CN114841568A - 一种基于bp神经网络的油气管道高后果区风险评价方法 - Google Patents
一种基于bp神经网络的油气管道高后果区风险评价方法 Download PDFInfo
- Publication number
- CN114841568A CN114841568A CN202210490697.XA CN202210490697A CN114841568A CN 114841568 A CN114841568 A CN 114841568A CN 202210490697 A CN202210490697 A CN 202210490697A CN 114841568 A CN114841568 A CN 114841568A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- high consequence
- oil
- consequence area
- 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 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims description 2
- 239000004215 Carbon black (E152) Substances 0.000 claims 1
- 229930195733 hydrocarbon Natural products 0.000 claims 1
- 150000002430 hydrocarbons Chemical class 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000005284 excitation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pipeline Systems (AREA)
Abstract
本发明是一种基于BP神经网络的油气管道高后果区风险评价方法，评价系统主要由输入层、隐含层、输出层三个主要部分组成。区别于常规的误差线性输入、输出，本评价系统运用三层拓扑结构进行误差反向传播算法，在输入层和输出层之间加入隐含层，三层层级相互交替，进行主动学习优化。本发明评价准确度能随训练次数不断优化，可以对缺失的输入信息进行联想复原，同时更具准确性和谨慎性。
Description
技术领域
本发明涉及人工智能机器学习领域，具体涉及一种基于BP神经网络的油气管道高后果区风险评价方法。
背景技术
高后果区是指如果管道发生泄露会危及公众安全，对财产、环境造成较大破坏的区域。近年来层出不穷的管道高后果区事故使得相关部门和单位逐渐意识到高后果区风险评价的重要性。
目前普遍使用的高后果区风险评价方法大多基于传统的风险管理打分法，存在不考虑指标间的相互影响因素、依存于专家经验主观性强、无法实现风险动态管理等问题，因此需要设计出一种精确度更高、应用范围更广、动态调整能力更强的高后果区风险评价方法。
发明内容
本发明所采用的技术方案是：
本发明是一种基于BP神经网络的油气管道高后果区风险评价方法，评价系统主要由输入层、隐含层、输出层三个主要部分组成。区别于常规的误差线性输入、输出，本评价系统运用三层拓扑结构进行误差反向传播算法，在输入层和输出层之间加入隐含层，三层层级相互交替，进行主动学习优化。
进一步地，明确收集高后果区各危险源数据，筛选收集之后对数各类据进行参数简化，根据所建立的评价指标体系具化为方便BP神经网络进行机器学习运算的数值。
输入历史高后果区评价数据中用于识别的输入数据和作为结果的预测数据，形成已知样本集对所构建的BP神经网络高后果区评价模型进行训练。
依据神经网络训练后的结果，输入需要进行风险评价的高后果区具化危险源数据，BP神经网络预测该高后果区等级，在输出层中输出。
进一步地，采取BP神经网络高后果区风险评价系统进行各因素的隐含关联分析，能够处理高后果区部分风险因素信息模糊、界定标准不清晰、准确度不高等复杂环境中的非线性问题。优选的，BP神经网络中的隐含层具有自动调节功能，各高后果区风险因素之间的关联信息不需要人为给定，出现偏差后会进行反向交替解析，实时优化处理逻辑。
与现有技术相比，本发明至少具有如下有益效果：
1.系统中的动态风险管理机制可以模仿神经系统进行不断训练，依据输入的新数据不断总结出适用于新环境的规律性分析逻辑，并使神经元之间的关联记忆得到不断优化，提高模型的评价准确度。
2.BP神经网络中的神经元单元之间存在关联性，整个神经网络系统中可以保留神经元中的信息，如接受的输入信息存在相似性，即使部分危险源数据存在缺失，也可以对信息进行联想或复原。
3.BP神经网络是连续函数的延伸，逻辑性强，使得本高后果区风险评价系统输出数值更具准确性和谨慎性。
附图说明
图1是油气管道高后果区风险评价系统BP神经网络学习框架图。
图2是油气管道高后果区风险评价系统BP识别神经网络模型图。
图3是油气管道高后果区风险评价系统代码截图。
图4是油气管道高后果区风险评价系统真实值与预测值误差分析图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图2，该BP神经网络是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。Xi(i＝1，2，…，n)为网络输入函数，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，f为输出层神经元激励函数，Vj(j＝1，2，…，m)为隐层节点到输出节点的连接权，y为网络输出。BP神经网络油气管道高后果区系统训练主要包括以下方法步骤：
S1：网络构建
输入层各元素之间无互相关联，选取第三方损坏、腐蚀、制造与施工缺陷、地质灾害、介质危害、影响对象作为输入层神经元，因此输入层节点数为6；隐层的数量选取可在训练过程中进行调整，初步可以选取中间层节点数为10；输出层为油气管道高后果区风险等级，由此输出层节点数为1。
S2：数据预处理由于第三方损坏、腐蚀、制造与施工缺陷、地质灾害、介质危害、影响对象等元素难以量化，因此以赋值的形式将指标参数简化，根据BP神经网络所选取的激励函数为S形函数，取值范围[0,1]，对输入样本进行标准化计算：
式中，xmax、xmin为同种输入元素的最大值和最小值。
S3：向前运算
对k(k＝1，2，…,n)个训练样本进行映射，网络输出输入之间的映射关系为
aj (1)为隐藏节点的激励阈值，a为输出神经元阈值，可选取S形函数作为激励函数
同时计算网络输出误差。
S4：反向计算
该BP神经网络的负梯度公式：
式中：yk为第k个样本的网络映射输出；gj k为第k个样本在第j个隐层神经元输出。
S5：循环输出
当集合中所有元素完成步骤S3，S4后，计算网络误差限，计数n＝n+1；当训练次数达到上限，即n>M，或网络训练误差限小于设定值时，完成网络训练；否则循环步骤S3，S4。
Claims (4)
1.一种基于BP神经网络的油气管道高后果区风险评价方法，其特征在于：主要由输入层、隐含层、输出层三个主要部分组成，同时区别于常规的误差线性输入、输出，本评价系统运用三层拓扑结构进行误差反向传播算法，在输入层和输出层之间加入隐含层，三层层级相互交替，进行主动学习优化。
2.根据权利要求1所述的一种基于BP神经网络的油气管道高后果区风险评价方法，其特征在于：采取BP神经网络高后果区风险评价系统进行各因素的隐含关联分析，能够处理高后果区部分风险因素信息模糊、界定标准不清晰、准确度不高等复杂环境中的非线性问题。
3.根据权利要求1所述的一种基于BP神经网络的油气管道高后果区风险评价方法，其特征在于：BP神经网络中的隐含层具有自动调节功能，各高后果区风险因素之间的关联信息不需要人为给定，出现偏差后会进行反向交替解析，实时优化处理逻辑。
4.根据权利要求1所述的一种基于BP神经网络的油气管道高后果区风险评价方法，其特征在于：输入历史高后果区评价数据中用于识别的输入数据和作为结果的预测数据，形成已知样本集对所构建的BP神经网络高后果区评价模型进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210490697.XA CN114841568A (zh) | 2022-05-03 | 2022-05-03 | 一种基于bp神经网络的油气管道高后果区风险评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210490697.XA CN114841568A (zh) | 2022-05-03 | 2022-05-03 | 一种基于bp神经网络的油气管道高后果区风险评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114841568A true CN114841568A (zh) | 2022-08-02 |
Family
ID=82567148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210490697.XA Pending CN114841568A (zh) | 2022-05-03 | 2022-05-03 | 一种基于bp神经网络的油气管道高后果区风险评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841568A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191689A (zh) * | 2021-05-26 | 2021-07-30 | 中国矿业大学(北京) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 |
-
2022
- 2022-05-03 CN CN202210490697.XA patent/CN114841568A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191689A (zh) * | 2021-05-26 | 2021-07-30 | 中国矿业大学(北京) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李亚平: "基于BP 神经网络的油气管道高后果区自动识别方法研究", 《当代石油石化》, vol. 27, no. 2, 20 February 2019 (2019-02-20), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103914735B (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| Idri et al. | Can neural networks be easily interpreted in software cost estimation? | |
| CN109948000B (zh) | 异质网络的异常目标检测方法、装置、设备及存储介质 | |
| CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN108595905A (zh) | 一种基于bp神经网络模型的冲蚀失效定量预测方法 | |
| Chen et al. | A cooperative cuckoo search–hierarchical adaptive neuro-fuzzy inference system approach for predicting student academic performance | |
| CN109300040A (zh) | 基于全媒体大数据技术的海外投资风险评估方法及系统 | |
| Sahu et al. | Use of ANN and neuro fuzzy model to predict bearing capacity factor of strip footing resting on reinforced sand and subjected to inclined loading | |
| 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 | |
| CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
| CN112016857B (zh) | 基于云理论的聚乙烯管道地震易损性评估方法 | |
| CN113610397A (zh) | 一种基于pso-bp神经网络的石化企业安全评价方法 | |
| CN117273516A (zh) | 一种基于注意力机制神经网络的绩效评估方法 | |
| CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
| CN114841568A (zh) | 一种基于bp神经网络的油气管道高后果区风险评价方法 | |
| CN111414927A (zh) | 一种海水水质评价的方法 | |
| Shi et al. | The integrated methodology of rough set theory and artificial neural-network for construction project cost prediction | |
| Reddy et al. | An optimal neural network model for software effort estimation | |
| CN115577744A (zh) | 一种油气管道泄漏火灾风险的智能预测方法 | |
| Khadr et al. | Integration of data-driven modeling and stochastic modeling for multi-purpose reservoir simulation | |
| CN114065624A (zh) | 一种炼化装置管网完整性管理水平智能评估方法 | |
| Luo | Application of BP neural network in economic management of coastal area | |
| CN106529725A (zh) | 一种基于萤火虫算法和som网络的瓦斯突出预测方法 | |
| Owolabi et al. | Development of priority index assessment model for road pavements in Nigeria | |
| CN113627588A (zh) | 一种基于ga-bp神经网络的海洋养殖用网衣安全性的预测方法 |
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 |