项数据对应的贡献率，K为累计贡献率。
S2-6、提取累计贡献率前m个指标为主成分指标，根据主成分指标对应数据的样本数据集，建立海底原油管道腐蚀指标体系。
贡献率越高，其对腐蚀速率的影响越大。由于腐蚀速率值本身是受多个因素复合影响下的结果，一般不考虑其对腐蚀速率的影响。
优选的，当指标的累计贡献率达到85％～98％时，将该指标作为主成分指标，以保证分析的全面性。
S3、根据海底原油管道腐蚀指标体系，通过SVM算法和ABC算法得到训练完毕的腐蚀速率预测模型。
其中，支持向量机(support vector machines，简称SVM)算法和人工蜂群(Artificial Bee Colony，简称ABC)算法均为现有算法。
如图3所示，在本方案中，海底原油管道腐蚀速率模型由输入层、支持向量层、输出层组成。
其中，输入层为前述海底原油管道腐蚀指标体系中的检测数据；支持向量层为通过训练得到的内核函数k(xi,xj)，b为常参数，αi,α* i分别为SVM算法内含的拉格朗日乘子；输出层为腐蚀速率预测值。
一般的，海底原油管道腐蚀速率模型的原始模型为可通过SVM算法得到。
进一步地，得到训练完毕的腐蚀速率预测模型的方法包括如下步骤：
S3-1、通过SVM算法初步构建海底原油管道腐蚀速率预测模型。
S3-2、将海底原油管道腐蚀指标体系中的样本数据集划分为训练样本集和测试样本集。
进一步地，划分为训练样本集和测试样本集的方法为：
以海底原油管道腐蚀指标体系为数据基础进行随机排序处理；
将随机排序处理后的海底原油管道腐蚀指标体系中的数据的一部分作为训练样本集，剩下的部分作为测试样本集。
在本方案的一些实施例中，将随机排序处理后的海底原油管道腐蚀指标体系中的数据的80％作为训练样本集，20％作为测试样本集。以保证最大限度的处理
S3-3、通过训练样本集中的数据对海底原油管道腐蚀速率预测模型进行训练，并通过ABC算法对SVM算法的关键参数进行优化，得到优化训练后的海底原油管道腐蚀速率预测模型。
其中，SVM算法的参数选择对SVM算法训练后模型的预测精度有很大的影响。现有技术中，SVM算法使用网格搜索法或梯度下降法对其参数进行选择，然而，这些方法不仅耗时且导致非最优参数。本方案中，在通过SVM算法对海底原油管道腐蚀速率预测模型进行训练的同时，通过ABC算法对SVM算法的参数进行优化选择，从而能够比现有其他算法能更有效地得到SVM算法的参数的全局最优解，因而，将通过这一过程得到海底原油管道腐蚀速率预测模型，称为优化训练后的海底原油管道腐蚀速率预测模型。
进一步地，ABC算法即人工蜂群算法，其常规步骤如图4所示，其包括三个基本要素，分别是蜜源、被雇佣的蜜蜂及未被雇佣的蜜蜂。蜜源的位置代表一种优化方案，蜜源的含蜜量表示优化方案的适应度值；被雇佣的蜜蜂即雇佣蜂，任务是搜索新蜜源，并以一定概率与其他蜜蜂分享蜜源信息，数量与蜜源数量相等；未被雇佣的蜜蜂包括跟随蜂与侦察蜂两种，跟随蜂是在蜂巢周围等待雇佣蜂分享信息并寻找新蜜源的蜜蜂，在蜂群中数量与雇佣蜂相等；侦察蜂是在蜂巢附近随机搜索新蜜源的蜜蜂。
在本方案的一些实施例中，ABC算法分别对海底原油管道腐蚀速率预测模型中的惩罚因子C与核参数γ值进行优化。
这两个参数在常规SVM算法中，需要更多的样本数据，才能保证取值的可靠性。通过ABC算法，在显著减小样本数据量的同时，还能提高取值结果的可靠性。
进一步地，优化训练后的海底原油管道腐蚀速率预测模型中的参数的方法包括如下步骤：
A1、设置ABC算法优化框架，确定需要优化的模型参数，进一步设置迭代代数，计算极限值以及优化参数的搜索上界与搜索下界，随机初始化NP个方案，其计算方法为：
其中，xmin，j表示搜索空间的下限，xmax，j表示搜索空间的上限，D为待优化参数的个数，rand[0，1]为在0到1的范围内的随机数，NP为方案数量。
A2、ABC算法中的雇佣蜂更新初始方案，其计算方法为：
其中，l≠i，rand[-1，1]为在[-1，1]范围内的随机数。
计算方案的适应度值，其计算方法为：
其中，fitnessi表示方案的适应度值，Obj.Fun.i表示目标函数，yq为训练样本的实际值，
为训练样本的预测值，ν为训练样本集中的训练样本数。
随后，比较初始方案与更新方案的适应度值，若更新方案的适应度值优于初始方案，则基于贪婪法储存更新方案，否则，保留初始方案。
A3、在所有雇佣蜂完成搜索后，根据雇佣蜂分享的蜜源信息，ABC算法中的跟随蜂计算所得的概率Pi，其计算方法为：
根据概率Pi，跟随蜂通过轮盘赌的方式选择雇佣蜂进行跟随；随后，跟随蜂更新选择的雇佣蜂方案，计算更新方案的适应度值，并对比前者，储存较优方案。这一部分的过程可采用现有ABC算法中的实现方式。
A4、若存在某个方案在设置的极限值循环内多次迭代适应度值没有改进，则放弃该方案，雇佣蜂转化为侦察蜂，重复步骤A1至步骤A3，直至得到最优方案，完成ABC算法。
在重复步骤A1至步骤A3的过程中得到的最高适应度值所对应的方案，即最优方案。
A5、ABC算法结束之后，将获取的惩罚因子C与核参数γ值耦合入SVM模型，完成对训练后的海底原油管道腐蚀速率预测模型中的参数的优化。
在实际操作中，也可以根据需要增加需要ABC算法优化的参数，以保证预测结果的可靠性和准确性。
优选的，在训练模型之前，需要对训练样本集和测试样本集中的样本数据进行归一化处理，从而避免奇异样本数据引起的不良误差影响。
S3-4、将测试样本集中的数据代入到优化后的腐蚀速率预测模型中，得到包含腐蚀速率值的预测结果。
S3-5、计算预测结果的误差。
具体的，计算预测结果的误差的方法为：
分别计算预测结果与测试样本集中的实际腐蚀速率值的平均绝对误差、均方根误差和决定系数，其中，平均绝对误差、均方根误差和决定系数的计算方法分别为：
其中，yi、
和
分别代表第i组测试样本的数据对应的腐蚀速率的实际值、预测值和平均值；n为测试样本集中的测试样本的组数。
S3-6、判断所述误差是否满足对应的设定条件，当误差不满足对应的设定条件时，重复对海底原油管道腐蚀速率预测模型的优化训练，直至误差满足对应的设定条件。
S4、将检测数据代入训练完毕的腐蚀速率预测模型中，得到腐蚀速率预测结果。
通过将检测数据代入训练完毕的腐蚀速率预测模型中，预测结果与实际腐蚀速率测量值符合性较好，说明训练完毕的腐蚀速率预测模型中预测能力较强，准确性较好。本方案分析速度快，能为海底原油管道腐蚀失效风险预警提供科学依据与技术支持。
下面是基于本发明提供的海底管道原油腐蚀速率预测方法的实施例：
本实施例基于某区域海底管道的实际采集数据，全部数据共107组，剔除其中数据显著异常和欠缺的7组，实际用于预测的数据共100组，下面基于前述海底管道原油腐蚀速率预测方法的步骤，进行描述：
S1、获取待评估的海底原油管道包含实际腐蚀速率值在内的检测数据。
本实施例中监测到的海底原油管道腐蚀速率相关的影响因素包括：含水率(X1)、二氧化碳含量(X2)、硫化氢含量(X3)、钙镁离子含量(X4)、氯离子含量(X5)、溶解氧含量(X6)、温度(X7)、pH值(X8)、流速(X9)、压力(X10)。表1所示为获取到的检测数据。
表1海底原油管道包含实际腐蚀速率值在内的检测数据
S2、根据获取的检测数据，通过PCA算法建立海底原油管道腐蚀指标体系。
由于腐蚀速率值本身是受多个因素复合影响下的结果，一般不考虑其对腐蚀速率的影响。表2所示为PCA算法计算所得的累计贡献率。
表2主成分累计贡献率
一般累计贡献率的取值为85％～98％，以保证分析的全面性。在本实施例中，取累计贡献率达到95％的前四项主成分作为海底原油管道腐蚀指标体系，以在分析全面性的同时保证计算效率。
S3、根据海底原油管道腐蚀指标体系，通过SVM算法和ABC算法得到训练完毕的腐蚀速率预测模型。
其中，腐蚀速率预测模型可以通过SVM算法建立。
下面是通过本方案训练完毕的腐蚀速率预测模型的结果误差，其中MAE和RMSE的设定要求均为小于10％，R2的设定要求则为越接近1越好。
表3训练完毕的腐蚀速率预测模型的预测误差
由表3可知，本方案通过PCA算法、ABC算法与SVM算法的结合，得到腐蚀速率预测模型训练能满组全部设定要求。
S4、将检测数据代入训练完毕的腐蚀速率预测模型中，得到腐蚀速率预测结果。
如图5和图6所示，通过本方案PCA-ABC-SVM算法训练得到的腐蚀速率预测模型，相对于现有仅通过SVM算法预测的模型，其在结果准确性上有非常显著的优势。
上面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，包括如下步骤：
S1、获取待评估的海底原油管道包含实际腐蚀速率值在内的检测数据；
S2、根据获取的检测数据，通过PCA算法建立海底原油管道腐蚀指标体系；
S3、根据海底原油管道腐蚀指标体系，通过SVM算法和ABC算法得到训练完毕的腐蚀速率预测模型；
S4、将检测数据代入训练完毕的腐蚀速率预测模型中，得到腐蚀速率预测结果。
2.根据权利要求1所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述检测数据包括管道内含水率、二氧化碳含量、硫化氢含量、氯离子含量、钙镁离子含量、溶解氧含量、pH值、温度、压力、流速和实际腐蚀速率值。
3.根据权利要求2所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述检测数据至少有100组。
4.根据权利要求3所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述海底原油管道腐蚀指标体系中的指标为基于所述检测数据进行主成分分析后，提取主成分分析得到的累计贡献率为设定值的至少两个指标。
5.根据权利要求4所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述建立海底原油管道腐蚀指标体系的方法包括如下步骤：
S2-1、设检测数据的数据集为X＝{x1,x2,…,xn}，建立检测数据的原始矩阵(A)n*p：
其中，xij为第i组检测数据的第j项，所述第j项数据即为第j个指标，n为检测数据总组数，p为样本维数；
S2-2、对原始矩阵进行标准化处理，建立标准化矩阵Y：
其中，
为第j项数据的均值，Sj为第j项数据的标准差；
S2-3、根据标准化矩阵Y，计算其对应的相关阵R：
其中，yki为第k行i列的数值；
为第i行平均值；ykj为第k行j列的数值；
为第j行平均值；
S2-4、计算相关阵R的特征值和特征向量，并对将特征值降序排列处理，满足：
其中，λj为第j列的特征值，E为单位矩阵；
S2-5、根据特征值，计算其对应的贡献率与累计贡献率，其计算方法为：
式中，lj为第j项数据对应的贡献率，K为累计贡献率；
S2-6、提取累计贡献率前m个指标为主成分指标，根据主成分指标对应数据的样本数据集，建立海底原油管道腐蚀指标体系。
6.根据权利要求5所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述得到训练完毕的腐蚀速率预测模型的方法包括如下步骤：
S3-1、通过SVM算法初步构建海底原油管道腐蚀速率预测模型；
S3-2、将海底原油管道腐蚀指标体系中的样本数据集划分为训练样本集和测试样本集；
S3-3、通过训练样本集中的数据对海底原油管道腐蚀速率预测模型进行训练，并通过ABC算法对SVM算法的关键参数进行优化，得到优化训练后的海底原油管道腐蚀速率预测模型；
S3-4、将测试样本集中的数据代入到经过优化训练后的腐蚀速率预测模型中，得到包含腐蚀速率值的预测结果；
S3-5、计算预测结果的误差；
S3-6、判断所述误差是否满足对应的设定条件，当误差不满足对应的设定条件时，重复对所述海底原油管道腐蚀速率预测模型的优化训练，直至误差满足对应的设定条件。
7.根据权利要求6所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述海底原油管道腐蚀速率模型由输入层、支持向量层、输出层组成。
8.根据权利要求6所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述划分为训练样本集和测试样本集的方法为：
以海底原油管道腐蚀指标体系为数据基础进行随机排序处理；
将随机排序处理后的海底原油管道腐蚀指标体系中的数据的80％作为训练样本集，20％作为测试样本集。
9.根据权利要求6或8任一所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述训练后的海底原油管道腐蚀速率预测模型中的待优化参数为惩罚因子C与核参数γ值；
其优化方法包括如下步骤：
A1、设置ABC算法优化框架，确定需要优化的模型参数，进一步设置迭代代数，优化参数的搜索上界与搜索下界，随机初始化NP个方案，其计算方法为：
其中，xmin,j表示搜索空间的下限，xmax,j表示搜索空间的上限，D为待优化参数的个数，rand[0,1]为在0到1的范围内的随机数，NP为方案数量；
A2、ABC算法中的雇佣蜂更新初始方案，其计算方法为：
其中，l≠i；rand[-1,1]为在[-1,1]范围内的随机数；
计算方案的适应度值，其计算方法为：
其中，fitnessi表示方案的适应度值，Obj.Fun.i表示目标函数，yq为训练样本的实际值，
为训练样本的预测值，ν为训练样本集中的训练样本数；
随后，比较初始方案与更新方案的适应度值，若更新方案的适应度值优于初始方案，则基于贪婪法储存更新方案，否则，保留初始方案；
A3、在所有雇佣蜂完成搜索后，根据雇佣蜂分享的蜜源信息，ABC算法中的跟随蜂计算所得的概率Pi，其计算方法为：
根据概率Pi，跟随蜂通过轮盘赌的方式选择雇佣蜂进行跟随，随后，跟随蜂更新选择的雇佣蜂方案，计算更新方案的适应度值，并对比前者，储存较优方案；
A4、若存在某个方案在设置的极限值循环内多次迭代适应度值没有改进，则放弃该方案，雇佣蜂转化为侦察蜂，重复步骤A1至步骤A3，直至得到最优方案，完成ABC算法；
A5、ABC算法结束之后，将获取的惩罚因子C与核参数γ值耦合入SVM模型，完成对训练后的海底原油管道腐蚀速率预测模型中的参数的优化。
10.根据权利要求9所述的基于PCA-ABC-SVM模型的海底原油管道腐蚀速率预测方法，其特征在于，所述计算预测结果的误差，包括：
分别计算预测结果与测试样本集中的实际腐蚀速率值的平均绝对误差、均方根误差和决定系数，其中，平均绝对误差、均方根误差和决定系数的计算方法分别为：
其中，yi、
和
分别代表第i组测试样本的数据对应的腐蚀速率的实际值、预测值和平均值；n为测试样本集中的测试样本的组数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110617937.3A CN113268883A (zh) | 2021-06-03 | 2021-06-03 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110617937.3A CN113268883A (zh) | 2021-06-03 | 2021-06-03 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113268883A true CN113268883A (zh) | 2021-08-17 |
Family
ID=77234108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110617937.3A Pending CN113268883A (zh) | 2021-06-03 | 2021-06-03 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268883A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836680A (zh) * | 2021-11-25 | 2021-12-24 | 德仕能源科技集团股份有限公司 | 一种石油油管自动灌装方法技术 |
| CN114062236A (zh) * | 2021-11-12 | 2022-02-18 | 西南石油大学 | 一种含二氧化碳和硫化氢六因素局部腐蚀速率预测模型 |
| CN114565185A (zh) * | 2022-03-28 | 2022-05-31 | 北京化工大学 | 基于多源数据的腐蚀速率预测系统 |
| 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 |
| CN117688872A (zh) * | 2023-12-27 | 2024-03-12 | 中国特种设备检测研究院 | 一种管道腐蚀速率预测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
| 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 |
| CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
| CN109460631A (zh) * | 2018-12-18 | 2019-03-12 | 西安建筑科技大学 | 一种海底混输管道腐蚀速率预测方法 |
| CN111008664A (zh) * | 2019-12-05 | 2020-04-14 | 上海海洋大学 | 一种基于空谱联合特征的高光谱海冰检测方法 |
| CN112541526A (zh) * | 2020-11-25 | 2021-03-23 | 重庆邮电大学 | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 |
-
2021
- 2021-06-03 CN CN202110617937.3A patent/CN113268883A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
| 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 |
| CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
| CN109460631A (zh) * | 2018-12-18 | 2019-03-12 | 西安建筑科技大学 | 一种海底混输管道腐蚀速率预测方法 |
| CN111008664A (zh) * | 2019-12-05 | 2020-04-14 | 上海海洋大学 | 一种基于空谱联合特征的高光谱海冰检测方法 |
| CN112541526A (zh) * | 2020-11-25 | 2021-03-23 | 重庆邮电大学 | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李炳文;杨晶;: "基于ABC-SVM算法的海底多相流热油管道腐蚀速率预测", 工业加热, no. 02, 28 February 2020 (2020-02-28) * |
| 梁金禄;: "高含硫气田集输管线内腐蚀预测研究", 粘接, no. 02, 15 February 2020 (2020-02-15) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062236A (zh) * | 2021-11-12 | 2022-02-18 | 西南石油大学 | 一种含二氧化碳和硫化氢六因素局部腐蚀速率预测模型 |
| CN114062236B (zh) * | 2021-11-12 | 2022-08-09 | 西南石油大学 | 一种含二氧化碳和硫化氢六因素局部腐蚀速率预测模型 |
| CN113836680A (zh) * | 2021-11-25 | 2021-12-24 | 德仕能源科技集团股份有限公司 | 一种石油油管自动灌装方法技术 |
| CN114565185A (zh) * | 2022-03-28 | 2022-05-31 | 北京化工大学 | 基于多源数据的腐蚀速率预测系统 |
| 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 |
| CN117688872A (zh) * | 2023-12-27 | 2024-03-12 | 中国特种设备检测研究院 | 一种管道腐蚀速率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113268883A (zh) | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 | |
| CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
| CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
| CN112632765B (zh) | 一种加权和法与sem法结合的作战能力评估方法 | |
| CN109147875A (zh) | 基于模糊聚类的支持向量回归算法的污水溶解氧浓度预测方法 | |
| CN112989711B (zh) | 基于半监督集成学习的金霉素发酵过程软测量建模方法 | |
| CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
| CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
| CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
| CN116822920A (zh) | 一种基于循环神经网络的流程预测方法 | |
| CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
| CN109523077B (zh) | 一种风电功率预测方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| Bai et al. | Reliability analysis on civil engineering project based on integrated adaptive simulation annealing and gray correlation method | |
| CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
| CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
| CN113112166A (zh) | 基于灰色模糊层次分析的设备状态变量选择方法及设备 | |
| Jiang et al. | Srgm decision model considering cost-reliability |
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 |