CN114841080A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114841080A CN114841080A CN202210685272.4A CN202210685272A CN114841080A CN 114841080 A CN114841080 A CN 114841080A CN 202210685272 A CN202210685272 A CN 202210685272A CN 114841080 A CN114841080 A CN 114841080A
- Authority
- CN
- China
- Prior art keywords
- neural network
- corrosion
- pipeline
- internal
- corrosion rate
- 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
- 238000005260 corrosion Methods 0.000 title claims abstract description 85
- 230000007797 corrosion Effects 0.000 title claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000008878 coupling Effects 0.000 title claims abstract description 16
- 238000010168 coupling process Methods 0.000 title claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 230000001364 causal effect Effects 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 claims 1
- 238000005536 corrosion prevention Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000013210 evaluation model Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 40
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000033558 biomineral tissue development Effects 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 239000003112 inhibitor Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 239000003899 bactericide agent Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 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
- 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
- G06F2113/14—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
- G06F2119/14—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)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，根据神经网络的非线性和良好的函数逼近特性，提出了基于系统动力学SD耦合的输气管道腐蚀速率内预测模型。系统动力学法通过反馈模拟“输送介质条件‑运行环境‑内防腐措施‑本体参数”系统内各要素的因果关系，深入分析影响输气管道内腐蚀的演化机理，在建立的输气管道内腐蚀影响因素系统动力学仿真模型的基础上耦合BP神经网络评价模型，将表征指标预测结果代入评价模型，综合考虑气质条件、运行环境、内防腐措施、管道材质子系统的实际情况，对输气管道内腐蚀速率进行预测。通过系统动力学仿真模型的建立，降低了BP神经网络的数据处理量，简化了腐蚀速率预测模型。
Description
技术领域
本发明涉及油气管道技术领域，具体涉及基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法。
背景技术
目前，我国各主要气田开采逐步进入了中后期阶段，采出天然气中含水量、二氧化碳和硫化氢等腐蚀性介质的含量都逐渐增加，加速输气管线内壁腐蚀行为的发生。管道内腐蚀造成的管道泄漏、开裂或穿孔，使得输气管线有效寿命受到限制。因此对管道内腐蚀速率进行预测是维护输气管道系统安全的重要手段。
现如今腐蚀速率预测大部分是利用综合的数学模型作为工具手段，但造成管道发生腐蚀的因素众多，腐蚀速率与这些因素间呈现比较复杂的非线性关系,且各个因素交互影响,采用常规数学方法难以准确建立有效的管道内腐蚀速率模型，该方法忽略了各个因素间的交互作用、以及模型建立对原始数据要求高的特点。
随着我国智能化数字建设的发展，人工智能在管道运输系统中得到了有效应用。BP神经网络能建立从网络输入到网络输出的非线性映射关系,将腐蚀影响因素和腐蚀速率结果的非线性关系蕴涵在神经网络拓扑结构之中。对于高维空间模式和非线性模式的识别问题,具有更强的分类表达能力,。章玉婷等提出了基于BP神经网络的长输管道内腐蚀速率预测模型，但是由于使用的训练样本数量相对较少，因此预测误差相对较大。利用神经网络的非线性和良好的函数逼近特性，建立基于系统动力学SD耦合的输气管道腐蚀速率内预测模型，可以有效解决高阶次、非线性、多重反馈与时变特性的输气管道腐蚀速率的预测这一复杂系统问题，降低了BP神经网络的数据处理量，简化了腐蚀速率预测模型。
发明内容
本发明是通过以下技术方案实现的：
上述的一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，包括以下步骤：
步骤一、获取输气管道气质参数、内环境参数、运行参数和管道本体参数。
步骤二、对步骤一收集到的数据进行整理、清洗和数据对齐，进行初步的归类分析。
步骤三、针对归类分析的数据，建立输气管道内腐蚀系统动力学模型，建立函数方程和表函数定量描述变量间因果联系，进行模型有效性检验，从而确定输气管道内腐蚀敏感性因素。
步骤四、根据SD模型得到的敏感性因素，形成内腐蚀速率预测训练和测试样本。包括BP神经网络模型的初始化，确定输入层和输出层神经元参量，神经元参量、神经元激励函数、神经网络的权重和阈值初值、最大网络迭代次数。
步骤五、根据步骤四确定的输入层神经元参量，BP神经网络预测模型训练和测试，得到最优腐蚀速率BP神经网络预测模型。
步骤六：根据步骤五确定腐蚀速率BP神经网络预测模型，对输气管道内腐蚀速率进行预测。与现有技术相比，本发明至少具有如下增益效果：
1、系统动力学法通过反馈模拟“输送介质条件-运行环境-内防腐措施-本体参数”系统内各要素的因果关系，深入分析影响输气管道内腐蚀的演化机理，突显输送介质条件、运行环境、内防腐措施、本体参数的耦合关系，有效解决了高阶次、非线性、多重反馈与时变特性的输气管道内腐蚀这一复杂系统问题。
2、在建立的输气管道内腐蚀影响因素系统动力学仿真模型的基础上耦合BP神经网络评价模型，将表征指标预测结果代入评价模型，综合考虑输送介质条件、运行环境、内防腐措施、本体参数子系统的实际情况，降低了BP神经网络的数据处理量，简化了腐蚀速率预测模型。预测结果可为输气管道剩余寿命的预测、剩余强度的评价、腐蚀风险评估等提供可靠的参考依据。
附图说明
图1是本发明实施例提供的一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法步骤图。
图2是输气管道内腐蚀系统动力学模型。
图3是输气管道内腐蚀二级影响因素的SD仿真结果。
图4是输气管道内腐蚀速率预测BP神经网络学习框架图。
图5是输气管道内腐蚀速率预测BP神经网络模型图。
具体实施方式
下面结合附图对本发明做进一步说明。
步骤一中，对数据进行筛选，忽略对输气管道内腐蚀影响较小的因素，采集的输气管道输送介质条件包括含水率、CO2浓度、H2S浓度、Cl-含量、微生物含量、pH值；采集的输气管道运行环境包括输送流量、输送温度、输送压力、矿化度；采集的输气管道内防腐措施包括杀菌剂、内防腐涂层、缓蚀剂和清管；采集的输气管道本体参数包括管道材质、管道内径、焊缝质量等。
所述步骤二的具体过程如下，对收集到的数据进行整理、清洗和数据对齐，进行初步的归类：对于缺失的信息，采用该样本内同一管道的其他样本数据的均值进行填充；对于离群数据剔除，基于最小二乘法和正态分布假设，确定其均值μ和标准差σ，剔除相对误差在μ+3σ范围外的所有数据；基于聚类分析的基本思想，进行所收集数据的初步分类。
步骤三中，针对归类分析的数据，建立如图2所示的输气管道内腐蚀系统动力学模型，并验证模型有效性。之后进行仿真计算，得到如图3所示的输气管道内腐蚀二级影响因素的SD仿真结果。
具体过程如下：
进一步的，将所述的输气介质参数、内环境参数、运行参数和管道本体参数作为四个子系统输入如图2所示的预先建立的输气管道内腐蚀系统动力学模型。根据各特征参数间的因果生成因果关系图，并根据因果关系图建立输气管道内腐蚀速率预测流图，得到所述的各特征参数作用下的输气管道内腐蚀系统动力学响应；系统动力学模型借助非线性微分方程描述系统内部各变量间的因果反馈关系来研究系统整体行为，水平方程是量化状态变量的一组不等式，表达式为：
式中：L.S(t)为t时刻状态变量；S(t0)为初始值；
为t0到t时间段速率累计量。S31：设定水平变量包括：输气管道内腐蚀；设定速率变量包括：输气管道内腐蚀速率；
设定辅助变量包括：pH值、CO2含量、H2S含量、运行温度和清管；
设置时间变量包括：微生物含量、Cl-含量、矿化度、抗蚀性能、内防腐涂层；
设置常量变量包括：含水量、运行压力、运行流量、杀菌剂、缓蚀剂、焊缝质量和加工质量；S32：建立变量方程式，变量方程式包括水平变量方程式、速率变量方程式、辅助变量方程式、时间变量方程式和辅助变量方程式，并根据变量方程式的计算输气管道内腐蚀速率系统流图；
S33：验证所述内腐蚀速率系统流图：检验SD模型有效性，将所述的常量变量和时间变量设置为0，得出输气管道内腐蚀速率为0，则认为所建立的系统流图真实可靠；比较选取所述的特征变量计算值是否历史数据相近，并设置一定的误差值，当计算值在误差范围内时，则认为所述步骤S32建立的输气管道内腐蚀速率系统流图可靠(如图3所示)；
步骤四中，根据SD模型得到的敏感性因素，形成BP神经网络内腐蚀速率预测训练和测试样本，将敏感性因素对应的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。
所述步骤五的具体过程如下
参照图4，建立如图5所示的BP神经网络，该网络为一种分层前馈型网络模型，网络具备输入层、隐层以及输出层。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：
S51，以含水率、CO2浓度、H2S浓度、Cl-含量、SRB含量、pH值、输送流量、输送温度、输送压力、矿化度、缓蚀剂浓度、清管频率、内涂层质量、管道材质、管道内径、焊缝质量等作为输入层神经元。Xi(i＝1，2，…，n)为网络输入函数；因此，输入层节点数为16。
S52，以内腐蚀速率作为输出层神经元；Y为网络输出；输出层节点数为1。
S53，设定Wij(i＝1，2，…，n；j＝1，2，…，m)为网络输入层与隐层之间的连接权函数，初步选取中间层节点数为20；f(x)为输出层神经元激励函数。
S54，通过经验式确定隐含层神经元数量Nh，其计算式如下：
其中，Ni为输入层神经单元个数，No为输出层神经单元个数，Ns是训练集的样本数；α是是可以自取的任意值变量，通常范围可取2-10。
S55，训练参数初始化，包括设定允许误差、初始正定矩阵为单位矩阵、最近迭代次数、迭代指标、误差下降梯度、学习率。
S56，模型采用梯度下降算法，通过信号的正向传播和误差的反向修正使权值沿误差的负梯度方向改变，从而使网络输出值不断逼近目标期望，权值修改表达式如下：
η为学习系数。
基于遗传算法模拟生物进化理论，采用实数编码的方式将各权值和阈值所对应的基因有序排列成一个染色体，全局搜寻使误差值达到最小的初始权值和阈值。
S57，以迭代误差最小确定的模型为最优化神经网络预测模型；利用内腐蚀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。
所述步骤六中，输入最优内腐蚀速率BP神经网络预测模型的待预测管道参数包括含水率、CO2浓度、H2S浓度、Cl-含量、微生物含量、pH值、输送流量、输送温度、输送压力、矿化度、缓蚀剂、清管、内涂层质量、管道材质、管道内径、焊缝质量。
Claims (5)
1.一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，其特征在于：根据神经网络的非线性和良好的函数逼近特性，提出了基于系统动力学(System Dynamics,SD)耦合的输气管道腐蚀速率内预测模型，系统动力学法通过反馈模拟“输送介质条件-运行环境-内防腐措施-本体参数”系统内各要素的因果关系，将表征指标预测结果代入BP神经网络进行内腐蚀速率预测，该模型克服了原始数据少、数据之间割离、数据波动大、数据相关性差等对预测精度的影响，也增强了预测的自适应性。
2.针对权利要求1所述的一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，其特征在于：基于承载力及系统边界的完整性，综合考虑系统结构和功能整体性，将输气管道的内腐蚀划分为输送介质条件、运行环境、内防腐措施、本体参数等四个子系统，各子系统通过量质要素建立联系，揭示输气管道内腐蚀的演变过程。
3.针对权利要求1所述的一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，其特征在于：获取目标输气管道的内腐蚀因素数据和内腐蚀速率数据，结合SD模型，提取输气管道内腐蚀因素之间的内在关联，确定对输气管道内腐蚀具有显著影响的敏感因素。
4.针对权利要求1所述的一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，其特征在于：采取BP神经网络进行输气管道内腐蚀的隐含关联分析，并运用神经网络建立量质要素表征指标与内腐蚀速率之间的非线性联系，以处理内腐蚀影响因素信息模糊、界定标准不清晰、准确度不高等复杂环境中的非线性问题。
5.针对权利要求1所述的一种基于BP神经网络和SD耦合的输气管道内腐蚀速率预测方法，其特征在于：BP神经网络中的隐含层具有自动调节功能，出现偏差后会进行反向交替解析，实时优化处理逻辑，根据所述输气管道内腐蚀速率预测模型，对所述目标管道的内腐蚀速率进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210685272.4A CN114841080A (zh) | 2022-06-15 | 2022-06-15 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210685272.4A CN114841080A (zh) | 2022-06-15 | 2022-06-15 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114841080A true CN114841080A (zh) | 2022-08-02 |
Family
ID=82575171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210685272.4A Pending CN114841080A (zh) | 2022-06-15 | 2022-06-15 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841080A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422639A (zh) * | 2022-09-02 | 2022-12-02 | 北京科技大学 | 腐蚀环境中地下工程结构服役状态仿真与寿命预测方法 |
| CN116306172A (zh) * | 2023-05-12 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 抽蓄混凝土管道氯离子侵蚀检测方法、装置及电子设备 |
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
-
2022
- 2022-06-15 CN CN202210685272.4A patent/CN114841080A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘昕瑜: "20#钢湿气集输管道内腐蚀预测方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 11, 15 November 2017 (2017-11-15), pages 019 - 715 * |
| 赵学清: "WC19-1B至WC19-1A海底混输管道内腐蚀状态评估技术研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 2, 15 February 2015 (2015-02-15), pages 019 - 418 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422639A (zh) * | 2022-09-02 | 2022-12-02 | 北京科技大学 | 腐蚀环境中地下工程结构服役状态仿真与寿命预测方法 |
| 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 |
| CN116306172A (zh) * | 2023-05-12 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 抽蓄混凝土管道氯离子侵蚀检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
| CN104063588B (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 | |
| CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN110807540A (zh) | 天然气管道内腐蚀速率的预测方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN105260784A (zh) | 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 | |
| CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
| CN110702782B (zh) | 一种用于石油管道的无损检测系统及其检测方法 | |
| CN112418491A (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| CN115186590A (zh) | 一种管道腐蚀剩余寿命预测方法 | |
| Walters et al. | Calibration of water distribution network models using genetic algorithms | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN114638164B (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
| 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 | |
| Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
| CN111414927A (zh) | 一种海水水质评价的方法 | |
| Ganji-Azad et al. | Reservoir fluid PVT properties modeling using adaptive neuro-fuzzy inference systems | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
| CN114970813A (zh) | 一种溶解氧浓度数据修复及预报方法 | |
| CN111667133B (zh) | 一种管道完整性的综合评价方法及系统 | |
| CN107169165A (zh) | 一种基于环境效应的表面改性工艺可靠性评价方法 | |
| Hosseinzadeh et al. | Machine Learning Models Development to Predict Corroded Pipeline Behavior Considering Defects Interaction | |
| Pratama et al. | The simulation model of API oil separator based on artificial neural network at Pt Saka Indonesia Pangkah limited |
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 |