CN114818487A - 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 - Google Patents
一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 Download PDFInfo
- Publication number
- CN114818487A CN114818487A CN202210413757.8A CN202210413757A CN114818487A CN 114818487 A CN114818487 A CN 114818487A CN 202210413757 A CN202210413757 A CN 202210413757A CN 114818487 A CN114818487 A CN 114818487A
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle
- network
- pso
- liquid holdup
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 239000007788 liquid Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000007789 gas Substances 0.000 title abstract description 25
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title abstract description 20
- 239000003345 natural gas Substances 0.000 title abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000005514 two-phase flow Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000003889 chemical engineering Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 239000007791 liquid phase Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- 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
- 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
- G06F2113/08—Fluids
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Fluid Mechanics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
基于PSO‑BP神经网络预测天然气湿气管道持液率的方法，对湿气管道实验数据进行收集并分析；确定BP神经网络初始结构；确定PSO(粒子群算法)粒子的维度、初始速度及初始位置；更新最低适应度值粒子的速度及位置；计算最优权值和阈值；检验模型准确性；计算湿气管道系统的持液率参数。本发明为解决BP神经网络的不足，采用粒子群算法优化BP神经网络，避免了BP神经网络迭代缓慢和陷入局部最优解的缺陷，适用范围宽，准确率高。除了湿气管道，本发明同样适用于动力工程、核能利用、化工等工业领域的气液两相流持液率流动参数预测。
Description
技术领域
本发明涉及一种基于PSO-BP(粒子群优化BP神经网络)的天然气湿气管道持液率
预测模型方法，属于气液两相流预测领域。
背景技术
相比于石油和煤炭等一次能源，天然气是一种更清洁的能源，随着我国碳达峰和碳中和目标的提出，国内天然气行业的发展更是进入了快车道。我国天然气资源多分布在山地和丘陵地区，所以天然气输送管道往往会随沿线地形起伏。输气管道中的温度低于水的饱和温度或者重组分的露点，则天然气中的重组分就会析出并聚集在管线低洼处。输气管线中出现的液体会影响管线安全运行，甚至会导致严重管输事故的发生。持液率是指在气液两相流动过程中，液相的过流断面面积占总过流面积的比例。在天然气湿气管道的水力计算中，持液率是一项重要的水力特性参数。持液率的计算是流型判别和压降计算的基础，在工艺计算中占有重要的地位。持液率的准确预测是解决许多输气管道流动保障难题的前提。为了保障输气管线的平稳、安全和高效运行，需要对持液率进行准确的预测。
虽然现阶段已经出现了许多的气液两相流持液率计算模型，但是这些计算模型大多是基于经验或半经验相关式。选用不同的持液率计算模型去计算持液率，其结果往往有较大差异。随着人工智能学科多年的发展，人工智能已经在多相流预测领域进行交叉融合，并取得了很好的效果。肖荣鸽等基于灰色理论和WOA-BP算法建立鲸鱼算法优化BP神经网络的持液率预测模型，具有更高的计算精度，适用范围更广；邵孟良等基于GA-BP神经网络模型的初始阈值及权值进行优化，弥补了单一BP网络模型预测气液两相流持液率时收敛速度慢随机性大等问题；陈星杙等基于ACE算法建立了水平管道持液率计算模型，具有较高的计算精度，适用范围广，为水平管道气液两相流持液率计算提供借鉴。
持液率的影响因素包括湿气管道的管径、压力、气速、液速、温度、液相粘度等，所以持液率的预测属于多因素影响的复杂非线性映射问题。BP神经网络算法有很强的非线性映射能力，但是传统的BP网络算法不仅收敛速度较慢，而且初始神经网络的权值和阈值的选取具有随机性，将会出现预测精度差、预测不稳定等问题。为了解决传统的BP网络算法收敛速度较慢、预测精度差、预测不稳定等问题，研究者提出了一种利用PSO(粒子群算法)优化BP神经网络对湿气管道持液率进行在线预测的方法。
发明内容
本发明的目的是提供一种基于PSO(粒子群算法)-BP神经网络的湿气管道持液率预测方法，对湿气管道的持液率进行在线预测，从而根据湿气管道的持液率来进行调整清管周期等操作，保障输气管线的平稳、安全和高效运行。
本发明以湿气管道持液率为目标函数和以湿气管道的管径、压力、气速、液速、温度、液相粘度6个影响因素为自变量，对自变量和目标函数进行分析以及归一化处理，从而建立自变量与目标函数的映射关系，依靠PSO-BP神经网络不停训练、学习，进而预测湿气管道持液率。
基于PSO-BP神经网络预测湿气管道持液率的方法，具体步骤如下：
步骤1：收集湿气管道持液率实验数据，分组划分成训练组数据和测试组数据；
步骤2：依据神经网络的输入、输出样本集，建立BP神经网络模型的的拓扑结构，将输入层、隐含层和输出层的神经元之间的权值以及阈值编码成实数向量，代表种群中的个体粒子；
步骤3：确定PSO(粒子群算法)粒子位置和速度向量的维度，D＝输入层至隐含层的连接权值个数+隐含层至输出层的连接权值个数+隐含层的阈值个数+输出层的阈值个数；
步骤4：初始化粒子群规模，包括算法中的粒子的初始速度及位置，惯性因子w，学习因子c1和c2，最大迭代次数，初始化每一个粒子的个体极值及全局最优值等；
步骤5：依据输入、输出样本，计算得到每一个粒子的适应度；
步骤6：先输入一个粒子，对任一个样本来说，均可以按BP神经网络的前向计算方式得到对应一个网络的输出值，并计算出其误差；
步骤7：用同样的方式计算出所有样本的误差，再计算出所有样本的均方差，即该粒子的适应度；
步骤8：返回到步骤6，继续输入其他粒子，直至计算出所有粒子的适应度；
步骤9：通过比较适应度值的大小，确定每个粒子的个体极值点和全局最优极值点；
步骤10：依据粒子的位置和速度更新公式，更新每个粒子的位置和速度，并考虑更新后的速度和位置是否在限定的范围之内；
步骤11：计算出算法的误差；
步骤12：判断误差是否满足预设精度或迭代是否达到最大次数，若误差满足预设精度，算法收敛，最后一次迭代的全局最优值Pg中每一维的权值和阀值就是所求的最优解，若迭代次数未达到最大，返回步骤5，算法继续迭代，否则算法终止。
发明优点：
粒子群算法和BP神经网络都是计算智能领域重要的算法。粒子群优化算法是一种群体自适应搜索优化算法，其主要思想是通过种群中个体之间的协作和信息共享寻找最优解。BP神经网络是一种按误差逆向传播算法训练的多层前馈网络。由于它具有大规模并行处理、分布式信息存储、良好的自组织自学习能力及原理简单、容易实现等特点，因此在众多领域得到广泛应用。同时考虑PSO算法与BP网络算法，该算法在标准BP的梯度下降法调整权值及阈值的基础上，再引入粒子群中粒子位置更新方法进行权值及阈值的修正。由于PSO算法是一种群体寻优算法，它的多点搜索方式使其具有全局搜索能力，因此这种权值及阈值修正可以弥补标准BP算法收敛速度慢及容易陷入局部极小值等缺陷。
本发明是一种基于PSO-BP神经网络的湿气管道持液率计算方法，提供了一种便捷、实时、在线的方法，对保障输气管线的平稳、安全和高效运行有重要意义。本发明能够预测湿气管道的持液率，适用范围广，准确度高。
附图说明
图1为基于PSO-BP神经网络的持液率预测方法流程图。
图2为基于PSO-BP神经网络的持液率预测方法适应度曲线。
图3为BP神经网络和PSO-BP神经网络预测管道持液率的预测输出与期望输出对比。
图4为BP神经网络和PSO-BP神经网络预测管道持液率的误差对比。
表1为基于PSO-BP神经网络的管道持液率实施举例。
具体实施方式
以下结合附图1对本发明方法作进一步的详细描述：
基于PSO-BP神经网络预测湿气管道持液率的方法，具体计算流程见图1，步骤包括：
确定BP神经网络初始结构
通常设计BP神经网络时应优先考虑3层网络(即有1个隐层)，虽然BP神经网络隐藏层数的增多能够降低计算误差，提高计算精度，但会使BP神经网络的结构变的复杂，因此延长了BP神经网络的训练时间和增加BP神经网络出现“过拟合”的倾向。
本发明设计使用的神经网络有3层网络。
BP神经网络输入层的输入量有湿气管道的管径、压力、气速、液速、温度、液相粘度。
输出层的节点数1；隐藏层的节点数由计算隐含层元素个数的经验公式确定，常用的经验公式如下：
其中，式中，n为BP神经网络输入层的节点数，m为BP神经网络隐含层的节点数，α为1～10之间的常数，1为输出层节点数。由经验公式可知，当m＝6时，计算得到最佳隐含层节点数应为9；
为了便于计算与比较，需要将输入层和输出层神经元进行归一化处理，归一化的公式为：
其中，xi为归一化处理前的特征值，α为归一化处理后的特征值，xmax、xmin分别为归一化处理前特征值的最大值和最小值，i是特征值序号，表示第i个特征值，i∈1，……，n；ymax、ymin是归一化后期望的最大值和最小值，一般默认为1和-1。
该BP神经网络输出层只有一个输出即湿气管道持液率，所以该BP神经网络输出层只有一个神经元。
考虑到持液率的特点，输入层、隐藏层和输出层之间使用线性传递函数，所以，输出层神经元的传递函数采用S型对数函数logsig()，神经网络的隐含层神经元的传递函数采用S型正切函数tansig()，这是由于输出模式0-1刚好满足网络的输出要求。经过多次试验，训练次数设为1000，训练目标设为10-5，学习速率设置为0.1。
粒子群算法优化BP神经网络是用粒子群算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好的进行样本预测。粒子群算法优化BP神经网络的步骤包括：初始化BP网络结构、初始化粒子群、更新每个粒子的速度、更新每个粒子的位置、计算各个粒子的适应度值、计算粒子群的全局最小适应值、输出全局极值Pg的位置所确定的网络权值和阈值。
本实例以管道持液率为目标，图3、图4为基于PSO-BP神经网络的持液率预测方法实施举例。
初始化BP网络结构
包括设定网络的输入层、隐含层、输出层的神经元个数和学习率α、β及训练样本的输入和输出。
初始化粒子群
包括粒子的规模N及每个粒子的位置向量及速度向量、每个粒子的个体极值和全局最优值、迭代误差精度ε、常系数c1和c2、最大惯性权值wmax、最小惯性权值wmin、最大速度vmax及最大迭代次数等。
迭代更新
利用下列公式更新每个粒子的速度和位置，并判断更新后的速度是否大于最大速度vmax，若大于最大速度vmax，则更新后的速度就取值为最大速度vmax，否则，保持不变。
vij(t+1)＝w·vij(t)+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[Pgj(t)-xij(t)] (3)
xij(t+1)＝xij(t)+vij(t+1) (4)
式中，i＝1，2，…N，N为粒子的数目；j＝1，2，…D，D为粒子的维数；vij(t)，xij(t)分别是t时刻，粒子i在维度j上速度与位置；vij(t+1)，xij(t+1)分别是(t+1)时刻，粒子i在维度j上速度与位置；pij是粒子i到目前为止出现的最优位置(个体极值)；pgj是所有粒子到目前为止出现的最优位置(群体极值)；c1，c2为学习因子，一般皆设为2；r1，r2是在[0，1]内的随机数。
利用下列公式计算各个粒子的适应度值。
式中，nt为训练样本的个数；Oiq、Tiq分别为训练样本q在第i粒子的位置所确定的
网络权值及阈值下的网络实际输出和期望输出。
计算粒子群的全局最小适应值fg＝min{f1，f2，…，fN}；若当前迭代次数达到最大迭代次数或fg＜ε(网络的训练误差达到精度要求)，则迭代停止；否则，计算各个粒子的个体极值Pi和全局极值Pg位置，继续迭代更新粒子的速度和位置。
输出全局极值Pg的位置所确定的网络权值和阈值
模型准确性检验
将得到的最优权值和阈值重新赋给神经网络，将测试样本代入BP神经网络，比较计算输出结果与真实结果，如果满足计算误差在，则模型建立成功，若不满足计算误差，重复进行训练和预测，直到计算误差满足设计要求；此时的BP神经网络即为经过遗传算法优化过的最优BP神经网络。此时预测的得到的持液率数据即为预测值。
为了对比BP神经网络和PSO-BP神经网络的差异性，本发明列举了相同管道运行条件下，BP神经网络和PSO-BP神经网络的误差对比，如图4所示。随机选取8组数据对模型进行验证。对比可见本文改进后模型预测效果显著提高。
本发明以前人的湿气管道持液率实验数据为例，在PSO-BP神经网络模型完成训练学习后，用38组工况的神经网络进行识别验证，验证结果如图3、图4所示。在本次实例中，8组持液率的平均误差分别为7.0826％，可见满足工业应用。
表1部分水平管持液率数据
Claims (3)
1.本权利要求所述的基于PSO-BP神经网络预测湿气管道持液率的方法，其特征是预测结果更加理想，稳定性、准确性更好。
2.本权利要求所述的粒子群算法构建神经网络结构部分，主要包括：将BP神经网络的连接权值和阈值看作粒子群中粒子的位置向量的元素；然后利用粒子群优化方法代替BP网络的梯度下降法实现网络连接权值和阈值的优化；通过迭代找出适应度最高的粒子，构成结构最优的神经网络。
3.本权利要求所述的粒子群算法对神经网络优化部分，其特征是：保留了基于种群的全局搜索策略，采用的速度-位移模型操作简单，避免了复杂的遗传操作，与基本BP算法、GA-BP算法的训练效果相比，具有更小的训练误差和检验误差，在一定程度上提高了学习能力与泛化能力。其主要步骤是：
步骤1：初始化BP网络结构，包括设定网络的输入层、隐含层、输出层的神经元个数和学习率α、β及训练样本的输入和输出，初始化粒子群，包括粒子的规模N及每个粒子的位置向量及速度向量、每个粒子的个体极值和全局最优值、迭代误差精度ε、常系数c1和c2、最大惯性权值ηmax、最小惯性权值ηmin、最大速度vmax及最大迭代次数等。
步骤2：更新每个粒子的速度，并判断更新后的速度是否大于最大速度vmax，若大于最大速度vmax，则更新后的速度就取值为最大速度vmax，否则，保持不变，然后更新每个粒子的位置，计算各个粒子的适应度值，计算粒子群的全局最小适应值。
步骤3：如果当前迭代次数达到最大迭代次数或网络的训练误差达到精度要求，则迭代停止，否则，计算各个粒子的个体极值Pi和全局极值Pg位置，继续更新粒子的速度和位置。
步骤4：输出全局极值Pg的位置所确定的网络权值和阈值，算法结束。
此时BP神经网络训练结束，气液两相流管道持液率的PSO-BP神经网络评价模型完成建立。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413757.8A CN114818487A (zh) | 2022-04-13 | 2022-04-13 | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413757.8A CN114818487A (zh) | 2022-04-13 | 2022-04-13 | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114818487A true CN114818487A (zh) | 2022-07-29 |
Family
ID=82505231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210413757.8A Pending CN114818487A (zh) | 2022-04-13 | 2022-04-13 | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114818487A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115952857A (zh) * | 2023-03-13 | 2023-04-11 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN116933629A (zh) * | 2023-07-18 | 2023-10-24 | 东方空间技术(山东)有限公司 | 一种气体浓度监测系统、方法、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
| CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
| CN113836797A (zh) * | 2021-09-01 | 2021-12-24 | 西安石油大学 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
| CN114202111A (zh) * | 2021-11-19 | 2022-03-18 | 华南理工大学 | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 |
-
2022
- 2022-04-13 CN CN202210413757.8A patent/CN114818487A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
| CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
| CN113836797A (zh) * | 2021-09-01 | 2021-12-24 | 西安石油大学 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
| CN114202111A (zh) * | 2021-11-19 | 2022-03-18 | 华南理工大学 | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 |
Non-Patent Citations (1)
| Title |
|---|
| 刘育清: "粒子群算法在仿人智能控制参数优化中的应用", 粒子群算法在仿人智能控制参数优化中的应用, no. 06, 16 May 2007 (2007-05-16), pages 10 - 13 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115952857A (zh) * | 2023-03-13 | 2023-04-11 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN115952857B (zh) * | 2023-03-13 | 2023-08-08 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN116933629A (zh) * | 2023-07-18 | 2023-10-24 | 东方空间技术(山东)有限公司 | 一种气体浓度监测系统、方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108591836B (zh) | 管道泄漏的检测方法和装置 | |
| CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
| CN114818487A (zh) | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 | |
| CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN112418491A (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| CN113836797A (zh) | 基于ga-bp神经网络的湿气管道持液率预测方法 | |
| CN115640744A (zh) | 一种油田集输管道外腐蚀速率预测方法 | |
| CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
| CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
| 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 | |
| CN116050241A (zh) | 基于pca-tso-bpnn模型的海底管道腐蚀速率预测方法 | |
| CN115049041A (zh) | 基于woa-bp神经网络的湿气管道持液率预测方法 | |
| CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN116595845A (zh) | 一种螺旋翅片管式换热器的结构优化方法 | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| Chi et al. | Calculation method of probability integration method parameters based on MIV-GP-BP model | |
| CN118862981A (zh) | 一种基于pso-bp神经网络的海底管道腐蚀速率预测方法 | |
| Li et al. | Predicting Software Quality by Optimized BP Network Based on PSO. | |
| CN118965981A (zh) | 一种基于fpa-bp神经网络的天然气湿气管道持液率预测模型方法 | |
| Zhuang et al. | PREDICTION MODEL OF LIQUID HOLDUP BASED ON SOA-BPNN ALGORITHM | |
| CN117592373A (zh) | 一种基于js-bp神经网络的天然气湿气管道持液率预测模型方法 |
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 |