CN115293054A - 一种基于神经网络的凹痕管道失效评价方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的凹痕管道失效评价方法，包括获取凹痕管道的训练样本；选择神经网络的输入数据、输出数据；将训练样本分为训练集、验证集；构建BP神经网络模型；通过训练集训练BP神经网络模型，通过验证集验证训练结果，得到训练后的BP神经网络模型；将含凹痕管道代入训练后的BP神经网络模型中，预测应变相关数据，进行失效评价。本发明用以解决现有技术中对油气管道的凹痕缺陷评价过程中，存在对应力应变的获取难度大、准确性低、计算要求高、不适用于工程实际运用等问题，实现快速准确的获取凹痕管道的应力应变，从而为评估管道凹痕提供准确依据，提高对管道凹痕的评价效率的目的。

Description

一种基于神经网络的凹痕管道失效评价方法

技术领域

本发明涉及油气管道领域，具体涉及一种基于神经网络的凹痕管道失效评价方法。

背景技术

凹痕缺陷（简称凹痕）是管道运行中常见的几何缺陷，是管壁永久塑性变形而使管道横截面发生的变形。凹痕可以发生在管道施工建设期间，由搬运、回填过程中的碰撞或岩石障碍等原因产生；也可以发生在管道服役期间，由挖掘设备、岩石等外物的压砸（陆地管道），拖船、拖网的破坏（海底管道）等原因产生。凹痕将直接影响管道的局部应变、剩余强度和疲劳寿命，特别是凹痕深度过大或与焊缝、裂纹、划伤及腐蚀等其他种类缺陷联合作用时，会使管道更快失效。

油气管道上的凹痕需要通过工程评估来确定其严重性，以判断是否对变形管段进行修复或更换。现有技术中，国外学者提出了基于深度的评价准则和基于应变的评价准则，分别以凹痕深度和凹痕区域应变作为修复管道的衡量标准。工程实际和研究表明，基于应变的评价准则能更有效地评估凹痕的严重性。然而，目前获取管道凹痕区域应变的方法存在获取难度大、准确性低、计算要求高、不适用于工程实际运用等缺点。因此，如何准确快速高效的获取凹痕管道的应力应变数据就成为了评价油气管道凹痕缺陷的重要问题之一。

发明内容

本发明提供一种基于神经网络的凹痕管道失效评价方法，以解决现有技术中对油气管道的凹痕缺陷评价过程中，存在对应力应变的获取难度大、准确性低、计算要求高、不适用于工程实际运用等问题，实现快速准确的获取凹痕管道的应力应变，从而为评估管道凹痕提供准确依据，提高对管道凹痕的评价效率的目的。

本发明通过下述技术方案实现：

一种基于神经网络的凹痕管道失效评价方法，包括：

获取凹痕管道的训练样本；

根据所述训练样本选择神经网络的输入数据、输出数据；并将训练样本分为训练集、验证集；

构建BP神经网络模型；

通过训练集训练BP神经网络模型，通过验证集验证训练结果，得到训练后的BP神经网络模型；

将含凹痕管道代入训练后的BP神经网络模型中，预测应变相关数据，进行失效评价。

针对现有技术中采用基于应变的评价准则评价凹痕管道时，应力应变获取难度大、准确性低、计算要求高、不适用于工程实际运用等问题，本发明提出一种基于神经网络的凹痕管道失效评价方法，本方法首先获取合适的训练样本、用于对神经网络进行训练。其中神经网络的输入数据、输出数据由影响凹痕应力应变大小的因素决定，之后对训练样本进行分组，得到训练集、验证集。其中输入数据和输出数据的确定，有利于准确地反映后续BP神经网络中输入与输出的关系，对提高本申请应变预测结果的准确性十分重要。之后，本申请基于输入数据和输出数据构建BP神经网络模型，通过训练集进行训练，并由验证集验证训练结果，验证通过后，即可得到训练后的BP神经网络模型；最后，将需要评价的含凹痕管道代入训练后的BP神经网络模型中，预测应变相关数据，将预测结果代入基于应变的评价准则中，即可进行失效评价。

可以看出，本申请将凹痕管道的失效评价与神经网络技术相结合，根据BP神经网络原理搭建BP了神经网络模型并进行训练，用于对凹痕管道基于应变的评价准则中所需的评价指标进行预测，再利用预测结果进行最终的管道失效评价，从而克服了现有技术中获取管道凹痕区域应变所存在的难度大、准确性低、计算要求高、工程实际运用难度大等缺陷，实现了快速准确的获取凹痕管道应变数据的效果，从而为评估管道凹痕提供准确的评价参数，并且由于引入了神经网络模型，因此显著提高了对管道凹痕的评价效率，特别适用于在实际工程中的大规模运用。

进一步的，获取训练样本的方法包括：

收集数值模拟参数并初始化，建立包含若干组数值模拟参数的数据集；

由有限元软件从所述数据集中逐一提取每组数值模拟参数；

根据每组数值模拟参数，由有限元软件创建三维实体管道部件、三维离散刚体压头部件；

由有限元软件将三维实体管道部件和三维离散刚体压头部件装配为独立部件，并进行定位，得到装配后的有限元部件；

由有限元软件对所述有限元部件进行设置，生成有限元模型；

将各有限元模型逐一分配至有限元软件中进行数值模拟，通过三维离散刚体压头部件在三维实体管道部件表面压出所需凹痕；

由有限元软件根据所需的输入数据和输出数据，提取出每组数值模拟参数所对应的输入数据和输出数据。

由于油气管道凹痕产生的随机性导致凹痕位置、凹痕大小和凹痕深度等参数复杂多变，且由于实际工程中凹痕区域的应变数据获取难度大，若采用传统的全尺寸试验方式获取、又存在周期长、成本高的缺陷，因此本方案中为了克服上述问题，采用了通过有限元仿真技术来获取训练样本的解决思路。然而，管道凹痕参数的复杂多变会导致有限元建模过程的复杂繁琐，因此采用有限元仿真技术来获取BP神经网络的训练样本的方式，需要进行大量重复建模，若采用传统的人工建模方式，不但会大大提高工作量，同时难免会因人为错误导致模型的不一致进而影响样本计算结果，严重时甚至导致BP神经网络模型出现较大偏差、导致后续的预测结果和失效评价结果出现严重错误。

为了克服上述问题，本方案采用了对有限元软件自动进行大规模建模的技术思路，来满足BP神经网络所需的大量训练样本的获取。具体的，首先人为收集数值模拟参数并对这些参数进行初始化，然后建立包含若干组数值模拟参数的数据集，然后由有限元软件从所述数据集中逐一提取每组数值模拟参数、逐一进行处理。

有限元软件对每组数值模拟参数的处理过程包括：首先根据每组数值模拟参数，创建三维实体管道部件、三维离散刚体压头部件；再将三维实体管道部件和三维离散刚体压头部件装配为独立部件，并进行定位，得到装配后的有限元部件。其中，三维离散刚体压头部件用于作为产生所需凹痕的压头、通过其下压管道部件以形成所需凹痕数据；并且，由于压头并非凹痕计算的关注重点，因此为减少计算量，本方案不考虑压头在凹痕产生过程中的变形，所以压头类型设置为三维离散刚体。本方案中将两者装配为独立部件是为了后续划分网格做准备；且其中定位是指确定管道、压头的相对位置，并通过平移和旋转操作来实现调整。

在得到装配后的有限元部件后，本方案由有限元软件对所述有限元部件进行设置，生成有限元模型；将各有限元模型逐一分配至有限元软件中进行数值模拟，通过三维离散刚体压头部件在三维实体管道部件表面压出所需凹痕；最后由有限元软件根据所需的输入数据和输出数据，提取出每组数值模拟参数所对应的输入数据和输出数据。

可以看出，本方案通过对数值模拟参数设置集合并由有限元软件逐一提取后自动建模，可快速高效的生成大量的管道凹痕有限元分析模型并提交计算，并根据需要提取出位移、应力和应变等所需的计算结果，不仅显著提高了对训练样本的获取效率、使得在短时间内获取大量的BP神经网络所需的训练数据、满足了搭建神经网络进行凹痕管道预测的基本需求，还可充分保证有限元模型的建模一致性，显著提高了分析速度和计算准确性，并最大限度地减少了人为干预。

进一步的，所述数值模拟参数包括：模型名称、壁厚、内压、管径、压头长半轴长度、压头短半轴长度、初始凹痕深度；初始化管长等于6倍管径；

创建三维实体管道部件的方法包括：建立长度为3倍管径、横截面为半圆弧的1/4管道模型；

创建三维离散刚体压头部件的方法包括：根据压头长半轴长度、压头短半轴长度创建椭球体压头，并对其施加刚体约束；

在创建三维实体管道部件、三维离散刚体压头部件后，还创建作为分区部件的壳结构，所述分区部件用于对管道凹痕区域创建分区；

通过如下方法得到装配后的有限元部件：以位移向量的远点作为原点、以右手定则确定旋转方向的正负，将椭球体压头定位在所述1/4管道模型的一端、并定位所述分区部件；使用布尔运算对定位完成后的1/4管道模型、椭球体压头和分区部件进行合成，得到所述有限元部件。

本方案对上述获取训练样本的方法做进一步的限定。其中，每组数值模拟参数均需至少含有以下参数：模型名称、壁厚、内压、管径、压头长半轴长度、压头短半轴长度、凹痕深度。对数值模拟参数初始化的步骤至少包括令管长等于6倍管径，其原因在于：发明人在大量研究过程中发现，管段长度必须足够长用以充分地计算和显示凹痕区域的应变和应力；但是管段长度又不能过长，否则会导致有限元模型的单元数过多，造成有限元求解器完成模型分析所需的时间增加，计算效率十分低下。为此在本申请中将管长初始化为6倍管径为最优方案。

本方案中的初始凹痕深度是指在有限元建模过程中赋予压头的下压的深度，该深度暂未考虑压头撤离后管道的回弹和管道内压的影响，因此定义为初始凹痕深度。

考虑到管道本身以及载荷的对称性，故本方案将三维实体管道部件简化为1/2管长（即长度等于3倍管径）、横截面为半圆弧的模型，即对原始管道沿轴线中点平分，再沿轴线剖开后的1/4管道模型。通过建立1/4管道模型的方式可以显著降低计算量、更加提高获取训练样本的效率。

本方案创建的三维离散刚体压头部件为椭球体压头，其具有更好的通用性，能够良好的反应在凹痕边缘的应力集中现象，对其直接施加刚体约束以避免压头在凹痕产生过程变形对模拟结果的干扰，同时可避免在后续建模中还需单独对压头施加刚体约束所带来的繁琐操作。

本方案在创建三维实体管道部件、三维离散刚体压头部件后，还额外的创建了作为分区部件的壳结构，所述分区部件用于对管道凹痕区域创建分区，以实现后续网格划分过程中对局部网格的细化。本方案使用壳结构作为分区部件的原因在于，对于长输油气管道而言，其直径通常远大于管道壁厚，因此可以认为长输油气管道是一种典型的薄壁结构，使用壳结构局部代替三维实体可有效减少计算量。在采用壳结构的分区部件后，对应的应力云图显示应为中面的应力云图，而不是传统的顶面应力云图。

当然，本方案在装配三维实体管道部件和三维离散刚体压头部件时，还同时对上述分区部件同时进行装配。装配过程中，以位移向量的远点作为原点、以右手定则确定旋转方向的正负，将椭球体压头定位在1/4管道模型沿轴向且位于模型边缘的一端、并定位所述分区部件；之后使用布尔运算对定位完成后的1/4管道模型、椭球体压头和分区部件进行合成，得到最终所需的有限元部件。此外，对于一个1/4管道模型需要同时建立至少两个压头的情况而言，由于不同压头的环向位置可能存在差异不同，因此当不同压头的环向位置不同时，需要使用三角函数对压头的环向位置进行分解以确定压头在直角坐标系下的位置。

进一步的，对所述有限元部件进行设置的方法包括：

为1/4管道模型的管道截面、椭球体压头赋予材料属性；

在分区部件内外划分不同网格，使分区部件内的网格大小，小于分区部件外的网格大小；且分区部件内的网格采用八结点线性六面体单元的线性减缩积分网格，厚度方向上使用4个积分点；

设置1/4管道模型表面和椭球体压头表面的接触条件；

设置压头位移、管道内压的边界条件；

施加压头位移，施加管道内压。

本方案中对有限元部件进行设置包括了赋予材料属于、网格划分、设置接触条件、设置边界条件。其中在赋予材料属于时，由于压头为三维离散刚体，因此在实际操作过程中不单独为压头创建材料属性，直接将管道的材料属性赋予压头即可。

本方案的网格划分过程中，在分区部件内外划分不同网格，使分区部件内的网格大小，小于分区部件外的网格大小，并在综合考虑计算时间和计算精度后，在分区部件内采用八结点线性六面体单元的线性减缩积分网格，厚度方向上使用4个积分点。本方案的网格划分方式至少具有如下优点：（1）在弯曲荷载下不易发生剪切自锁现象；（2）对位移的求解结果比较精确；（3）网格存在扭曲变形时，分析的精度不会受到太大的影响；（4）计算量于工程实际应用较为友好。此外，厚度方向上的积分点数量为4，可充分保证计算结果的准确度，经发明人实验证实其误差小于5%，在确保计算量可被接受的情况下可以满足工程实际需求。

对于1/4管道模型而言，其边界条件需要设置对称边界条件，同时为管道模型赋予管道远离凹痕端的固定约束和管道底部的纵向约束。同时压头采用位移约束，压头位移的边界调节即是约束位置，优选为压头的参考点；对于一个1/4管道模型需要同时建立至少两个压头的情况而言，还需要使用三角函数对压头位移进行分解，以保证压头位移方向沿管道径向。

在完成上述设置后，基于上述设置参数施加压头位移，施加管道内压，得到所需的用于提取训练样本的凹痕管道有限元模型。

进一步的，所述输入数据包括：剩余凹痕深度、管径、壁厚、管道内压、压头尺寸、凹痕轴向距离、凹痕环向角度、凹痕长度、凹痕宽度；

所述输出数据包括最大范式等效应力、最大等效塑性应变；

其中，凹痕长度和凹痕宽度取1/2的剩余凹痕深度的值。

本案发明人基于大量研究发现，影响凹痕管道应力应变的因素可主要分为管道因素、压头因素两大类型，本方案综合考虑了运算量和计算精度的平衡关系，取剩余凹痕深度、管径、壁厚、管道内压、压头尺寸、凹痕轴向距离，凹痕环向角度，凹痕长度，凹痕宽度作为输入数据。其中当对应管道有且仅有一个压头时，凹痕轴向距离，凹痕环向角度均设置为0即可。

特别说明的是，剩余凹痕深度是指管道凹痕在施痕物（即压头）移除发生回弹并施加管道内压后，剩余的凹痕深度。

输出数据至少包括最大范式等效应力、最大等效塑性应变。

进一步的，在构建的BP神经网络模型中，设置隐含层数为1，步长为0.001。

作为神经网络领域的公知常识，增加隐含层层数可以有效提高系统性能。然而本案发明人在大量研究过程中发现，在通过BP神经网络预测应变相关数据的过程中，增加隐含层层数后，预测均方误差没有较大变化，因此增加隐含层层数后的BP神经网络并不能明显提高本申请所需的预测精度，反而是由于隐含层数量的增加会导致训练时间增加。所以本方案采用了与常规精度设置思路不同的方式，设置隐含层数为仅有1层。

步长是BP神经网络算法中梯度最速下降法的下降幅度。学习速率过高，会导致结果不收敛，学习速率过低，会导致迭代时间太长。现有技术中，BP神经网络的常规步长值一般选择在0.01到0.8之间。但是由于本申请所需预测的仅为应变相关数据，训练数据量小，所以采用了与远低于常规步长范围的0.001，可充分避免出现模型不收敛的情况，显著提高模型预测的精准度。

进一步的，在构建的BP神经网络模型中，通过如下方法确定隐含层神经元数：

确定隐含层神经元区间；

取隐含层神经元区间内的所有神经元数，代入BP神经网络模型中，进行应力应变计算，得到预测均方误差；

取预测均方误差最小的神经元数，作为隐含层神经元数。

BP神经网络的隐含层神经元数对训练学习过程有较大影响：隐含层神经元数过少，神经网络学习效果不佳，训练结果精度低；隐含层神经元数过多，训练时间久，神经网络容易出现过拟合情况，使得预测误差较大。为此，本方案设计了专用于本申请的隐含层神经元数的确定方法，通过本方法可得出最佳的隐含层神经元数。其中，预测均方误差是指验证集的验证结果与实际数据之间的均方误差。

进一步的，所述隐含层神经元区间通过如下公式确定：

；

式中：j为隐含层神经元数；i为输入层神经元数；k 为输出层神经元数；a为常数；

取a=0时的j值为所述隐含层神经元区间的最小值；

取a=10时的j值为所述隐含层神经元区间的最大值。

本方案中，将a取0~10之间的隐含层神经元数的变化范围作为隐含层神经元区间，填补了现有技术的空白，为本申请确定BP神经网络模型的隐含层神经元数提供了充分依据，有利于快速确定隐含层神经元数，显著提高BP神经网络模型的建立效率，并能够充分保证模型精确性。

进一步的，当所述含凹痕管道包含至少两个凹痕时，若任意两个凹痕之间的轴向距离小于轴向临界距离、或环向角度小于环向临界角度，则将该两个凹痕同时代入训练后的BP神经网络模型中。

现有技术中用于油气管道凹痕评价的方法，无论是基于深度的评价准则或基于应变的评价准则，都是对于单一凹痕的评价，在工程实践的过程中，不可避免的出现在同一段管道中有距离较近的多个凹痕同时存在的情况，现有评价方法只能够将各凹痕独立进行评价而未考虑凹痕之间的相互影响，这在实际工程运用中存在较大缺陷。为此，在采用本方案对包含至少两个凹痕的管道进行评价的过程中，对任意两个凹痕之间进行判断，若任意两个凹痕之间的轴向距离小于轴向临界距离、或环向角度小于环向临界角度，则将该两个凹痕同时代入训练后的BP神经网络模型中；即是，对于任一凹痕而言，在对其导致的管道失效判断过程中，首先判断其与周围相邻的凹痕之间的轴向距离、环向角度；若轴向距离小于轴向临界距离、或环向角度小于环向临界角度，此时对管道的评价需考虑这些距离过近的凹痕间的相互影响而不能将其各自视为相互独立的凹痕。本方案将满足前述距离条件的凹痕同时代入训练后的BP神经网络模型中，共同作为评价该管道应变数据的条件，可克服现有技术始终对单个凹痕进行评价而导致的缺乏工程实用性的问题，显著提高本申请的工程运用价值。

进一步的，所述轴向临界距离通过如下方法获得：根据管径、壁厚和内压建立管道模型，并建立球形压头模型；将两个球形压头模型沿轴向装配在管道模型上，将球形压头模型下压100mm，使初始轴向距离为200mm，仿真模拟得到两个球形压头模型之间的管道等效塑形应变值；逐渐均匀增大两个球形压头模型的轴向距离，直到两个球形压头模型之间的管道等效塑形应变值小于0.06，以两个球形压头模型之间的当前轴向距离作为轴向临界距离；

所述环向临界角度通过如下方法获得：根据管径、壁厚和内压建立管道模型，并建立球形压头模型；将两个球形压头模型沿环向装配在管道模型上，将球形压头模型下压100mm，使初始环向角度为10°，仿真模拟得到两个球形压头模型之间的管道等效塑形应变值；逐渐均匀增大两个球形压头模型的环向角度，直到两个球形压头模型之间的管道等效塑形应变值小于0.06，以两个球形压头模型之间的当前环向角度作为环向临界角度；

在将两个凹痕同时代入训练后的BP神经网络模型的过程中，若两个凹痕之间的环向角度小于环向临界角度，还进行如下判断：

设两个凹痕之间的环向角度为α，环向临界角度为θ，

若1/2θ≤α＜θ，则将该两个凹痕作为独立凹痕代入训练后的BP神经网络模型中；

若α＜1/2θ，则将该两个凹痕合并为由更大压头所造成的整体凹痕代入训练后的BP神经网络模型中。

本方案给出了对轴向临界距离、环向临界角度的具体获得方法，其中采用球形压头进行模拟以减小计算量、并且可对板状压痕有更好的模拟效果；该过程中的评价参数为两个球形压头模型之间的管道等效塑形应变值，其中两个球形压头模型之间优选为其连线的中心位置。

此外，对于环向角度小于环向临界角度的两个凹痕而言，还根据其具体的环向角度大小，采用不同的方式代入同一段管道模型中进行预测：若1/2θ≤α＜θ，则将该两个凹痕作为同一段管道上的两个独立凹痕、同时代入训练后的BP神经网络模型中，并预测该段管道的应变相关数据，根据预测结果进行失效评价；若α＜1/2θ，则将该两个凹痕合并为由一个大压头所造成的整体凹痕，代入训练后的BP神经网络模型中。此种代入方式为多凹痕管道的失效判断提供了更完整、更合理的预测方式，可以在有效保证评价精度的同时显著降低部分情况下的运算量，更加提高本方法在工程上大规模运用时的效率。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明一种基于神经网络的凹痕管道失效评价方法，将凹痕管道的失效评价与神经网络技术相结合，根据BP神经网络原理搭建BP了神经网络模型并进行训练，用于对凹痕管道基于应变的评价准则中所需的评价指标进行预测，再利用预测结果进行最终的管道失效评价，从而克服了现有技术中获取管道凹痕区域应变所存在的难度大、准确性低、计算要求高、工程实际运用难度大等缺陷，实现了快速准确的获取凹痕管道应变数据的效果，从而为评估管道凹痕提供准确的评价参数，并且由于引入了神经网络模型，因此显著提高了对管道凹痕的评价效率，特别适用于在实际工程中的大规模运用。

2、本发明一种基于神经网络的凹痕管道失效评价方法，显著提高了对训练样本的获取效率，可以在短时间内获取大量的BP神经网络所需的训练数据、满足了搭建神经网络进行凹痕管道预测的基本需求，还可充分保证有限元模型的建模一致性，显著提高了分析速度和计算准确性，并最大限度地减少了人为干预。

3、本发明一种基于神经网络的凹痕管道失效评价方法，明显提高了通过有限元软件获取神经网络训练样本的效率。

4、本发明一种基于神经网络的凹痕管道失效评价方法，构建了专用于凹痕管道失效评价的BP神经网络模型，可提高模型的精准度，同时保证了BP神经网络的训练效率。

5、本发明一种基于神经网络的凹痕管道失效评价方法，克服了现有技术始终对单个凹痕进行评价而导致的缺乏工程实用性的问题，显著提高本申请的工程运用价值。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明具体实施例的流程示意图；

图2为本发明具体实施例的有限元模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。在本申请的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制。

实施例1：

一种基于神经网络的凹痕管道失效评价方法，如图1所示，包括以下步骤：

获取凹痕管道的训练样本；

根据所述训练样本选择神经网络的输入数据、输出数据；并将训练样本分为训练集、验证集；

构建BP神经网络模型；

通过训练集训练BP神经网络模型，通过验证集验证训练结果，得到训练后的BP神经网络模型；

将含凹痕管道代入训练后的BP神经网络模型中，预测应变相关数据，最后通过基于应变的评价准则来进行失效评价。

其中，神经网络的输入数据包括：剩余凹痕深度、管径、壁厚、管道内压、压头尺寸、凹痕轴向距离、凹痕环向角度、凹痕长度、凹痕宽度；其中凹痕长度和凹痕宽度取1/2的剩余凹痕深度的值。

神经网络的输出数据包括最大范式等效应力、最大等效塑性应变。

优选的，本实施例中通过如下方法验证BP神经网络模型的训练结果：

使用本实施例所建立的训练后的BP神经网络模型，对凹痕管道进行应力应变预测。用同神经网络输入参数相同的参数建立含凹痕管道的有限元模型并进行计算，将神经网络的计算结果与有限元的计算结果进行对比，对比结果的统计学指标如下表所示：

统计学指标	均方误差	均方根误差	平均百分比误差	均方百分比误差	残差平方和
						应力预测	0.1618	0.0224	0.0091	0.3975	0.9231
应变预测	0.2310	0.3123	0.0125	0.5612	0.8192

由上表可知，使用本实施例的训练后的BP神经网络模型对含凹痕管道进行应力应变预测较为准确，能够满足实际工程的使用需求。

实施例2：

一种基于神经网络的凹痕管道失效评价方法，在实施例1的基础上，获取训练样本的方法包括：

收集数值模拟参数并初始化，建立包含若干组数值模拟参数的数据集；

由有限元软件从所述数据集中逐一提取每组数值模拟参数；

根据每组数值模拟参数，由有限元软件创建三维实体管道部件、三维离散刚体压头部件；

由有限元软件将三维实体管道部件和三维离散刚体压头部件装配为独立部件，并进行定位，得到装配后的有限元部件；

由有限元软件对所述有限元部件进行设置，生成有限元模型如图2所示；

将各有限元模型逐一分配至有限元软件中进行数值模拟，通过三维离散刚体压头部件在三维实体管道部件表面压出所需凹痕；

由有限元软件根据所需的输入数据和输出数据，提取出每组数值模拟参数所对应的输入数据和输出数据。

优选的，所述数值模拟参数包括：模型名称、壁厚、内压、管径、压头长半轴长度、压头短半轴长度、凹痕深度；初始化管长等于6倍管径；

创建三维实体管道部件的方法包括：建立长度为3倍管径、横截面为半圆弧的1/4管道模型；

创建三维离散刚体压头部件的方法包括：根据压头长半轴长度、压头短半轴长度创建椭球体压头，并对其施加刚体约束；

在创建三维实体管道部件、三维离散刚体压头部件后，还创建作为分区部件的壳结构，所述分区部件用于对管道凹痕区域创建分区；

通过如下方法得到装配后的有限元部件：以位移向量的远点作为原点、以右手定则确定旋转方向的正负，将椭球体压头定位在所述1/4管道模型的一端、并定位所述分区部件；使用布尔运算对定位完成后的1/4管道模型、椭球体压头和分区部件进行合成，得到所述有限元部件。

优选的，对所述有限元部件进行设置的方法包括：

为1/4管道模型的管道截面、椭球体压头赋予材料属性；

在分区部件内外划分不同网格，使分区部件内的网格大小，小于分区部件外的网格大小；且分区部件内的网格采用八结点线性六面体单元的线性减缩积分网格，厚度方向上使用4个积分点；

设置1/4管道模型表面和椭球体压头表面的接触条件；

设置压头位移、管道内压的边界条件；

施加压头位移，施加管道内压。

其中，管道内压不超过如下MOP值：

；

式中：MOP为最大操作压力，MPa；S为管道最小屈服强度，MPa；t为管道壁厚，mm；D为管道外径，mm。

实施例3：

一种基于神经网络的凹痕管道失效评价方法，在实施例1的基础上，通过设置有限元脚本获取训练样本；所述有限元脚本包括：

参数输入模块，用于输入数值模拟参数并初始化，建立包含若干组数值模拟参数的数据集；

调用模块，用于将所述数据集中的每组数值模拟参数逐一调入有限元软件中；

部件模块，用于根据所述数值模拟参数，在有限元软件中创建三维实体管道部件、三维离散刚体压头部件、分区部件（壳结构）；

装配模块，用于将三维实体管道部件和三维离散刚体压头部件装配为独立部件，并进行定位，得到装配后的有限元部件；

模型设置模块，用于对所述有限元部件进行设置，生成有限元模型；

作业模块，用于将各有限元模型逐一分配至有限元软件中进行数值模拟，通过三维离散刚体压头部件在三维实体管道部件表面压出所需凹痕；

提取模块，用于根据所需的输入数据和/或输出数据，提取出所需的输入数据和/或输出数据。

其中，所示模型设置模块包括：

材料属性单元，用于为1/4管道模型的管道截面、椭球体压头赋予材料属性；

网格划分单元，用于在分区部件内外划分不同网格，使分区部件内的网格大小，小于分区部件外的网格大小；且分区部件内的网格采用八结点线性六面体单元的线性减缩积分网格，厚度方向上使用4个积分点；

接触条件单元，用于设置1/4管道模型表面和椭球体压头表面的接触条件；

边界条件单元，用于设置压头位移、管道内压的边界条件；

第一分析步单元，用于施加压头位移；

第二分析步单元，用于撤销压头位移；

第三分析步单元，用于施加管道内压；

所述装配模块通过如下方法得到装配后的有限元部件：以位移向量的远点作为原点、以右手定则确定旋转方向的正负，将椭球体压头定位在所述1/4管道模型的一端、并定位所述分区部件；使用布尔运算对定位完成后的1/4管道模型、椭球体压头和分区部件进行合成，得到所述有限元部件。

本实施例还对有限元脚本的准确性进行验证，验证方法如下：

使用本实施例所建立的脚本建立含双凹痕的管道凹痕有限元模型，并与已知的全尺寸凹痕试验作对比分析。

模型参数如下：两个压头沿管道轴向排列，间距2000mm，压头距管道一段的距离分别为2000mm和4000mm；压头直径120mm，管径407.69mm，管道壁厚10.25mm，压头下压深度分别为48.8mm和61.0mm（即下压深度分别为管道直径的12%和15%）。

通过脚本建立该含双凹痕管道的有限元模型并提交计算，计算完成后，提取相应的位移载荷数据并与已知试验比较，比较结果表明有限元模型计算结果和试验结果误差小于5%，这也说明通过本实施例的脚本所得到的有限元模型计算精度较高，能够满足工程实际需求。

实施例4：

一种基于神经网络的凹痕管道失效评价方法，在上述任一实施例的基础上，在构建的BP神经网络模型中：

设置BP神经网络的隐含层数为1，步长为0.001。

通过如下方法确定BP神经网络的隐含层神经元数：

计算

；式中：j为隐含层神经元数；i为输入层神经元数；k为输出层神经元数；a为常数；

取a=0时的j值为隐含层神经元区间的最小值；取a=10时的j值为隐含层神经元区间的最大值，确定隐含层神经元区间；

取隐含层神经元区间内的所有神经元数，代入BP神经网络模型中，进行应力应变计算，得到预测均方误差；

取预测均方误差最小的神经元数，作为隐含层神经元数。

实施例5：

一种基于神经网络的凹痕管道失效评价方法，在上述任一实施例的基础上，在将含凹痕管道代入训练后的BP神经网络模型时，当所述含凹痕管道包含至少两个凹痕时，若任意两个凹痕之间的轴向距离小于轴向临界距离、或环向角度小于环向临界角度，则将该两个凹痕同时代入训练后的BP神经网络模型中。

其中，所述轴向临界距离通过如下方法获得：根据管径、壁厚和内压建立管道模型，并建立直径在50mm~500mm之间的球形压头模型；将两个球形压头模型沿轴向装配在管道模型上，将球形压头模型下压100mm，使初始轴向距离为200mm，仿真模拟得到两个球形压头模型之间的管道等效塑形应变值；逐渐均匀增大两个球形压头模型的轴向距离，直到两个球形压头模型之间的管道等效塑形应变值小于0.06，以两个球形压头模型之间的当前轴向距离作为轴向临界距离；

其中，所述环向临界角度通过如下方法获得：根据管径、壁厚和内压建立管道模型，并建立直径在50mm~500mm之间的球形压头模型；将两个球形压头模型沿环向装配在管道模型上，将球形压头模型下压100mm，使初始环向角度为10°，仿真模拟得到两个球形压头模型之间的管道等效塑形应变值；逐渐均匀增大两个球形压头模型的环向角度，直到两个球形压头模型之间的管道等效塑形应变值小于0.06，以两个球形压头模型之间的当前环向角度作为环向临界角度；

优选的，在将两个凹痕同时代入训练后的BP神经网络模型的过程中，若两个凹痕之间的环向角度小于环向临界角度，还进行如下判断：

设两个凹痕之间的环向角度为α，环向临界角度为θ，

若1/2θ≤α＜θ，则将该两个凹痕作为独立凹痕代入训练后的BP神经网络模型中；

若α＜1/2θ，则将该两个凹痕合并为由更大压头所造成的整体凹痕代入训练后的BP神经网络模型中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体，意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

Claims (10)

1.一种基于神经网络的凹痕管道失效评价方法，其特征在于，包括：

获取凹痕管道的训练样本；

根据所述训练样本选择神经网络的输入数据、输出数据；并将训练样本分为训练集、验证集；

构建BP神经网络模型；

通过训练集训练BP神经网络模型，通过验证集验证训练结果，得到训练后的BP神经网络模型；

将含凹痕管道代入训练后的BP神经网络模型中，预测应变相关数据，进行失效评价。

2.根据权利要求1所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，获取训练样本的方法包括：

收集数值模拟参数并初始化，建立包含若干组数值模拟参数的数据集；

由有限元软件从所述数据集中逐一提取每组数值模拟参数；

根据每组数值模拟参数，由有限元软件创建三维实体管道部件、三维离散刚体压头部件；

由有限元软件将三维实体管道部件和三维离散刚体压头部件装配为独立部件，并进行定位，得到装配后的有限元部件；

由有限元软件对所述有限元部件进行设置，生成有限元模型；

将各有限元模型逐一分配至有限元软件中进行数值模拟，通过三维离散刚体压头部件在三维实体管道部件表面压出所需凹痕；

由有限元软件根据所需的输入数据和输出数据，提取出每组数值模拟参数所对应的输入数据和输出数据。

3.根据权利要求2所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，

所述数值模拟参数包括：模型名称、壁厚、内压、管径、压头长半轴长度、压头短半轴长度、初始凹痕深度；初始化管长等于6倍管径；

创建三维实体管道部件的方法包括：建立长度为3倍管径、横截面为半圆弧的1/4管道模型；

创建三维离散刚体压头部件的方法包括：根据压头长半轴长度、压头短半轴长度创建椭球体压头，并对其施加刚体约束；

在创建三维实体管道部件、三维离散刚体压头部件后，还创建作为分区部件的壳结构，所述分区部件用于对管道凹痕区域创建分区；

通过如下方法得到装配后的有限元部件：以位移向量的远点作为原点、以右手定则确定旋转方向的正负，将椭球体压头定位在所述1/4管道模型的一端、并定位所述分区部件；使用布尔运算对定位完成后的1/4管道模型、椭球体压头和分区部件进行合成，得到所述有限元部件。

4.根据权利要求3所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，对所述有限元部件进行设置的方法包括：

为1/4管道模型的管道截面、椭球体压头赋予材料属性；

在分区部件内外划分不同网格，使分区部件内的网格大小，小于分区部件外的网格大小；且分区部件内的网格采用八结点线性六面体单元的线性减缩积分网格，厚度方向上使用4个积分点；

设置1/4管道模型表面和椭球体压头表面的接触条件；

设置压头位移、管道内压的边界条件；

施加压头位移，施加管道内压。

5.根据权利要求1所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，所述输入数据包括：剩余凹痕深度、管径、壁厚、管道内压、压头尺寸、凹痕轴向距离、凹痕环向角度、凹痕长度、凹痕宽度；

所述输出数据包括最大范式等效应力、最大等效塑性应变；

其中，凹痕长度和凹痕宽度取1/2的剩余凹痕深度的值。

6.根据权利要求1所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，在构建的BP神经网络模型中，设置隐含层数为1，步长为0.001。

7.根据权利要求1所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，在构建的BP神经网络模型中，通过如下方法确定隐含层神经元数：

确定隐含层神经元区间；

取隐含层神经元区间内的所有神经元数，代入BP神经网络模型中，进行应力应变计算，得到预测均方误差；

取预测均方误差最小的神经元数，作为隐含层神经元数。

8.根据权利要求7所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，所述隐含层神经元区间通过如下公式确定：

；

式中：j为隐含层神经元数；i为输入层神经元数；k 为输出层神经元数；a为常数；

取a=0时的j值为所述隐含层神经元区间的最小值；取a=10时的j值为所述隐含层神经元区间的最大值。

9.根据权利要求1所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，当所述含凹痕管道包含至少两个凹痕时，若任意两个凹痕之间的轴向距离小于轴向临界距离、或环向角度小于环向临界角度，则将该两个凹痕同时代入训练后的BP神经网络模型中。

10.根据权利要求9所述的一种基于神经网络的凹痕管道失效评价方法，其特征在于，

所述轴向临界距离通过如下方法获得：根据管径、壁厚和内压建立管道模型，并建立球形压头模型；将两个球形压头模型沿轴向装配在管道模型上，将球形压头模型下压100mm，使初始轴向距离为200mm，仿真模拟得到两个球形压头模型之间的管道等效塑形应变值；逐渐均匀增大两个球形压头模型的轴向距离，直到两个球形压头模型之间的管道等效塑形应变值小于0.06，以两个球形压头模型之间的当前轴向距离作为轴向临界距离；

所述环向临界角度通过如下方法获得：根据管径、壁厚和内压建立管道模型，并建立球形压头模型；将两个球形压头模型沿环向装配在管道模型上，将球形压头模型下压100mm，使初始环向角度为10°，仿真模拟得到两个球形压头模型之间的管道等效塑形应变值；逐渐均匀增大两个球形压头模型的环向角度，直到两个球形压头模型之间的管道等效塑形应变值小于0.06，以两个球形压头模型之间的当前环向角度作为环向临界角度；

在将两个凹痕同时代入训练后的BP神经网络模型的过程中，若两个凹痕之间的环向角度小于环向临界角度，还进行如下判断：

设两个凹痕之间的环向角度为α，环向临界角度为θ，

若1/2θ≤α＜θ，则将该两个凹痕作为独立凹痕代入训练后的BP神经网络模型中；

若α＜1/2θ，则将该两个凹痕合并为由更大压头所造成的整体凹痕代入训练后的BP神经网络模型中。

Images